第六十八章喂養
第六十八章喂養(第2/3頁)
情況下，從起點自主導航到終點，全程約一點五公裡，限時三十分鐘。
第一臺機器人在出發後的第十分鐘就陷入了困境——它試圖攀爬一處碎石坡，但履帶在鬆散的碎石上打滑，無法獲得足夠的牽引力。類腦網絡在經過幾次失敗的嘗試後，做出了一個人類操作員未曾預料到的決策——它冇有繼續硬闖，而是主動後退了幾米，改變了行進方向，沿著碎石坡底部繞行了一段距離，找到了一條坡度較緩的路徑，成功通過了障礙。
第二臺機器人在穿越一片茂密的灌木叢時，被一叢堅韌的荊棘纏住了左側履帶。它嘗試了前後移動和轉向，都無法掙脫。停頓了大約十秒鐘後，它做出了另一個出人意料的舉動——它主動調整了車身姿態，將右側履帶抬高，使車身向左側傾斜，然後利用重力作用向後倒車，成功從荊棘叢中脫困。
第三臺機器人則表現出了更加複雜的決策能力。在接近終點時，它遇到了一道約一米寬的乾涸溝壑。類腦網絡評估了溝壑的深度和寬度，以及自身的越障能力，得出的結論是直接跨越的風險過高。它冇有冒險，而是沿著溝壑邊緣行駛了大約五十米，找到了一處較為狹窄的段落，順利通過。
三臺機器人全部在規定時間內到達了終點。雖然冇有一臺是按照最初的直線路徑完成的，但每一臺都用自己的方式解決了途中遇到的障礙，成功完成了任務。
“它們學會了變通。”陸迪峰在觀看完測試錄像後說，“不是通過預設的規則，而是通過實時的感知和決策。這正是類腦網絡的優勢所在。”
首次野外測試的成功，開啟了類腦網絡的迭代閉環。三臺機器人每天在礦區周邊的丘陵地帶進行八小時的自主導航和數據采集，將遇到的各種地形、障礙和突發情況記錄下來，上傳至深藍邏輯的服務器集群。算法團隊對這些數據進行分析和標註，篩選出有價值的訓練樣本，用於更新類腦網絡的權重參數。更新後的網絡在每天的夜間仿真環境中進行驗證，確認性能提升後，於次日清晨部署到三臺機器人上，開始新一輪的測試和采集。
這個閉環運轉了大約三周後，類腦網絡的自主導航能力有了顯著的提升。機器人在複雜地形中的通行成功率從最初的百分之七十提高到了百分之九十五以上，平均完成任務的時間縮短了約百分之四十。更重要的是，類腦網絡開始表現出一些訓練數據中未曾顯式包含的行為模式——比如在遇到不確定的障礙時，它會主動放慢速度，先用傳感器進行詳細掃描，然後再做出決策；在需要協作的場景中，多臺機器人之間能夠通過簡單的光信號進行基礎的協調，避免相互乾擾。
“它在學習如何學習。”
（本章未完，請點擊下一頁繼續閱讀）