CN111602143A - 基于用户的人工智能(ai)模型的移动自主个人伴侣 - Google Patents

Abstract

一种用于构建人工智能(AI)模型的方法。所述方法包括访问与用户的监测到的行为有关的数据。对所述数据进行分类，其中类别包括：标识与包括所述用户在内的一组用户有关的数据的客观数据类别，以及标识所述用户特有的数据的主观数据类别。访问客观数据，并且客观数据与包括所述用户在内的多个用户的监测到的行为有关。所述方法包括将所述用户的客观数据和主观数据以及所述多个用户的多个客观数据作为第一组输入提供给执行AI的深度学习引擎。所述方法包括确定在对第一组输入作出响应时预测用户行为的多种习得模式。所述方法包括构建所述用户的包括所述多种习得模式的本地AI模型。

Description

基于用户的人工智能(AI)模型的移动自主个人伴侣

技术领域

本公开涉及智能机器人，并且更具体地涉及在自主机器人内实现的针对用户个性化的自动化伴侣，并且还涉及通过人工智能来构建和实现伴侣。

背景技术

机器人现已存在。机器人随时会出于各种原因而与其人类所有者进行交互。这些机器人一直以来都作为机器人助手而存在，包括被设计用来陪伴其所有者的机器人宠物。尽管处理能力有限并且外观造型也受约束，但这些早期的机器人宠物仍然能够在一定程度上自主地到处移动、感测即时环境、具有用于执行任务的可编程智能以及与其人类所有者交互(例如，说话、吠叫、触摸等)。这些早期机器宠物的特征有计算机能力、视觉传感器***和发音器，以促进一个或多个特征，诸如智能、对象感测、个性和移动。例如，这些机器人宠物可以与对象(例如，球)交互、与其所有者交流、与其环境交互、与其所有者玩耍、来回走动等。而且，可以将这些机器人宠物编程为参与机器人足球联赛。此外，随着所有者通过交互对机器人宠物进行培养，这些机器人宠物可能会成长并成熟。而且，这些机器人宠物可以基于它们的培养方式形成个性。

这些早期的机器人已经准备好达到更高的能力水平，其中部分地包括提高的智能、意识、协助、交互、个性和移动。

正是在这种背景下，出现了本公开的实施方案。

发明内容

根据本公开的一个实施方案，本公开的实施方案涉及用于通过用户的人工智能(AI)模型实现的自主个人伴侣的***和方法。AI模型是通过深度学***台中，并被配置为自主地移动以自我定位成最佳地接收数据、收集数据、感测环境和传递数据。AI模型可以与后端服务器交互以进行处理，其中AI模型可以在本地级别处理请求，或者在本地级别预处理请求，然后在后端服务器处完全处理那些请求。

在一个实施方案中，公开了一种用于构建人工智能模型(AI)的方法，该AI模型使向对应用户提供服务的自主个人伴侣富有个性。该方法包括访问与用户的监测到的行为有关的数据。该方法包括按类别对数据进行分类，其中类别包括标识与包括该用户在内的一组用户有关的数据的客观数据类别，以及标识该用户特有的数据的主观数据类别。该方法包括访问与包括该用户在内的多个用户的监测到的行为有关的客观数据。该方法包括将用户的客观数据、用户的主观数据以及多个用户的多个客观数据作为第一组输入提供给执行AI的深度学习引擎。该方法包括确定在对第一组输入作出响应时预测用户行为的多种习得模式。该方法包括构建用户的包括多种习得模式的本地AI模型。

在另一个实施方案中，公开了一种非暂时性计算机可读介质，该非暂时性计算机可读介质存储用于构建人工智能模型(AI)的计算机程序，该模型使向对应用户提供服务的自主个人伴侣富有个性。该计算机可读介质包括用于访问与用户的监测到的行为有关的数据的程序指令。该计算机可读介质包括：用于按类别对数据进行分类的程序指令，其中多个类别包括：标识与包括该用户在内的一组用户有关的客观数据的客观数据类别，以及标识该用户特有的主观数据的主观数据类别。该计算机可读介质包括用于访问与包括该用户在内的多个用户的监测到的行为有关的客观数据的程序指令。该计算机可读介质包括用于将用户的客观数据、用户的主观数据和多个用户的多个客观数据作为第一组输入提供给深度学习引擎的程序指令，该深度学习引擎被配置为执行人工智能(AI)。该计算机可读介质包括用于确定在对第一组输入作出响应时预测用户行为的第一多种习得模式的程序指令。该计算机可读介质包括用于构建用户的包括第一多种习得模式的本地AI模型的程序指令。

在又一个实施方案中，公开了一种计算机***，其中该计算机***包括处理器和耦合到处理器并且存储有指令的存储器，指令在由计算机***执行时，使计算机***执行一种方法。由计算机***执行的方法包括访问与用户的监测到的行为有关的数据。该方法包括：按类别对数据进行分类，其中多个类别包括：标识与包括该用户在内的一组用户有关的客观数据的客观数据类别，以及标识该用户特有的主观数据的主观数据类别。该方法包括访问与包括该用户在内的多个用户的监测到的行为有关的客观数据。该方法包括将用户的客观数据、用户的主观数据和多个用户的多个客观数据作为第一组输入提供给深度学习引擎，该深度学习引擎被配置为执行人工智能(AI)。该方法包括确定在对第一组输入作出响应时预测用户行为的第一多种习得模式。该方法包括构建用户的包括第一多种习得模式的本地AI模型。

通过以下结合附图的详细描述，本公开的其他方面将变得显而易见，所述附图通过示例的方式说明本公开的原理。

附图说明

通过参考以下结合附图的描述可以最好地理解本公开，在附图中：

图1A是根据本公开的一个实施方案的通过用户的人工智能(AI)模型实现的自主个人伴侣的图示。

图1B示出了根据本公开的一个实施方案的用于构建用户的AI模型的示例神经网络，其中AI模型用于实现用户的自主个人伴侣。

图2示出了根据本公开的一个实施方案的支持通过用户的AI模型实现的自主个人伴侣的***。

图3A是根据本公开的一个实施方案的通过用户的AI模型实现的自主个人伴侣的框图。

图3B示出了可用于执行本公开的各种实施方案的各方面的示例装置100的部件。

图4A示出了根据本公开的一个实施方案的支持玩游戏应用程序的用户的玩游戏过程(game play)的自主个人伴侣。

图4B示出了根据本公开的一个实施方案的由图4A中介绍的用户玩的游戏应用程序的三维(3D)游戏世界与用户的物理环境的集成，其中自主个人伴侣被配置为响应于用户的注视方向而将3D游戏世界的一部分投射到物理环境中。

图4C示出了根据本公开的一个实施方案的在图4A至图4B中介绍的游戏应用程序的3D游戏世界的集成的另一示例，其中游戏应用程序的3D游戏世界的扩展部分被投射在显示器旁边，其中显示器示出游戏应用程序的主视图，其中扩展部分示出3D游戏世界的一部分，或者为游戏应用程序提供补充信息。

图5示出了根据本公开的一个实施方案的由第一用户使用头戴式显示器(HMD)玩的游戏应用程序的3D虚拟现实(VR)世界与物理环境的集成，其中自主个人伴侣被配置为响应于用户的注视方向而将VR游戏世界的一部分投射到物理环境中，以允许旁观者并行地参与第一用户的VR游戏世界的体验。

图6A示出了根据本公开的一个实施方案的通过用户的AI模型实现的针对用户的自主个人伴侣的示例性形式。

图6B示出了根据本公开的实施方案的示例性自主个人伴侣，所述自主个人伴侣被配置有一系列能力，其中部分地包括图像的投射，对附近环境的感测以及辅助声音的提供。

图6C示出了根据本公开的一个实施方案的示例性自主个人伴侣，所述自主个人伴侣包括配置有一个或多个特征(例如，图像捕获和图像投射)的无人机组件。

图6D示出了根据本公开的一个实施方案的示例性自主个人伴侣，所述自主个人伴侣包括配置有一个或多个特征(例如，图像捕获和图像投射)的旋转顶部。

图6E示出了根据本公开的一个实施方案的包括一个或多个附件(appendage)的示例性自主个人伴侣，其中附件可以采取控制器的形式，其中附件/控制器可以从伴侣上移除。

图6F至图6H示出了根据本公开的实施方案的用于自主个人伴侣的替代外观造型。

图7示出了根据本公开的一个实施方案的用于多个用户的各种AI模型以及可以实现这些AI模型的位置。

图8A示出了根据本公开的一个实施方案的对应用户的一个或多个AI模型之间的关系。

图8B示出了根据本公开的一个实施方案的在对应用户的AI模型内定义的各种分支，其中每个分支可以通向用户的子AI模型。

图9A示出了根据本公开的一个实施方案的针对对应用户可能监测到的不同类型的用户动作。

图9B示出了根据本公开的一个实施方案的使用图9A中介绍的不同类型的用户动作来构建各种AI模型的方式。

图10是示出根据本公开的一个实施方案的用于构建对应用户的AI模型的方法的流程图。

具体实施方式

虽然以下详细描述出于说明的目的包含许多具体细节，但是本领域的任何普通技术人员应认识到，对以下细节的许多变动和改动在本公开的范围内。因此，下文描述的本公开的各方面是在不失一般性并且不对本说明所附的权利要求施加限制的情况下阐述的。

一般而言，本公开的各种实施方案描述了实现深度学***台上运行的其他数字资产并与之交换数据；在环境中自主移动以最佳地接收或收集或传递数据；自主移动以最佳地感测和/或映射环境；以及其他特征。在一些实现方式中，自主个人伴侣可配置为与后端服务器交互以进行处理，其中AI模型分布在自主个人伴侣和后端服务器处，并且可配置为在本地级别处理请求，或在本地级别预处理请求，然后在后端服务器处完全处理那些请求。

以上是对各种实施方案的一般理解，现在将参考各种附图描述各实施方案的示例性细节。

图1A示出了根据本公开的实施方案的用于构建和实现通过用户的对应AI模型实现的自主个人伴侣的***100A。特别地，自主个人伴侣100被配置为作为数字伴侣与对应用户对接，例如以向用户提供服务。另外，自主个人伴侣100可以通过网络150(例如，互联网)由后端服务器(例如，个人伴侣建模器和应用器140)支持，其中后端服务器提供人工智能和/或深度机器学习(例如，通过深度机器学习引擎190)来构建和应用个性化的AI模型，每个模型都与其各自的用户相对应。例如，一个或多个伴侣100a至100n被配置为支持全世界一个或多个位置处的多个用户。

每个自主个人伴侣100都被配置为提供为其各自的用户提供服务(例如，支持)的多种能力。一般而言，伴侣100可以应用户的请求提供其服务，或者可以自主地提供服务或在适当的时间向用户提供服务(例如，感测用户的需求或确定在情景上相关的动作、随机生成等等)。例如，自主个人伴侣100可以被配置为向用户提供数字协助，诸如处理执行各种操作(例如，搜索信息，购买商品和/或服务等)的用户搜索请求；自主地生成与用户相关的搜索请求；自主地生成与用户在情景上相关的动作(例如，在注意到食品柜是空的并且前一天晚上举行了聚会之后，通过电子商务供应商购买薯片)；向玩游戏应用程序的用户提供游戏协助(例如，提供有助于在对应游戏应用程序中导航的提示和帮助)；通过将三维(3D)游戏空间集成在物理世界中来扩展游戏应用程序的所显示的游戏空间，以及其他特征。

此外，自主个人伴侣100可以向用户提供陪伴，诸如与用户进行对话，向用户提供数字协助，通过对话与用户建立关系，以及在整个时间段内或多个时间段陪伴用户。伴侣100可以提示用户作出响应，就像人类或动物伴侣一样。例如，伴侣100可以建议在伴侣100和用户之间开始玩纸牌游戏，或者可以建议在显示器(例如，远离伴侣100的固定显示器或与之集成的显示器)上观看数字内容，或者可以使游戏控制器提示用户玩游戏应用程序。

