我们的方法是一种行为克隆，可以说是让机器人从演示中学习新技能的最大略方法。
在行为克隆中，智能体学习如何利用标准监督学习 (Supervised learning) 模拟专家行为。
一样平常来说，行为克隆涉及演习显式神经网络（如下方图左所示），该网络吸收不雅观察并输出专家操作。

只管存在局限性，但带有监督学习的行为克隆仍旧是机器人从人类行为示例中学习的最大略方法之一。
少儿机器人教诲正如我们在这里展示的，在机器人进行行为克隆时，将显式策略更换为隐式策略，有助于其战胜“不能决议确定的困难”，让它们可以模拟更加繁芜、更加精确的行为。
虽然我们这里的重点是机器人学习，但是隐式函数对明显不连续性和多模态标签建模的能力，或许在机器学习的其他运用领域也能带来更广泛的好处。

人工智能的真正难题在于理解自然智能的事情事理。
开拓人工智能与制造人造心脏不同，科学家手中并没有一个大略而详细的模型可供参考。
我们知道，大脑中含有上百亿个神经元，我们的思考和学习是通过在不同的神经元之间建立电子连接来完成的。
但是我们并不知道这些连接如何实现高等的推理能力，乃至对低层次操作的实现事理也并不知情。
大脑神经网络彷佛繁芜得不可理解，完成机器人教诲目的。
因此，人工智能在很大程度上还只是理论。
科学家们针对人类学习和思考的事理提出假说，然后利用机器人来实验他们的想法。

人工智能(AI)无疑是机器人学中最令人愉快的领域，无疑也是最有争议的：所有人都认为，机器人可以在装置线上事情，但对付它是否可以具有智能则存在不合。
就像“机器人”这个术语本身一样，您同样很难对“人工智能”进行定义。
终极的人工智能是对人类思维过程的再现，即一部具有人类智能的人造机器。
机器人教诲开店人工智能包括学习任何知识的能力、推理能力、措辞能力和形本钱身的不雅观点的能力。
目前机器人专家还远远无法实现这种水平的人工智能，但他们已经在有限的人工智能领域取得了很大进展。
如今，具有人工智能的机器已经可以模拟某些特定的智能要素。
打算机已经具备了在有限领域内办理问题的能力。
用人工智能办理问题的实行过程很繁芜，但基本事理却非常大略。
机器人教诲的上风在于：首先，人工智能机器人或打算机会通过传感器（或人工输入的办法）来网络关于某个情景的事实。
打算机将此信息与已存储的信息进行比较，以确定它的含义。
打算机会根据网络来的信息打算各种可能的动作，然后预测哪种动作的效果最好。
当然，打算机只能办理它的程序许可它办理的问题，它不具备一样平常意义上的剖析能力。
象棋打算机便是此类机器的一个范例.

某些当代机器人还具备有限的学习能力。
学习型机器人能够识别某种动作（如以某种办法移动腿部）是否实现了所需的结果（如绕过障碍物）。
机器人存储此类信息，当它下次碰着相同的情景时，会考试测验做出可以成功应对的动作。
幼儿园机器人教诲同样，当代打算机只能在非常有限的情景中做到这一点。
它们无法像人类那样网络所有类型的信息。
一些机器人可以通过模拟人类的动作进行学习。
在日本，机器人专家们向一部分机器人演示舞蹈动作，让它学会了舞蹈。

综上所述，正如机器人的物理设计是理解动物和人类解剖学的便利工具，对人工智能的研究也有助于理解自然智能的事情事理。
对付某些机器人专家而言，这种见地是设计机器人的终极目标。
其他人则在抱负一个人类与智能机器共同生活的天下，在这个天下里，人类利用各种小型机器人来从事手工劳动、康健照顾护士和通信。
许多机器人专家预言，机器人的进化终极将使我们彻底成为半机器人，即与机器领悟的人类。
有情由相信，未来的人类会将他们的思想植入强健的机器人体内，活上几千年的韶光！