Alishba Imran

發布會上的機器人動作越來越細膩，
影片中的自動駕駛可以在複雜環境中流暢穿梭，

但真正的改變，不是硬體升級或炫目的動作展示，
而是當AI打通了感知與行動之間的連結，機器人真正從實驗室走入真實世界！

當機器能看見環境、理解情境，再根據理解做出決策，
它就不再只是執行指令的工具，而是具備行動能力的智慧系統。

本書由Berkeley AI研究室(BAIR)與Google DeepMind專家執筆，
匯集大神Pieter Abbeel實驗室的前瞻技術與來自NVIDIA、Cruise的實戰經驗，
為您拆解這場變革的關鍵技術——
從影像辨識、深度學習，到強化學習與LLM應用，
看懂機器人如何感知、思考與行動。

帶您了解：
．機器人如何透過影像辨識理解周遭環境
．如何透過學習不斷修正動作與決策
．自駕車、人形機器人與工業機器人背後的核心技術
．AI如何讓機器具備跨任務學習與適應能力

從強化學習走到跨體現機器人實戰，本書不僅讓您澈底掌握LLM與VLM在機器人控制與規劃的最新技術，更是理解未來智慧機器的藍圖。

-----------------------------------------------

本書以深度學習的視角切入機器人學，探討人工智慧（AI）如何徹底改變機器人研究與應用的面貌。引導讀者將過去數十年累積的經典機器人問題，轉化為以AI為核心的技術，並在大型基礎模型的時代，運用現代技術方法解決實務問題。

[本書架構]
■ 關鍵技術解說：AI重塑機器人學的核心問題
．從感知與感測出發，解釋卷積神經網路與視覺轉換器在影像分割、分類、偵測任務中的應用。
．探討大型語言模型（LLM）與多模態模型在機器人推理與控制上的調適方法。
．將模擬、定位、勘測與導航視為深度學習問題，並統整最新技術發展成果。
．涵蓋強化學習與控制，闡述機器人以反覆試誤與自我對弈的未知環境自主訓練能力。

■ 實務應用案例：真實世界的AI機器人應用
．深入分析自駕車、工業型機器人與人形機器人的AI體現應用。
．解說系統設計與演算法選擇的取捨，理解性能與可靠性之間的平衡。
．探討數據驅動的營運模式、基礎設施與安全性議題，以及描繪AI機器人的未來展望。

作者簡介：

Alishba Imran 是一位專注於機器人操作與感知學習的機器學習開發者。她目前於柏克萊人工智慧研究室（BAIR Lab）與知名學者Pieter Abbeel合作，深耕強化學習與非監督式學習領域。她擁有極為豐富的業界實戰經驗，曾於Cruise等頂尖企業開發先進的感知系統、在NVIDIA投入基於模擬的機器人操作研究，更曾主導一項大幅降低義肢成本的指標性計畫。此外，在打造知名人形機器人Sophia的Hanson Robotics公司中，她也共同領導了神經符號AI（Neuro-symbolic AI）的前瞻研究，並致力於開發低成本的人形硬體系統。

Keerthana Gopalakrishnan現任Google DeepMind資深研究科學家，負責機器人操作與Gemini專案的前沿研究。她擁有卡內基美隆大學（CMU）與印度理工學院（IIT）的頂尖學歷背景。其研究核心聚焦於最新AI技術在實體機器人上的應用，包含：應用於機器人規劃的大型語言模型（LLM）、用於低階控制的視覺語言模型（VLM）擴展，以及跨體現（Cross-embodiment）機器人學習技術。