由自主个人伴侣100执行的至少一些动作在情景上与用户相关。也就是说，由于伴侣100在情景上感知到用户当前所处的环境并且能够构建和/或访问对于用户而言个性化的AI模型，因此，可以针对用户正在体验的情景来定制由伴侣100生成的动作。例如，当用户发出看似通用的请求(例如“昨晚的分数是多少？”)时，基于用户的AI模型和当前日期，伴侣100将确定该请求的当前情景，并提供适当且相关的响应：“勇士队以101-97获胜。”该响应是在情景上相关的，因为AI模型将用户定义为“勇士队”的粉丝，并且其中用户仅关注国家篮球协会(NBA)的“金州勇士队”的比赛。此外，该响应与用户在情景上相关，因为AI模型还将用户定义为四月季后赛期间的NBA球迷，并且不关心其他运动的任何分数。因为当前日期是四月份，所以伴侣100可以通过互联网搜索前一天晚上的“勇士队”的分数。

如图1A所示，许多个人伴侣100a至100n被配置为与对应用户对接，作为他们各自的数字伴侣。为了简洁和清楚起见，描述了伴侣100a，并且该描述代表伴侣100a至100n中提供的特征。特别地，每个伴侣都在可移动的机器人105内实现，其中机器人可以采用任何合适的外观造型。通过人工智能110支持每个伴侣，所述人工智能既可以本地分布在机器人105中，也可以分布在后端服务器140处。在一个实施方案中，AI 110被配置用于深度学习，该深度学习用于构建本地AI模型120a的至少一部分，所述本地AI模型用于部分地向对应用户提供服务。使用AI 110获知的该信息可以与后端服务器140共享，也可以不与后端服务器140共享，该后端服务器还可以根据收集和/或获知的信息的类型来构建本地AI模型120a。例如，敏感信息可以被本地处理以构建本地AI模型120a，但是可以不与后端服务器140共享。

另外，伴侣100a的AI 110包括本地AI模型120a的版本，其中模型120a对于对应用户是个性化的，并且其中AI 110被配置用于实现AI模型120a。特别地，术语“本地AI模型”用于指示AI模型对应于特定或本地化的用户。存储在机器人105的外观造型内的本地AI模型120a可以是AI模型的完整版本，也可以是自主地提供AI模型完整版本可用的某一能力子集的基本模型。AI模型的完整版本也由提供AI建模和应用的后端服务器140存储和访问。这样，伴侣100a可以独立于后端服务器140运行，并且提供完整的能力集合(如果本地AI模型的完整版本存储在机器人105处)或有限的能力集合(如果本地AI模型的较低版本存储在机器人105处)。另一方面，伴侣100a可以与后端服务器140协作地运行，并且提供由本地AI模型120a提供的完整能力集合。例如，机器人105处的本地AI模型120a与后端服务器140处的本地AI模型120a协同工作(例如，可以预处理数据)，所述后端服务器处的本地AI模型被更好地配置(更快和更多的资源)为执行大部分AI处理。

如图1A所示，本地数据115a由伴侣100a(诸如，机器人105)收集。机器人105处的AI110可以使用本地数据115a，以使用存储在机器人105处的任何AI能力来帮助构建本地AI模型120a。另外，可以将本地数据115a传递到后端服务器140处的个人伴侣建模器和应用器，以使用深度机器学习引擎190的AI能力，来构建本地AI模型120a。如图所示，在后端服务器140处，生成并存储一个或多个本地AI模型120a至120n，以支持一个或多个用户。

因为每个伴侣100a至100n的本地数据115都被传递到后端服务器处的个人伴侣建模器和应用器，所以可以将每个本地数据进行聚合以生成全局AI模型130。聚合的本地数据可以被存储为全局数据135。

图1B示出了根据本公开的一个实施方案的示例性神经网络，该示例性神经网络用于通过由个人伴侣建模器和应用器140的深度学习引擎190实现的训练来为对应用户构建本地AI模型。特别地，图1A的***100A中的建模器和应用器140被配置为学习有关用户的在自主个人伴侣100向用户提供服务时有用并且适合的一切事物。另外，在一个实施方案中，神经网络可在伴侣100的AI 110内实现。为用户得到的本地AI模型120部分地定义了用户的以及与用户相关的行为、生物特征、动作、情绪、期望、愿望、喜好、欲望、需求以及环境(用于提供情景)。个人伴侣建模器和应用器140可以是任何计算装置，包括后端服务器计算装置，该后端服务器计算装置直接或通过网络(例如，本地网络、互联网等)耦合到自主个人伴侣101a至101n中的每一个。

具体地，建模器140中的深度学习或机器学习引擎190被配置为分析与用户有关的本地数据115，其中本地数据115部分地由自主个人伴侣100收集。与监测用户(例如，控制器输入、请求、动作、行为、响应等)以及用户的环境相关联地收集本地数据115。如下文将描述的，出于收集数据目的，伴侣100被配置有监测和/或发出请求的各种特征(例如，摄像头、有源致动器、无源传感器、控制器、鼠标、扫描仪等)。基本上，可以收集和使用与用户相关联的任何相关信息，以部分地定义用户，并且理解用户所在的情景以及预测用户的感受、行为或对各种状况和/或刺激的响应。这样，深度学习引擎190能够学习有关用户的一切事物，以使得对应的本地AI模型120可以为用户提供最佳服务，并且其中只需最少的用户输入即可提供服务。例如，可以使用AI模型120(例如，通过深度学习引擎190的实现)来理解用户做出的请求，以预测用户将需要或可能想要什么，并提供满足那些请求和预测的服务。

除了本地数据115之外，其他数据(例如，全局数据135)可以被多个个人伴侣100a至100n利用和/或收集，并且还可以用于为对应用户构建本地AI模型120。基本上，全局数据135是针对所有用户收集的所有本地数据115的聚合。特别是，某些数据可能是通用的，并且适合在为所有用户或至少某一用户子集(各种大小)构建所有AI模型时使用。另外，全局数据135可以用于构建对于任何用户可能通用的全局AI模型130。此外，全局数据135可以用于构建各种全局AI模型，每个全局AI模型都针对特定的用户分组(例如，通过人口统计、地区、音乐品味、学校教育等分组)。

这样，本地数据115和某一部分的全局数据135将被馈送到深度学习引擎190。深度学习引擎190利用人工智能(包括深度学习算法、强化学习或其他基于人工智能的算法)为对应用户构建本地AI模型120。

以此方式，在学习和/或建模阶段期间，深度学习引擎190使用数据来在给定一组输入数据的情况下，预测给定用户的反应、动作、欲望和/或需求。这些反应、动作、欲望和/或需求通常可以按用户行为分类，并且因此，在给定一些输入数据的情况下，AI模型120可以用于一般地预测对应用户的行为。例如，输入数据可以是用户的特定请求，其中AI模型120用于生成响应，并且其中该响应与自主个人伴侣100提供的服务有关。另外，输入数据可以是环境数据的集合，无论任何有针对性的用户输入或请求为何，其都可以用于预测用户的反应、动作、欲望和/或需求。例如，AI模型120可以用于在用户不必明确地传递请求的情况下预测用户可能想要和/或需要什么服务。

随着时间的流逝，AI模型120可以响应于输入数据的近似集合来预测用户的行为、动作、响应、欲望和/或需求。例如，在前面介绍的示例中，用户仅对四月份的NBA分数感兴趣，并且因此，对体育比赛分数的任何请求都可用来预测用户的欲望和需求，包括理解该用户是“金州勇士队”的粉丝，并且在四月份，该用户仅对“勇士队”所参加的比赛的分数感兴趣，所有这些都会导致关于“勇士队”所参加的最新比赛的分数的响应(例如，通过AI模型120实现)。其他示例可用于描述AI模型120的构建。例如，AI模型120可以用于定义用户的某些生物特征。在一种情况下，可以定义用户的步态，使得个人伴侣可以感测和跟踪正在接近的人的脚步，并确定它是与AI模型120相关联的对应用户。AI模型120可用于确定在下午5:00，用户通常返回家中，并坐下来观看数字内容。这样，个人伴侣100可以应用户对伴侣100的请求，将用户最近感兴趣的内容(例如，无节制地观看医疗题材的电视剧)上传到已经播放或准备播放的显示器。

神经网络190表示用于分析数据集以确定对应用户的响应、动作、行为、欲望和/或需求的自动化分析工具的示例。不同类型的神经网络190是可能的。在示例中，神经网络190支持可由深度学习引擎190实现的深度学习。因此，可实现使用监督或非监督训练的深度神经网络、卷积深度神经网络和/或递归神经网络。在另一个示例中，神经网络190包括支持强化学习的深度学习网络。例如，神经网络190被设置为支持强化学习算法的马尔可夫决策过程(MDP)。

通常，神经网络190表示互连节点的网络，诸如人工神经网络。每个节点都从数据中获知一些信息。可通过互连在节点之间交换知识。向神经网络190的输入激活一组节点。进而，这组节点激活其他节点，从而传播关于输入的知识。在其他节点上重复所述激活过程直到提供输出为止。

如图所示，神经网络190包括节点的层次结构。在最低层次结构级别处，存在输入层191。输入层191包括一组输入节点。例如，这些输入节点中的每一个都被映射到本地数据115，该本地数据是在由自主个人伴侣100对用户和与用户相关联的环境进行监测和/或查询期间通过致动器主动地收集或通过传感器被动地收集的。

在最高层次结构级别处，存在输出层193。输出层193包括一组输出节点。例如，输出节点表示与本地AI模型120的一个或多个部件有关的决策(例如，预测)。如前所述，输出节点可以针对给定的一组输入来标识用户的预测或预期响应、动作、行为、欲望和/或需求，其中输入可以定义各种场景(例如，直接请求、当日时间、各种行为模式等)。可以将这些结果与从先前的交互以及对用户和/或环境的监测中获得的预定和真实结果进行比较，以便细化和/或修改由深度学习引擎190使用的参数，以针对给定的一组输入来迭代地确定用户的适当的预测或期望响应、动作、行为、欲望和/或需求。也就是说，在细化参数时，神经网络190中的节点获知AI模型120的可用于做出这样的决策的参数。

特别地，在输入层191与输出层193之间存在隐藏层192。隐藏层192包括“N”个的隐藏层，其中“N”是大于或等于1的整数。进而，所述隐藏层中的每一者还包括一组隐藏节点。输入节点互连到隐藏节点。同样，隐藏节点互连到输出节点，使得输入节点不直接互连到输出节点。如果存在多个隐藏层，则输入节点互连到最低隐藏层的隐藏节点。进而，这些隐藏节点互连到下一个隐藏层的隐藏节点，依此类推。下一个最高隐藏层的隐藏节点互连到输出节点。互连连接两个节点。互连具有可以获知的数值权重，使得神经网络190适应于输入并且能够学习。

通常，隐藏层192允许在对应于输出节点的所有任务之间共享关于输入节点的知识。为此，在一个实现方式中，通过隐藏层192将变换f应用于输入节点。在示例中，变换f是非线性的。可以使用不同的非线性变换f，包括例如整流函数f(x)＝max(0,x)。

神经网络190还使用代价函数c来找到最优解。代价函数测量由神经网络190针对给定输入x输出的定义为f(x)的预测与地面真值或目标值y(例如，预期结果)之间的偏差。最优解表示没有任何解的代价低于最优解的代价的情况。对于这种地面真值标签可用的数据，代价函数的示例是预测和地面真值之间的均方误差。在学习过程期间，神经网络190可使用反向传播算法来采用不同的优化方法来获知使代价函数最小化的模型参数(例如，隐藏层192中的节点之间的互连的权重)。这种优化方法的示例是随机梯度下降。

在一个示例中，用于神经网络190的训练数据集可以来自相同的数据域。例如，针对给定的一组输入或输入数据来训练神经网络190以学习用户的预测或期望响应、动作、行为、欲望和/或需求。在该图示中，数据域包括针对用户与基线输入数据的交互而收集的会话数据。在另一个示例中，训练数据集来自不同的数据域，以包括除基线以外的输入数据。

这样，针对给定的一组输入，神经网络190可以部分地预测或确定用户的预测或期望响应、动作、行为、欲望和/或需求。基于这些预测结果，神经网络190还可以定义用于为对应用户提供(例如，环境和用户的)情景感知服务的AI模型120。

图2示出了根据本公开的一个实施方案的支持通过对应用户的本地AI模型120实现的自主个人伴侣100的***200。个人伴侣100被配置为基于本地AI模型120向用户提供服务，除其他外，该本地AI模型能够预测用户的响应、动作、行为、欲望和/或需求。

