“如果 AI 在现实场景中不具备自主性，就没有任何价值，也没有任何意义。” 90 后华人学者陈曦（Peter Xi Chen）的观点一针见血、毫不妥协。
陈曦是美国加州大学伯克利分校的博士、OpenAI 的前研究科学家，他的另外一个身份 — — AI 机器人公司 Covariant 的联合创始人兼首席执行官 — — 如今让他更加亮眼。“就我个人而言，其实我特别喜欢做两类事情，一类是在科研上实现突破，解决科技难题，另一类就是做有价值的事。”
一个多月前，Covariant 刚刚完成了 4,000 万美元的 B 轮融资，正式退出了两年多的 “隐身模式”。消息一出，2018 年图灵奖得主、“深度学习之父” 杰弗里 · 辛顿（Geoffrey Hinton）随即发推表示十分后悔，甚至感叹 “我应该多投资 100 倍”。
（来源：Twitter）
对于此般认可，陈曦表示，“辛顿之所以会看好并投资我们，一方面，他认识我们团队中的很多人，认可我们的实力；另一方面，他在一年前就看过并肯定了 Covariant 的技术成果。”
相比于辛顿的认可，更令 Covariant 吸引眼球的是，这家公司背后的投资人阵容堪称豪华。不仅有感慨 “投少了” 的辛顿，另外一位图灵奖得主、“卷积神经网络之父” 杨立昆（Yann LeCun），华人学者、斯坦福大学教授李飞飞，谷歌大脑负责人杰夫 · 迪恩（Jeff Dean），以及美国科学院、工程院两院院士迈克尔 · 乔丹（Michael Jordan）等诸多 AI 领域的大牛，也投资了这家近几年 “默默无闻” 的 AI 初创公司。此外，国内风险投资机构百度风投也是其投资机构之一。
图｜Covariant 的投资人
这不禁让人好奇，Covariant 究竟是一家怎样的科技公司，才能让图灵奖得主在线公开表示后悔？才能吸引如此豪华的投资人阵容？带着这些问题，DeepTech 不久前采访了这位 90 后首席执行官。他的回答，让我们看到了 AI 在现实世界落地的潜在场景和可能性。
大材小用？
Covariant 成立于 2017 年，其创始团队是一名 70 后 “带” 3 名 90 后的硬实力组合。
“70 后” 彼得 · 阿比尔（Pieter Abbeel）是 Covariant 的总裁和首席科学家，是美国加州大学伯克利分校电气工程与计算机科学系教授，是强化学习领域的大牛。
2010 年，阿比尔教授创建了第一个可以折叠成堆毛巾的机器人 BRETT，证明可以解决家用机器人的硬件问题，并入选《麻省理工科技评论》2011 年 “35 岁以下创新 35 人”（MIT TR35）。
图｜Covariant 总裁和首席科学家彼得 · 阿比尔
值得注意的是，他还是吴恩达的第一个博士生，阿比尔在攻读博士期间就与导师吴恩达提出了学徒学习（Apprenticeship learning）这一增强学习领域的新概念。
3 名 90 后陈曦、段岩（Rocky Duan）和张天浩（Tianhao Zhang）都是阿比尔教授的学生。首席技术官段岩，在加入 Covariant 之前，也曾是 OpenAI 的研究科学家，而另一位联合创始人张天浩也是实打实的学霸，门门成绩 A 及 A+，且获得了计算机科学和统计学的双学位。
图｜Covariant 创始团队，从左到右依次为，段岩、张天浩、彼得 · 阿比尔和陈曦。
但他们选择的第一个应用场景是自动分拣机器人，这着实让人觉得有点 “大材小用” 了。他们使用包括强化学习、模仿学习在内的多种 AI 方法训练机器人，并与机器人手臂、吸力夹持器和 2D 摄像系统结合。
当下，尽管已有很多科技公司将 AI 应用到了翻译、搜索引擎等线上场景，但在现实场景中的应用还比较少。其中一个原因是，现实世界是无序的、没有规律的，将 AI 应用到现实世界会产生实实在在的后果，这就需要 AI 具备很强的自主性。
“把 AI 用在我们的日常生活中，是一件非常难的事。” 陈曦说。
他甚至认为，从一定意义上讲，如今的很多科技公司算不上是真正的深科技公司。“尽管开发一个程序、一款手机软件或者一个网站都不是一件非常容易的事，但也没有那么难，都是有模式和套路可循的。而在 AI 和机器人领域，目前就恰好需要深科技创新，也有相应的市场需求。”
其实，自动分拣机器人并不简单
“我们希望做一件既可以在科学技术上有所突破，也能在现实生活中产生实际应用价值的事情。” 陈曦说。
自动分拣听上去并不是一件很难的事，就是把一个物体从一个地方移动到另一个地方，如果机器人每次只是做一模一样的动作，其实一点都不难。但陈曦认为，这一看似十分简单的应用场景，其实有着很多的复杂性。
那么，自动分拣究竟难在哪里？
事实上，即便是同一个物体，也可能会以不同的姿态出现在不同的地方，导致反光不一样，相机中看到的内容也就不一样。一旦引入到一个无序的场景中，AI 是否可以在每一个场景中都能自主完成任务？这就是困难所在。
