羅斯是全球第一流的機器人專家和夢想家，透過專業作家莫恩的筆，生動介紹了當今最有前瞻性的尖端科技。如今，一場劃時代的機器人革命正在進行，羅斯也提出了對策，要讓機器人的力量用於為人服務，為每個人打造更美好、更令人興奮的未來。本篇只介紹「機器人如何學習？」。
假設我們希望機器人學會「火是危險的，水是安全的」，我們可以建立一種電腦模擬環境，讓機器人自行在虛擬空間中學習區分二者。每當機器人接近火源時，系統就會給它扣分；當它接近水源時，系統則會加分。假設我們的目標是累積最高分，那麼程式便會逐漸學會避開火源，並向水靠近。
這種試錯法，又稱為強化學習，能應用於許多機器人的任務和技能， 例如讓機器人自學如何拿取不同物品（成功拿起就加分，掉落則扣分）。機器人學家無需監督這項實驗，而是由機器人獨自運作，自行嘗試用各種方式拿取不同物品，並記錄有效和無效的方法。
如果有三百台機器人全部都專注於學習如何拿取物品，並互相分享他們的知識和經驗，不到兩週的時間，它們便能集體自行學會拿取一百萬種不同的物品。相反的，若我們想自己訓練這些機器人，用教學或編程的方式，讓他們學習拿取一種物品，那麼學會一百萬件物品，大約得花上一千年的時間。
在現實世界中教導機器人學習，確實有諸多益處，即便機器人能夠獨立學習，仍然進展相對緩慢。但透過模擬學習則能大幅加速進程。首先，基本的自然律和物理定律被編寫進虛擬環境中，試圖教一台機器獵豹在不同地形上行走和奔跑。
最初，虛擬獵豹的腿以千奇百怪且意想不到的方式移動，經過數千次的嘗試和無數次笨拙的錯誤起步和跌倒後，虛擬獵豹學會了如何協調動作，並在前進時保持平衡。最終，這隻虛擬獵豹自己學會了奔跑。
為了縮短模擬時間，可讓數千隻虛擬獵豹的實例同時進行訓練。此外，這些實例彼此交流，互相覺習，並分享彼此的成功與失敗經驗。當程式完成模擬訓練後，便可將調整的模型，移植到實際的機器人大腦中，並在現實世界進行測試。
強化學習開創了無限的可能性，儘管強化學習證實十分成功，但必需經過多次迭代，因此運算成本極為高昂，無論是從運行學習程式所需的算力或相關電力、或實際所需的資金來看，都是如此。
此外，強化學習的結果也較難以預測。在模擬訓練中，你是讓系統自行學習，並未告訴機器人如何完成你希望它執行的任務，所以難以確知機器人出現某些行為的原因。因此，我們也難以保證系統總是能順利運作，或預測它在意外情況下的反應。同樣的，如果出現錯誤，也很難解釋問題的根本原因。
有一種補救之道的方法稱為模仿學習，以自駕車為例，我們可以派更多駕駛人開更多的自駕車。每一次的行駛都可以在模擬環境中進行調整，創造所謂的極端案例，例如因駕駛人過於衝動而引發事故。從一次平平無奇、安全的行駛，變為一場難以捉摸、混亂的駕駛過程，隨意創造出各種困難情境和駕駛情況，我們便能訓練自駕車在遇到類似困境時，適時做出反應。
目前機器學習技術是使用人工神經元做為運算單元來建構。人工神經元被組織成網路架構，定義了神經元之間的組態或連接方式，並形成人工神經網路。在學習過程中，人工神經網路使用數據來辨別模式，然後模式會被編碼成模型參數。隨後，模型可從另一些不熟悉的數據裡，辨識出熟悉的模式，以此來對那些未曾見過的新數據做出決策。
假設我們希望深度神經網路辨識物體，並且數據來源是照片影像。每一層處理都會尋找並識別不同的影像特徵。例如，在第一層處理中，系統可能會對數個二乘二的像素方塊進行比較，從中辨識出細小的特徵。這些細微的模式經過評估後，會被輸出並做為第二層處理的輸入資訊，繼續尋找複雜的像素模式，這些模式通常會應對於影像中的角落或邊緣特徵。
這是如何涉及學習的呢？隨著深度神經網路逐層處理，並將處理對象逐漸擴展至更大範圍的物體，系統開始將各個識別到的特徵彙總，並理解這些特徵之間如何互相關聯，而組合成更高層次的物體特徵。
最終，深度神經網路評估所有這些細小且聚焦的模式，根據這些模式做出有根據的推測，來判斷物體的身分。例如系統可能會得出結論：圖片中的物體有92%的機率是狗，或以91%的可信度辨識它為杯子。
一旦系統經過數十萬張標記影像的訓練，深度神經網路便能辨識出人類未標記的影像中的物體。原因是深度神經網路已建立了自己的模型，能夠辨別新影像中與先前標籤資料相同的模式。換句話說，它學會了如何識別狗或杯子等物體。
結語
我會分享這篇文章，主要是要讓讀者瞭解，目前科學家似乎已經找到有效率的方式來訓練「機器人如何學習」。所以輝達(NVIDIA)執行長黃仁勳才會說，未來機器人將成為全球最大消費電子與工業設備的市場。
有關書籍的介紹，請參考：作者、出版社、內容簡介
更多的理財書目，請參考：汪汪書架的書–理財書籍