如前所述，个人伴侣100可以独立于后端服务器140或与所述后端服务器一起工作，所述后端服务器执行本地AI模型120的建模以及本地AI模型的应用。特别地，后端服务器140包括深度学习引擎190，如前所述，所述深度学习引擎被配置用于针对任何一组给定输入(例如，定义由用户驱动或体验的给定场景的输入)，部分地学习和/或建模用户的响应、动作、行为、欲望和/或需求，以便构建和应用支持并提供对对应用户的服务的本地AI模型120。特别地，本地AI模型构建器210被配置为与深度学习引擎对接以构建存储在存储装置230中的一个或多个本地AI模型120a至120n。另外，全局AI模型构建器215被配置为与深度学习引擎对接以构建先前描述的并且也存储在存储装置230中的一个或多个全局AI模型130a至130p。例如，为了在深度学习引擎190内应用对应AI模型，AI模型构建器210和215可以操作以设置在深度学习引擎190内定义的参数，这些参数定义输入层191、隐藏层192和输出层193中的各种节点。

自主个人伴侣100可以在其外观造型(例如，自主机器人外壳)内并通过后端服务器140或其组合来实现本地AI模型120。如前所述，伴侣100可以独立于后端服务器来实现本地AI模型120，诸如在执行不太复杂的AI操作时(例如，打开房间灯的请求)，或者在网络连接受限或没有网络连接时。另外，伴侣100可以与后端服务器协作实现本地AI模型120。例如，伴侣100可以通过本地AI模型120执行初步操作，该本地AI模型被本地化以便结构化或调节输入参数(例如，定义要执行的操作)，使得输入参数易于传递(例如，减少和/或压缩)到后端服务器140，其中AI模型120内的大多数人工智能由AI模型应用器220和/或深度学习引擎190执行。

如图2所示，自主个人伴侣100位于用户的相同环境内，使得所述自主个人伴侣可以向用户提供服务。伴侣100能够直接通过有线或无线连接(未示出)或通过本地网络250与一个或多个数字或物理对象和/或实体对接，其中网络250可以包括有线或无线连接。图2示出了伴侣100与各种数字和/或物理对象的对接。可以预期与其他数字和/或物理对象的附加对接。如图所示，伴侣100可以直接(例如，有线或无线对等通信)或通过本地网络250(例如，蓝牙、Wi-Fi、局域网等)，经由有线或无线连接，与本地环境中的对象对接。另外，本地网络250与广域网或互联网150通信地耦合，以促进通过本地网络250通信的各种数字和物理对象与其他远程对象(例如，后端服务器140、其他服务器等)的通信。

例如，伴侣100可以与基站260对接，诸如将基站260和伴侣100之一或两者移动到相同或近似相同的位置，以用于对伴侣100进行再充电、或与基站进行通信以接收软件更新、以及其他示例性用例的目的。

另外，伴侣100可以与本地服务器240对接，其中服务器240可以包括游戏控制台241、塔式计算机243等。例如，游戏控制台241可以将主要数据流提供给显示器265，并且还可向伴侣100提供主要流的概要或完整版本，使得伴侣100可以访问可以在用户玩游戏的同时显示(例如，通过伴侣100的显示器)或传递(例如，音频)给用户的有用信息(例如，游戏协助)。塔243可以提供伴侣100可以控制或利用的附加特征，诸如搜索操作、文件存储等。

在一个实施方案中，伴侣100可以对接和/或实现映射更新***345，其可以位于伴侣100内或远离伴侣。映射更新***345被配置为持续地映射伴侣100所在的环境。例如，更新可以作为在伴侣100上执行的其他应用程序的后台进程发生。以此方式，当对象在环境中四处移动或对象被新放入环境中时，映射更新***345能够识别该移动和/或放入以持续地更新环境内的对象和结构的映射。这样，部分地基于更新后的映射，伴侣100能够在环境中移动而不与对象碰撞。伴侣100可能需要移动才能将伴侣置于最佳位置来提供服务。例如，伴侣100可能需要移动到更靠近用于投射图像的墙，或者可能需要移动到更靠近用户以更好地聆听用户，以进行对话或响应请求等。

作为另一示例，伴侣100可以与一个或多个数字资产270对接，以控制那些资产内的操作或访问那些数字资产内的数据。例如，数字资产可以包括诸如通过本地服务器240在处理器或操作***内实现的日历特征，在这种情况下，伴侣100可以负责利用日历特征来更新或创建条目或获得即将到来的日历日期等。

在又一示例中，伴侣100可以与一个或多个辅助***275对接。例如，辅助***275可以包括头戴式显示器(HMD)，使得个人伴侣可以接收来自通过HMD显示的虚拟现实(VR)内容的更新，以便提供要在HMD内显示的与VR内容一致的附加内容(例如，提供增强VR的信息—实现增强现实)。

而且，伴侣100可以与家庭自动化***280对接，该家庭自动化***被配置为使家庭的运作(例如，设置用于取暖和制冷的恒温器、通风控制、窗帘、网络连接、数字内容传递和呈现、包括洗衣机和烘干机的家用电器等)自动化。这样，伴侣100可以指示家庭自动化***280关闭娱乐室中的灯，以便在用户玩游戏的同时为显示器提供最佳照明。

另外，伴侣100可以与移动电话285对接，以访问和/或控制由电话285提供的各种特征。例如，伴侣100可以与电话285上的流媒体音乐特征连接以播放音乐。

图3A是根据本公开的一个实施方案的通过用户的本地AI模型实现的自主个人伴侣100的框图。如先前所介绍的，伴侣100被配置为与对应用户对接，以通过本地AI模型120提供任何类型(例如，数字、物理等)的服务。本地AI模型120可以是与后端服务器140协作以部分地预测用户的行为、响应、动作、反应、欲望和/或需求的分布式模型。尽管在图3A中示出了伴侣100的各种示例性部件，但是其他功能和/或部件得到很好的支持。

如图3A所示，伴侣100包括被配置为管理整体操作的***控制器355。例如，控制器355可以管理供各种部件使用以便促进伴侣100的操作的硬件和软件资源。另外，控制器355可以控制在伴侣100内提供的一个或多个部件(例如，马达320、深度传感器305等)，包括部件之间的对接和协作。

驱动控制器365被配置为管理由伴侣100实现的移动功能。运动能力部分地由马达组件320(例如，电式、燃料式等)或其他用于推进的装置提供，并且驱动组件375被配置为使伴侣100运动。在一些实现方式中，驱动组件375可以包括一个或多个轮子，或被配置为提供伴侣100的移动的其他装置(例如，悬停能力)。在某些情况下，陀螺仪380可以将稳定性信息提供给驱动控制器365，以在静止位置时或在运动时使伴侣100保持正确的取向。

伴侣100可以包括被配置用于帮助伴侣在当前环境中导航的部件。例如，深度传感器305和接近传感器335可以提供关于环境中的固定和移动对象的信息。特别地，接近传感器335可以被配置为(例如，通过检测表面)确定对象的位置紧靠伴侣100。深度传感器305还可以被配置为确定伴侣100的环境内的近距离对象和远距离对象的位置。也就是说，传感器305和335能够确定对象相对于伴侣100在环境内的放置的深度，并且通过持续更新来生成环境的映射，该映射包括对象在环境内的位置(新的和更新的)。另外，深度传感器305可以被配置为确定对象的构成，诸如确定对象是硬的(例如，金属桌子)还是软的(例如，沙发)。深度传感器和接近传感器可以采用各种技术中的一种来确定环境内的对象的位置和/或构成，包括使用电磁场、感应、射频、热变化、红外频率、气流等。此外，图像可以由摄像头325和/或视频记录器370捕获，以便提供对象信息(例如，对象的相关定位)以及提供其他用途和服务(例如，用户的个人图像和视频捕获、视频游戏记录、日常活动记录等)。

另外，映射更新***345还可以部分地使用由深度传感器305和接近传感器335提供的信息，以便映射环境。出于映射的目的，可以访问其他信息和/或数据，以包括建筑蓝图、由摄像头325、视频记录器370捕获的图像和传声器315等。映射***345可被配置为提供环境的三维(3D)视图。例如，由各种部件收集的数据和/或第三方信息可用于生成环境的一种或多种类型的映射。这些映射包括二维和3D映射。此外，如前所述，映射更新***345使用一种或多种工具(例如，深度传感器305和接近传感器335等)持续地对环境进行映射。例如，可以发现在环境中四处移动或放入环境中的对象，使得将对象的位置更新到环境的映射中。其他类型的映射包括环境的图像和视频演示。在一个实施方案中，该信息可以用于映射用户的家，其中可以确定房间的位置，可以对房间的墙进行分类(例如，出于确定哪面墙可以用作投射屏幕的目的)，可以存储和提供各房间的实际和虚拟图像，并且可以生成房屋的视频和虚拟演示(例如，出于保险、房地产展示等目的)。

在另一个实施方案中，伴侣100可以包括用于娱乐、通信等目的的显示***310。例如，显示***310可以用于与用户进行通信，诸如当提供用户的互联网搜索结果时，或者出于一种或多种目的而查询用户(例如，询问用户的总体健康状况，澄清用户的各种请求等)时。此外，显示***310可以用作主要游戏显示器(示出玩游戏应用程序的用户的玩游戏过程，所述游戏应用程序由来自游戏控制台的主要游戏流流式传输)，或者用作用于提供次要游戏流(例如，与用户的玩游戏过程相关的信息)的辅助显示器。显示***310可以被配置为显示电影或其他数字内容。显示***310可以与扬声器或音频***330协同工作，以提供与显示器所提供的图像或视频有关的音频。例如，可以将用户的玩游戏过程的音频与呈现在显示器上的玩游戏过程的视频相关联地并且同步地呈现。

此外，伴侣100可以包括用于娱乐、通信等目的的投射***340。投射***可以提供与显示***310相似的功能，以包括提供与用户的通信、或者显示来自由控制台或后端流媒体服务提供的游戏应用程序的主要流、提供次要数据流(例如，作为游戏应用程序的辅助屏幕，提供次要或补充信息，或者结合主要显示器，提供游戏世界的扩展视图)、显示数字内容等。此外，可以通过投射***340提供其他特征。因为投射的图像可能比显示***大，所以可以提供扩展视图选项。例如，可以通过伴侣100的投射***340来呈现不同类型的视频和/或成像(例如，全息、3D等)。

视频记录器370和传声器315(例如，音频记录器)组合配置为捕获由伴侣100收集和/或生成的数字信息的视频和/或音频。例如，可以收集并存储玩游戏应用程序的用户的玩游戏过程(例如，视频和音频)。附加信息可以由视频记录器和传声器收集，诸如当用户正在玩游戏应用程序时来自用户的附加音频，并与玩游戏过程的视频和音频结合在一起。

另外，用户跟踪***350可以被配置为跟踪用户的总体和具体移动。总体移动包括用户在环境内的整体身体移动。具体移动可以针对身体的一部分，诸如确定用户的头部或躯干的移动。例如，跟踪***可以确定用户的各个身体部位的取向，并跟踪头部或身体的转动。跟踪***350可以收集由一个或多个其他部件提供的数据，包括来自摄像头325或视频记录器370、深度传感器305、接近传感器335或其他跟踪传感器(例如集成或第三方传感器，诸如通过游戏控制台提供)等的图像和视频。

图3B示出了可用于执行本公开的各种实施方案的各方面的示例装置100的部件。例如，图3B示出了根据一个实施方案的适合于实现提供支持用户的服务的装置的示例性硬件***，其中该装置被配置为提供通过本地AI模型实现的服务，该本地AI模型能够部分地预测对应用户的行为、动作、反应、响应、欲望和/或需求。该框图示出了可以并入有或可以是适合于实践本发明的实施方案的个人计算机、视频游戏控制台、个人数字助理或其他数字装置的装置100。装置100包括用于运行软件应用程序和可选地操作***的中央处理单元(CPU)302。CPU 302可以包括一个或多个同构或异构处理核心。