“这只是只有一个物体的情况，如果让一个 AI 机器人去处理 10 个、100 个，甚至 10,000 个不同物体时，它就变成了一个非常复杂的问题。” 陈曦说，“当一个机器人需要在现实生活中面对无序、多样的场景时，它就必须具备可以处理从未预料、从未见过的复杂场景的能力。”
那么，为什么自主性对 AI 系统至关重要？无人驾驶就是一个很好的现实案例，无人驾驶至今不能落地的一个原因是，它没有办法在现实世界中具备足够的自主性。
在陈曦看来，一个 AI 系统在现实场景下需要的人工干预次数越多，就越没有价值。虽然做一个 AI 机器人 demo 并不是很难，但如何保证它不需要人为干预就可以长时间自主运作，这是很难的事。“如果不能解决那些不常出现但却可能出现在现实生活中的长尾问题，AI 机器人就不会有很好的自主性，就不能产生真正的、很大的商业价值。”
陈曦认为，如果有一款自动分拣机器人可以完成 10 万种甚至 100 万种商品的自动分选，就不能说存在 “大材小用” 的问题，“因为这个事情确实比较难”。
同时，将自动分拣机器人作为首个应用场景的另一个原因是，虽然我们要求自动分拣机器人在仓储物流环境下具备一定的自主性，但相比于无人驾驶，这一要求相对较低。
“如果无人驾驶汽车每小时出一次错，是不可能商用的。” 但如果一个自动分拣机器人在运作一小时后，把某个物品弄掉了，只需要有人把东西捡起来，并不会出现大的问题，“是可以接受的后果”。
将 AI 机器人应用在仓储物流中是一个难度适中的问题，但并不简单，“要让分拣机器人几个小时都不出错，不需要人为干预，这也很难，需要解决很多 AI 问题，但并没有无人驾驶那么难，因为它的失败成本比较低。”
“这是一个既可以进行深科技创新研究，又可能实现商业落地的场景。” 陈曦说，他们的 AI 系统还需要在实际生产过程中继续收集数据，作进一步学习。
抓取准确率高达 95%
目前，Covariant 已与顶级工业机器人公司 ABB 和世界前十的仓储自动化提供商 KNAPP 建立了合作。
“每次只要涉及到抓取不熟悉的物品时，最擅长的总是 Covariant Brain。” ABB 全球服务机器人技术总监马克 · 塞古拉（Marc Segura）如此评价道。
去年，为寻找可以帮助其实现仓库自动化的公司，ABB 向 Covariant 等多家公司寄送了各种适用于其系统的物品包装箱，对各家公司进行受控实验测试。据塞古拉表示，Covariant 是唯一能够在没有任何失误的前提下，成功抓取各种类型包装箱的公司。
此外，另一个合作伙伴 KNAPP 也对 Covariant Brain 的表现印象深刻。KNAPP 创新发展副总裁彼得 · 普切温（Peter Puchwein）表示，Covariant 的机器人可以抓取透明袋子中的物品，甚至连摄像机都很难去识别这些物品。“即便对于人类来说，如果一个纸箱里有 20 个用透明塑料袋包装的物品，也很难精准地把其中一个物品拿出来。”
如今，Covariant Brain 在自动化仓库中表现出色，它的准确度达到了惊人的 95%。但陈曦认为，Covariant Brain 还不完美。“一方面是 AI 系统需要更多的训练数据，另外一方面是机器人的机电一体化约束太重，或者说机械夹具没有可以抓取的地方。”
在完成 B 轮融资后，Covariant 希望将这笔资金用于探索 AI 在其他领域的应用，比如密集型制造业、垃圾分类回收等，同时也将雇佣更多的产品经理及工程师，进一步提高公司的产品化及大规模产品部署能力。
“在仓储物流领域，除了商品的拣取，还有很多其他方向的应用，我们会继续拓展应用场景。” 陈曦表示，他们近期将重点关注机器人操纵，短期内不会触及无人驾驶领域。
“我们只卖 AI 软件”
他们的商业模式也很简单，只卖 Covariant Brain 这一 AI 软件。
“我们会与少量的潜在伙伴合作，让这些合作伙伴在 Covariant Brain 上开发完整的机器人解决方案，不断实现拓展。” 陈曦表示，这样的好处在于，Covariant 可以快速获得合作伙伴的行业知识。
比如，KNAPP 是一个世界前十的仓储自动化提供商，他们可以将几十年的仓储自动化经验带进来，借助 Covariant Brain 这个平台开发出一套完整的机器人解决方案；与 ABB 的合作也是如此，他们有几十年的工业自动化的经验，是世界前三的机器人本体制造商。
谈及未来对 Covariant 的期望时，陈曦表示，从商业层面讲，他希望可以把 Covariant Brain 应用到多个不同领域，并在每个领域内有不同场景的渗透，进而推动机器人自动化的进程，缓解劳动力稀缺的痛点。
从技术上来讲，他们会继续针对实际生产环境中遇到的问题进行创新。
