許多研討人工智慧(AI)的公司都在透過深度學習來教會機器人辨識圖像，卡內基美隆大學(CMU)的研討團隊則選了別的一種辦法，他們試著經驗機器人透過觸摸來認知世界，就像嬰兒一樣。

　　TechCrunch 報導，在每天 8 小時實驗時期，這個名為「Baxter」的機器人只需一個任務要進行──從桌上隨機抓取物品，它的動作緩慢而笨拙，即使如此，這一個月時期也現已進行了 5 萬次的抓取動作，Baxter 正在透過觸覺反應和檢驗過錯來學習。

　　研討團隊在宣布的論文中，說明了他們怎樣透過讓機器人反覆觸摸物品，來進步對物品的認知，「以嬰兒來說，他們透過用手推、戳物品、把東西放進嘴裡或扔出去來學會認知表徵，我們也希望到達這么的方針，所以在 Baxter 的程式平臺中建構了類似的方式，讓它們在桌面環境上戳、抓取并查詢物品。」

　　為了闡明學習觸摸的重要性，研討室助理 Dhiraj Gandhi 用 1970 時代中期英國的一項實驗做為比方，其時研討人員對兩隻貓進行認知實驗，其間一隻就像平常一樣日子、與世界觸摸，另一隻貓則只可以觀看，不被容許觸摸物品，畢竟只需被容許與環境互動的學會爬行，只能查詢的不能做出一樣做法。

　　而在實驗中，Baxter 逐漸地展現出對物品認知的進步，當機器人認出了解的物品時，平板閃現螢幕上會暴露「微笑」，并且抓取物品放入適宜的籃子;如果對物品不了解，螢幕上則會暴露「利誘」的表情──研討人員并不擔憂，他們信任沒有什麼是別的 5 萬次抓取練習學習不了的。

　　這項研討改變了傳統的機器視覺學習方式，不同于以往系統透過現已輸入的標籤去區分、尋覓物品，Baxter 是透過觸摸來自我學習認知，Gandhi 說明，以前圖像和標籤之間并沒有互動，在視覺系統中只需被逼數據可以收集。

　　「我們想要的是與物品時可以取得活動的數據，并透過這些學習對別的視覺任務有用的功用。」

　　Baxter 的系統中有著類似 Kinect 的 3D 鏡頭，將收集到的視覺與觸覺音訊發送到深層的神經網路，并在 ImageNet 中與圖像穿插參看。團隊在其間意外發現，收集的觸摸數據讓 Baxter 的辨識精準度，較別的只運用圖像辨識的機器人高出 10%，團隊認為這十分鼓舞人心。

　　儘管如今研討還處于前期時期，但團隊十分看好將來的展開，Gandhi 標明，他認為聯系視覺與觸摸學習的機器人可以用于揀選分類，就像 ZenRobotics 開發的類型，將來能為廢物進行分類回收，這在實際中是一個十分大的應戰，「當然，我們如今還在嬰兒學步呢。」