獲獎研究員郭彥伶：訓練機器人學會「有根據地猜測」

從台灣到矽谷，再到機器人研究前沿

郭彥伶從小就對事物的運作原理充滿好奇。在台灣成長的她，小學時閱讀了麥可·法拉第的故事，燃起對自然世界的探索熱情；也是在那個時期，她接觸到 Logo 這套以烏龜游標幫助孩子學習基礎程式設計的軟體，開啟了她與程式邏輯的第一次接觸。

高中時代，她意識到電腦的無限潛力——「一旦發現電腦可以有多強大，我就知道我想專注於用它來解決現實世界的問題，」她說。

個人資料

• 現職：維吉尼亞大學（夏洛茨維爾）電腦科學助理教授
• IEEE會員等級：Member
• 學歷：國立台灣大學、麻省理工學院（MIT）

矽谷的淬煉

郭彥伶分別於2009年與2012年在台灣大學取得電腦科學學士與碩士學位。碩士即將完成之際，她於2011年夏天赴華盛頓州柯克蘭的 Google 園區實習，參與比較廣告專案。

實習結束後，她以訪問學生身分加入 MIT 媒體實驗室，與 Henry Lieberman 共同研究「Open Mind Common Sense」開放常識專案。正當她考慮攻讀博士學位時，Google 的全職工程師邀約改變了她的計畫。

「我認為這份工作邀約是正面的發展，」她說，「在研究生涯之前累積真實的業界經驗，絕對有百利而無一害。」

2012年入職後，她主導建立結合電腦視覺與自然語言處理的技術，提升購物搜尋體驗，並帶領公司的「Shop the Look」計畫——這是 Google 目前 AI 購物體驗的前身，成功將社群媒體內容與搜尋結果串連起來。

然而，在應用神經網路工具的過程中，她發現自己無法百分之百確定這些工具實際上是如何運作的。這個疑問促使她在 Google 工作近四年後，決定回到 MIT 攻讀博士學位（2016年）。

改變一切的那個問題

郭彥伶的博士指導教授之一 Boris Katz，是 MIT 電腦科學與人工智慧實驗室（CSAIL）InfoLab 的首席研究科學家，也是全球第一個網路問答系統「START 自然語言系統」的創建者。

在兩人初次會面時，Katz 建議她參加 MIT「大腦、心智與機器中心」（CBMM）的暑期課程。CBMM（2013—2025年）匯聚了電腦科學家、認知科學家與神經科學家，共同探索人類智能的運作機制，並以此為基礎建立 AI 系統的工程實踐。

「那是一個讓我了解人們如何學習、理解與認識世界的機會，」郭彥伶說，「我把這些洞見融入自己的研究工作中，既實用又充滿啟發。」

她的博士研究專注於建立能將過去學習遷移到新情境的 AI 系統，並輔以機器學習模型支援語言理解與社交互動。2022年，她以電腦科學博士、認知科學輔修的成績完成學業。

心智理論驅動創新

畢業後，郭彥伶持續在 CSAIL 從事「心智理論（Theory of Mind）」相關研究。心智理論起源於1970年代末靈長類動物學家對黑猩猩的研究，其核心在於理解他者擁有自己的思維、信念與觀點——這是人類不需語言就能推斷對方意圖、預測行為的能力。

「就像大學室友搬進宿舍時，雖然話不多，卻能自然地協調行動、完成目標，」她說，「他們能推斷彼此的行為和訊號，不需言語就能做出決策。」

2023年，郭彥伶加入維吉尼亞大學擔任助理教授，並在 UVA 工程學院的跨領域「Link Lab」進行研究。她的目標是開發計算模型，讓機器人能詮釋語言、動作乃至人類目光等直接與隱性訊號，賦予機器人類似人類的物理與社交心智推理能力。

機器人學習的演進

傳統機器人學習多仰賴模仿示範——研究人員手把手引導機器人完成任務（例如切蘋果），機器人便重複這些動作。然而，一旦環境改變（如手臂位置不同或蘋果角度有異），機器人便面臨未曾訓練過的情境，小錯誤逐漸累積，最終導致系統崩潰。

為解決此問題，研究人員開發了「資料集聚合法（DAgger）」，讓研究人員在機器人執行任務時待命，即時提供修正。後續又發展出「機器人自主觸發詢問版 DAgger」，讓機器人在不確定時主動向人類求助。

然而，最流行的多模型共識方法有其限制：隨著模型日趨複雜，訓練多個副本愈來愈困難；更根本的問題是，模型之間的分歧不一定代表不確定性，也可能只是存在多種完成任務的方式。

Diff-DAgger：讓機器人學會「有根據地猜測」

郭彥伶的研究團隊以「Diff-DAgger」填補了這一缺口。這項方法建立在「擴散策略（Diffusion Policy）」之上——一種幫助機器人考量多種任務執行方式的技術。

創新之處在於將訓練時使用的「擴散損失（Diffusion Loss）」信號，重新用作即時信心指標。機器人在執行任務時，會計算該信號並與訓練資料中的數值進行統計比對：

• 信號驟升：機器人遭遇陌生情境，不確定如何繼續 → 觸發人工介入
• 信號平穩：目前動作與訓練所學相近 → 機器人自主完成任務

這相當於賦予機器人「自我診斷」與「預測即將失敗」的能力，人工監督只在真正必要時才介入。

研究成果

• 故障預測率提升 39%
• 任務完成率提高 20%
• 任務完成速度提升近 8 倍

獲獎肯定與未來展望

郭彥伶的研究成果獲得多方肯定：

• IEEE 機器人與自動化學會首屆「傑出女性早期職涯貢獻獎」（WiRA Paper Award）
• 美國國家科學基金會 Career Award：五年期、總額 665,000 美元的資助，支持她透過心智理論推理建構人機互動計算模型
• 豐田研究院（Toyota Research Institute）年輕教師研究員獎：研究如何讓車輛理解道路互動及與駕駛者的關係

隨著服務型機器人與自駕車愈來愈普及，郭彥伶的研究方向將有助於讓人機互動更直覺、更實用。

「目前還沒有任何計算框架能有效率地將這種理解轉化到機器人身上，」她說，但她的終極目標，是打造能真正融入人類社會空間、透過紮根互動與我們共存的強健機器人。

IEEE 的影響

郭彥伶與 IEEE 的緣分始於學生時代。2018年攻讀 MIT 博士期間，她向 IEEE/RSJ 智慧型機器人與系統國際研討會（IROS）投出第一篇論文「Deep Sequential Models for Sampling-Based Planning」。此後，她的 IEEE 參與程度隨職涯成長持續深化——她目前是 IEEE 機器人與自動化學會的活躍志工、論文審稿人，以及各大研討會的講者與座談嘉賓。

「知識的分享與向他人學習，對任何人的職涯成長都至關重要，」她說，「而 IEEE 為兩者都提供了絕佳的機會。」

---

原文來源： 查看原文