我想制作一个AI机器人，它只能理解四个单词：“上”、“下”、“左”、“右”。

我的朋友制作了一个Python脚本，通过语音执行一些任务，比如说“YouTube”，Chrome浏览器就会打开youtube.com的网址。但系统很慢，因为他们使用了Google助手/AI来处理语音，这让我感到不耐烦。

然后我想到，如果有一个离线的AI系统，只理解几个单词，我们可以得到一些期望的结果，而且速度会非常快。

例如：我有一辆遥控车，我想让它通过语音控制，当我说“上”时，车应该向前移动，同样，“下”->向后，“左”->向左，“右”->向右，“其他任何声音”->闪烁LED灯以表示系统未能理解

所以：

我应该如何开始？
我应该如何训练AI机器人？
我的需求是什么？
还有其他我应该知道的事情。

回答：

你应该如何开始：阅读；-) 或者我推荐你参加Coursera上的深度神经网络课程。你的问题非常宽泛。

一个针对你问题的临时方法——应该有效——可以是从足够长以包含你的单词但不更长的样本中提取音频频谱。有了这些信息，你可以训练一个卷积神经网络——我会先尝试1D卷积。