Goldberg的機器人比以前開發的任何東西都更接近於人類的熟練程度。而具備高靈活性的工業機器人可以在倉庫、工廠、醫院、家庭場景中找到用武之地。Dex-Net特別聰明的一點是它學習抓取的能力。該軟體嘗試在虛擬環境中拾取物品，通過反複試錯來訓練深度神經網路。即使在模擬中，這也是一項艱巨的任務。但更重要的是，Dex-Net可以將它從之前看到的一個物品推廣到新的物品。如果不確定應該如何抓住一個物品，機器人甚至會推動這件物品以更好地觀察它。
該系統的最新版本包括一個高解析度3-D感測器和2個手臂，每個手臂都由不同的神經網路控制。一隻手臂配備了傳統的機器人手爪，另一隻手臂帶有吸氣系統。機器人的軟體掃描一個物體，然後查看2個神經網路，以即時決定特定物體是該抓取還是吸取。加州大學伯克利分校的研究人員還開發出了一種更好的方法來衡量一個抓取機器人的性能：一種稱為「每小時平均抓取數」的度量標準，它是通過將每次抓取的平均時間與一組一致物件的平均成功概率相乘而計算出來的。新的指標將幫助機器人的研究實驗室分享他們的成果。 「我們一直在談論如何標準化結果，以便觀察進步，」Goldberg說， 「這一切都取決於你所使用的機器人，你所使用的感測器，以及非常重要的是，你的機器人所抓取的是什麼物體。」
人類每小時能夠拾取400至600個物品。在最近由亞馬遜組織的比賽中，最好的機器人能夠做到70到95之間。Goldberg說，新機器每小時可以達到平均200到300個。這項成果將在今年晚些時候在澳大利亞的一次會議上展示。在演講中Goldberg補充說，在5年內，他預計機器人每小時的效率將「達到甚至超過人類的平均水準」。抓取和操縱奇異和陌生的物體是機器人技術的一個基本挑戰。例如，在汽車工廠的機器人快速而精確，但無法適應變化或陌生的環境。除了工廠或倉庫工作之外，具備更複雜的操作能力的機器人要「有用」，最近的選項也許是說明醫院、老年護理機構的人們。
最近的機器人技術進展是幾項技術同時發展的結果。更小、更安全的機器人越來越多，新的端部夾取機器人已經出現，更重要的是，機器學習方面取得的重大進展。除了Goldberg在其他幾個學術實驗室的工作和研究之外，DeepMind和OpenAI等研究人員已經開始探索機器學習如何能夠使機器人變得更加智慧和更具適應性。機器人技術的進步很可能回饋到人工智慧的其他領域，例如感知。「機器學習對機器人技術產生了前所未有的影響，」曾看過UC Berkeley機器人演示的MIT教授Russ Tedrake說。「讓機器人應用到我們機器人技術的大資料中，這有著令人難以置信的價值。」
本文係由DeepTech深科技授權刊登。原文連結： 世界上最灵活机器人问世，5年内将超越人类
