休斯顿太空人队的JoséAltuve以3比2的比分上升到盘中，研究投手和情况，从三垒获得反击，跟踪球的释放，挥动......并获得一个单中。这是三次美国联盟击球冠军的另一次登机之旅。

机器人可以在同样的情况下受到打击吗?不见得。

Altuve已经磨练了自然反应，多年的经验，对投手倾向的了解​​，以及对各种球场轨迹的理解。他所看到的，听到的，以及与他的大脑和肌肉记忆的无缝结合，以确定产生击球的挥杆时间。另一方面，机器人需要使用连杆系统来缓慢地协调来自其传感器的数据及其电机功能。它不记得一件事。罢工三!

但机器人可能有希望。刚刚发表在“科学机器人”杂志上的马里兰大学研究人员发表的一篇论文介绍了一种利用所谓的超维计算理论将感知和运动命令结合起来的新方法，该理论可以从根本上改变和改进感觉运动表现的基本人工智能(AI)任务。 - 机器人等代理商如何将他们所感知的内容转化为他们所做的事情。

“利用神经形态传感器学习感觉运动控制：走向超高度主动感知”由计算机科学博士撰写。学生Anton Mitrokhin和Peter Sutor，Jr。;CorneliaFermüller，马里兰大学高级计算机研究所副研究员;和计算机科学教授Yiannis Aloimonos。Aloimonos建议Mitrokhin和Sutor。

整合是机器人领域面临的最重要挑战。机器人的传感器和移动它的执行器是独立的系统，通过中央学习机制链接在一起，在给定传感器数据的情况下推断出所需的动作，反之亦然。

繁琐的三部分AI系统 - 每个部分都讲自己的语言 - 是让机器人完成感觉运动任务的一种缓慢方式。机器人技术的下一步是将机器人的感知与其电机功能相结合。这种被称为“主动感知”的融合将为机器人完成任务提供更有效和更快捷的方式。

在作者的新计算理论中，机器人的操作系统将基于超维二进制向量(HBV)，其存在于稀疏且极高维度的空间中。HBV可以代表不同的离散事物 - 例如，单个图像，概念，声音或指令;由不连续的东西组成的序列;和离散的事物和序列的分组。它们可以以有意义构造的方式解释所有这些类型的信息，将每个模态在具有相同维度的1和0的长向量中绑定在一起。在这个系统中，动作可能性，感官输入和其他信息占据相同的空间，使用相同的语言，并融合在一起，为机器人创造了一种记忆。

的科学机器人纸标志着第一次感知和行动已经集成。

超维框架可以将任何“瞬间”序列转换为新的HBV，并将现有的HBV组合在一起，所有HBV都在相同的向量长度中。这是创造语义上重要且知情的“记忆”的自然方式。越来越多的信息的编码反过来导致“历史”向量和记忆能力。信号成为矢量，索引转换为内存，学习通过聚类发生。

机器人对过去所感知和所做的事情的记忆可以使它期待未来的感知并影响其未来的行动。这种主动感知将使机器人变得更加自主并能够更好地完成任务。

“活跃的感知者知道为什么要感知，然后选择要感知的内容，并确定如何，何时以及在何处实现感知，”Aloimonos说。“它选择并固定场景，时刻和剧集。然后它将其机制，传感器和其他组件对齐，以便根据自己想要的内容采取行动，并选择最佳捕捉目标的视点。”

“我们的超维框架可以解决这些目标。”

马里兰州研究的应用可能远远超出机器人技术。最终目标是能够以一种根本不同的方式进行AI本身：从概念到信号再到语言。超维计算可以为迭代神经网络和当前用于计算应用程序(如数据挖掘，视觉识别和将图像转换为文本)的深度学习AI方法提供更快，更有效的替代模型。

“基于神经网络的AI方法既大又慢，因为它们无法记住，”Mitrokhin说。“我们的超维理论方法可以创造记忆，这将需要更少的计算，并且应该使这些任务更快，更有效。”