根据各种实施方案，CPU 302是具有一个或多个处理核心的一个或多个通用微处理器。可以使用具有微处理器架构的一个或多个CPU来实现其他实施方案，所述微处理器架构特别适用于被配置用于深度学习、内容分类和用户分类的应用程序的高度并行和计算密集型应用程序，诸如媒体和交互式娱乐应用程序。例如，CPU 302可以被配置为包括本地化的AI引擎(例如，深度学习引擎)110，所述引擎被配置为支持和/或执行关于部分地预测用户的用户行为、动作、响应、反应、欲望和/或需求的学习操作。而且，AI引擎110被配置为在伴侣100处应用用户的本地AI模型120。此外，CPU 302可以提供如由图3A所示的伴侣100的一个或多个部件提供的附加功能，诸如***控制器355、驱动控制器365、映射更新***345等。

如图所示，映射更新***345可以通过位于伴侣100内的基于硬件的装置来实现。特别地，映射更新***345被配置为生成伴侣100所在的环境的映射。该映射可以包括本地化的定位***，诸如定义环境空间内的位置的新生成的和/或格式化的坐标系。例如，坐标系可以并入有全球定位***(GPS)或3D笛卡尔坐标系、***的混合(例如，使定义建筑物房间的平面图与每个房间的单独坐标系对接)或任何合适的定位***的值。

存储器304存储供CPU 302使用的应用程序和数据。存储装置306为应用程序和数据提供非易失性存储装置和其他计算机可读介质，并且可以包括固定磁盘驱动器、可移动磁盘驱动器、闪存装置和CD-ROM、DVD-ROM、蓝光、HD-DVD或其他光学存储装置，以及信号传输和存储介质。用户输入装置308将来自一个或多个用户的用户输入传送给装置100，所述用户输入装置的示例可以包括键盘、鼠标、操纵杆、触摸板、触摸屏、静态图像或视频记录器/摄像头和/或传声器。网络接口314允许装置100经由电子通信网络与其他计算机***通信，并且可以包括通过局域网和诸如互联网的广域网的有线或无线通信。音频处理器312适于依据CPU 302、存储器304和/或存储装置306提供的指令和/或数据生成模拟或数字音频输出。装置100的部件，包括CPU 302、存储器304、数据存储装置306、用户输入装置308、网络接口310和音频处理器312，经由一个或多个数据总线322连接。

图形子***314进一步与数据总线322和装置100的部件连接。图形子***314包括图形处理单元(GPU)316和图形存储器318。图形存储器318包括用于存储输出图像的每个像素的像素数据的显示存储器(例如，帧缓冲器)。图形存储器318可以与GPU 316集成在同一装置中，作为单独的装置与GPU 316连接，和/或在存储器304中实现。像素数据可以直接从CPU 302提供给图形存储器318。或者，CPU 302向GPU 316提供定义期望输出图像的数据和/或指令，GPU 316依据所述数据和/或指令生成一个或多个输出图像的像素数据。定义期望输出图像的数据和/或指令可以存储在存储器304和/或图形存储器318中。在一个实施方案中，GPU 316包括3D渲染能力，以用于依据定义场景的几何形状、照明、阴影、纹理、运动和/或摄像机参数的指令和数据生成输出图像的像素数据。GPU 316可以进一步包括能够执行着色器程序的一个或多个可编程执行单元。在一个实施方案中，GPU 316可以在AI引擎190’内实现以提供附加的处理能力，诸如用于AI或深度学习功能。

图形子***314从图形存储器318周期性地输出图像的像素数据，以显示在显示装置310上或由投射***340投射。显示装置310可以是能够响应于来自装置100的信号而显示视觉信息的任何装置，包括CRT、LCD、等离子体和OLED显示器。例如，装置100可以向显示装置310提供模拟或数字信号。

应理解，本文所述的实施方案可以在任何类型的客户端装置上执行。在一些实施方案中，客户端装置是头戴式显示器(HMD)或投射***。

图4A至图4C示出了根据本公开的一个实施方案的在对应用户的家庭环境内的自主个人伴侣100的一种示例性实现方式。如前所述，伴侣100被配置为通过本地AI模型120向用户提供服务，其中AI模型120可独立于任何后端服务器工作，或者可以在AI模型120位于后端服务器处的情况下以分布式方式工作，以部分地预测用户的行为、响应、动作、反应、欲望和/或需求。尽管伴侣100被配置为在各种场景下提供多种服务，但是图4A至图4C仅示出用户450正在玩在游戏控制台241上执行(或者在后端服务器上执行并通过游戏控制台流式传输)的游戏应用程序的场景，以及伴侣100能够向用户450的玩游戏过程提供补充信息的场景。

如图所示，用户位于家庭环境410中，诸如娱乐室中。该房间包括两面墙415A和415B。环境410包括沙发405。用户可以访问游戏控制台241。特别地，游戏应用程序正在与用户450的玩游戏过程相关联地通过游戏控制台241(或任何其他装置)执行和/或流式传输，其中玩游戏过程(诸如)通过控制器420来响应用户输入。创建玩游戏过程的主要流，其中玩游戏过程的视频被传递到显示器310。另外，可以通过音频***(未示出)提供玩游戏过程的音频。游戏应用程序可以是开放式公路赛车游戏，其中用户正在扮演比赛中汽车的驾驶员。屏幕截图425示出了传递到显示器310的视频流的图像，并包括在前挡风玻璃外面和赛车仪表板上方的视图，该视图示出了迎面而来的道路，以及方向盘和仪表板中的各种仪表。

另外，伴侣100位于环境410中，并且包括机器人外观造型105和AI 110，所述AI被配置为实现用户450的本地AI模型120。例如，AI 110可以是与后端服务器140上的AI引擎190协作的AI引擎190'。通过AI 110实现的本地AI模型120被配置为部分地向用户450提供与玩游戏过程有关的服务。这样，伴侣100可以通信地耦合到游戏控制台241，以至少接收关于游戏应用程序和/或玩游戏过程的信息。例如，该信息可以包括游戏的标题和版本，玩游戏过程的游戏状态。另外，伴侣100可以包括在游戏应用程序的次要流中提供的信息。例如，游戏控制台241可以生成用于在显示器310上呈现的主要流以及通过伴侣100被呈现(例如，经由显示器、投射、扬声器等)的次要流。

在一个实施方案中，伴侣100被配置为提供支持用户的玩游戏过程的补充信息，其中该信息可以与用户和正在玩游戏应用程序的其他玩家的玩游戏过程有关。在一些实现方式中，该信息可以提供与游戏应用程序有关的一般信息。补充信息可以在用户玩游戏时向用户450提供协助。例如，该协助可以呈指导形式，以帮助用户420实现目标(例如，通过某一等级)，并且可以包括示出控制器输入的视觉提示，控制器输入通常或直接帮助用户实现游戏应用程序内的目标。对通过伴侣应用程序提供的补充信息的详细描述在2017年3月31日提交的题为“GAME PLAY COMPANION APPLICATION”的共同未决专利申请(美国专利申请序列号15/476,597)中提供，所述申请的全部内容以引用的方式并入本文中。

图4B示出了如图4A中所介绍的与游戏控制台241对接以提供与用户450的玩游戏过程有关的补充信息的自主个人伴侣100。例如，图4B示出环境410内的用户450正在玩在游戏控制台241上执行或通过游戏控制台241流式传输的游戏应用程序。特别地，图4B示出了游戏应用程序的三维(3D)游戏世界和用户的物理环境的集成。如图所示，伴侣100被配置为将游戏应用程序的3D游戏世界的一部分投射到物理环境410中。例如，伴侣100能够将3D世界的视图扩展到显示器310上呈现的内容之外，显示器继续示出屏幕截图425。特别地，伴侣100与在显示器310上呈现主要视频流(并且包括屏幕截图425)同时地将视频流(包括屏幕截图430)投射为游戏应用程序的次要流。

另外，根据本公开的一个实施方案，可以响应于用户450的注视方向作出由伴侣100提供的投射。例如，伴侣100的(或与伴侣100协同工作的)注视跟踪***被配置为在玩游戏过程期间捕获用户450的注视方向。作为说明，当用户在赛车时，可以在环境410内定向地提供声音，这可以触发头部移动。如图所示，用户450的头部急剧向右转。如在显示器310上的主要流内所显示，支持其他触发，诸如指向右侧的箭头。例如，伴侣100中的声音***和投射***可以产生声音，该声音源自或被使得源自环境410中的一位置，该位置也对应于游戏应用程序的游戏世界内的起始点。声音可能来自试图超过用户450控制的驾驶员的竞争对手的发动机，并且可能源自驾驶员的右侧，或更具体地源自驾驶舱的右侧。当用户的头部向右转以获得对超车赛车手更好的视图时，从用户450的角度观看的游戏世界的该部分的投射呈现在区域443中的墙415A中，其中投射被大约呈现在游戏世界中对象的适当位置并且与用户所扮演角色的位置有关，其中角色位置与用户450的物理位置相关联。如图所示，次要信息的投射的屏幕截图430包括在右侧超车的78号赛车。

在一个实施方案中，区域443可能是在先前完成的对环境410的映射过程期间发现的。映射过程发现区域443可能适合于显示补充信息和/或内容。伴侣100可以相对于环境410中的墙415A和/或用户450而自我定位，以适当地呈现补充信息。

图4C示出了根据本公开的一个实施方案的在图4A至图4B中介绍的游戏应用程序的3D游戏世界的集成的另一个示例，其中游戏应用程序的3D游戏世界的扩展被投射在示出用户450的玩游戏过程的主要流的显示器310旁边。如图所示，代替将次要或补充信息投射在墙415A上，将信息投射在就在显示器310的右侧的墙415B上。例如，在对环境410的映射过程期间，可以确定墙415A不能支持图像的投射。也就是说，即使伴侣100投射到墙415A上，视频流也将是不可见的(例如，墙415A包含书架)。这样，伴侣100可以将补充信息投射在区域440中的墙415B上，这在某种程度上能传达游戏世界中的投射中的对象的适当位置感，特别是相对于示出游戏应用程序的主要视频的显示器310来说。在另一实现方式中，投射是在显示器310上呈现的视频流的扩展。这样，伴侣100将补充视频流投射到区域440，以包括先前在图4B中介绍的屏幕截图430，所述屏幕截图包括处于超车位置的78号赛车。屏幕截图430被投射到驾驶舱的右侧，如通过显示器310上呈现的角色驾驶员的视点(例如屏幕截图425)所表示。

在一个实施方案中，向墙415B上的投射可以由用户450的视线偏离显示器310来触发。如图所示，用户450的头部没有像在游戏环境中那样转动大约90度，而更像是转动45度来观看墙415B的区域440。在其他实施方案中，投射可以在游戏应用程序的执行期间由伴侣100自主地产生。例如，补充信息可以由伴侣100自动投射以提供增强的用户体验。在那种情况下，可以在其他时间在环境410内的其他位置处提供其他补充信息。

图5示出了根据本公开的一个实施方案的由用户550使用头戴式显示器(HMD)515来玩的游戏应用程序的3D虚拟现实(VR)世界和物理环境510的集成。如图5所示，用户550正在玩游戏应用程序，该游戏应用程序与用户550的玩游戏过程相关联地在游戏控制台241上执行(或在后端服务器处执行并通过游戏控制台或任何其他装置流式传输)，其中玩游戏过程(诸如)通过控制器420和/或HMD 515的移动来响应用户输入。

如前所述，伴侣100被配置为通过本地AI模型120向用户提供服务，其中AI模型120可独立于任何后端服务器工作，或者可以在AI模型120位于后端服务器处的情况下以分布式方式工作，以部分地预测用户的行为、响应、动作、反应、欲望和/或需求。伴侣100包括机器人外观造型105和用于实现与用户550相对应的AI模型120的人工智能。

更具体地，伴侣100被配置为将游戏应用程序的虚拟现实(VR)游戏世界的一部分投射到物理环境510中。例如，可以将VR游戏世界投射520到环境510中的墙(未示出)上。投射520也可以通过由伴侣100控制的物理显示器来进行。以这种方式，用户550所体验的视图也可以被呈现给旁观者555。在一个实施方案中，根据本公开的一个实施方案，响应于用户550的注视方向进行投射，以允许旁观者555并行参与用户550的VR游戏世界的体验。这样，如果环境510适合于投射，则随着用户550在观看VR游戏世界时改变取向，伴侣100也可以将投射520改变到环境510内的不同位置以密切对应于VR游戏世界中的适当位置。也就是说，如果用户550的头部逆时针转动90度，则可以在用户550左侧以及旁观者555左侧的墙上进行投射520。以这种方式，旁观者可以获得对由伴侣应用程序投射到物理环境510中的VR游戏世界的感受。

