假设（shè）你有一个末端类（lèi）似于人手的机械臂。你（nǐ）已（yǐ）经训练它的5个（gè）指（zhǐ）头（tóu）学会拿（ná）起一把锤子，以及将（jiāng）钉（dìng）子（zǐ）钉入木（mù）板。但现在，你（nǐ）希望（wàng）一种“二指夹爪（zhǎo）”也能完成（chéng）同样的任务（wù）。为此（cǐ），科（kē）学家创（chuàng）造出了（le）一连串的虚（xū）拟机（jī）器人来模拟两种机械臂之间的形态：它（tā）会从最初类（lèi）似于人手的结构缓（huǎn）慢地（dì）转变成一（yī）种新的形状。每一个中间（jiān）机器（qì）人都会（huì）通过练（liàn）习指定的任务，以此调（diào）整（zhěng）对（duì）应的人工神经（jīng）网络（一种（zhǒng）计算模型），直（zhí）到达到阈值成功率。紧接着，这个系统（tǒng）的（de）控制器（qì）代（dài）码就（jiù）会被传递给这条“链（liàn）”上的下（xià）一个（gè）中间机器人。

 

        为了完成从（cóng）虚拟机器人到目标机器人的转变，研究团队（duì）创建出了一种共享式树状运（yùn）动链（kinematic tree）。其中，一组代（dài）表肢体部分的（de）节点被一些代表关节的链接器（qì）（link）连接了起（qǐ）来。为了将锤击技能迁移到二指夹爪，这支团队将原本结构中代表三（sān）个指头的节点的大小（xiǎo）和权重都调整为零。对（duì）于每一个中间机（jī）器人来说，相（xiàng）应指头的大小和权重就（jiù）会逐渐变小（xiǎo）。

 

        与此同时，控制它们的神经网络也必须学会作出调整。此外，研究人员还（hái）调（diào）整了训（xùn）练方法，以便使中间机器（qì）人之间的变化（huà）不会（huì）太大也（yě）不会太小。

         

        这（zhè）个由卡内基梅隆（lóng）大学设（shè）计的（de）系统（tǒng）叫作（zuò）REvolveR（RobotEvolve Robot）。它的表现优于机（jī）器学习的基本（běn）方法，比如从头开始训练目标机器人的方法。在锤（chuí）击任务和其他训练任务（wù）（包括移动一个（gè）球和打开一扇（shàn）门）中，为了使机（jī）器人夹爪（zhǎo）达到90%的成功率，此（cǐ）前最好的替代性训（xùn）练（liàn）方法需要比REvolveR多执行29%~108%的试验（yàn）次数（shù），尽管这些替代性方法（fǎ）在训练过程中提供（gòng）了更多的信（xìn）息反（fǎn）馈。接下来，研究人员还使用（yòng）其（qí）他类型的虚拟机器人测试他们的训练方法。例如，利（lì）用（yòng）这（zhè）种方法为一个蜘（zhī）蛛状机器人添加（jiā）新的腿部结（jié）构，并让它重（chóng）新学会爬（pá）行。

 

        维塔利（lì）·库林（未参与这（zhè）项研究）是英国牛津大学的（de）计算机科学（xué）家，主要研究机器人和机器学习，他（tā）表示：“我认为这是（shì）一种（zhǒng）非常巧妙的方（fāng）法。”尽管通过将艰巨的（de）挑战分解成一系（xì）列小的部分，从而使AI能够在（zài）不同（tóng）的任务之间实现技能迁移的方法（fǎ）并不新鲜，“但（dàn）在（zài）一个（gè）机器人与（yǔ）另一个机器人之间进行（háng）内插（chā），以此实现技能迁移，这是（shì）我以前从未想到的（de）。”