“如果 AI 在現實場景中不具備自主性，就沒有任何價值，也沒有任何意義。” 90 後華人學者陳曦（Peter Xi Chen）的觀點一針見血、毫不妥協。
陳曦是美國加州大學伯克利分校的博士、OpenAI 的前研究科學家，他的另外一個身份 — — AI 機器人公司 Covariant 的聯合創始人兼首席執行官 — — 如今讓他更加亮眼。“就我個人而言，其實我特別喜歡做兩類事情，一類是在科研上實現突破，解決科技難題，另一類就是做有價值的事。”
一個多月前，Covariant 剛剛完成了 4,000 萬美元的 B 輪融資，正式退出了兩年多的 “隱身模式”。消息一出，2018 年圖靈獎得主、“深度學習之父” 傑弗裏 · 辛頓（Geoffrey Hinton）隨即發推表示十分後悔，甚至感嘆 “我應該多投資 100 倍”。
（來源：Twitter）
對於此般認可，陳曦表示，“辛頓之所以會看好並投資我們，一方面，他認識我們團隊中的很多人，認可我們的實力；另一方面，他在一年前就看過並肯定了 Covariant 的技術成果。”
相比於辛頓的認可，更令 Covariant 吸引眼球的是，這家公司背後的投資人陣容堪稱豪華。不僅有感慨 “投少了” 的辛頓，另外一位圖靈獎得主、“卷積神經網絡之父” 楊立昆（Yann LeCun），華人學者、斯坦福大學教授李飛飛，谷歌大腦負責人傑夫 · 迪恩（Jeff Dean），以及美國科學院、工程院兩院院士邁克爾 · 喬丹（Michael Jordan）等諸多 AI 領域的大牛，也投資了這家近幾年 “默默無聞” 的 AI 初創公司。此外，國內風險投資機構百度風投也是其投資機構之一。
圖｜Covariant 的投資人
這不禁讓人好奇，Covariant 究竟是一家怎樣的科技公司，才能讓圖靈獎得主在線公開表示後悔？才能吸引如此豪華的投資人陣容？帶着這些問題，DeepTech 不久前採訪了這位 90 後首席執行官。他的回答，讓我們看到了 AI 在現實世界落地的潛在場景和可能性。
大材小用？
Covariant 成立於 2017 年，其創始團隊是一名 70 後 “帶” 3 名 90 後的硬實力組合。
“70 後” 彼得 · 阿比爾（Pieter Abbeel）是 Covariant 的總裁和首席科學家，是美國加州大學伯克利分校電氣工程與計算機科學系教授，是強化學習領域的大牛。
2010 年，阿比爾教授創建了第一個可以摺疊成堆毛巾的機器人 BRETT，證明可以解決家用機器人的硬件問題，併入選《麻省理工科技評論》2011 年 “35 歲以下創新 35 人”（MIT TR35）。
圖｜Covariant 總裁和首席科學家彼得 · 阿比爾
值得注意的是，他還是吳恩達的第一個博士生，阿比爾在攻讀博士期間就與導師吳恩達提出了學徒學習（Apprenticeship learning）這一增強學習領域的新概念。
3 名 90 後陳曦、段巖（Rocky Duan）和張天浩（Tianhao Zhang）都是阿比爾教授的學生。首席技術官段巖，在加入 Covariant 之前，也曾是 OpenAI 的研究科學家，而另一位聯合創始人張天浩也是實打實的學霸，門門成績 A 及 A+，且獲得了計算機科學和統計學的雙學位。
圖｜Covariant 創始團隊，從左到右依次爲，段巖、張天浩、彼得 · 阿比爾和陳曦。
但他們選擇的第一個應用場景是自動分揀機器人，這着實讓人覺得有點 “大材小用” 了。他們使用包括強化學習、模仿學習在內的多種 AI 方法訓練機器人，並與機器人手臂、吸力夾持器和 2D 攝像系統結合。
當下，儘管已有很多科技公司將 AI 應用到了翻譯、搜索引擎等線上場景，但在現實場景中的應用還比較少。其中一個原因是，現實世界是無序的、沒有規律的，將 AI 應用到現實世界會產生實實在在的後果，這就需要 AI 具備很強的自主性。
“把 AI 用在我們的日常生活中，是一件非常難的事。” 陳曦說。
他甚至認爲，從一定意義上講，如今的很多科技公司算不上是真正的深科技公司。“儘管開發一個程序、一款手機軟件或者一個網站都不是一件非常容易的事，但也沒有那麼難，都是有模式和套路可循的。而在 AI 和機器人領域，目前就恰好需要深科技創新，也有相應的市場需求。”
其實，自動分揀機器人並不簡單
“我們希望做一件既可以在科學技術上有所突破，也能在現實生活中產生實際應用價值的事情。” 陳曦說。
自動分揀聽上去並不是一件很難的事，就是把一個物體從一個地方移動到另一個地方，如果機器人每次只是做一模一樣的動作，其實一點都不難。但陳曦認爲，這一看似十分簡單的應用場景，其實有着很多的複雜性。
那麼，自動分揀究竟難在哪裏？
事實上，即便是同一個物體，也可能會以不同的姿態出現在不同的地方，導致反光不一樣，相機中看到的內容也就不一樣。一旦引入到一個無序的場景中，AI 是否可以在每一個場景中都能自主完成任務？這就是困難所在。
