اختصاصی شبکه علمی ثریا- یک ربات خودآگاه نحوه استفاده از قسمت‌های مختلف بدنش را خودش آموخت! فکر کنید که از خواب بیدار شده و متوجه می شوید که به یک حشره شش پا تبدیل شده اید. این ممکن است یک تجربه نسبتاً مخرب باشد، اما اگر به این زندگی ادامه دهید، احتمالاً می خواهید بدانید که بدن جدید شما چه کاری می تواند انجام دهد و چه کاری نمی تواند انجام دهد. شاید با کمی زمان بتوانید با این شکل جدید سازگار شوید. این مفهوم خارق‌العاده با اصولی که برخی مهندسان می‌خواهند برای ساخت ربات‌های بهتر از آن استفاده کنند، تفاوت چندانی ندارد. برای نمایشی، یک گروه رباتی ساخته است که می تواند از طریق تمرین یاد بگیرد که خودش چه کاری انجام می دهد. بویوان چن، روباتیک دانشگاه دوک در کارولینای شمالی، می‌گوید: «ایده این است که روبات‌ها باید از خودشان مراقبت کنند. برای انجام این کار، ما از یک ربات می خواهیم که بدنش را درک کند. ربات آنها نسبتاً ساده است: یک بازوی تکی که بالای یک میز نصب شده است که با یک مجموعه پنج دوربینه فیلمبرداری احاطه شده است. ربات به منبع تغذیه دوربین دسترسی داشت که به آن اجازه می‌داد خود را در اتاقی پر از آینه ببیند. محققان به ربات دستور دادند که وظیفه اصلی لمس یک کره نزدیک را انجام دهد.

با استفاده از یک شبکه عصبی، ربات یک مدل فازی از آنچه شبیه آن بود را کنار هم قرار داد، تقریباً شبیه یک کودک که یک عکس از خود می‌بیند. این مسئله به ناظران انسانی نیز کمک کرد تا برای اقدامات دستگاه آماده شوند. برای مثال، اگر ربات فکر می‌کرد که باید بازویش کوتاه‌تر از چیزی باشد که واقعاً بوده، کنترل‌کننده‌های آن می‌توانستند  بازو را کوتاه کنند تا از برخورد تصادفی با موانع جلوگیری شود. مانند نوزادانی که دست و پای خود را تکان می دهند، ربات شروع به درک اثرات حرکات خود کرد. اگر بازوی خود را بچرخاند یا به جلو و عقب حرکت دهد، می‌تواند بفهمد  که آیا به کره برخورد می‌کند یا نه. پس از حدود سه ساعت تمرین، ربات محدودیت‌های مادی خود را درک کرد، به اندازه‌ای که به راحتی آن کره را لمس کند. به بیان ساده، این ربات یک چشم درونی و یک مونولوگ درونی دارد: می‌تواند ظاهرش را از بیرون ببیند، و می‌تواند با خودش درباره اینکه چگونه اعمالی که باید انجام دهد در واقعیت ظاهر می‌شوند، استدلال کند.

دانستن اینکه ربات ها چگونه به نظر می رسند، به خودی خود جدید نیستند. در زمان فرود آپولو در ماه، دانشمندان در کالیفرنیا ربات Shakey را ساختند، Shakey با مدلی از خود که از قبل بارگذاری شده بود و به ربات اولیه کمک می کرد تا تصمیم بگیرد. از آن زمان به بعد، برنامه‌ریزی ربات‌ها با تصویری از خود یا محیط اطراف، برای مهندسان به یک روش نسبتاً رایج تبدیل شده است، چیزی که ربات می‌تواند برای تصمیم‌گیری با آن مشورت کند. این همیشه سودمند نیست، زیرا ربات چندان سازگار نخواهد بود. اگر ربات یک یا چند کار از پیش تعیین شده داشته باشد خوب است، اما برای ربات هایی با هدف کلی تر، محققان فکر می کنند که می توانند کارهای بهتر انجام دهند.

اخیراً، محققان سعی کرده‌اند ربات‌ها را در واقعیت مجازی آموزش دهند. ربات‌ها مانورهایی را در یک شبیه‌سازی یاد می‌گیرند که می‌توانند در فضا به اجرا درآورند. این کار زیبا به نظر می رسد، اما همیشه کاربردی نیست. اجرای شبیه‌سازی و یادگیری ربات‌ها در داخل آن، مانند بسیاری از اشکال دیگر هوش مصنوعی، به دوز سنگینی از قدرت محاسباتی نیاز دارد. هزینه ها، هم از نظر مالی و هم از نظر زیست محیطی، با هم جمع می شوند. از طرف دیگر، داشتن یک ربات در زندگی واقعی، درهای بیشتری را باز می کند. از نظر محاسباتی کمتر نیاز است و بی شباهت به نحوه مشاهده بدن در حال تغییر خودمان نیست. چن می‌گوید: «ما درک منسجمی از خود بدن خود داریم، اینکه چه کاری می‌توانیم و چه کاری نمی‌توانیم انجام دهیم، و وقتی این را فهمیدیم، توانایی‌های خود بدن خود را هر روز، به روز می‌کنیم.»

این فرآیند می‌تواند به ربات‌ها در محیط‌هایی که برای انسان غیرقابل دسترس است، مانند اعماق زیر آب یا خارج از جو زمین، کمک کند. حتی ربات‌هایی که دارای تنظیمات معمولی هستند ممکن است از چنین توانایی‌هایی استفاده کنند. مثلاً یک ربات کارخانه ای ممکن است بتواند تشخیص دهد که آیا نقصی در روال کار وجود دارد یا خیر و بر اساس آن روال خود را تنظیم کند. ربات این محققین اولین قدم اولیه برای رسیدن به این هدف است. حتی با بدن یک حیوان ساده فاصله زیادی دارد، چه رسد به بدن یک انسان! ماشین، در واقع، تنها چهار درجه آزادی دارد، یعنی تنها چهار حرکت مختلف می تواند انجام دهد. دانشمندان اکنون روی رباتی با دوازده درجه آزادی کار می کنند.

بدن انسان صدها درجه آزادی دارد. و روباتی با نمای بیرونی سفت و سخت، موجودی بسیار متفاوت از رباتی است که فرم نرم و انعطاف پذیری دارد. رباتیک‌ها خوش‌بین هستند که یادگیری ماشینی که این ربات را هدایت می‌کند می‌تواند برای کسانی که سیستم‌های پیچیده‌تری دارند اعمال شود. بونگارد می‌گوید که روش‌هایی که روبات‌ها برای یادگیری استفاده می‌کردند، قبلاً ثابت شده‌اند که به خوبی مقیاس‌پذیر هستند - و به طور بالقوه، به چیزهای دیگر نیز می‌رسند. بونگارد می‌گوید: «اگر رباتی دارید که اکنون می‌تواند با کمی تلاش محاسباتی مدلی از خود بسازد، می‌تواند مدل‌های بسیاری از چیزهای دیگر را بسازد و از آن استفاده کند، مانند ربات‌های دیگر، اتومبیل‌های خودمختار...البته این که با این اطلاعات چه می‌کنید به خودتان بستگی دارد.»