Dactyl是Open AI（Open AI）开发的机器人手臂。当然，机器人手臂本身并不奇怪。它是一个系统，可以使用由Shadow Robot制造的机械臂Dexterous Hand操纵手掌上的物体。
Dark Till是一个放在你手掌上的Magic Cube，当你命令在程序中移动所需的脸部时，你可以像手掌上的魔方一样工作。要将对象转换为所需的一侧，请使用三个RGB相机。因此，从拍摄的图像识别手指坐标。
Dark Till表现出惊人的灵巧性。确实机器人手臂已经在几十年前开发出来了，但是在机器人控制领域有很多家庭作业无法解决，机器人控制使用机器人手臂来有效地控制物体。其中之一就是Dark Till所展示的精致手指动作。波士顿动力公司等公司正在实施类似人类的行走行为，但手指动作需要更加复杂。
Dark Till用自己的方式擦拭，例如在手掌上旋转立方体。他一直在使用正在游戏领域中使用的强化学习来学习如何通过机器人解决现实世界中的问题。由于机器人手臂本身在真实空间中操作，因此无法直接观察手掌上的物体与手指之间的摩擦或滑动，因此需要应对更大的参数。
DarkThil一直在使用物理模拟引擎MuJoCo来创建机器人模拟器，而在现实世界中，机器人手臂在移动机器人手臂之前已经在虚拟空间中移动。我们使用一种称为域随机化的技术来在每次学习时设置不同的条件。其他条件不仅是立方体的不同背景颜色，而且还有所有因素，如机器人手臂运动速度，立方体的重量，以及机器人手臂之间的摩擦系数，都是在Dark Till中学习的。
通过学习如何在各种条件下操作机器人手臂，Dark Till的灵活性得到了迅速提升。
通过学习过程，通过滚动立方体来匹配所需面部的任务的成功次数迅速增加。当然，通过运动跟踪随机学习所有元素的机器人手臂有50个成功，而在其他条件下，成功的数量减少了6.如果是随机的，则中位数成功值也是13，否则为0。然而，如果所有元素随机随机化，则学习所需的时间绝对长。除非它是随机的，学习时间不到三年，但如果你改变到一个总是改变条件的任意状态，学习时间将超过100年，以便能够始终在一定水平上执行。通过随机执行此操作，学习在各种条件下进行，因此Dark Till可以自然地处理除立方体之外的其他形状。开放式AI研究团队的目标是学习更复杂的任务。
OpenTy是一家非营利性研究机构，旨在于2015年开放人工智能。开放式人工智能来自于需要一个研究机构来确定人工智能是否能为人类做出贡献的想法。建立的目的是，AI应该能够在全球范围内提供利益，而不仅仅是针对特定的公司或政府。
在开放的AI，创立Space X和特斯拉的Elon Musk，LinkedIn的联合创始人Reed Hoffman，PayPal的创始人Peter Till和联合创始人Jessica Livingstone参加了捐赠活动。 Sam Althman，我担任主席。
萨姆阿尔特曼说，人类未来最重要的事情之一就是人工智能，开发和研究可以促进人类的人工智能的机构就是开放的人工智能。作为一个非营利组织，研究成果也将与人类共享。
从那以后，Open AI一直在不断发布结果。 2016年4月，我们引入了Gym提供人工智能培训环境，同年我们推出了人工智能学习平台Universe。 Universe是一个用于测量和学习AI智能的软件平台。您可以使用现有的库，TensorFlow和Teano，并将它们用于成千上万的AI测量和学习，例如游戏和浏览器。在机器学习期间通过强化学习来学习。它还可以转换为先前宣布的负载环境，以便保持兼容性和R＆D一致性。
该世界旨在提供一个平台，可以快速学习困难的环境和未知的任务。它是用智能创建AI的基本工具。宇宙的源代码可以在封建中心公开获得。
提出这个话题的其中一个原因是AI AI5（OpenAI Five）在流行游戏Dota2（Dota2）中的人形胜利。打开AI在2017年赢得了比赛，这是一场比国际象棋或Baduk更复杂的比赛，与世界冠军的1：1比赛。 2018年，该团队将发布Open AI Five，将与5：5球队比赛。
这些游戏比基于回合制的游戏（如国际象棋或游戏）更复杂，因为他们必须实时做出决定。 Open Five通过Google Cloud在一个运行124,000个核心的环境中与人类合作。打开AI Five已经在神经网络中学习了诸如团队战斗，价值预测，探索，突然袭击，集中和跟踪等元素，然后根据项目操纵角色。此外，每个DotA2可以获得80,000帧信息。分析了其中的四分之一，并进行了开放式AI五的学习。我每天都学习数据180天。打开AI Five计划参加8月举行的电子竞技比赛。 6月份对阵人类队已经取得了胜利，但这次将是对阵人类队伍的5：5比赛，这是一支职业球员。
开放式AI在7月份宣布了Glow，这项技术可以合成两张面部图片而不会产生任何不协调感，或者添加胡须和笑容等面部特征。 Glow自动从图像创建AI学习的图像设置标签。如果您研究了30,000张面部照片，您可以处理标签，如微笑，年龄，性格，金发，胡须。当然，这样的标签可以在以后自由地操作或者新输入以改变图像。
Glow可以通过改变笑声，年龄，金发，胡须等值来改变脸部图片。如上所述，还可以合成两个图像。在羽毛轮毂上也发现了辉光。
算法，学习数据和计算量是开发人工智能的三个基本要素。人工智能自然需要学习才能进行更准确的判断，学习量越多，判断就越先进。显然，如果你想增加学习量，你可以要求一个能够处理大规模处理的系统。算法和数据改进本身很难量化。然而，根据Open AI，用于学习AI的计算量从2012年的3.5个月稳步增加到今年的30多万次。计算量可用于衡量AI增长的速度。这种趋势将在未来继续。此外，像人工智能这样在不断增长的人工智能市场中寻求造福人类而不是特定群体的组织的价值也将增加。