機器人抓取、搬運並放下物品。如果這些動作有 99% 的成功率，或許會讓人覺得它已相當接近實用階段。然而，在一項包含 100 個連續動作的工作中，從一開始就全部成功的機率僅約 36.6%。TDK Ventures 創辦人兼總裁 Nicolas Sauvage 認為，應重新審視實體 AI 面臨的挑戰：關鍵不只是「手部靈巧度」，還包括能否在無人協助下可靠地完成整個流程。
99% 這個數字暗藏的陷阱
看著機器人的示範影片，人們往往會不禁覺得「它已經和人類一樣了」。但真正的考驗並非成功一次，而是在物品位置略有偏差、抓握方式改變、零件磨損或發生意料之外的故障時，能否仍一次又一次地完成工作，甚至重複數百次。
Sauvage 提出的估算非常容易理解。若一項工作包含 100 個依序執行的動作，而每個動作的成功率都是 99%，首次嘗試就全部成功的機率約為 36.6%；若成功率提高至 99.9%，機率約為 90.5%；達到 99.99% 時，則約為 99.0%。需要注意的是，這項計算是基於各動作成功率相同且彼此獨立的簡化假設。
換句話說，成功率 99% 的機器人，不代表自動化程度達到 99%。Sauvage 認為，成功率中有幾個「9」，決定了人是否需要在旁看著，或是能否放心交由機器人獨立完成工作。
靈巧度不只在手部，更體現在整個流程
談到機器人的靈巧度，人們往往將焦點放在硬體競賽，比較手指數量或關節數量。然而，顧客購買的不是自由度，而是能派上用場的工作成果。Sauvage 如此指出。
要完成工作，視覺、位置、接觸、力量、壓力、抓握、動作與調整等環節，必須無縫串接成閉環。也必須將電源、安全性、靈活性以及從失誤中復原的能力一併納入，視為一套「系統」。
觸覺有助於傳遞各種資訊，例如物品即將滑落、接觸不穩定、施力過大，或零件已正確就位。不過，並非所有工作都需要觸覺，有些情境只靠視覺與動作資料就已足夠。重點不是盡可能堆疊各種感測能力，而是提供符合工作需求的足夠資訊。
能修正失誤的機器人，更接近實際作業現場
在機器人的靈巧度中，復原能力占有重要比重。當抓住的物品開始滑動時，一開始是否完美抓穩並非關鍵。真正的考驗在於，能否及早偵測滑動並加以修正，趕在小失誤演變成整項工作的失敗之前。
在現場發現的問題，可能出在軟體、感測器或控制系統，也可能迫使團隊重新檢視機體設計。只要改變手部形狀，動作、感測器特性及調整方式都會隨之改變，因此，為某種設計蒐集的資料未必能直接用於另一種設計。正因如此，Sauvage 將導入現場視為開發的一部分。
滑動、抓握不足、磨損、復原失敗，這些經驗都會轉化為資料，回饋至軟體、模擬、感測器、控制系統與硬體的改良。這套循環每運作一次，下一次導入就會更可靠，成本也會降低。技術突破只是旅程的起點，真正能將其影響力放大的，是周邊的學習機制。他指出，要增加成功率中的「9」，靠的是不斷導入、學習與改進。
選擇適合工作的形態，而非一味追求人形
也要留意「越像人類的機器人就越優秀」這種想法。應從工作需求出發，再據此決定環境、形態與所需系統。靈巧度也是同樣的道理，最像人手的設計未必最合適。作者主張，目標不該是追求極致靈巧，而是具備足以可靠完成有價值工作的「恰到好處的靈巧度」。
文中舉出的例子之一，是 Agility Robotics 的雙足機器人「Digit」。它專為物流與工業用途設計，不是配備五指的手，而是能直接連接適合工作的專用工具。這項設計優先考量的是作業所需的形態與靈巧度，而非模仿人類。
ANYbotics 的四足機器人能在工業設施中穿越樓梯與崎嶇地形，檢查危險區域，減少人員暴露於危險中的機會。據報導，一個導入案例在 450 個巡檢點執行了超過 3 萬 3000 次巡檢。
Starship Technologies 的配送機器人以在人行道上行駛為前提，因此，相較於腳式設計，小型輪式機器人更適合這項用途。該公司表示，透過這種用途導向的方式，自主配送次數已超過 1000 萬次。
三者的外型截然不同，但有一個共通點：正確的做法，是配合現場工作，並能在該環境中持續運作。Sauvage表示，透過投資Agility、ANYbotics和Starship，他身為投資人的思考角度也改變了。他不再問哪種機器人最像人，而是看哪套完整系統能達到客戶要求的可靠程度。
從示範成功率到工作完成率
那麼，該如何衡量實體AI的進展？Sauvage指出，機器人在示範中成功完成單一動作的比率，幾乎無法告訴我們它能否在現場自主工作。
我們想知道的是，有多少比例的流程能在無人協助下完成。發生問題時，機器人能在多大程度上自行復原？物體、照明、位置、磨損狀況或周遭環境改變時，效能會如何變化？
此外，還有一些不起眼的問題，會隨著規模擴大而變得愈發重要：反覆使用後，最先壞掉的是哪個部分？經過診斷或維修後，多久能恢復工作？順利完成一項工作所需的時間、運轉率和成本又如何？他認為，這些指標比一次性的展示更適合用來衡量機器人的靈巧程度。
創造價值所需要的，不是最像人類的手、最多的關節，或最廣泛的技能，而是恰當結合機械構型、感測、控制和復原能力，確實在實際工作的環境中完成有價值的任務。Sauvage認為，機器人靈巧程度的下一場競賽，勝負將由此決定。
コメント