在經(jīng)濟(jì)學(xué)中，有一個(gè)名詞叫作“網(wǎng)絡(luò)效應(yīng)”，它意味著，當(dāng)更多消費(fèi)者使用某產(chǎn)品時(shí)，其產(chǎn)品本身的價(jià)值也會(huì)隨著消費(fèi)者數(shù)量的增加而增加。例如，像淘寶和今日頭條這樣的平臺(tái)，使用者的數(shù)量越多，其平臺(tái)獲得的數(shù)據(jù)也就越多，而機(jī)器學(xué)習(xí)模型可以通過(guò)越來(lái)越多的數(shù)據(jù)訓(xùn)練得到更加精確的模型，給客戶(hù)帶來(lái)更好的體驗(yàn)，簡(jiǎn)單的說(shuō)，越來(lái)越多的“網(wǎng)絡(luò)效應(yīng)”在目前的互聯(lián)網(wǎng)中出現(xiàn)，其背后的原理，便是人工智能技術(shù)。

　　在人工智能技術(shù)的研究中，本身也存在著一定的“網(wǎng)絡(luò)效應(yīng)”。隨著人工智能技術(shù)的發(fā)展，此前并不能完全應(yīng)用到的傳感器及其他技術(shù)都被充分利用在自動(dòng)駕駛和機(jī)器人的研究中。

　　自動(dòng)駕駛汽車(chē)和其他智能機(jī)器人都依賴(lài)于傳感器，這些傳感器能產(chǎn)生許多高度變化的數(shù)據(jù)，用于構(gòu)建更好的人工智能模型，而機(jī)器人需要依靠這些模型進(jìn)行實(shí)時(shí)決策，并在真實(shí)環(huán)境中進(jìn)行導(dǎo)航。

　　如今，傳感器和人工智能的融合在智能機(jī)器人的核心上，產(chǎn)生了一個(gè)良性的反饋循環(huán)，或者我們可以稱(chēng)之為“機(jī)器人網(wǎng)絡(luò)效應(yīng)”。我們目前正處于引爆這一網(wǎng)絡(luò)效應(yīng)的臨界點(diǎn)，并改變機(jī)器人技術(shù)。

　　快速發(fā)展的人工智能硬件，離不開(kāi)傳感器的支持

　　要理解為什么機(jī)器人技術(shù)是人工智能的下一個(gè)前沿，我們要退后一步，先理解人工智能本身是如何演變的。

　　近年來(lái)，不斷發(fā)展的機(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)在上世紀(jì)90年代中期還沒(méi)有出現(xiàn)，當(dāng)時(shí)的互聯(lián)網(wǎng)也還處于起步階段。存儲(chǔ)和計(jì)算的進(jìn)步讓快速且可負(fù)擔(dān)地處理大量數(shù)據(jù)成為可能。但是這些工程的改進(jìn)并不能解釋人工智能的快速發(fā)展。

　　開(kāi)源機(jī)器學(xué)習(xí)庫(kù)和框架扮演了一個(gè)重要的角色。15年前，當(dāng)科學(xué)計(jì)算框架Torch在BSD開(kāi)源許可下發(fā)布時(shí)，它包含了許多數(shù)據(jù)科學(xué)家常用的算法，包括深度學(xué)習(xí)、多層感知器、支持向量機(jī)以及K-臨近算法(KNN:K-Nearest Neighbors)。

　　最近，像TensorFlow和PyTorch這樣的開(kāi)源項(xiàng)目已經(jīng)為這個(gè)共享知識(shí)庫(kù)做出了巨大的貢獻(xiàn)，以幫助不同背景的軟件工程師開(kāi)發(fā)新的模型和應(yīng)用序。領(lǐng)域?qū)＜倚枰罅康臄?shù)據(jù)來(lái)創(chuàng)建培訓(xùn)這些模型。所以，大型企業(yè)擁有絕對(duì)的優(yōu)勢(shì)，因?yàn)樗鼈兛梢岳矛F(xiàn)有的數(shù)據(jù)網(wǎng)絡(luò)效應(yīng)。

　　傳感器神奇的數(shù)據(jù)處理能力

　　自20世紀(jì)60年代初以來(lái)，光探測(cè)和測(cè)距(激光雷達(dá))傳感器已經(jīng)存在。自此以后，它們就被應(yīng)用于地理信息學(xué)、考古學(xué)、林業(yè)、大氣研究、國(guó)防和其他工業(yè)領(lǐng)域。近年來(lái)，激光雷達(dá)成為了自主導(dǎo)航的首選傳感器。

