雖然一只機械手臂和五個機械手指還不能達到與人類一樣的靈活度，但在世界頂級的人工智能實驗室里，研究人員通過晶振的引導正越來越接近于創造出能夠模仿真實人手的機械手臂。

在由埃隆⋅馬斯克和其他幾個硅谷知名人士共同創建的OpenAI實驗室中，研究人員制造了一款名為 Dactyl 的機械手臂。它看起來很像最新的星球大戰電影中的盧克⋅天行者的機械假體：它的機械手指能夠像人的手指一樣彎曲或伸直。

你可以讓Dactyl為你展示字母積木的某一面——比方說紅色的O，橙色的P或藍色的I——它會向你展示，然后用靈活的方式旋轉、扭動和翻轉積木。

這對于人類來說非常簡單，但對于一臺機器來說，這是一個非常了不起的成就：機械手臂Dactyl在很大程度上是靠自己來學習如何完成這項任務的。研究人員利用數學的方法讓Dactyl學習，他們相信可以通過訓練讓機械手臂和其他機器來完成更復雜的任務，這其中，通過石英晶振的不斷記憶使得機械手臂更加熟練。

抓取系統是由加州大學伯克利分校的機器人實驗室Autolab的研究人員創建的，它充分發揮了32.768K晶振的性能，在幾年前代表了技術的極限。機器配有一個兩根手指的“鉗子”，可以拿起像螺絲起子或鉗子一樣的物件，然后把它們分類到不同容器里。

鉗子比五個手指更容易控制，而制造一個操作夾鉗所需的軟件也不那么困難。它可以處理一些不太熟悉的物體。比如，它可能不知道什么是餐館式的番茄醬瓶子，但是它知道瓶子的形狀和螺絲起子類似。但是，如果這臺機器遇到的東西與它之前所遇到的不同——比如一個塑料手鐲——可能就會處理的不太好。在這個行動過程中，溫補晶振給CPU提供了精準的識別信號，使得機械手臂做出判斷，開始行動。

大家都希望有一個能撿起任何東西的機器人，包括它以前從未見過的東西。這是其他Autolab的研究人員在過去幾年里所建立的機器人。

拾取系統得益于機器學習的巨大進步。伯克利的研究人員對超過1萬個物體的物理模型進行了建模，確定了每一個物體的最佳選擇。然后，系統使用神經網絡算法分析了所有這些數據，并學會了識別每個物品的最佳方式。在過去，研究人員必須對機器人進行編程，讓它們完成每項任務。但現在，它可以自己學習這些任務。

當面對一個塑料尤達玩具時，系統會意識到它應該用鉗子把玩具撿起來。但當它遇到番茄醬瓶子時，它會選擇吸杯。這個機械手可以成功地撿起多件隨機物品。它并不完美，但是由于系統可以自己學習，它的進步速度比過去的機器快得多，對于晶振的要求也越來越高。

這些都是簡單的任務，而且機器只能在特定條件下處理它們。它們失敗的次數并不比成功的次數少。但驅動這些系統的機器學習方法表明，在未來幾年內將會繼續取得很大的進步。

    許多研究人員質疑這種模擬訓練是否使成果只停留在理論層面，但就像伯克利和其他實驗室的研究人員一樣，OpenAI團隊已經證明了這一點。他們在模擬訓練中引入了一定的隨機性——它們改變了手和木塊之間的摩擦力，甚至改變了模擬的重力。在模擬的世界中，學會處理這種隨機性后，機械手就可以處理真實世界的不確定性。

    今天，Dactyl所能做的只是旋轉一個方塊，但研究人員正在探索如何將這些技術應用于更復雜的任務。比如制造業，無人駕駛飛機，甚至是無人駕駛汽車。康華爾電子生產的優質高性能晶振提供了很多的幫助，為機械手臂的發展做出了一份貢獻。