许多研讨人工智慧(AI)的公司都在透过深度学习来教会机器人辨识图像，卡内基美隆大学(CMU)的研讨团队则选了别的一种办法，他们试著经验机器人透过触摸来认知世界，就像婴儿一样。

　　TechCrunch 报导，在每天 8 小时实验时期，这个名为「Baxter」的机器人只需一个任务要进行──从桌上随机抓取物品，它的动作缓慢而笨拙，即使如此，这一个月时期也现已进行了 5 万次的抓取动作，Baxter 正在透过触觉反应和检验过错来学习。

　　研讨团队在宣布的论文中，说明了他们怎样透过让机器人反覆触摸物品，来进步对物品的认知，「以婴儿来说，他们透过用手推、戳物品、把东西放进嘴裡或扔出去来学会认知表徵，我们也希望到达这么的方针，所以在 Baxter 的程式平台中建构了类似的方式，让它们在桌面环境上戳、抓取并查询物品。」

　　为了阐明学习触摸的重要性，研讨室助理 Dhiraj Gandhi 用 1970 时代中期英国的一项实验做为比方，其时研讨人员对两隻猫进行认知实验，其间一隻就像平常一样日子、与世界触摸，另一隻猫则只可以观看，不被容许触摸物品，毕竟只需被容许与环境互动的学会爬行，只能查询的不能做出一样做法。

　　而在实验中，Baxter 逐渐地展现出对物品认知的进步，当机器人认出了解的物品时，平板闪现萤幕上会暴露「微笑」，并且抓取物品放入适宜的篮子;如果对物品不了解，萤幕上则会暴露「利诱」的表情──研讨人员并不担忧，他们信任没有什麽是别的 5 万次抓取练习学习不了的。

　　这项研讨改变了传统的机器视觉学习方式，不同于以往系统透过现已输入的标籤去区分、寻觅物品，Baxter 是透过触摸来自我学习认知，Gandhi 说明，以前图像和标籤之间并没有互动，在视觉系统中只需被逼数据可以收集。

　　「我们想要的是与物品时可以取得活动的数据，并透过这些学习对别的视觉任务有用的功用。」

　　Baxter 的系统中有著类似 Kinect 的 3D 镜头，将收集到的视觉与触觉音讯发送到深层的神经网路，并在 ImageNet 中与图像穿插参看。团队在其间意外发现，收集的触摸数据让 Baxter 的辨识精准度，较别的只运用图像辨识的机器人高出 10%，团队认为这十分鼓舞人心。

　　儘管如今研讨还处于前期时期，但团队十分看好将来的展开，Gandhi 标明，他认为联系视觉与触摸学习的机器人可以用于拣选分类，就像 ZenRobotics 开发的类型，将来能为废物进行分类回收，这在实际中是一个十分大的应战，「当然，我们如今还在婴儿学步呢。」