图6A至图6H示出了根据本公开的实施方案的自主个人伴侣的各种示例性形式，其中伴侣可以通过如图1至图5所示的伴侣100来实现。图6A至图6H中所示的伴侣被配置为通过本地AI模型120向对应用户提供服务，其中AI模型120可独立于任何后端服务器工作，或者可以在AI模型120位于后端服务器处的情况下以分布式方式工作，以部分地预测用户的行为、响应、动作、反应、欲望和/或需求。

特别地，图6A示出了根据本公开的一个实施方案的通过用户的AI模型实现的针对用户的伴侣600A的示例性形式。尽管图6A示出了通用外观造型，但是伴侣600A可以在任何合适的外观造型内实现。例如，主体601被示为具有圆锥形的形状，其下部部分的直径小于上部部分的直径。上部壳体605可以从主体601突出，以促进伴侣600A的附加特征。

特别地，伴侣600A在下部部分包括一个或多个轮子609，或者包括用于为伴侣600A提供二维或三维移动性的任何合适的装置。以这种方式，伴侣600A可以根据需要在环境中四处移动以提供其服务。例如，伴侣600A可以独立地在环境中移动以捕获环境的最佳图像，或者选择最佳位置以投射视频和/或图像。另外，主体601可在一个位置旋转以为环境内的伴侣600A提供最佳取向。

图6B示出了根据本公开的实施方案的示例性自主个人伴侣600B，所述自主个人伴侣被配置有一系列能力，其中部分地包括图像的投射、对附近环境的感测以及辅助声音的提供。特别地，伴侣600B被示出为具有关于主体601的并且先前在图6A中介绍过的通用外观造型。另外，示出轮子609以表示在环境中运动的能力。

伴侣600B包括布置在整个主体601中的扬声器610。另外，扬声器610可以位于伴侣600B的其他部分，诸如在上部壳体605中。显示器310位于主体601的表面上，并且被配置为在为对应用户执行服务时呈现信息和/或数据。例如，显示器310可以在向用户查询以得到响应时显示文本，或者响应于来自用户的查询而呈现视频或文本。显示器310还可以呈现其他补充信息，诸如与玩游戏应用程序的用户的玩游戏过程相关联地生成的信息。

伴侣600B包括用于感测环境的一个或多个传感器，其中传感器可以位于伴侣表面上的各种位置。例如，深度传感器305可以位于主体601的上部部分的表面上，其中深度传感器被配置为确定环境内的近距离对象和远距离对象的位置。一个或多个深度传感器305也可用于确定对象的构成或对象的表面硬度。另外，一个或多个接近传感器335可以位于上部壳体605的表面中，其中接近传感器可以被配置为确定伴侣600B附近的对象的位置。如前所述，深度传感器和接近传感器可以采用各种技术(例如，电磁场、感应、射频、热变化、红外频率、气流等)，如信号625所示，以确定对象的位置。

另外，主体601的上部部分包括一个或多个传声器315，所述传声器被配置用于捕获环境的音频记录。例如，可以记录对应用户的音频以捕获用户的现场反应，以便可以在稍后时间重放。而且，所记录的音频可以与由位于胶囊状物650中的视频记录器370捕获的所记录的视频同步。而且，图像摄像头325可以位于胶囊状物650中。图像摄像头325和视频记录器370的组合允许伴侣600B捕获用户和/或环境的视频和/或图像。

如图所示，胶囊状物650具有各种程度的运动和取向。胶囊状物650附接到提升机构655，并且可以相对于伴侣600B的主体601上下移动。例如，胶囊状物650自身可以升起以(诸如)在摄像头325或记录器370被物体(例如，墙、沙发、家具、书架等)阻挡时获得环境的更好视图。另外，胶囊状物650可以绕提升机构655的轴旋转，使得该旋转可以相对于静态主体601发生。

伴侣600B的上部壳体可以包括一个或多个投射***340。如前所述，投射***340可以将补充信息投射到环境的表面(例如，房间的墙)上。如前所述，可以通过对环境进行映射来确定表面。当伴侣600B正在向用户提供服务时，补充信息可以用于与用户进行交流。

图6C示出了根据本公开的一个实施方案的示例性自主个人伴侣600C，所述自主个人伴侣包括配置有一个或多个特征(例如，图像捕获和图像投射)的无人机组件651。如图所示，伴侣600C具有先前介绍的一个或多个特征，其中包括通用地表示的主体601、用于移动的装置(例如，所示的轮子609)、显示器310、接近传感器335和投射***340的投射仪。为了清楚起见，未示出先前介绍的其他特征。

特别地，伴侣600C包括无人机组件651，该无人机组件在静止位置时耦合至上部壳体605(或能够接纳组件651的任何其他合适的表面区域)。例如，无人机组件651可以与上部壳体605对接以便为电池充电。可以想到远离伴侣600C的其他静止位置，诸如单独的基站。此外，无人机组件651通信地耦合至伴侣600B的一个或多个部件，诸如控制器355。出于捕获图像和视频的目的，可以在无人机组件651上设置图像摄像头325和/或视频记录器370。也可以在组件651上设置其他部件，诸如投射***640的投射仪。

如图所示，无人机组件651能够在环境内来回移动。可以考虑用于提供移动的任何合适的装置，诸如螺旋桨***、气流***、软风***、系留***等。这样，无人机组件651能够在整个环境中三维移动，并且在环境内自身旋转。为了将摄像头325和/或视频记录器370置于更好的位置以捕获图像和/或视频，可能需要移动。例如，当从对应于伴侣100的主体601和上部壳体605的某一点拍摄时，沿特定方向的房间的视图可能被物体遮挡。无人机组件651可以被部署到不受物体阻碍(例如，笔直)的位置，以便捕获视图。

图6D示出了根据本公开的一个实施方案的示例性自主个人伴侣600D，所述自主个人伴侣包括配置有一个或多个特征的旋转顶部630。示出了伴侣600D以图示适合于实现对应用户的本地AI模型120的不同外观造型。如图所示，伴侣600D包括基座620。在基座620内设置了可动装置，诸如轮子609′，或先前描述的用于运动的任何其他合适的装置。

特别地，伴侣600D包括顶部部分630，顶部部分可以包括摄像头325、视频记录器370、深度传感器305、接近传感器335等。为了说明，顶部部分630可以围绕基座620旋转。以这种方式，伴侣600D可以使自己取向为向用户最好地提供服务(例如，将自身置于与用户交流的良好位置)。也就是说，结合伴侣600D的移动特征和旋转顶部部分630，伴侣在其环境内的各种取向都是可能的。例如，顶部630可以朝着环境中的对象旋转，以使摄像***具有对象的良好视图。此外，伴侣600D还可以移动到更靠近对象，以使摄像***具有对象的更好视图。

在一些实现方式中，顶部部分630的旋转能够传达情绪或显示伴侣600D的某些行为。在那种情况下，顶部部分630可以配备有被编程为示出情绪的多色照明。例如，在顶部部分630上示出灯带631。带631中的每个灯可以根据对应模式来打开或关闭。另外，带631中的每个灯可以根据对应模式示出一系列颜色。表632示出了灯模式(例如，开/关、颜色序列等)的列表，其中每种模式可以与伴侣100的对应情绪相关联。例如，模式1可以与第一种高兴情绪相关联，而模式2可以与第二种高兴类型相关联。其他情绪可以通过其他模式表现出来，诸如示出冷漠、愤怒、悲伤、忧郁等。

图6E示出了根据本公开的一个实施方案的包括一个或多个附件640的示例性自主个人伴侣600E。如图所示，伴侣600E具有先前介绍的一个或多个特征，其中包括通用地表示的主体601，以及用于移动的装置(例如，所示的轮子609)。为了清楚起见，未示出先前介绍的其他特征。

特别地，附件640可以提供控制器功能。例如，附件640可以包括控制器420，并且可以与游戏控制台241对接，以便在游戏控制台上或在后端服务器处执行游戏应用程序期间提供控制指令。在一实施方案中，附件640中的一个或多个可被移除，以便于操纵和处置。以这种方式，用户可以以处置游戏控制器的正常方式与附件640对接。

在一个实施方案中，每个附件640配置有能够耦合到基座充电端口的再充电端口。内部电池(未示出)位于对应的附件640内。基座充电端口可以位于主体601上，诸如在与枢轴点602相关联的连接内。以这种方式，当将附件640重新装回到主体601上时，可能会发生内部电池的充电。即，在一个实施方案中，电力(例如，电荷)通过伴侣600E的主体601传递到附件640的内部电池。在另一个实施方案中，电力沿相反的方向传递，使得电力从内部电池传递至伴侣600E。以这种方式，附件640可以被配置为用于向伴侣600E供电的主要再充电介质，并且可以被移除以电耦合和/或通信地耦合到与主体601分离的基座充电站。当附件640被解耦(例如，再充电)时，伴侣600E可以使用内部电池源继续操作，其中一旦附件640再次耦合至主体601，就可以对电池源进行再充电。

在一实施方案中，附件640充当伴侣600E的手臂。例如，附件640可绕主体601上的枢轴点602移动。附件640的移动可以提供某种通信。例如，附件640的移动模式可以用信号通知由伴侣600E作出的问候。在另一实例中，附件640可以从主体601向外延伸以示出伴侣600E的欢迎姿态。在又一实例中，附件640可以被延伸以与用户握手或击拳。可以考虑其他运动。另外，在其他实施方案中，附件可以是任何形式或配置。例如，配置为伴侣600E的附件的头部或上部壳体605可以从主体601拆卸掉。

图6F至图6H示出了根据本公开的实施方案的用于自主个人伴侣的替代外观造型。例如，图6F的伴侣600F示出了基座620’的块状形式和上部壳体605’的块状形式。基座620’中包括运动装置(例如，轮子609’)。此外，图6G的伴侣600G示出了基座620”的球形形式和上部壳体605”的球形形式。此外，图6H的伴侣600H示出了基座620”’的多面形式和上部壳体605”’的块状形式。如图所示，每个伴侣600F-600H的上部壳体可相对于其各自的基座独立旋转。

在一个实施方案中，两个自主个人伴侣100可以彼此直接或通过网络通信。作为说明，每个伴侣都可能正在执行与建筑物内的房间映射有关的操作，该映射需要在房间内来回移动，其中一个或两个伴侣在其移动期间可能会感测到附近的另一个伴侣。伴侣可以进一步将自己移动到合适位置，以用于彼此通信目的。在一种实现方式中，每个伴侣都可以与对应的QR码相关联。QR码可以用于交换标识信息。例如，QR码提供对有关对应伴侣的信息的访问(例如，经由后端服务器)。这样，伴侣可以将自己移动到可以传递QR码的位置(例如，使示出第一伴侣的QR码的显示器在第二伴侣的摄像***的观看范围内)。一旦捕获了QR码，就可以通过网络将QR码传递到服务器，以访问有关与捕获的QR码相关联的伴侣的标识信息。以这种方式，可以在伴侣之间交换标识信息。

通过主观和客观学习对与用户相关联的本地AI模型进行个性化训练的方法和系 统

因此，本公开的各种实施方案描述了实现深度学习(也称为机器学习)技术以构建针对用户个性化的AI模型的***和方法。本地AI模型通过可移动的自主个人伴侣来实现，其中自主个人伴侣可配置为向用户提供在情景上相关的个性化协助。先前在图1至图6中介绍了个人伴侣。通过过滤在深度学习引擎190内用于生成模型的主观和/或客观输入数据来实现本地AI模型的个性化。如果不执行过滤，则将使用相同的数据集来构建所有AI模型(本地AI模型和全局AI模型)，如此，所有AI模型都是相同的，因此具有相同的个性(例如，对于给定的输入集合，将获得相同的结果)。以这种方式，生成具有不同个性的本地AI模型，使得每个AI模型都可以是唯一的，并且反映对应用户的个性或与对应用户的个性相关联。

