产业界正在开发AI机械手臂，而仓储是培育AI机械手臂的优良场景，因为仓储具有环境单纯、任务好定义，货物复杂度高，无法使用固定程序的机械手臂处理等5个特性。
以成本结构来看，订单拣货占仓储运营成本的40%，而人工成本占仓库总预算约70%，以AI取代人力，将发布仓储、物流企业大量成本，这也是Amazon等企业积极开发仓储AI机器人的重要原因。
AI机器人和传统机器人最大的不同在于自主学习能力，而这样的改变将使得AI机器人有潜力颠覆各大产业。但究竟AI机器人会发展出什么样的应用？对各个产业又会有什么影响？
在这篇文章中，我们将彻底探讨AI机器人在仓储产业中的应用、并且了解为何仓库会成为AI机器人的首个应用场景。
货物种类多样复杂，仓库无法导入传统机器手臂处理
通过程序设计，工厂内常见的机器手臂能以超越人类的高精度、高速度重复执行特定任务，甚至举起人类无法负荷的重物。
但是，就算是现在最先进的机械手臂，也无法像人类一样灵活变化。一旦生产商品或流程变更，工程师就需要重新编写程序；甚至只要环境中有些微变化，例如某个零件稍微往左移动几厘米，机器手臂往往就无法应变，更不用说要处理时常变换的定制化零件。
为此，系统集成企业特别设计了振动台、送料器、输送带等，以确保机器人能以同样的角度和位置获取同样的零件；然而这些周边硬件和集成费用，往往比机械手臂本身还要贵四五倍以上，不但所费不菲、也不够有弹性。
这也是为什么车厂无法完全自动化的原因之一：平均来说，一辆汽车会有一到两万多个独立零件。如果这样听起来已经够多、够复杂，想象一下一般仓库中，通常有上百万种商品、以及各式各样的包装，这样的多样化程度，为机器手臂的自动化应用增加了许多难度。对传统的机器视觉及自动化来说，这意味着必须事先登录上百万种商品、并且编写程序教导机器人对各个商品做不同的处理，不但旷日耗时，而且几乎是不可能的任务。
深度强化学习让机器手臂更聪明
然而这个以往看来不可能的任务，现在却因为深度强化学习（Deep Reinforcement Learning，DRL）的出现而出现契机；因为DRL可以协助机器识别、应对周围环境，并自主学习处理多样的产品及工作内容。
有了足够的数据与练习，DRL机器人就能自学新能力、逐渐进步；就像我们的学习方式一样，经过尝试、或是他人示范，机器也可以学着识别图片、打赢电玩游戏，或是像Deep Mind研发的Alpha Go Zero一样，利用DRL自我学习，最终战胜世界棋王。
每次的抓取和试验，都使机器人变得更聪明、更善于掌握任务内容；此外，云计算连接的机器人还能相互学习交流。这样的巨大转变，使得机器人解决方案更加灵巧、弹性、而且有效率。那么究竟什么是深度强化学习？
深度强化学习简单来说，就是深度学习（DL）以及强化学习（RL）的结合：
深度学习（DL）
深度学习以人工神经网络架构为基础，是机器学习的一种，主要用于图片分类。举例说明：如果要你找出一套规则，教机器如何识别猫，你可能会说“一只猫有四只脚、两只耳朵、毛茸茸的”。但这样和形容狗有什么差异？
深度学习不需要我们自己找出规则，只要直接给机器一堆猫的照片，就能让机器自己学会一套辨别猫的规则。
强化学习（RL）
强化学习的灵感来自于行为心理学；通过奖惩机制、边做边试、从错误中学习，从而学习到如何强化控制方式。举例来说，我们学习走路的时候，并不需要先看“走路时关节如何运动”的照片；而是直接尝试，逐渐从跌跌撞撞进步到可以顺利自行行走。
同样的，机器也可以通过这种方式来学习动作。
深度强化学习（DRL）
深度强化学习（DRL）同时结合了以上两种方法。因此机器手臂现在能通过深度学习，来自主识别不同的物体；并借由强化学习，对于不同物体采取不同的因应动作。
这样的技术还在发展其中，目前适用的范围包括了：
1. 简单或仿真的任务
2. 容错（fault-tolerant）任务
3. 需要处理的状况很多样，因此很难以人工编写规则的工作
4. 容易定义奖赏机制及目标的工作
5. 环境中不确定因素较低的工作
符合5大条件，仓库成为AI机器人的孵化器
一般公认，仓库货物分拣作业是最适合AI机器手臂早期广泛应用的使用场景。以上述适合DRL应用的五个条件来说：
首先，货物分拣是相对简单、而且可以容错的任务；就算机器人不小心失误，也只要将货物重新捡起来，不破坏物品就可以。相反的，如果手术机器人出现失误，就不是可以轻易解决的问题。
其次，任务内容虽然相对简单，但需要处理的商品多达上百万种、包装千奇百怪，因此无法光靠人工编写程序来完成任务。可以成功地拿取货物就是成功、反之就是失败，所以相对容易定义奖赏机制及目标。
最后，一般的自动化仓库是相对受限的环境；虽然还是有不确定性，但相对于一般家庭或大街上，不确定因素还是少了很多。
另外，仓库中需要完成的任务往往十分相似，而且订单拣货占了大多数仓库运营成本的40%以上，人工成本占仓库总预算高达70%；因此在亚马逊（Amazon）等电子商务公司降低成本、追求快速到货的推波助澜下，零售商无一不设法追求仓库自动化，而这也让仓储自动化成为AI机器人的应用案例首选。
许多创业公司都选择仓库货物分拣作为第一个应用案例，希望利用仓库作为试验场，让AI机器人技术更进一步、也让更多传统公司了解这项新技术。
货物分拣是机器人研究领域的“终极目标”
仓库自动化已经存在数十年，也发展出了自动仓储系统、自动引导车（AGV，如Amazon Robotics现行的“Kiva”）等各种设备。
但多数人不知道的是，自动化仓库内的货物拣选与包装作业仍然是由人工执行；而这些作业的人工成本，更高达仓储经营总预算的50%到70%。
除此之外，机器人的成本自1990年代以来持续大幅下降；同时，仓库工人短缺却导致每年平均工资上涨6%至8%。综合以上原因，货物分拣一直是仓库企业想自动化、却苦无方法着力的终极目标。
所以，“拣货能力”长期以来一直是机器人研究中被誉为圣杯（holy grail）、也就是难以突破的“终极目标”。
年复一年，Amazon和KUKA等公司都为创业公司和学术团队举办机器人挑战赛，希望借此打造出有能力识别、拣货、贮放货物的机器。近年来，因为深度学习技术的出现，终于促使机器人有能力识别、挑选、并且妥善放置数百、甚至多达数千件的物品。
但这项技术仍未臻完善。对机器来说，识别数千万个对象、并处理可变形对象或透明包装物品，仍然充满挑战；然而，根据我们访谈Locus Robotics与OSARO等美国仓库机器人创业公司的结果，许多产业专家预计这项技术很快就会成熟，在接下来五年内大量获得仓库采用。
另一方面，包括亚马逊、Standard Cognition等公司，都正在开发无人商店、发展利用AI的商品识别技术；或许在不久的将来，就会出现能识别仓库里大部分商品的智能相机。
如果这种情况真的发生，不仅足以影响仓储作业，还将冲击零售、出货，以及许多其他我们从未想象过的应用场景。