如果你見過一個孩子玩拼圖，見過他使勁兒想把某一塊拼圖放到合適的位置，那么以下視頻會給你似曾相識的感覺。視頻中的機器人也在玩拼圖，在經歷了若干次失敗后，最終順利完成了——全靠自己的摸索，并無特定的程序幫忙。

　　之前的深度學習能力已成功提升了（機器人的）語言、圖像識別能力；加州大學伯克利分校的研究者們研發了一種新算法，使機器人通過練習和試錯，自己學會完成任務；這兩種深度學習技術頗為相似。研究者們說它們這種方式與人類學習方式更為接近。

　　在這個視頻中，我們看到機器人Willow Garage PR2學習怎樣玩樂高玩具、學會完成各種不同的簡單任務，包括開瓶蓋、組裝玩具飛機、插入鞋楦等。

　　當機器人離開工廠，進入更為嘈雜、充滿未知數的環境之中，如家庭、辦公室時，這些能力對他們至關重要。當然這也是“Rosie”和“杰森” （電影《摩登家庭》人物）一直以來的夢想；要實現這一夢想，機器人首先要學會觀察環境、學會適應變化、掌握許多技能；最理想的是：每一種新環境機器人都能 適應，不用重寫程序。

　　“重點是，機器人面對一種新事物時，我們不用為它重新編程。”該項目領導者之一，加州大學伯克利分校教授Pieter Abbeel 說，“寫入一個程序，告訴機器人怎樣學習，機器人使用同一個程序學習完成我們交給它的所有新任務。”

　　另一個關鍵是：機器人能閱讀分析海量數據。

　　BRETT，全稱叫做“消滅枯燥工作的伯克利機器人”，能通過攝像頭記錄其周邊環境，每次嘗試（任務）后給自己的表現打分；嘗試某個任務時，它的神經網絡（92000個神經元）會判斷任務完成與否——神經系統不停地計算、工作，直至機器人找到解決辦法。

　　雖然這一技術與語言認知能力的技術類似，但實現前者的難度更大。

　　“在一個事先沒有預設好的3D環境中行動，（對機器人）是一個全新的挑戰，”博士研究生Chelsea Finn說。“沒有明確的方向指引、沒有案例告知怎樣解決問題，沒有類似于語言和圖像識別程序那樣的解決方案。”

　　BRETT像大多數機器人一樣，行動緩慢；但如果給它一點提示（如任務開始、結束階段的協助），10分鐘之內它就能學會完成一項新工作；如果沒有任何幫助，它完成任務的時間則會延長到3個小時左右。

　　研究團隊希望未來幾年內使機器人的表現更出色。隨著計算機程序處理大數據的能力加強，而且數據庫容量擴大，（機器人）完成復雜任務指日可待。

　　“讓我們的機器人學會打掃房間、洗熨衣服，我們還有很長的路要走。”Abbeel說。“但初步結果顯示，掌握了深度學習能力，對于機器人從零開始到學會完成復雜任務，有革命性的作用。未來5到10年內，我們也許將親眼見證機器人學習能力的驚人變化。”