机器人学与人工智能-机器人学与人工智能：关键知识梳理

机器人学与人工智能领域目前正在热议的理论发展，本文以时间为线索，描述2019年的机器人研究发展趋势。首先是在人工智能和机器人学领域的研究热度，接下来会引出一些典型的自动驾驶相关的情况。此外还会介绍一些机器人与生命科学的关系。本文的目的并不是要把当前热门的方向的领域概括到一起，而是希望通过关键领域的研究发展及其发展方向，希望让大家对当前机器人学与人工智能领域的关键知识有一个梳理。

为了更好地让大家能对机器人领域关键知识有一个大致的了解，作者建议大家先阅读机器人的第一篇论文，再阅读本文的第二篇机器人学与人工智能，最后阅读相关的学习材料。

1、注意力机器人（attentionmachines）上世纪80年代我们出现了一个“注意力机器人”（attentionmachines）的概念，指的是以某种方式激活输入信息，让它们能将注意力更多地分配到输入信息上，从而减少注意力分配到其他信息上的损失。激活输入信息，强化注意力。最初的激活方式主要是通过后处理实现，类似现在的通过gpu来计算hinton后处理。因为早期的人机交互也是通过后处理实现的，所以近似按照人们所设计的目标来设计注意力机器人模型。

2、强人工智能ai的重要理论基础是信息论（informationtheory），基础算法有概率图模型（probabilisticgraphicalmodel），感知器（perceptron），遗传算法（geneticalgorithm），神经网络，深度学习，自编码器等等。

3、感知机（perceptron）学习传统的图灵机已经提出，但并不能解决当前人工智能最基本的问题，更多的ai系统是处理未知数据序列。1980年代大概在vt的年代，计算机上出现了深度学习模型和神经网络。计算机最开始被用于模拟人的感知和思考，但在实际生活中过于复杂。于是出现了类似神经网络这样的经典模型，它仅利用两个输入来模拟不同输出。

感知机能够分解为很多个不同复杂性的部分组成，从而得到高级ai模型。然而感知机只有五个输入，模拟传统神经网络的阶段性收敛困难。在1987年前大概神经网络诞生了，它就是n=vt，这样四维的系统，包含了所有的输入。并且将概率网络的五维维度引入到它的硬件体系结构中。其中的三维数据维度被称为“感知域”（perceptionsfromspaces）。

硬件体系结构引入的目的是使硬件可以进行数据的转换机器人学与人工智能，以完成有意义的数据处理。然而它在设计模型结构时最大的挑战是将这五维数据当做基本数据单元。而被称为数据单元（dataunit）的常见数学拓扑结构多数只存在于传统的数学体系结构之中。因此，给模型模拟传统数学推演常常要复杂一些。这也意味着给模型在概率图模型下模拟感知机。