Google 的機器人計畫一直不怎麼順利。從 2013 年起就耗巨資，從美國和日本收購幾家機器人新創，合併成名為「Replicant」的機器人計畫，包括知名的波士頓動力公司（Boston Dynamics）。
但好景不長，原本負責機器人計畫的 Andy Rubin 於 2014 年離開 Google，加上波士頓動力的研發涉及軍事，和 Google 當初的民用構想不太符合。2017 年，Google 選擇將波士頓動力轉售給日本軟銀，機器人計畫暫時陷入沉寂。
但 Google 並未止步。據《紐約時報》和 Google AI 官方部落格，Google 內部重新集結原機器人計畫工程師、研究人員，組成名為「Robotics at Google」的團隊，繼續投入機器人研發。
區別在於，和波士頓動力研究的「雙足步行」、「小狗」和「輪式」等仿生機器人不同，Robotics at Google 重點放在機器學習，相當於研發機器人系統和軟體。
Robotics at Google 與普林斯頓、哥倫比亞及麻省理工幾所學院研究人員合作，開發出名為「TossingBot」的物體分揀方案。
具體來說，可讓機器人手臂從一堆繁雜的物體裡正確揀物，再將物體投擲到相應格子。這對電商物流和零件組裝等工業還是有實用價值。
不要小看這對人類來說很簡單的動作，其實整套動作涉及物體辨識、分揀、拾取、拋投等，等於要機器人自己找到抓起每件物品的最佳方式。
研究人員也強調，單純就「拋投」步驟，機器手臂就需具備多種物理知識，才可避免拋投出現失誤。
以螺絲起子為例，握著柄拋投，和握著起子拋投，會出現不同拋物線，拋投距離自然不一樣。
此外，拋投兵乓球所需的力度，與拋投一根香蕉顯然也不同，不僅關係到對物體品質、摩擦力等因素的掌控，也涉及對拋投距離及現場環境的理解。
Robotics at Google 團隊的做法，是將深度學習和物理學混合運用，使用端到端的神經網路訓練機器手臂，做到隨機環境下的分揀處理。
這意味著哪怕機器手臂碰到完全陌生的物體，比如說把木塊換成水果，也有應對方案。
照 Robotics at Google 的說法，最開始 TossingBot 對一籮筐的物體還有些遲鈍，但經過約 14 小時、總計 1 萬次抓取和投擲嘗試訓練後，已達 87% 以上的分揀成功率和 85% 以上的投擲成功率。
現在，它每小時可揀貨超過 500 個物體，彈性、回應速度都比最先進的分揀貨系統快 2 倍，也證明機器學習訓練確實能幫助機器人更快掌握某項技能。
研究人員也表示，這套方案非常適合在物流倉儲和配送中心大量部署，像亞馬遜這類電商公司對分揀機器人的要求往往更高。
不過，將自動化機器人運用到倉儲已不算新鮮事。去年 10 月，日本優衣庫就曾展示機器人倉儲，就是由機器人取代人力做分揀，達成 24 小時連續執行；亞馬遜、沃爾瑪和聯邦快遞等也嘗試將行動機器人運用在搬運工作。
不過，目前大多數機器人只能解決特定場景操作，不擅長應付不同形狀的物體，這也是現在 TossingBot 希望解決的問題。
理想狀態下，人們自然希望機器人靠自學就能做更多工作，而不是每次都要先來一輪預先程式設計。
延伸閱讀：