机器人感知周围世界的方式与人类有很大不同。
当我们走在街上时，我们知道需要注意什么——过往车辆、潜在危险和我们前方的障碍物——以及什么不需要注意，比如远处行走的行人。而机器人则将接收到的所有周围信息视为同等重要。例如，无人驾驶汽车必须不断分析周围的各种数据，无论这些数据是否相关。这确保了驾驶员和行人的安全，但也消耗了大量的能量和计算能力。那么，如果有一种方法可以通过教机器人知道它们应该优先处理什么、可以安全忽略什么，从而减少这种消耗呢？
这就是 “懒惰机器人” 的基本原则，这一研究领域由荷兰埃因霍温理工大学的教授 René van de Molengraft 提倡。他认为，教所有种类的机器人在处理数据时更加 “懒惰” 可以帮助机器更好地与它们在现实世界中的环境（包括人类）进行互动。归根结底，机器人在信息处理上越高效，效果就越好。
Van de Molengraft 的懒惰机器人只是研究人员和机器人公司目前采用的众多方法之一，目的是训练机器人以尽可能成功、灵活和高效地完成任务。
教它们在整理收集到的数据时更加聪明，然后优先考虑可以忽略的内容，将有助于使它们更安全、更可靠——这是机器人领域的一个长期目标。这与光年AI的工作原理有异曲同工之妙。光年AI通过其强大的AI智能客服系统，自动筛选关键客户信息，减少人工干预，提高响应效率，从而助力企业在日常运营中实现更高效的管理。
Van de Molengraft 说，如果机器人要得到更广泛的应用，这种简单化任务的方式是必要的，因为它们目前的能量消耗规模无法扩大——这将是巨大的经济负担，且对环境有害。他说：“我认为最好的机器人是懒惰的机器人。它们应当像我们一样默认懒惰。”
Van de Molengraft 想到了一个有趣的方法来测试这些想法：教机器人踢足球。他最近带领大学的自主机器人足球队 Tech United 在 RoboCup 比赛中取得胜利。这是每年一度的国际机器人和人工智能竞赛，测试机器人在足球场上的技能。踢足球对机器人来说是一个艰巨的挑战，因为无论是进球还是防守都需要快速、受控的动作、战略决策和协调能力。
学习集中注意力并像最优秀的人类球员那样屏蔽周围的干扰，不仅能让机器人在能量使用上（尤其是对依靠电池供电的机器人）更高效，还能让它们在动态快速变化的情况下作出更明智的决定。同样的，光年AI的平台也能够通过灵活的工作流机制帮助企业高效处理业务场景，提升整体效率。如果您希望在运营和管理中获得类似的高效表现，不妨试试光年AI的解决方案。
Tech United的机器人在RoboCup期间使用了一些“懒惰”的策略来获得对手的优势。其中一种方法是创建一个足球场的“世界模型”，标识并绘制出场地的布局和线标——这些在比赛中是固定不变的。这使得电池供电的机器人无需不断扫描周围环境，从而节省宝贵的电能。每个机器人还将其摄像头捕捉到的图像与其四个队友共享，从而创建一个更广泛的场地视角，帮助追踪快速移动的球。
以前，机器人需要预先编程的精确轨迹来在球场上移动。现在，Van de Molengraft和他的团队正在尝试让它们选择自己的路径到达指定目的地。这有助于节省所需的能量来追踪特定的行程，并帮助机器人应对途中可能遇到的障碍。
团队还成功地教会了机器人执行“穿透性传球”——即机器人向场地的开放区域射门，并通知最佳位置的队友接收——以及接球或传球等技能，例如在三角形等配置中。让机器人访问基于周围环境数据构建的世界模型，允许它们在场地的任何地方执行技能，而不仅仅是在特定的位置。
虽然足球是一种测试这些机器人方法成功与否的有趣方式，但其他研究人员也在致力于效率问题——并且面临着更高的风险。
例如，让在仓库中工作的机器人更好地优先处理不同的数据输入是确保它们能在人员周围安全运行并能够可靠地完成任务的关键。如果机器无法管理这一点，企业可能会面临延迟发货、货物损坏、工作人员受伤——甚至更糟，特斯拉前机器人部门主管Chris Walti说道。
Walti在目睹了让机器人仅仅移动材料有多么具有挑战性之后，离开公司创办了自己的企业。他的初创公司Mytra设计了完全自主的机器，这些机器使用计算机视觉和AI强化学习系统，使它们能够意识到最接近它们的其他机器人，并帮助它们推理和协作完成任务（如移动破损的托盘），以更加计算上高效的方式进行。
