AI創(chuàng)新或觸發(fā)“機(jī)器人網(wǎng)絡(luò)效應(yīng)”，促進(jìn)機(jī)器人技術(shù)加速發(fā)展
據(jù)外媒報(bào)道，任何考慮過擴(kuò)展業(yè)務(wù)或構(gòu)建網(wǎng)絡(luò)的人都應(yīng)該熟悉所謂的網(wǎng)絡(luò)效應(yīng)。例如，使用eBay等平臺的買家和賣家越多，它就會顯得越有用。數(shù)據(jù)網(wǎng)絡(luò)效應(yīng)是一種動態(tài)效應(yīng)，隨著使用這種服務(wù)的增多，實(shí)際上也有助于改善服務(wù)本身，比如隨著接受的訓(xùn)練數(shù)據(jù)增多，機(jī)器學(xué)習(xí)模型通常會變得更加精確。
無人駕駛汽車和其他智能機(jī)器人依靠傳感器來產(chǎn)生越來越多、高度變化的數(shù)據(jù)。這些數(shù)據(jù)被用來構(gòu)建更好的AI模型，而機(jī)器人依靠這些模型做出實(shí)時決策，并在現(xiàn)實(shí)環(huán)境中導(dǎo)航。作為當(dāng)今智能機(jī)器人的核心，傳感器和AI相融合正產(chǎn)生良性的反饋回路，或者我們所說的機(jī)器人網(wǎng)絡(luò)效應(yīng)。我們目前正處于機(jī)器人網(wǎng)絡(luò)效應(yīng)臨界點(diǎn)的邊緣，這將大幅加速機(jī)器人技術(shù)的發(fā)展。
AI快速發(fā)展
為了理解機(jī)器人為什么是AI的下一個前沿，我們需要退后一步，首先了解AI是如何進(jìn)化的。近年來發(fā)展起來的機(jī)器智能系統(tǒng)能夠利用大量的數(shù)據(jù)，而這些數(shù)據(jù)在20世紀(jì)90年代中期還不存在，那時的互聯(lián)網(wǎng)還處于初級階段。存儲和計(jì)算技術(shù)的進(jìn)步，使快速、廉價地存儲和處理大量數(shù)據(jù)成為可能。但這些工程的改進(jìn)無法解釋AI迅速發(fā)展的原因。
開源機(jī)器學(xué)習(xí)庫和框架扮演了安靜但同樣重要的角色。15年前，工業(yè)機(jī)器人維修，當(dāng)科學(xué)計(jì)算框架Torch在BSD開放源碼許可下發(fā)布時，它包含了許多數(shù)據(jù)科學(xué)家常用的算法，比如深度學(xué)習(xí)、多層感知器、支持向量機(jī)和K-近鄰算法（K-nearestneighbors）等。
最近，像TensorFlow和PyTorch這樣的開源項(xiàng)目為這個共享知識庫做出了寶貴的貢獻(xiàn)，幫助具有不同背景的軟件工程師開發(fā)新的模型和應(yīng)用。領(lǐng)域?qū)＜倚枰罅康臄?shù)據(jù)來創(chuàng)建和培訓(xùn)這些模型。大型企業(yè)有很大的優(yōu)勢，因?yàn)樗鼈兛梢岳矛F(xiàn)有的數(shù)據(jù)網(wǎng)絡(luò)效應(yīng)。
傳感器數(shù)據(jù)和處理能力
激光雷達(dá)（lidar）傳感器自上世紀(jì)60年代初就已經(jīng)存在，它們已經(jīng)被應(yīng)用在地理、考古、林業(yè)、大氣研究、國防和其他領(lǐng)域中。近年來，激光雷達(dá)成為無人駕駛導(dǎo)航的首選傳感器。谷歌（微博）無人駕駛車輛上的激光雷達(dá)傳感器每秒可產(chǎn)生750MB數(shù)據(jù)，8部車載計(jì)算機(jī)視覺攝像頭每秒可以產(chǎn)生另外1.8GB數(shù)據(jù)。所有這些數(shù)據(jù)都必須被實(shí)時處理，庫卡機(jī)器人何服電機(jī)維修，但是集中式計(jì)算（云端）對處理實(shí)時高速的運(yùn)算來說還不夠快。為了解決這個瓶頸，我們開始開發(fā)邊緣計(jì)算。而在機(jī)器人身上，我們則采用車載計(jì)算。
