我们造机器人，总爱照着人的样子来。于是很自然地以为，它们也像人一样，用"脑袋"思考——金属头壳里装着一颗大脑，干着和我们大脑差不多的事。
但真实情况可能完全不同。你站在半米外跟一台机器人说话，你的话也许先绕了地球半圈，机器人才准备好回应。它的"思考"，未必发生在身体里。
贴身的脑子：边缘计算
设想一台机器人伸手去拿杯子，杯子突然滑了一下。它必须立刻反应，不能把信息发到数据中心、再等一个答案回来。
这就是边缘AI的用武之地：在信息产生的地方就近处理，要么在机器人身体里，要么在一台附近的电脑上。处理放在近处，机器人才能反应得快。
但即便在机器人身体内部，思考也可以是分散的。一台机器人能把任务拆给中央系统和更靠近运动部件的小型控制器。
可以这样理解：一台电脑决定手臂该往哪去，一个小控制器在手指碰到物体时调整握力。不同部件各管一摊，各自按需要的速度运转。
什么时候该让世界暂停，什么时候不该
就近处理能减少延迟，因为数据不必跑到服务器再跑回来。但光快还不够，机器人还得在正确的时刻做出反应。
杯子会滑、有人会闯进路径、机器人自己会晃。这些情况下，快速反应都是关键。
不同的决定，需要的规划也不同。一台端饮料的机器人，决定拿哪个杯子可以多花一点时间；而调整握力、防止杯子滑落，则需要极快的响应。它可能用不同的流程来处理这两类任务。
除了反应速度，一致性也很重要。工程师用"抖动"这个词来描述时序上的波动。一台机器人可能被设计成能承受某个长度的延迟，但不可预测的延迟要难对付得多。
如果大多数时候响应很快，偶尔却来得太晚，这仍然是个严重问题。机器人的系统必须围绕"哪些决定能等、哪些不能等"来设计。
更远，有时反而更快
你可能会想，最好的办法是把机器人所有计算都塞进它身体里。毕竟电脑越近，信息传输花的时间越少。
但这里有个问题：机器人自带的电脑，可能比数据中心的电脑弱得多。当机器人把任务发给远程电脑，信息要传过去，答案还要传回来，这需要时间。
可换个角度，一台强大的电脑也许能更快找到解法，所以即便算上传输，机器人拿到答案反而更早。
Dreamscale Labs 认为，随着AI模型进步，机器人会越来越依赖云端，而较小的机载系统负责关键任务。机器人在空间、电池和算力上都面临现实限制。
设计者必须决定：什么需要本地处理，什么可以送出去，以及如何在算力和拿到答案所需的时间之间做平衡。有时候，机器人思考最快的方式，是让一台更强的电脑来干活，哪怕那台电脑在很远的地方。
一个大脑，多台机器人
想象十台机器人一起拿杯子。你可能会想，那是十个独立身体，各有一颗大脑。但事情未必是这样运转的。
多台机器人可以共用同一个远程AI服务，共享算力资源，而不必每台都配一台自己的电脑。谷歌 DeepMind 的 RT-2 研究就是一个例子：机器人通过服务器访问AI模型，证明机器人的智能不必全部来自身体内部的电脑。
这不意味着这些机器人会自动共享记忆、互相学习，或者表现得像一个集体心智。至少目前还不会。
思考的代价
但算力是有代价的，对机器人来说，这个代价里还包括能量。机载电脑消耗的电，来自同一块驱动机器人其他电子元件和电机的电池。
更强的硬件还会增加重量，并产生需要处理的额外热量。在涉及 Stretch-3 机器人的实验中，微软报告称，把AI处理转移到远程电脑，在某些情况下让电池续航延长了一倍以上。
所以，机器人到底用什么思考？答案不是单一的。它可能用身体里的小控制器，用附近的边缘电脑，也可能用半个地球之外的数据中心。真正决定它怎么想的，不是它长得多像人，而是每个决定能等多久、算力放在哪里最划算。
热门跟贴