不信的话，随意拿起身边一个直径6厘米的块状物体，单手转起来。当心拿稳了，砸到脚还挺疼的（别问我怎样知道的）。
在玩魔方这个使命傍边，机械手跟魔方之间的冲突力、弹性和其他动力学要素都很难丈量，更甭说精密建模了。
而且，在模仿仿真环境中练习出来的AI，面临复杂多变的实在物理国际，是否能坚持鲁棒，也是一个大问题。
注：域随机化（Domain Randomization）由OpenAI提出，可以创立具有随机特点的各种模仿环境，并练习可在任何环境中作业的模型。
而OpenAI的中心诀窍，在于进一步开发了一种新的算法，称为主动域随机化（ADR）。
在这个支架里，包含一个PhaseSpace运动捕捉体系、一个RGB相机。机械手的每个指尖上都有一个LED灯，体系是经过这一组灯来捕捉机械手的动作。
这原本是一家想做双足机器人的公司，由于发现了自己的水平远不及本田现已造出的机器人，所以弃脚从手，转而去开发机械手，并造出了国际上第一台拟真机械手。
详细结构上，Dextrous有20个可驱动的关节：中指和无名指各有3个驱动关节和1个非驱动关节，小指和拇指有5个驱动关节，以及一个有2个驱动关节的腕部。
为了“玩转魔方”，OpenAI和影子机器人公司，还协作进步了机器手组件的巩固性和可靠性。增加了手的握力，并减小了肌腱应力，而且调整了关节之间的交联，最大极限地减小了扭矩的约束。
不少米粉或许也会觉得眼熟，它是小米的计客超级魔方（GiiKER cube），内部有可感应方向的蓝牙与运动传感器。
计客超级魔方具有90度的面角分辨率，但OpenAI团队对其进行了修正，将精度进步到了大约5度。
尽管咱们正真看到拧魔方是在实践的机械手上产生的，但实践上这一进程首要产生在模仿软件中，然后将AI从模仿中学习到的东西搬运到了实际国际中。
ADR会不断在仿真中生成越来越困难的环境，使体系脱节准确模型对实际的捆绑，从而使模仿环境中的神经网络可以迁移到实在国际。
其间包含模仿器考虑到的物理特性（如几许形状、冲突和重力），以及模仿器未能考虑到的一些物理效应。
此外，还有照明条件之类的视觉元素、相机方位和视点、物体的资料和外观、布景纹路乃至是烘托图画的后处理作用。
研讨人员表明，这项研讨的重要意义在于：一旦弄清楚如安在仿真中练习这些模型，就可以轻松又有效地获取无量数据，然后将模型迁移到机器人上，在实际国际中使用它们。
既然是用强化学习，必然会涉及到奖赏机制，OpenAI团队在这个实验中界说了三个：
为了体系测验每次翻转魔方成功时刻，OpenAI还丈量了神经网络在不同扰动下的成果，比方重置网络的内存、重置力或断开关节等等。
开端，跟着神经网络成功完结更多翻转，成功的时刻会不断缩短，神经网络学会了习惯。
即使增加新搅扰、环境有改变，机械手也会调整战略，重新学习后敏捷到达最佳基准。
最最最难状况下——一种原因是需求旋转26次魔方才干完结，另一方面参加最大外部扰动，机械手成功率20%。
但如果是旋转15次就能完结魔方恢复的“均匀状况”，机械手成功率就能稳定在60%。
从上一年开端，他们就现已在推动前序作业，其时开发过一个灵敏的机械手体系，叫做Dactyl。
不过那时OpenAI用它“盘”木块，尺度比现在的魔方小一些，而且也没有滚动部件。
最闻名的是腾讯。今年年初，腾讯AI与香港中文大学协作，进行了一项模仿实验。
在腾讯这以后宣布的论文成果里：1400次实验进程中均匀成功率到达了90.3％，而对AI模型再练习3万次，成功率会进步到95.2％。
在不献身准确性和鲁棒性的状况下，成功地将模仿实验搬运到了实际国际的机械手上。
比方来说，便是腾讯AI在这件事上中心练了口诀和心法，而OpenAI现在把拳脚也练完了，软硬结合，下一步会更有幻想空间。
它让我感到鹅妹子嘤/瑟瑟发抖的，是它用一种让人感觉既了解又彻底生疏的方法，在履行人类活动。
他们使用了64个V100和920台32核CPU的主机，而且接连练习了好几个月，这样的练习本钱，就够让人瑟瑟发抖的了。
原标题：《这引人联想的机械右手！玩转魔方，灵敏不输人类，OpenAI：史无前例》
本文为汹涌号作者或组织在汹涌新闻上传并发布，仅代表该作者或组织观念，不代表汹涌新闻的观念或态度，汹涌新闻仅供给信息发布渠道。请求汹涌号请用电脑拜访。