图7示出了根据本公开的一个实施方案的用于多个用户的各种AI模型以及可以实现这些AI模型的位置。AI模型用于向对应用户提供相关的个性化协助，诸如通过对应的自主个人伴侣。如图所示，各种AI模型可以位于先前描述的后端服务器140处和/或在其上实现，其中服务器140被配置为提供AI模型的AI建模(例如，通过AI引擎190)和/或应用。另外，各种AI模型可以位于每个自主个人伴侣100a至100n处和/或在其上实现，其中每个伴侣都与对应用户相关联。例如，用户1与伴侣100a相关联，用户2与伴侣100b相关联，用户3与伴侣100c相关联，……，而用户n与伴侣100c相关联。

特别地，如上所述，全局AI模型130被存储在后端服务器140处，并且可被访问。全局AI模型130被配置为在给定一组特定输入(例如，定义由用户驱动或遇到的给定场景的输入)的情况下，部分地预测一般用户的响应、动作、行为、欲望和/或需求。可以生成一个或多个全局AI模型130a至130p，每个全局AI模型都与对应的一组用户相关联。例如，可以根据不同的人口统计类别(例如，各种年龄组等)来生成一个或多个全局AI模型。这样，后端服务器140可以被配置为针对由对应用户的对应伴侣100提供的一组给定输入而应用适当的全局AI模型(即，在应用全局AI模型时提供大多数处理)。

如图所示，全局AI模型130的版本也可以本地存储在自主个人伴侣上。由于全局AI模型130的完整版本可能太大而无法在伴侣100上本地实现，因此可以将全局AI模型130的派生物(例如，全局AI’模型)存储在伴侣处。例如，如图7所示，全局AI’模型130’被存储在伴侣100a至100n的每一个中。以这种方式，当执行本地处理更高效时或者当与后端服务器140的连接不可用时，全局AI'模型130'可以响应于给定的一组输入在本地级别实现，例如，以便向对应用户提供服务。

尽管示出了全局AI’模型130’存储在伴侣100a至100n中的每一个中，但是应当理解，各种全局AI’模型都可以存储在伴侣中。例如，代替模型全局AI'模型130'或作为其补充，可以将全局AI模型的专注于特定用户组(例如，适合特定人口统计概况)的派生物存储在伴侣中，而将全局AI模型的完整版本存储在后端服务器140中。

另外，对于每个用户，生成本地AI模型并将其存储在后端服务器140处。本地AI模型针对对应用户是个性化的，并且当与由全局AI模型130提供的预测相比较时，能够在给定一组特定输入(例如，定义由用户驱动或遇到的给定场景的输入)的情况下，更好地部分预测特定用户的响应、动作、行为、欲望和/或需求。也就是说，与全局AI模型相比，对应用户的本地AI模型对于用户更具个性，使得每个本地AI模型120a至120n对于其对应用户都是唯一的。如图所示，用户1与存储在后端服务器140上的本地AI-a模型120a相关联；用户2与存储在后端服务器140上的本地AI-b模型120b相关联；用户3与存储在后端服务器140上的本地AI-c模型120c相关联；……；并且用户n与存储在后端服务器140上的本地AI-n模型120n相关联。

如图所示，针对特定用户生成的本地AI模型的各种版本可以被存储在后端服务器和对应伴侣处。作为代表性示例，可以在后端服务器处生成并存储本地AI-a模型120a的完整版本。由于本地AI-a模型120a的完整版本可能太大而无法在伴侣100a上本地实现(即，完整版本能够处置输入的所有各种排列，因此，在伴侣级别，在计算和存储方面，这可能太昂贵了)，因此可以将派生物(例如，本地AI-a'模型120a')存储在伴侣100a处。以这种方式，当执行本地处理更高效时或者当与后端服务器140的连接不可用时，本地AI-a’模型120a’可以响应于给定的一组输入在本地级别实现，例如，以便向对应用户提供服务。如图所示，每个用户1-n都可以存储他们的本地AI模型的派生版本。例如，对于用户2，派生版本本地AI-b’模型120b’可以存储在伴侣100b处；对于用户3，派生版本本地AI-c’模型120c’可以存储在伴侣100c处；……；对于用户n，派生版本本地AI-n'模型120n'可以存储在伴侣100n处。

此外，在每个自主个人伴侣100处，可以安全地生成并存储对应用户的私有AI模型。也就是说，每个私有AI模型在其生成和应用上都是私有的，并且不共享到其对应伴侣之外。以此方式，与私有AI模型相关联的私有信息被局限在对应伴侣中，以用于构建私有AI模型和应用私有AI模型。例如，对于用户1，私有AI-a模型710a可以在本地生成并存储和应用；例如，对于用户2，私有AI-b模型710b可以在本地生成并存储和应用；对于用户3，私有AI-a模型710c可以在本地生成并存储和应用；……；对于用户n，私有AI-n模型710n可以在本地生成并存储和应用。关于图8B，部分地提供了对私有AI模型的生成和应用的更完整描述。

图8A示出了根据本公开的一个实施方案的对应用户的一个或多个AI模型之间的关系。用户与全局AI模型130相关联。如先前所论述，全局AI模型可针对所有用户，或可针对由某些特性(例如，通过一个或多个人口统计参数等)定义的特定用户组。全局AI模型被配置为部分地预测代表该组用户的一般用户的响应、动作、行为、欲望和/或需求。为了说明，全局AI模型130包括所示的完整版本，但是可以是完整版本的派生物。

然而，全局AI模型针对任何用户都不是个性化。特别地，无区别地适用于所有用户的单一全局AI模型可能缺少或去除了可以针对对应用户量身定制的任何独特个性。也就是说，如果使用单个代表性用户的数据(例如，单个代表性用户执行的操作和/或动作)进行培训(例如，应用深度学习技术来构建AI模型)，则将存在对于所有用户通用的并且在(针对特定的一组输入的)结果之间不会有意外或区别的一个AI模型(例如，与反映对应用户的机器人或伴侣个性相关联)。类似地，如果在应用深度学习技术来构建本地AI模型时应用所有用户的整个数据集，则将为每个用户生成相同的本地AI模型。

另一方面，本发明的实施方案通过过滤用于构建模型的数据(例如，用户动作、操作、行为、生物特征等)来帮助区分每个用户的本地AI模型。对作为深度学习引擎190的输入提供的或由深度学习引擎产生的习得路径、模式、对象和/或概念执行过滤。特别地，可以执行过滤(例如，通过随机过滤、选择性过滤和/或模式化过滤)。

执行过滤以构建AI模型(例如，本地AI模型和全局AI模型)，而不牺牲本地或全局AI模型的质量。也就是说，提供了足够的数据来通过深度学习构建每个个性化的本地AI模型，同时还提供了足够的数据来构建一个或多个全局AI模型。以这种方式对数据进行过滤，以区分为对应用户提供服务的伴侣的每个本地AI模型的数据集。以这种方式，可以构建对于对应用户个性化的本地AI模型，其中本地AI模型为伴侣定义了反映对应用户的个性。特别地，每个本地AI模型都能够与一组特定的输入(例如，由用户体验或由用户驱动的场景)相关联地，部分预测用户的响应、动作、行为、欲望和/或需求。

如图8A所示，本地AI模型120包括与对应用户有关的针对给定的一组输入和/或输入数据(例如，用户体验或驱动的场景)的习得路径和/或习得模式。如前所述，用户输入数据可以与任何动作、特性、生物特征、响应、行为等有关，这可能有助于定义本地AI模型应如何部分地对某些输入作出响应。可以被动地或主动地(例如，用户对查询作出响应)监测该数据。这样，对应用户的本地AI模型能够部分地，尤其是在用户体验或驱动的给定环境或场景中，针对给定的一组输入，预测用户的响应、动作、行为、欲望和/或需求。

如图所示，本地AI模型120包括也包括在全局AI模型130内的习得路径和/或习得模式。例如，位于区域804中的习得路径和/或习得模式可以在本地AI模型120和全局AI模型130中找到。如果没有更多区别，本地AI模型120将具有与全局AI模型130相同的个性。如前所述，通过对作为深度学习引擎190的输入提供的或由深度学习引擎产生的习得路径、模式、对象和/或概念的随机、选择性和/或模式化过滤来生成个性。这样，用于构建本地AI模型的数据集将与用于构建全局AI模型的数据集不同，从而导致习得路径和模式不同。在一种情况下，本地AI模型120包括在全局AI模型130中找到的一组已过滤的习得路径和/或习得模式。也就是说，本地AI模型120不包括在区域807中找到的习得路径和/或习得模式，其中那些习得路径和/或模式在全局AI模型130内使用。这样，在构建AI模型时，限制全局知识库(例如，通过限制区域807中的路径/模式的使用)可增强实现的深度学习或AI技术的求知欲。

此外，本地AI模型120还包括在全局AI模型130中找不到的习得路径和/或习得模式。特别地，位于区域805中的习得路径和/或习得模式在本地AI模型120中能找到，而在全局AI模型130中找不到。另外，用于构建第一用户的第一本地AI模型的数据集将不同于用于构建第二用户的第二本地AI模型的数据集。在那种情况下，第一用户的第一自主个人伴侣的个性将不同于第二用户的第二自主个人伴侣的个性。

另外，可以使用本地化到对应伴侣的数据来生成用户的私有AI模型810。由伴侣捕获的监测到的私有数据也通过本地AI引擎110处理，以构建私有AI模型810。也就是说，私有数据保持私有并且被局限在伴侣100的边界内。例如，私有数据不通过网络传递到其他装置。这样，私有AI模型810也不被传递到后端服务器140进行存储。在一个实施方案中，私有AI模型810是本地AI模型120的扩展。例如，位于区域811中的习得路径和/或习得模式在私有AI模型810中能找到，而在本地AI模型120中找不到。也就是说，用于构建私有AI模型的数据集与用于构建本地AI模型的数据集不同。在某种程度上，通过私有AI模型实现的伴侣的个性与通过本地AI模型实现的个性是不同的，并且可能会有很大的不同。

在一个实施方案中，当为“相似”用户构建本地AI模型时，从这些相似用户收集的数据可以用作基础，从而由对应的本地AI模型定义的任何一种个性都不会超出这些用户的期望。这样，将从相似用户收集的或与相似用户相关联的数据用于构建对应用户的本地AI模型会有助于限制本地AI模型的边界，使得该模型不会变得如此独特以至于离用户的期望太远(例如，变得过于特别以至于不再类似任何可识别的个性)。以这种方式，本地AI模型可以使向对应用户提供服务的对应伴侣富有个性。本地AI模型反映了用户的特性，使得本地AI模型可以部分地针对给定的一组输入，预测用户的响应、动作、行为、欲望和/或需求。

在另一个实施方案中，因为用于构建本地AI模型的数据集与用于构建全局AI模型的数据集不同，所以每个AI模型都将具有用于构建各自的AI模型的不同知识库。如前所述，在执行深度学习以构建AI模型时，限制全局知识库可增强求知欲。特别地，由于知识库不同，因此在应用深度学习或AI来构建本地AI模型时，将与构建全局AI模型时执行一组不同的查询。也就是说，第一组查询将用于构建本地AI模型，第二组查询将用于构建全局AI模型。这将导致与本地AI模型和全局AI模型相关联的不同个性，并且将导致与不同用户的本地AI模型相关联的不同个性。

在一个实施方案中，第一用户可以使用为不同用户(例如，第二用户)配置的伴侣。例如，第一用户可以对伴侣进行试用，以查看该伴侣的个性(针对不同用户(例如，第二用户)而训练)是否也符合第一用户的喜好、愿望、欲望和/或需求。第一用户可以在选择要在其伴侣中实现的特定个性之前对任意数量的个性进行采样。通过对应的本地AI模型实现的该个性可以提供基本的AI模型，来自基本的AI模型中的其他特征被包括在更新后的本地AI模型中，从而进一步塑造个性以反映第一位用户。

图8B示出了根据本公开的一个实施方案的在对应用户的本地AI模型120内定义的层次结构中的各种分支，其中每个分支都可以通向用户的子AI模型。也就是说，分支末端的叶节点可以定义用户的特定子AI模型，其中子AI模型针对描述由用户体验或驱动的特定场景的一组特定输入而定义习得路径和/或模式。尽管图8B示出了示例性层次结构，但是其他实施方案支持各种其他层次结构配置，其中包括各层的混合、生成子层、在各层之间共享节点等。