　　谷歌自動(dòng)駕駛汽車(chē)上的激光雷達(dá)傳感器每秒可產(chǎn)生750MB的數(shù)據(jù)。機(jī)載的8臺(tái)計(jì)算機(jī)視覺(jué)攝像機(jī)每秒鐘能產(chǎn)生1.8 GB的數(shù)據(jù)。所有這些數(shù)據(jù)都必須實(shí)時(shí)處理，但集中計(jì)算(在云計(jì)算中)對(duì)于實(shí)時(shí)、高速度的情況來(lái)說(shuō)是不夠快的。為了解決這個(gè)瓶頸，科學(xué)家通過(guò)將處理推到邊緣，或者，在機(jī)器人上，來(lái)分散計(jì)算。

　　目前，大多數(shù)自動(dòng)駕駛汽車(chē)的解決方案是使用兩個(gè)車(chē)載“盒子”，每個(gè)“盒子”都配備了英特爾的Xeon E5 CPU和4到8個(gè)Nvidia K80 GPU加速器。在峰值性能方面，這消耗了超過(guò)5000W的電力。最近的硬件創(chuàng)新，如Nvidia全新的Drive PX Pegasus，可以每秒進(jìn)行320萬(wàn)億次計(jì)算操作，它正開(kāi)始更有效地解決這一瓶頸。

　　人類(lèi)既能處理傳感器數(shù)據(jù)，又能融合各種數(shù)據(jù)形式的能力，將繼續(xù)推動(dòng)智能機(jī)器人的發(fā)展。為了使傳感器融合能夠?qū)崟r(shí)發(fā)生，人類(lèi)需要將機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型放在邊緣。當(dāng)然，分散式人工智能對(duì)分散式處理器也有一定的要求。

　　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。比如，Graphcore的智能處理單元(IPU)和谷歌的張量處理單元(TPU)，正在降低成本，并在規(guī)模上加快神經(jīng)網(wǎng)絡(luò)的性能。

　　在其他方面，IBM正在開(kāi)發(fā)模仿大腦解剖的神經(jīng)形態(tài)芯片。原型使用一百萬(wàn)個(gè)神經(jīng)元，每個(gè)神經(jīng)元有256個(gè)突觸。這個(gè)系統(tǒng)可以有效解釋感官數(shù)據(jù)，因?yàn)樗脑O(shè)計(jì)近似人類(lèi)大腦對(duì)知覺(jué)數(shù)據(jù)的解讀和分析。

　　所有來(lái)自傳感器的數(shù)據(jù)結(jié)果意味著，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(duì)人工智能、機(jī)器人技術(shù)以及它們的各種應(yīng)用產(chǎn)生重大影響。

　　人工智能技術(shù)突破下的一個(gè)新的數(shù)據(jù)世界

　　機(jī)器人網(wǎng)絡(luò)效應(yīng)讓新技術(shù)和機(jī)器不僅能夠處理更大的數(shù)據(jù)量和速度，還能擴(kuò)大數(shù)據(jù)的多樣性。新的傳感器將能夠檢測(cè)和捕獲人類(lèi)可能沒(méi)有想到的數(shù)據(jù)，因?yàn)槿祟?lèi)的感知是有限的。機(jī)器和智能設(shè)備可以把數(shù)據(jù)反饋到云端和鄰近的代理上，為決策提供信息，加強(qiáng)協(xié)調(diào)，并在持續(xù)的模型改進(jìn)中發(fā)揮重要作用。

　　這些進(jìn)步比許多人的意識(shí)要快得多。舉個(gè)例子， Aromyx利用受體和先進(jìn)的機(jī)器學(xué)習(xí)模型來(lái)建立傳感器系統(tǒng)，是一個(gè)用于數(shù)字捕捉，索引以及搜尋氣味和味覺(jué)數(shù)據(jù)的平臺(tái)。該公司的EssenceChip是種一次性傳感器，當(dāng)人類(lèi)聞到或品嘗食物或飲料時(shí)，它可以輸出與人類(lèi)鼻子或舌頭發(fā)送到大腦相同的生化信號(hào)。

　　Open Bionics正在開(kāi)發(fā)一套機(jī)器人假肢，它依靠臂內(nèi)的傳感器收集的觸覺(jué)數(shù)據(jù)來(lái)控制手和手指的運(yùn)動(dòng)。這種非侵入式設(shè)計(jì)利用了機(jī)器學(xué)習(xí)模型，將電極感受到的細(xì)肌肉張力轉(zhuǎn)化為仿生手的復(fù)雜運(yùn)動(dòng)反應(yīng)。

　　傳感器數(shù)據(jù)將有助于推動(dòng)人工智能的發(fā)展。人工智能系統(tǒng)將同時(shí)擴(kuò)展人類(lèi)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，這也會(huì)激發(fā)新的機(jī)器人形態(tài)因素，收集更廣泛的數(shù)據(jù)形式。當(dāng)我們以新的方式提升“看”的能力時(shí)，日常世界就會(huì)迅速成為下一個(gè)偉大的發(fā)現(xiàn)領(lǐng)域。