如今機械人已經有自我治愈技能了，只要是用四肢讓它在行動上出現障礙的破壞它都能快速恢復。這句話看起來可能很像科幻片里的情節，但是有新研究指出這有可能實現，給我們帶來更強健、更有用也更自主的機械人。

這個研究的主導人是巴黎第六大學(也稱皮埃爾和瑪麗居里大學)的機械人專家Jean-Baptiste Mouret，在他們的實驗里一個六腿機械人可以在其中兩條腿損壞、丟失的情況下，用一分多鍾重新調整自己繼續走路。而機械臂也能在馬達或接口壞掉幾個的情況下學會抓起東西放到正確的位置。

Mouret說：「令我們驚訝的是機械人快速恢復的損壞程度，我們對它們各種虐待，但是它們也能找到新的辦法來繼續完成任務。」

適應性強的機械人

機械人能在非常惡劣的極端環境(如大海最深處或真空的外太空)中工作，但是工廠製作的機械人有一個缺點——缺乏適應能力。它們通常被破壞之後就沒辦法繼續工作。

與機械人不一樣的是，動物往往能在受傷之後迅速適應。比如，三條腿的狗狗還是能咬住飛盤，人類也能在腳踝扭傷或是其他傷害之後迅速找到繼續行走的辦法。

Mouret介紹說，如果我們想要讓機械人幫助救援，比如在震后尋找倖存者、撲滅森林火災或是在危急關頭關掉核電站(比如日本福島)，那我們就必須讓它們能在被破壞之後仍然可以繼續工作。在提到的這些情形中，每一個都是分秒必爭的程度，而且機械人所處的環境也變幻莫測隨時可能對它們造成損傷。即使是不那麼極端的條件，就是一般的家庭助手類機械人。它們能幫助老人或病人，它們也需要在一些零件損壞、斷裂的時候繼續執行重要的任務。

直到現在，機械人一般都在初次診斷出錯后開始恢復然後選擇應急計劃。不過，即使這個機械人有昂貴的傳感器能夠自我診斷出問題，如果它的設計師沒辦法預計它可能會面臨何種問題並給出解決方案，有這個配件也白費。

相比之下，受傷的動物卻能用嘗試和犯錯來學習如火如荼克服逆境。比如在腿受傷之後懂得一瘸一拐地走路能緩解腿部疼痛。而且，雖然科學家們已經開始為機械人編寫試錯程序，機械人克服問題的時間也需要15分鐘以上。

這次開發出來的試錯程序能讓機械人在不到兩分鐘的時間里適應損壞，不需要傳感器自我診斷也不需要應急計劃。

Mouret說：「機械人最難能可貴的一點特性就是能在長時間人類不做維護的情況下也能保持工作。」

汲取經驗教訓

該團隊的科學家們推論，動物們並不因為抓傷和撓傷學會自我恢復。它們積累了直覺的經驗告訴自己該怎麼做，這個事有幾種做法。這些直覺意識會讓他們在不同的情況下採用不同的行為辦法，所以在受傷時也會有對應的解決性行為供它們選擇。我們的機械人也能做到。

在新模式下的機械人在被利用之前會先用計算機模擬出數千種不同的身體動作，並劃分出哪些動作是可以在受到損傷也能使用的。這裡面的所有數據都能作為機械人的直覺意識存儲，夠它們受用很久。不過他們並不是給機械人的運算裡面寫入類似「如果一條腿不見了要怎麼走」的數據，而是「尋找盡可能多的不同的行走方法」。

當機械人面臨真正的肢體傷害時，它能從這些試錯算法和直覺經驗中找到能彌補任何損壞的方法。

當它被損害之後，機械人自己就會變成科學家，它對不同的行為可能有什麼後果都做了假設然後開始一個個測試。這些機械人能有效地試驗各種不同的行為，排除在受傷時不能用的動作。

就好比走路這個簡單的動作，如果它發現主要用後腿走不是很方便的時候，就會把重心放到前腿。最令人驚訝的是，它能非常快地學會新的行走姿勢。看着機械人在兩分鐘內從殘缺、摔倒在地到一瘸一拐地前行，自己腦補一下會多驚人。

現實使用

研究員們認為，這個辦法能幫助機械人適應新環境、克服不可預見的困難。

它的潛在應用前景就是幫助救援人員搜索，不需要救援隊員照看它的安全，而且機械人健康助手也比較好做，即使零件壞了一部分還是能繼續為主人服務。

把機械人一輩子可能遇到的所有經歷都模擬出來聽起來成本會很高，然而並沒有。Mouret說：「我們的方法其實很簡單，不需要複雜的內置傳感器，只需要知道它用不同辦法執行任務得到的成效不同就可以，並不需要知道不能用預期的辦法執行任務的確切原因。這反而會節約成本，因為這樣一來機械人就不需要在全身裝上能自我診斷的傳感器。」

除此之外，研究員還指出，這個新理念帶來的影響遠遠不止讓機械人從損傷中修復這麼簡單。

這個經驗學習及試錯辦法在原則上可以讓機械人學習所有技能，此前出現的機械人都需要花幾個小時才能學習一個新技能，錄的機械人視頻也永遠是各種快進。如果就讓它以實際耗費時間把視頻播出來，觀眾的感覺就會像是看着草發芽生長一樣，很需要耐心。但是現在不用了，我們看到的機械人學習新技能視頻可以直接用真實時間播放，就像看着一隻狗或小孩子學習新事物一樣。所以，我們的機械人第一次能像動物和人類一樣：學習有用的、嘗試不同的。

Mouret和他的團隊還在更高級的機械人身上真實測試他們的新模式，他們非常希望這個模式能幫助設計出救災機械人。

LiveScience

想收到更多趣味新聞？請按讚！