特别地，本地AI模型120包括根层820，所述根层定义与模型层次结构的下级节点中找到的任何子AI模型一致的习得路径和/或模式。例如，根层820可以为本地AI模型120提供构建子AI模型所基于的基础个性和/或基础知识。

该模型层次结构在根层820之下包括多个层，所述多个层可以进一步定义如本地AI模型120所反映的个性。例如，第二层830可以定义用户的各种兴趣。第二层830示出了用户的个性的不同方面，诸如烹饪个性或杂务工个性。特别地，节点831可以定义与用户感兴趣的信息相关联的习得路径和/或模式；节点832可以定义与用户感兴趣的烹饪场景相关联的习得路径和/或模式；节点833可以定义与用户的各种游戏兴趣相关联的习得路径和/或模式；节点834可以定义与用户感兴趣的放松技术相关联的习得路径和/或模式；节点835可以定义与用户感兴趣的各种烹饪主题相关联的习得路径和/或模式；节点836可以定义与用户感兴趣的各种改造或建筑主题相关联的习得路径和/或模式。为了说明，示出了第二层830中的节点，并且在本地AI模型120的层次结构内支持其他节点。

第二层830中的每个节点都可以包括通向下级节点的附加分支，下级节点进一步定义了本地AI模型120所反映的个性。为了简洁和清楚起见，并未示出所有分支。然而，为了说明，游戏节点833被示为包括各种下级层。例如，第三层840可以包括另外的节点，这些另外的节点进一步定义了游戏节点833所反映的游戏个性。特别地，叶节点841可以定义与关于互联网游戏(例如，在线扑克、社交网络游戏等)的场景相关联的习得路径和/或模式。可以与互联网游戏节点841相关联地定义各种其他下级分支和/或节点。另外，叶节点843可以定义与关于逻辑游戏(例如，填字游戏、国际象棋、围棋等)的场景相关联的习得路径和/或模式。而且，叶节点842可以定义与关于第1人称射击游戏(例如，通过通常涉及基于武器的格斗或近身格斗的第一人称视角示出的视频游戏)的场景相关联的习得路径和/或模式。

如图所示，其他分支和/或节点可以进一步定义第1人称射击游戏叶节点842所反映的个性。例如，节点851可以定义与关于用户特别感兴趣的第1人称射击游戏辐射4(Fallout 4)的场景相关联的习得路径和/或模式。作为说明，用户可能先前已请求帮助来通过游戏应用程序中的特定级别。习得路径和/或模式可以与所提供的协助以及用于通过用户遇到的更高级别的游戏应用程序的预期协助相关联。

图9A示出了根据本公开的一个实施方案的针对对应用户可能监测到的不同类型的数据。如前所述，数据可以与用户的任何动作、特性、生物特征、响应、行为、感官数据等有关，这可能有助于定义对应用户的本地AI模型应如何部分地对某些输入作出响应。可以被动地或主动地(例如，用户对查询作出响应)监测该数据。另外，该数据还由深度学习引擎(例如，引擎190)用于构建AI模型。这样，对应用户的本地AI模型能够部分地，尤其是在用户体验或驱动的给定环境或场景中，针对给定的一组输入，预测用户的响应、动作、行为、欲望和/或需求。

如图所示，用户数据910包括一种或多种类型的数据，其中示出了四种类别，但是可以定义更多种。四种类别的用户数据910包括客观用户数据920、主观用户数据930、本地化的主观用户数据935和私有用户数据940。用户数据910被输入到深度学习引擎中以构建全局AI模型130、对应用户的本地AI模型120以及那些AI模型的任何派生物。

特别地，客观数据920与多个用户的各种动作、响应、行为等相关联。收集客观数据并将客观数据与后端服务器140的深度学习引擎190共享(例如，共享到云)以形成共享智能池，然后可将客观数据用于构建全局AI模型130以及任何其派生物。

另外，用户数据910还包括主观用户数据930，该主观用户数据用于使自主个人伴侣富有独特的个性，其中伴侣与特定用户相关联。也就是说，与特定用户相关联的主观用户数据930在构建本地AI模型时被用于个性化学习或训练，如通过对应伴侣而实现，其中当向对应用户提供服务时，伴侣具有独特的个性。伴侣的个性可能反映对应用户，使得定义该个性的本地AI模型被配置为，针对任何给定的一组输入(例如，先前遇到的一组输入或推测的一组输入)，部分地预测对应用户的响应、动作、行为、欲望和/或需求。

在一个实施方案中，出于构建对应用户的对应本地AI模型120的目的，与后端服务器140共享主观用户数据。主观用户数据不被进一步共享来构建全局AI模型130，或用于构建任何其他用户的任何本地AI模型。这样，主观用户数据可以被传递到后端服务器，以便更好地利用资源。例如，使用后端服务器上的主观用户数据来构建本地AI模型可能更高效，因为在本地级别(例如在伴侣100上)执行AI操作在计算上可能太昂贵。

此外，用户数据910还包括本地化的主观用户数据935，所述本地化的主观用户数据用于构建先前介绍的私有AI模型(例如，模型810)。本地化的主观用户数据935不通过网络共享，例如，不共享到后端服务器140；而是局限于或本地化到伴侣100的边界内。以此方式，本地化的主观用户数据935以及至少一部分主观用户数据930可以用于使用伴侣100上的深度学习引擎(例如，引擎110)来构建私有AI模型。私有AI模型实现了伴侣的独特个性，该个性不共享到伴侣之外，使得个性是唯一的，并且无法被镜像复制或用于构建任何其他本地或全局AI模型。

另外，用户数据910包括私有用户数据940。此数据不用于构建任何本地或全局AI模型。在一个实施方案中，私有用户数据被自动标识。在另一个实施方案中，通过用户动作来标识私有用户数据。例如，用户可以向对应伴侣100提供将特定的数据项标记为安全的指令。然而，在一个实施方案中，该数据被标识为私有数据940，不通过网络共享安全数据。另外，自动地或者通过用户指令从伴侣的存储器中移除私有数据940，自动移除时可以对私有数据进行备份。

图9B示出了根据本公开的一个实施方案的使用图9A中介绍的不同类型的用户数据来构建各种AI模型的方式。特别地，图9B示出了各种类别的用户数据910在后端服务器140和伴侣100之间的共享。例如，本地AI引擎110可以在对应用户的伴侣100处实现，以构建和/或实现本地AI模型、私有AI模型和/或全局AI模型。另外，AI引擎190可以在后端服务器140处实现，例如，用于构建和/或实现本地AI模型和/或全局AI模型。

还示出了各种监测到的用户数据910。诸如通过对应伴侣100来监测与对应用户相关联的用户数据。数据910包括客观用户数据920(用于构建全局AI模型130)、主观用户数据930(例如用于构建本地AI模型120)、本地化的主观用户数据935(例如用于构建私有AI模型810)和私有用户数据940(例如，不用于构建任何AI模型)。

例如，可以在伴侣100处监测私有用户数据940。然而，由于数据是私有的，因此不会用作构建任何本地AI引擎或全局AI引擎的输入数据。这由私有用户数据940流动时所沿的不连续路径941和942(例如，不到达AI引擎190并且不到达AI引擎110)指示。另外，私有用户数据940还可以从伴侣100中被移除(例如，从存储器中擦除)。

另外，在伴侣处监测与用户相关联的客观用户数据920。沿着路径921与后端AI引擎190共享客观用户数据920，以构建全局AI模型130。特别地，客观用户数据920与来自多个用户的多个用户数据990组合，并输入到AI引擎190中，以构建全局AI模型130。全局AI模型130或其派生物(例如，全局AI'模型130')可以沿着路径991转移到伴侣100。

客观用户数据920还可以沿着路径922与后端AI引擎190共享，以构建本地AI模型120。另外，如路径992所示，全局AI模型130的一些部分可以用于在AI引擎190中构建本地AI模型120。可以沿着路径993和995将本地AI模型120或其派生物(例如，本地AI'模型120')转移到伴侣100。应当理解，伴侣100和后端服务器140处的AI引擎可以协作以构建本地AI模型120及其任何派生物120′。例如，客观用户数据920也可以沿着路径923和924与伴侣100处的AI引擎110共享，以构建本地AI模型120或其派生的本地AI'模型120'。

如先前所描述，还在伴侣100处监测与用户相关联的主观用户数据930。为了构建本地AI模型120，可以沿着路径931与后端AI引擎190共享主观用户数据930。也就是说，本地AI模型120部分地使用来自用户的客观数据以及来自多个用户的客观数据来构建(例如，通过导入全局AI模型130的一些部分)。另外，主观用户数据930可以沿着路径993和934在伴侣100的AI引擎110处实现，以构建本地AI模型120或其派生物120'的至少一部分。如图所示，主观用户数据930不用于构建全局AI模型130，其由不连续路径932指示。

另外，如先前所述，还在伴侣100处监测与用户相关联的本地化的主观用户数据935。然而，因为本地化的主观用户数据被局限在伴侣100的边界内，所以本地化的主观用户数据不被用作构建本地AI模型120的输入数据，这由不连续的路径937(例如，未到达后端服务器140处的AI引擎190)指示。另一方面，为了构建私有AI模型810，在伴侣100的AI引擎110内实现本地化的主观用户数据935。特别地，主观用户数据930(例如，沿着路径933和936)与本地化的主观用户数据935(例如，沿着路径938)组合，并且可以使用沿着路径993和994传递的本地AI模型120的至少一部分来构建私有AI模型810。

根据本公开的一个实施方案，通过对通过网络通信的一个或多个AI引擎的各种模块的详细描述，图10的流程图1000公开了一种用于构建全局AI模型和本地AI模型以由向对应用户提供服务的自主个人伴侣来实现的方法。流程图1000可以在先前描述的伴侣100内(例如，在AI引擎190内)和/或先前描述的后端服务器140(例如，在AI引擎110内)实现。

特别地，在1010，该方法包括访问与用户的监测到的行为有关的数据，其中行为包括与用户有关的任何动作、响应、情绪、无动作、外观、生物特征等。例如，数据包括游戏控制器输入、计算机输入、计算机操作、文本查询、文本响应、口头查询、口头响应、身体暗示、生物特征、用户动作、眼睛运动和口头交流中的至少一项。数据可以由与用户相关联的伴侣捕获，或者由通信耦合到伴侣的任何监测***捕获。

在1020，该方法包括按类别对数据进行分类。如前所述，多个类别包括：标识与包括所述用户在内的一组用户有关的客观数据的客观数据类别，以及标识所述用户特有的主观数据的主观数据类别。另外，这些类别可以包括本地化的主观数据类别，该本地化的主观数据类别标识用户特有并且局限在伴侣100的边界内的本地化的主观数据。以这种方式，本地化的主观数据用于构建私有AI模式，而不用于构建本地AI模型120，两种模型均与用户相对应。

在一个实施方案中，多个类别中的安全数据类别标识不用于构建任何本地或全局AI模型的私有用户数据。安全数据是高度敏感的，因此，不应将其用于构建任何本地或全局AI模型。此外，安全数据不应通过网络与后端服务器上的AI引擎共享，也不应在内部与伴侣的AI引擎共享。也就是说，安全数据受到约束而不能用于构建任何本地或全局AI模型。这样，在一个实施方案中，从伴侣中移除安全数据。作为说明，安全数据可以包括可能会将用户置于任何数量的危险处境的数据。安全数据可能是高度机密的电话对话，如果被泄露或发布，可能会使用户感到尴尬。

在一个实施方案中，用户可以发送第一指令以将捕获的某些部分分类为安全数据。该指令可以在用户的伴侣处接收和/或由后端服务器接收。另外，也可以接收来自用户的第二指令。第二指令可以命令移除安全数据，从而(例如)从伴侣的存储器中删除安全数据的任何痕迹。

在1030，该方法包括访问与多个用户的监测到的行为有关的客观数据，其中所述多个用户包括上文介绍的用户，该用户与提供服务的伴侣相关联。用户的客观数据可以与被配置为从多个用户收集客观数据的后端服务器共享。以此方式，多个用户的客观数据形成共享智能的共享池，该共享智能的共享池可用于构建全局AI模型，并构建与该用户相对应的本地AI模型的至少一部分。

在1040，该方法包括将用户的客观数据、用户的主观数据和多个用户的客观数据作为第一组输入提供给深度学习引擎，所述深度学习引擎被配置为执行人工智能。如前所述，深度学习引擎实现AI技术来学习有关用户的一切事物，尤其是当用户在环境中遇到或驱动某种场景时，其中场景由输入参数描述。

