許多研究人工智慧（AI）的企業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）的研究團隊則選了另外一種方式，他們試著教導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 小時實驗期間，這個名為“Baxter“的機器人只有一個任務要進行──從桌上隨機抓取物品，它的動作緩慢而笨拙，即使如此，這一個月期間也已經進行了 5 萬次的抓取動作，Baxter 正在透過觸覺反饋和嘗試錯誤來學習。

研究團隊在發表的論文中，解釋了他們如何透過讓機器人反覆接觸物品，來提升對物品的認知，“以嬰兒來說，他們透過用手推、戳物品、把東西放進嘴里或扔出去來學會認知表征，我們也希望達到這樣的目標，所以在 Baxter 的程式平臺中建構了類似的模式，讓它們在桌面環境上戳、抓取并觀察物品。“

為了說明學習觸摸的重要性，研究室助理 Dhiraj Gandhi 用 1970 年代中期英國的一項實驗做為例子，當時研究人員對兩只貓進行認知實驗，其中一只就像平常一樣生活、與世界接觸，另一只貓則只能夠觀看，不被允許接觸物品，最終只有被允許與環境互動的學會爬行，只能觀察的不能做出同樣舉動。

而在實驗中，Baxter 逐漸地展現出對物品認知的提升，當機器人認出熟悉的物品時，平板顯示屏幕上會露出“微笑“，并且抓取物品放入適合的籃子；如果對物品不熟悉，屏幕上則會露出“困惑“的表情──研究人員并不擔心，他們相信沒有什么是另外 5 萬次抓取練習學習不了的。

這項研究改變了傳統的機器視覺學習模式，不同于以往系統透過已經輸入的標簽去判斷、尋找物品，Baxter 是透過觸摸來自我學習認知，Gandhi 解釋，過去圖像和標簽之間并沒有互動，在視覺系統中只有被動數據可以收集。

“我們想要的是與物品時可以獲得活動的數據，并透過這些學習對其他視覺任務有用的功能。“

Baxter 的系統中有著類似 Kinect 的 3D 鏡頭，將收集到的視覺與觸覺訊息發送到深層的神經網路，并在 ImageNet 中與圖像交叉參考。團隊在其中意外發現，收集的觸摸數據讓 Baxter 的辨識精準度，較其他只使用圖像辨識的機器人高出 10%，團隊認為這非常鼓舞人心。 

盡管目前研究還處于初期階段，但團隊十分看好未來的發展，Gandhi 表示，他認為結合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，未來能為垃圾進行分類回收，這在現實中是一個非常大的挑戰，“當然，我們目前還在嬰兒學步呢。“