思考机器人和自治的未来令人兴奋。无人驾驶汽车，照明工厂，城市空中交通，机器人外科医生在世界任何地方都可以使用。我们已经看到了各个组成部分在仓库，零售店，农场和道路上汇聚在一起。现在是时候为人类建造机器人，而不是取代它们。
 
我们还有很长的路要走。为什么？因为构建打算在物理世界中完全自主运行的机器人很困难。
人类善于适应动态情况以实现目标。机器人和自主系统在高度精确，响应迅速的多变量操作中具有强大的功能。新一代公司正在将注意力转移到两者之间，建立可以为人类工作的机器人，而不是取代它们，并在此过程中重塑多个行业。
 

极限创新
 
机器学习的新方法，例如强化学习和对抗网络，已经改变了机器人系统的速度和能力。
 
这些方法在以下情况下非常有效：
 
专为知名任务而设计。
在受限的环境和有限的变量更改中。
知道大多数终端状态的地方。
在无法预料的情况和“规则”发生的可能性较低的情况下，机器人可以比任何人都能奇迹般地工作。
 
Amazon机器人驱动的仓库很好地说明了在受限环境（仓库）中具有有限特征（结构化路径）的特征明确的任务（货物移动），并且所有最终状态都是已知的（有限的任务可变性）。
 
复杂世界中的机器人
在结构化程度较低且复杂性和可变性更高的环境中呢？错误和不可预见情况的概率与过程的复杂度成正比。
 
在物理世界中，机器人遇到前所未有的情况时该怎么办？这个问题与机器人对预期环境的理解相冲突，并且最终状态未知。
 
冲突的机器人恰恰是公司在将机器人引入现实世界时面临的挑战。
 
奥迪声称他们将在2019年达到3级自主权（更新：他们最近放弃了）。 Waymo已经行驶了2000万英里，但在运营和地理位置上都受到限制。
 
特斯拉从完全机器人化的工厂方法转变为人机混合，该公司指出：“自动化根本无法应对人类可以解决的复杂性，不一致，变化和'出事了'的事情。”
 
 
是的-这个复杂的问题将会解决-但情况尚未解决。
为了解决物理世界中的这些问题，我们将人类作为技术的护栏。
 
无人驾驶汽车，最后一英里的运送机器人，仓库机器人，做比萨饼的机器人，清洁地板等应用程序可以在现实世界中运行，这要归功于“人在圈中”监视其运行。
 
人类扮演着远程操作员，AI数据培训师和异常管理者的角色。
 
环人机器人
正如前面提到的例子，“循环中的人”加快了技术的步伐，并开放了我们认为在我们一生中都不会看到的功能。
 
同时，它限制了我们构建的用例。当我们围绕商品技能集设计机器人系统时，任务范围仅限于那些技能。
 
培训和操作无人驾驶汽车，送货机器人或仓库机器人都需要相同的技能。
结果，如今的机器人主要能够围绕导航和识别人/物体的能力进行聚类。
 
随着这些公司将其解决方案推向市场，他们很快意识到了两个现实：
 
（1）商品任务使其他人也更容易尝试类似的解决方案（在过去几年中出现的众多影音和仓库机器人公司中都可以看到这一点）。
 
（2）高劳动力流动性压低了工资，因此要求这些解决方案完全替代而不是大量增加人手，以产生任何有意义的经济学。例如，Waymo / Uber / Zoox需要删除驱动程序并大批量运行才能最终获利。
 
商品化机器人方法的结果迫使这些技术开发人员完全取代了循环中的人员，从而成为可行的企业。
 
改变机器人与人类的交集
开放的问题是：这是机器与人之间正确的交集吗？这是我们能做的最好的事情，可以利用机器人的精度和人类的创造力吗？
 
环路专家
为了加快机器人的工作能力，我们需要将重点从尝试替代人类转移到构建使机器人与人类携手并进的解决方案。为了使机器人能够进入我们行业的关键工作流程，我们需要它们增加专家和训练有素的技术人员。