在1050，该方法包括确定第一多种习得模式和/或路径，所述第一多种习得模式和/或路径在对第一组输入或第一组内的任何输入或输入组作出响应时预测用户行为。特别地，对于描述用户的环境中的场景的一组给定输入，习得模式可以部分地预测用户的响应、行为、动作、欲望和/或需求。更具体地说，在1060，该方法包括构建用户的包括第一多种习得模式的本地AI模型。

在一个实施方案中，该方法包括将多个用户的客观数据作为第二组输入提供给深度学习引擎，其中所述多个用户包括上文介绍的与伴侣相关联的用户。在一个实施方案中，第二组输入不包括所述多个用户中的任何用户的主观数据。基于第二组输入来确定第二多种习得模式。特别地，第二多种习得模式预测一般用户在响应或体验由第二组输入或输入参数描述的场景时的行为。深度学习引擎被配置为构建包括第二多种习得模式的全局AI模型。也就是说，对于描述一般用户所遇到或驱动的场景的一组给定输入，全局AI模型可用于部分地预测一般用户的响应、行为、动作、欲望和/或需求。

在又一个实施方案中，该方法包括将用户的数据的一部分分类为本地化的主观数据。也就是说，如上所述，所述多个类别包括本地化的主观数据类别。另外，将第三组输入(例如，作为输入)提供给深度学习引擎，其中所述输入包括用户的客观数据、用户的主观数据、用户的本地化的主观数据以及多个用户的客观数据。基于第三组输入来确定第三多种习得模式。特别地，第三多种习得模式预测用户在响应或体验由第三组输入或输入参数描述的特定场景时的行为。深度学习引擎被配置为构建包括第三多种习得模式的私有AI模型。也就是说，对于描述用户所遇到或驱动的如第三组输入或输入参数所描述的特定场景的一组给定输入，私有AI模型可用于部分地预测一般用户的响应、行为、动作、欲望和/或需求。

在一个实施方案中，当构建用户的本地AI模型时，不使用或限制使用本地化的主观数据。例如，用户的本地化的主观数据不共享到伴侣的边界之外。更具体地，本地化的主观数据被阻止通过耦合到伴侣的网络传递。以这种方式，在用户的本地AI模型和私有AI模型之间存在区别。这样，在伴侣处创建和存储的私有AI模型可以提供用户特有的详细个人服务，而所述服务在任何其他用户的任何其他本地AI模型中都找不到。这确保了伴侣的独特个性不会受到其他数据(甚至用户的一些主观数据)的污染或影响。

因此，在各种实施方案中，本公开描述了实现深度学习(也称为机器学习)技术以构建针对用户个性化的AI模型的***和方法。

应理解，可使用本文所公开的各种特征将本文所定义的各种实施方案组合或汇编成特定实现方式。因此，所提供的示例仅仅是一些可能的示例，而不限于通过组合各种元素以定义更多实现方式而成为可能的各种实现方式。在一些示例中，在不脱离所公开的或等效的实现方式的精神的情况下，一些实现方式可包括更少的元素。

本公开的实施方案可以用各种计算机***配置来实践，所述配置包括手持装置、微处理器***、基于微处理器的或可编程的消费性电子产品、小型计算机、大型计算机等。本公开的实施方案也可在分布式计算环境中实践，其中由通过基于有线的或无线的网络链接的远程处理装置来执行任务。

考虑到上述实施方案，应理解，本公开的实施方案可采用涉及存储在计算机***中的数据的各种计算机实现的操作。这些操作是需要对物理量进行物理操控的操作。本文所述的构成本公开的实施方案的一部分的任何操作都是有用的机器操作。本公开的实施方案还涉及用于执行这些操作的装置或设备。所述设备可出于所需目的而专门构造，或者所述设备可为由计算机中存储的计算机程序选择性地激活或配置的通用计算机。具体地讲，各种通用机器可与根据本文的教导撰写的计算机程序一起使用，或者可以更方便地构造更专用的设备来执行所需的操作。

本公开还可以体现为计算机可读介质上的计算机可读代码。计算机可读介质是可存储数据的任何数据存储装置，所述数据随后可由计算机***读取。计算机可读介质的示例包括硬盘驱动器、网络附接存储装置(NAS)、只读存储器、随机存取存储器、CD-ROM、CD-R、CD-RW、磁带和其他光学及非光学数据存储装置。计算机可读介质可包括分布在耦合网络的计算机***上的计算机可读有形介质，使得计算机可读代码以分布式方式存储和执行。

尽管按具体顺序描述了方法操作，但是应理解，可以在操作之间执行其他内务操作，或者可以调整操作以使它们在稍微不同的时间发生，或可以将操作分布于允许按与处理相关联的各种间隔发生处理操作的***中，只要以期望方式执行覆盖操作的处理即可。虽然出于清楚理解的目的相当详细地描述了前述公开内容，但应理解，可在所附权利要求的范围内实践某些改变和修改。因此，本公开的实施方案被认为是说明性的而非限制性的，并且本公开的实施方案不限于本文给出的细节，而是可以在所附权利要求的范围和等效范围内进行修改。

Claims (20)

1.一种方法，其包括：

访问与用户的监测到的行为有关的数据；

按类别对所述数据进行分类，其中多个类别包括：标识与包括所述用户在内的一组用户有关的客观数据的客观数据类别，以及标识所述用户特有的主观数据的主观数据类别；

访问与包括所述用户在内的多个用户的监测到的行为有关的客观数据；

将所述用户的客观数据、所述用户的主观数据和所述多个用户的多个客观数据作为第一组输入提供给深度学习引擎，所述深度学习引擎被配置为执行人工智能(AI)；

确定在对所述第一组输入作出响应时预测用户行为的第一多种习得模式；以及

构建所述用户的包括所述第一多种习得模式的本地AI模型。

2.如权利要求1所述的方法，其还包括：

将所述多个用户的所述客观数据作为第二组输入提供给所述深度学习引擎；

确定在对所述第二组输入作出响应时预测一般用户的行为的第二多种习得模式；以及

构建所述多个用户的包括所述第二多种习得模式的全局AI模型。

3.如权利要求2所述的方法，其还包括：

在构建所述全局AI模型时，限制所述多个用户的多个主观数据的使用。

4.如权利要求1所述的方法，其还包括：

将所述用户的所述数据的一部分分类为本地化的主观数据，其中所述多个类别包括本地化的主观数据类别；以及

将所述用户的所述客观数据、所述用户的所述主观数据、所述用户的所述本地化的主观数据和所述多个用户的所述客观数据作为第三组输入提供给所述深度学习引擎；

确定在对所述第三组输入作出响应时预测用户行为的第三多种习得模式；以及

构建所述用户的包括所述第三多种习得模式的私有AI模型。

5.如权利要求4所述的方法，其还包括：

在构建所述用户的所述本地AI模型时，限制所述本地化的主观数据的使用。

6.如权利要求6所述的方法，其还包括：

阻止所述用户的所述本地化的主观数据的网络传递。

7.如权利要求1所述的方法，其还包括：

将所述用户的所述数据的一部分分类为安全数据，其中所述多个类别包括安全数据类别；以及

在构建任何AI模型时限制所述用户的所述安全数据的使用。

8.如权利要求7所述的方法，其还包括：

从所述用户接收将所述用户的所述数据的一部分分类为安全数据的第一指令；

从所述用户接收移除所述用户的所述安全数据的第二指令；以及

删除所述安全数据的任何痕迹。

9.如权利要求1所述的方法，其中所述数据包括游戏控制器输入、计算机输入、计算机操作、文本查询、文本响应、口头查询、口头响应、身体暗示、生物特征、用户动作、眼睛运动和口头交流中的至少一项。

10.一种存储用于实现方法的计算机程序的非暂时性计算机可读介质，所述计算机可读介质包括：

用于访问与用户的监测到的行为有关的数据的程序指令；

用于按类别对所述数据进行分类的程序指令，其中多个类别包括：标识与包括所述用户在内的一组用户有关的客观数据的客观数据类别，以及标识所述用户特有的主观数据的主观数据类别；

用于访问与包括所述用户在内的多个用户的监测到的行为有关的客观数据的程序指令；

用于将所述用户的客观数据、所述用户的主观数据和所述多个用户的多个客观数据作为第一组输入提供给深度学习引擎的程序指令，所述深度学习引擎被配置为执行人工智能(AI)；

用于确定在对所述第一组输入作出响应时预测用户行为的第一多种习得模式的程序指令；以及

用于构建所述用户的包括所述第一多种习得模式的本地AI模型的程序指令。

11.如权利要求10所述的非暂时性计算机可读介质，其还包括：

用于将所述多个用户的所述客观数据作为第二组输入提供给所述深度学习引擎的程序指令；

用于确定在对所述第二组输入作出响应时预测一般用户的行为的第二多种习得模式的程序指令；以及

用于构建所述多个用户的包括所述第二多种习得模式的全局AI模型的程序指令。

12.如权利要求11所述的非暂时性计算机可读介质，其还包括：

用于在构建所述全局AI模型时限制所述多个用户的多个主观数据的使用的程序指令。

13.如权利要求10所述的非暂时性计算机可读介质，其还包括：

用于将所述用户的所述数据的一部分分类为本地化的主观数据的程序指令，其中所述多个类别包括本地化的主观数据类别；以及

用于将所述用户的所述客观数据、所述用户的所述主观数据、所述用户的所述本地化的主观数据和所述多个用户的所述客观数据作为第三组输入提供给所述深度学习引擎的程序指令；

用于确定在对所述第三组输入作出响应时预测用户行为的第三多种习得模式的程序指令；以及

用于构建所述用户的包括所述第三多种习得模式的私有AI模型的程序指令。

14.如权利要求13所述的非暂时性计算机可读介质，其还包括：

用于在构建所述用户的所述本地AI模型时限制所述本地化的主观数据的使用的程序指令。

15.如权利要求10所述的非暂时性计算机可读介质，其还包括：

用于将所述用户的所述数据的一部分分类为安全数据的程序指令，其中所述多个类别包括安全数据类别；以及

用于在构建任何AI模型时限制所述用户的所述安全数据的使用的程序指令。

16.一种计算机***，其包括：

处理器；以及

存储器，所述存储器耦合到所述处理器并在其中存储有指令，所述指令在由所述计算机***执行时，使所述计算机***执行方法，所述方法包括：

访问与用户的监测到的行为有关的数据；

按类别对所述数据进行分类，其中多个类别包括：标识与包括所述用户在内的一组用户有关的客观数据的客观数据类别，以及标识所述用户特有的主观数据的主观数据类别；

访问与包括所述用户在内的多个用户的监测到的行为有关的客观数据；

将所述用户的客观数据、所述用户的主观数据和所述多个用户的多个客观数据作为第一组输入提供给深度学习引擎，所述深度学习引擎被配置为执行人工智能(AI)；

确定在对所述第一组输入作出响应时预测用户行为的第一多种习得模式；以及

构建所述用户的包括所述第一多种习得模式的本地AI模型。

17.如权利要求16所述的计算机***，其中所述方法还包括：

将所述多个用户的所述客观数据作为第二组输入提供给所述深度学习引擎；

确定在对所述第二组输入作出响应时预测一般用户的行为的第二多种习得模式；以及

构建所述多个用户的包括所述第二多种习得模式的全局AI模型。

18.如权利要求17所述的计算机***，其中所述方法还包括：

在构建所述全局AI模型时，限制所述多个用户的多个主观数据的使用。

19.如权利要求16所述的计算机***，其中所述方法还包括：

将所述用户的所述数据的一部分分类为本地化的主观数据，其中所述多个类别包括本地化的主观数据类别；以及

将所述用户的所述客观数据、所述用户的所述主观数据、所述用户的所述本地化的主观数据和所述多个用户的所述客观数据作为第三组输入提供给所述深度学习引擎；

确定在对所述第三组输入作出响应时预测用户行为的第三多种习得模式；以及

构建所述用户的包括所述第三多种习得模式的私有AI模型。

20.如权利要求19所述的计算机***，其中所述方法还包括：

在构建所述用户的所述本地AI模型时，限制所述本地化的主观数据的使用。

Images