“这是一个球。”

“我相信这是一个圆锥体”。

“似乎是一本很棒的书。”

这些声音是机械且单调的，这样平庸和无聊的回答在工作面试中肯定不会获得成功。但这种情况下，观察结果令人印象深刻。轮子上由两英尺高的hors d’oeuvre托盘构成，在地板倾斜，当它的摄像机“眼睛”看到物体时，说出它的发现。

这种机器人学会了识别这些特定物体，学会绕过障碍，尽管有些笨拙，但不需要人类的指导。摄像机将他看到了信息发送到机器人上方的笔记本电脑；笔记本电脑反过来与实验室台式机交流，台式机的显示器记录机器人捕获的物体。

赋予机器人思考能力的Emily Fitzgerald说，“它几乎是自主思考的”，并能够绕过障碍，这是去年夏天她的研究项目，与为本科生提供资助的本科生研究项目(UROP)一起。她说，比机器人自主定位更重要的能力是特殊物体的识别。

这种自我引导并观察物体是机器人科学家们的理想，潜在应用如探索遥远行星的形貌。在Fitzgerald的研究中，她利用一种深层神经网络，模拟大脑神经元的人工智能形式。深层神经网络能够处理大量数据来解决问题，比如识别一个球或圆锥体。

“将一种物体的大量图片放进去进行编译，存在一种算法，”Fitzgerald说。“然后我们主要为它编码。”当机器人接近一个物体时会说，“哦，在我面前有一个物体，让我思考一下。”它会…找到一幅对应物体的图片，选择那个数字，使用它作为参考，然后它会大声说出，“哦，这是一个球，”“这是一个圆锥体”，或者任何已教会它的物体。”

艺术与科学学院研究助理教授兼波士顿大学神经形态实验室主任Massimiliano Versace负责Fitzgerald的UROP项目。她得到了Versace实验室志愿者Lucas Neves和波士顿大学计算神经科学和技术实验室的客座研究员Matthew Luciw的帮助。

当被问到训练他们的金属学生识别物体会有多困难时，研究小组成员们笑了起来。“有许多次，我们确实有点失望，但你知道，这并没用，”Fitzgerald说，首先必须要掌握一种不熟悉的编程语言。然后研究团队需要确保项目中一系列软件能够同时工作，不会出现“系统崩溃的情况，”她说。

通常，软件的不兼容导致了笨拙的机器人。

“大多数时候，它只是不能开始，”Neves说，感伤地回忆过去那些艰难的时刻。机器人会迷路：轮子中的传感器告诉机器人走了多远。但是“车轮并不以恒定速率旋转，那么每次当机器人停止时，会认为走得更远，因为车轮旋转得更快，”Fitzgerald说。

因此它还不是最终产品。未来Fitzgerald的项目是否会成为商业的应用，仍然是个不确定的问题，Versace说，但他并不怀疑该类工作的可行性。Versace领导着波士顿大学的衍生公司Neurala，，他的实验室成员最近会见了美国国家航空航天局的成员，讨论相关问题。