“這只是只有一個物體的情況，如果讓一個 AI 機器人去處理 10 個、100 個，甚至 10,000 個不同物體時，它就變成了一個非常複雜的問題。” 陳曦說，“當一個機器人需要在現實生活中面對無序、多樣的場景時，它就必須具備可以處理從未預料、從未見過的複雜場景的能力。”
那麼，爲什麼自主性對 AI 系統至關重要？無人駕駛就是一個很好的現實案例，無人駕駛至今不能落地的一個原因是，它沒有辦法在現實世界中具備足夠的自主性。
在陳曦看來，一個 AI 系統在現實場景下需要的人工干預次數越多，就越沒有價值。雖然做一個 AI 機器人 demo 並不是很難，但如何保證它不需要人爲干預就可以長時間自主運作，這是很難的事。“如果不能解決那些不常出現但卻可能出現在現實生活中的長尾問題，AI 機器人就不會有很好的自主性，就不能產生真正的、很大的商業價值。”
陳曦認爲，如果有一款自動分揀機器人可以完成 10 萬種甚至 100 萬種商品的自動分選，就不能說存在 “大材小用” 的問題，“因爲這個事情確實比較難”。
同時，將自動分揀機器人作爲首個應用場景的另一個原因是，雖然我們要求自動分揀機器人在倉儲物流環境下具備一定的自主性，但相比於無人駕駛，這一要求相對較低。
“如果無人駕駛汽車每小時出一次錯，是不可能商用的。” 但如果一個自動分揀機器人在運作一小時後，把某個物品弄掉了，只需要有人把東西撿起來，並不會出現大的問題，“是可以接受的後果”。
將 AI 機器人應用在倉儲物流中是一個難度適中的問題，但並不簡單，“要讓分揀機器人幾個小時都不出錯，不需要人爲干預，這也很難，需要解決很多 AI 問題，但並沒有無人駕駛那麼難，因爲它的失敗成本比較低。”
“這是一個既可以進行深科技創新研究，又可能實現商業落地的場景。” 陳曦說，他們的 AI 系統還需要在實際生產過程中繼續收集數據，作進一步學習。
抓取準確率高達 95%
目前，Covariant 已與頂級工業機器人公司 ABB 和世界前十的倉儲自動化提供商 KNAPP 建立了合作。
“每次只要涉及到抓取不熟悉的物品時，最擅長的總是 Covariant Brain。” ABB 全球服務機器人技術總監馬克 · 塞古拉（Marc Segura）如此評價道。
去年，爲尋找可以幫助其實現倉庫自動化的公司，ABB 向 Covariant 等多家公司寄送了各種適用於其系統的物品包裝箱，對各家公司進行受控實驗測試。據塞古拉表示，Covariant 是唯一能夠在沒有任何失誤的前提下，成功抓取各種類型包裝箱的公司。
此外，另一個合作伙伴 KNAPP 也對 Covariant Brain 的表現印象深刻。KNAPP 創新發展副總裁彼得 · 普切溫（Peter Puchwein）表示，Covariant 的機器人可以抓取透明袋子中的物品，甚至連攝像機都很難去識別這些物品。“即便對於人類來說，如果一個紙箱裏有 20 個用透明塑料袋包裝的物品，也很難精準地把其中一個物品拿出來。”
如今，Covariant Brain 在自動化倉庫中表現出色，它的準確度達到了驚人的 95%。但陳曦認爲，Covariant Brain 還不完美。“一方面是 AI 系統需要更多的訓練數據，另外一方面是機器人的機電一體化約束太重，或者說機械夾具沒有可以抓取的地方。”
在完成 B 輪融資後，Covariant 希望將這筆資金用於探索 AI 在其他領域的應用，比如密集型製造業、垃圾分類回收等，同時也將僱傭更多的產品經理及工程師，進一步提高公司的產品化及大規模產品部署能力。
“在倉儲物流領域，除了商品的揀取，還有很多其他方向的應用，我們會繼續拓展應用場景。” 陳曦表示，他們近期將重點關注機器人操縱，短期內不會觸及無人駕駛領域。
“我們只賣 AI 軟件”
他們的商業模式也很簡單，只賣 Covariant Brain 這一 AI 軟件。
“我們會與少量的潛在夥伴合作，讓這些合作伙伴在 Covariant Brain 上開發完整的機器人解決方案，不斷實現拓展。” 陳曦表示，這樣的好處在於，Covariant 可以快速獲得合作伙伴的行業知識。
比如，KNAPP 是一個世界前十的倉儲自動化提供商，他們可以將幾十年的倉儲自動化經驗帶進來，藉助 Covariant Brain 這個平臺開發出一套完整的機器人解決方案；與 ABB 的合作也是如此，他們有幾十年的工業自動化的經驗，是世界前三的機器人本體制造商。
談及未來對 Covariant 的期望時，陳曦表示，從商業層面講，他希望可以把 Covariant Brain 應用到多個不同領域，並在每個領域內有不同場景的滲透，進而推動機器人自動化的進程，緩解勞動力稀缺的痛點。
從技術上來講，他們會繼續針對實際生產環境中遇到的問題進行創新。
發佈於 06-19