许多研究人工智慧（AI）的企业都在透过深度学习来教会机器人辨识图像，卡内基美隆大学（CMU）的研究团队则选了另外一种方式，他们试着教导机器人透过触摸来认知世界，就像婴儿一样。

TechCrunch 报导，在每天 8 小时实验期间，这个名为“Baxter“的机器人只有一个任务要进行──从桌上随机抓取物品，它的动作缓慢而笨拙，即使如此，这一个月期间也已经进行了 5 万次的抓取动作，Baxter 正在透过触觉反馈和尝试错误来学习。

研究团队在发表的论文中，解释了他们如何透过让机器人反覆接触物品，来提升对物品的认知，“以婴儿来说，他们透过用手推、戳物品、把东西放进嘴里或扔出去来学会认知表征，我们也希望达到这样的目标，所以在 Baxter 的程式平台中建构了类似的模式，让它们在桌面环境上戳、抓取并观察物品。“

为了说明学习触摸的重要性，研究室助理 Dhiraj Gandhi 用 1970 年代中期英国的一项实验做为例子，当时研究人员对两只猫进行认知实验，其中一只就像平常一样生活、与世界接触，另一只猫则只能够观看，不被允许接触物品，最终只有被允许与环境互动的学会爬行，只能观察的不能做出同样举动。

而在实验中，Baxter 逐渐地展现出对物品认知的提升，当机器人认出熟悉的物品时，平板显示屏幕上会露出“微笑“，并且抓取物品放入适合的篮子；如果对物品不熟悉，屏幕上则会露出“困惑“的表情──研究人员并不担心，他们相信没有什么是另外 5 万次抓取练习学习不了的。

这项研究改变了传统的机器视觉学习模式，不同于以往系统透过已经输入的标签去判断、寻找物品，Baxter 是透过触摸来自我学习认知，Gandhi 解释，过去图像和标签之间并没有互动，在视觉系统中只有被动数据可以收集。

“我们想要的是与物品时可以获得活动的数据，并透过这些学习对其他视觉任务有用的功能。“

Baxter 的系统中有着类似 Kinect 的 3D 镜头，将收集到的视觉与触觉讯息发送到深层的神经网路，并在 ImageNet 中与图像交叉参考。团队在其中意外发现，收集的触摸数据让 Baxter 的辨识精准度，较其他只使用图像辨识的机器人高出 10%，团队认为这非常鼓舞人心。 

尽管目前研究还处于初期阶段，但团队十分看好未来的发展，Gandhi 表示，他认为结合视觉与触摸学习的机器人可以用于拣选分类，就像 ZenRobotics 开发的类型，未来能为垃圾进行分类回收，这在现实中是一个非常大的挑战，“当然，我们目前还在婴儿学步呢。“