【日本機器人研究權威】就算機器人像人一般能歌善舞，還是無法擁有靈魂

說起那一款能夠模仿臺灣原住民舞蹈的機器人，這位年近70的東京大學名譽教授池內克史眼睛就亮了起來。「可惜，機器人太大了，無法帶來宜蘭，讓大家看看。」他一臉遺憾地對著來宜蘭參加微軟亞洲研究院學術交流日的臺灣教授們說。

池內克史早在40年前就投入人工智慧研究，在機器人研究重鎮美國卡內基美隆大學機器人研究所任職的10年間，研究出有能力模仿人類行為的機器人技術，後來回到日本後，更打造出了能學會民俗舞蹈的機器人，還用電腦視覺技術來保留古蹟藝術，一手在日本推動了數位遺產（e-Heritage）的研究領域，因為在機器人研究和文化研究兩大領域的貢獻，池內克史在2012年時，獲得日本政府頒紫綬褒章來表揚。

池內克史利用舞蹈界慣用的拉班舞譜（Labanotation）原理，來分析人類的肢體動作，將人的動作分為8個方向，再透過機器學習演算法，讓機器人用電腦視覺技術，記錄下拆解過的動作資訊，再轉化為生成動作的程式，讓機器人可以模仿人類的舞蹈動作。

在池內克史的研究團隊中，有一位來自臺灣的研究員，在一次討論中，提到臺灣的原住民舞蹈，引起池內克史的關注而決定展開研究，一方面是池内克史認為原住民舞蹈的研究相當有趣，另一方面則是可以保存文化。

其實早在池內克史研究臺灣原住民舞蹈前，就已經致力於用科技來保存文化資產，他串連日本、義大利和柬埔寨的電腦和文化研究領域的學者，發起了一個數位遺產保存計畫（E-Heritage），他認為，隨著時間流逝和天災影響，有些珍貴的文化資產終究會消失，因此，他先曾採用電腦視覺的技術，將柬埔寨吳哥窟的世界遺產建築轉化為數據來保存，再以3D的技術重現。

不過，充滿人文關懷的池內克史認為，光是保護實體的文化資產是不夠的，文化還得由人類來支撐，於是，他認為也要保存某段期間內人類創造出來的文化，也就像是歌曲、舞蹈等。

因此，池內克史開始研究臺灣14個族的原住民舞蹈，拉班舞譜則扮演了分析人類舞蹈動作的重要功臣，他解釋，拉班舞譜就像音符一樣，音樂家聽到音樂會將歌曲轉換成音符，創造音樂也是必須透過音符這個共同的標準，拉班舞譜也是一樣的原理，任何舞蹈動作都可已由拉班舞譜中的動作來組成。

池內克史利用類似網路攝影機的感應器Kinect偵測人類的動作，將動作分為8個方向，透過拉班舞譜分析動作，最後就能讓機器人模仿人類，跳出一樣舞蹈動作，且動作與人類的行為一樣流暢。

池內克史這項研究不僅可以用在舞蹈的領域，其實拉班舞譜的原理可以套用在人類所有的行為動作，他說明，假設要判斷人類是坐下、站立還是走路，都能透過拉班舞譜來分析，若進一步分析人類移動是散步、快走，或是跑步，則可以創立不同系列的拉班舞譜來分析。因此，跳舞機器人的研究成果，還能應用在居家陪伴或是醫療照護等領域，甚至能打造出服務型的人形機器人。

今年68歲的池內克史講起機器人研究還是神采奕奕，在許多人都已經退休的年紀，他仍舊繼續投入研究，從東京大學完成博士學位後就一直在海外從事研究，在美國麻省理工大學從事博士後研究，後來更進入卡內基美隆大學在世界第一間機器人研究所任職，直到1996年才回到日本，在東京大學任教長達19年，開始投入人形機器人的研究，直到2015年才退休，可是，池內克史仍舊閒不下來，現在又進入北京的微軟亞洲研究院擔任首席研究員，「新環境激發新的想法，」池內克史表示，在不同的環境，與不同的人交流，給予他許多創新的靈感。

花了大半輩子研究電腦視覺和文化遺跡保護，即使池內克史打造出的機器人，跳起臺灣原住民的舞蹈栩栩如生，但是，池內克史還是認為：「AI現在仍只是基礎科技，因為AI沒有靈魂」，就像池內克史打造的機器人是靠著數據和演算法在跳舞，「AI系統沒有自我學習的渴望，這就是很大的局限！」他說。

不過，池內克史表示，以科技的角度來說，AI目前的技術是個很好的輔助工具，他指出，事實上AI和人類是有很大的差別，人類設計機器人時，會以目的為導向來設計程式，程式設計上就會有一條固定規則的界線，若開發人員的目標是要創造像人類一樣的機器人，就必須打破那條界線，他坦言，至今還沒有可行的解決方案。

臺灣發展AI的機會

池內克史也看見臺灣發展新科技的機會，他認為，臺灣市場規模小反而擁有獨特的優勢，因為市場小、地域面積不大則可以更容易嘗試新技術，也可以快速地建置試行環境的設備，舉例來說，像是交通系統或是智慧停車等應用，就能快速地發展出成果，若結果可行，就能將成功的模式往國外推銷出去。

另外，他也補充，雖然機器人的領域臺灣起步較晚，產業應用機器人已經發展很長一段時間，或許比較少機會，但是新領域仍然有很大的機會，他解釋，目前臺灣和日本一樣面臨人口高齡化的問題，未來居家和醫療照護機器人應用將會是一大發展機會。

 100項 IT人不可不知的AI發展  

No.009  機器人學人跳舞的關鍵是拉班舞譜技術

No.010  AI系統的侷限是缺乏自我學習的渴望

 相關報導  AI 100（上）  AI 100 （下）