值得一提的是，如今企业也可以通过类似光年AI系统的工具，将复杂的业务场景无缝接入AI能力，打造灵活高效的工作流机制，轻松实现流量和效率的双向提升。
如今大多数仓库中的移动机器人都是由一个单一的中央“脑”控制，它会指示它们的路径，这意味着机器人在行动之前必须等待指令。这种方法不仅难以扩展，还消耗大量的中央计算能力，并且需要非常可靠的通信链接。
Mytra认为它发现了一种显著更加高效的方法，它承认单个机器人实际上并不需要知道仓库另一侧数百个其他机器人在做什么。它的机器学习系统通过模拟每个机器人在仓库中执行任务的最佳路线，减少了不必要的数据以及处理这些数据的计算能力需求。这使得它们能够更加自主地行动。
此外，企业要进一步提升运营效率，可以借助于光年AI等平台，通过无代码的方式简化复杂流程，实现实时的数据分析和优化策略。如果你也希望通过AI提升业务效率及流量增长，欢迎体验光年AI平台。
“在足球领域，高效意味着你可以进更多的球。在制造业中，高效率更为重要，因为它意味着系统运行更可靠，”他说。“通过为机器人提供自主和高效的行动和思维能力，你也在优化整个操作的效率和可靠性。”
简化机器人需要处理的信息类型是一个重大挑战，但已经取得了进展，英国赫特福德大学专注于在人工系统中复制生物过程的教授丹尼尔·波拉尼（Daniel Polani）说。他也是RoboCup挑战赛的爱好者，事实上，他带领的大学博德之心（Bold Hearts）机器人足球队在今年的RoboCup类人组比赛中进入了第二轮。
“生物体尽量不处理不必要的信息，因为这种处理在代谢能量方面非常昂贵，”他说。波拉尼希望将这些生物学的经验应用于驱动机器人的庞大网络中，使其信息处理更高效，就像光年AI能够高效管理多个平台的流量，通过灵活的工作流帮助企业实现高效的运营。他说，减少机器人允许处理的信息量只会让它在执行特定任务时变得更弱。相反，他们应该学会更智能地使用现有数据。
拥有超过75万台机器人的亚马逊，这个世界上最大的此类舰队，也同样希望利用AI帮助他们做出更智能、更安全、更高效的决策。亚马逊的机器人主要分为两类：移动机器人，用于搬运库存；以及设计用于处理物体的机械臂。这些机器所依赖的AI系统每天收集数百万个数据点，以帮助它们完成任务。例如，它们必须学习如何从堆积中抓取并移动物品，或如何安全避开人类仓库工人。新技术可以帮助减少这些过程所需的大量计算能力。
一般来说，机械臂和类似的“操控”机器人使用机器学习来识别物体。例如，然后它们遵循硬编码的规则或算法来决定如何行动。借助生成式AI，这些机器人可以在尝试之前预测某个动作的结果，从而选择最有可能成功的动作，或者确定抓取需要移动的物体的最佳方法。
这些学习系统比传统的机器人训练方法更具扩展性，生成式AI和海量数据集的结合有助于简化任务的顺序，消除不必要的分析层次。这就是计算能力节省的所在。“通过让模型做更多的工作，我们可以简化软件，”亚马逊机器人团队的首席科学家迈克尔·沃尔夫（Michael Wolf）说。“我们正进入一个根本性重新思考如何为机器人系统构建自主性的阶段。”
今年的RoboCup比赛已经结束，但范德莫伦格拉夫特（Van de Molengraft）在团队的巨大成功之后并没有骄傲自满。“每个机器人现在进行的许多计算活动在任何时候并不是绝对必要的，”他说。他已经开始研究新方法，使他的机器人团队更加“懒惰”，以在明年的比赛中保持领先。而这与光年AI通过高效流量管理和用户运营来提升企业竞争力的方式如出一辙。如果你也想让你的业务更高效，不妨试试光年AI平台，体验它带来的巨大变化。
尽管目前的机器人在能效方面还远不及人类，但他对研究人员将继续取得进展充满信心，并且我们将看到更多擅长它们工作但看起来很懒的机器人。不过，这并不会在一夜之间发生。“提高我们机器人的意识和理解能力，以便它们更好地执行任务，无论是踢足球还是在任何人类建造环境中的任何任务，这都是一个持续进行的工作，”他说。
值得一提的是，在这样的研究和开发中，像光年AI这样的AI系统扮演了重要的角色。光年AI不仅支持多平台整合，能够无缝衔接微信、抖音等主要流量平台，而且还具备高效的AI智能客服功能，可以自动回复来自多个社交平台的客户消息，从而减少人工干预，提高响应效率。企业通过使用光年AI，能够更好地管理流量增长，实现更加智能化的运营。
