假设你有一个末端类似于人手的机（jī）械（xiè）臂。你已经训（xùn）练它的5个指头学会拿起一把（bǎ）锤子，以及（jí）将钉（dìng）子钉入（rù）木（mù）板。但现在，你（nǐ）希（xī）望一（yī）种（zhǒng）“二指夹爪”也能完成同样的任务（wù）。为此，科学（xué）家创（chuàng）造出了（le）一连串的虚（xū）拟机器人来（lái）模（mó）拟两（liǎng）种机械臂（bì）之间（jiān）的形态（tài）：它（tā）会从最初类似于（yú）人手的结构缓慢地转变成一（yī）种新的形状（zhuàng）。每一（yī）个（gè）中间机器人（rén）都会（huì）通过练习指定的任务（wù），以（yǐ）此（cǐ）调整对应（yīng）的人（rén）工神经网络（一种计算模型（xíng）），直到达到（dào）阈值成功（gōng）率。紧（jǐn）接着，这（zhè）个系统的（de）控制器代码（mǎ）就会被传（chuán）递给这条（tiáo）“链”上的下一个中间机器人。

 

        为了完成从虚拟机器人到目标（biāo）机器人的转变，研（yán）究团队创建出了一种共享式树状运动链（kinematic tree）。其中，一组代表肢体部分（fèn）的节点（diǎn）被一些代表（biǎo）关节的链接器（link）连接（jiē）了起来。为了将锤击（jī）技能迁移（yí）到（dào）二指夹（jiá）爪，这支团队将原本结构（gòu）中（zhōng）代表三个指头的节点的（de）大小和（hé）权重都调整（zhěng）为零。对于每一个中间机器（qì）人（rén）来说，相应（yīng）指头的大小（xiǎo）和权重就会逐渐变小。

 

        与此同时，控制它们的（de）神经网络（luò）也必须（xū）学会（huì）作出调整。此外，研究人员还调整了训（xùn）练（liàn）方法，以便使中间机器人（rén）之间的（de）变化不会太大也不会太小（xiǎo）。

         

        这个由卡（kǎ）内（nèi）基梅隆（lóng）大学设计（jì）的系统（tǒng）叫作REvolveR（RobotEvolve Robot）。它的表现优（yōu）于机器学习（xí）的（de）基本方（fāng）法，比如从头开始训练目标机器人的方法（fǎ）。在锤击任务（wù）和其他训练任务（包括（kuò）移（yí）动（dòng）一个球和打开一（yī）扇门）中，为了（le）使机器人夹爪达到90%的成功率（lǜ），此前最好的替代性训练方法需要比REvolveR多（duō）执行29%~108%的试验次数，尽管这些替代性方法（fǎ）在训练过程中提供了更多的信息反馈。接下来（lái），研究（jiū）人员还使用其他类型的虚拟（nǐ）机（jī）器人测试他们的训练方法（fǎ）。例如，利用（yòng）这种（zhǒng）方法（fǎ）为（wéi）一个蜘蛛状（zhuàng）机（jī）器人添加新的（de）腿部结构，并让它重新学（xué）会爬行。

 

        维塔利·库林（未参与（yǔ）这（zhè）项研（yán）究）是（shì）英国牛津大（dà）学的计算机科学家，主要研究机器（qì）人和机（jī）器学（xué）习（xí），他表示：“我认为这是一（yī）种（zhǒng）非常（cháng）巧妙的（de）方（fāng）法。”尽管（guǎn）通过将（jiāng）艰巨（jù）的挑战分解成一系列小的（de）部分，从而使AI能够在不同的任务之间实现技能迁移的方法并不新鲜，“但在一（yī）个机器人与另一个机器人之间（jiān）进行内插，以此实现技能迁移，这（zhè）是我（wǒ）以前从未（wèi）想到的。”