目前大多數(shù)無人駕駛汽車的解決方案是使用兩個車載盒子，每個都配備了英特爾XeonE5CPU和4到8個NvidiaK80GPU加速器。在達(dá)到最高性能時，這要消耗超過5000瓦的電力。最近的硬件創(chuàng)新，如Nvidia的新驅(qū)動器PXPegasus，可以支持每秒320萬億次計(jì)算操作，開始更有效地解決這一瓶頸。
AI突破
我們能夠同時處理傳感器數(shù)據(jù)和融合各種數(shù)據(jù)的能力，將繼續(xù)推動智能機(jī)器人的進(jìn)化。為了讓這種傳感器融合實(shí)時發(fā)生，我們需要將機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型置于邊緣計(jì)算中。當(dāng)然，分散式AI增加了分散式處理器的需求。
幸運(yùn)的是，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)計(jì)算正在變得更加高效。舉例來說，Graphcore的智能處理單元（IPU）和谷歌的張量處理單元（TPU）成本正在下降，并在大規(guī)模加速神經(jīng)網(wǎng)絡(luò)的性能。
在其他領(lǐng)域，IBM正在開發(fā)模仿大腦解剖學(xué)的神經(jīng)形態(tài)芯片。其原型使用100萬個神經(jīng)元，庫卡機(jī)器人驅(qū)動器維修，每個神經(jīng)元有256個突觸。這個系統(tǒng)特別適合解釋感覺數(shù)據(jù)，因?yàn)樗脑O(shè)計(jì)是為了模仿人類大腦對感知數(shù)據(jù)的解釋和分析。所有這些來自傳感器的數(shù)據(jù)結(jié)果表明，我們正處于機(jī)器人網(wǎng)絡(luò)效應(yīng)的邊緣，這一轉(zhuǎn)變將對AI、機(jī)器人技術(shù)及其各種應(yīng)用產(chǎn)生巨大影響。
新的數(shù)據(jù)世界
機(jī)器人網(wǎng)絡(luò)效應(yīng)將使新技術(shù)和機(jī)器不僅能更快地處理更多數(shù)據(jù)，而且還能擴(kuò)展數(shù)據(jù)的種類。新的傳感器將能夠探測和捕捉我們可能根本未曾考慮到的數(shù)據(jù)，因?yàn)槿祟惖母兄芰τ邢蕖C(jī)器和智能設(shè)備將把豐富的數(shù)據(jù)貢獻(xiàn)給云端和鄰近的代理，通知決策，增強(qiáng)協(xié)調(diào)，并在持續(xù)的模型改進(jìn)中扮演重要角色。
這些進(jìn)步比許多人意識到的要快得多。例如，Aromyx使用受體和先進(jìn)的機(jī)器學(xué)習(xí)模型來建立傳感器系統(tǒng)以及一個數(shù)字捕捉、索引和搜索氣味以及味道數(shù)據(jù)的平臺。該公司的EssenceChip是一種一次性傳感器，可以輸出人類鼻子或舌頭在聞到或品嘗食物或飲料時發(fā)出的相同生化信號。OpenBionics正在開發(fā)機(jī)器人假體，它依賴于從手臂套內(nèi)嵌入的傳感器收集的觸覺數(shù)據(jù)來控制手掌和手指的動作。這種非入侵性設(shè)計(jì)利用機(jī)器學(xué)習(xí)模型將電極上的精細(xì)肌肉張力轉(zhuǎn)化為仿生手的復(fù)雜運(yùn)動反應(yīng)。
傳感器數(shù)據(jù)將有助于推動AI的發(fā)展。AI系統(tǒng)將同時擴(kuò)展我們處理數(shù)據(jù)的能力，并發(fā)現(xiàn)這些數(shù)據(jù)的創(chuàng)造性用途。在其他方面，這將激發(fā)新的機(jī)器人形態(tài)因素，能夠收集更廣泛的數(shù)據(jù)模式。隨著我們以新的方式看到我們的能力進(jìn)化，日常世界正迅速成為技術(shù)發(fā)現(xiàn)的下一個偉大前沿。