傳感器的性質使智能機器人的發(fā)展到達“臨界點”

現(xiàn)在我們都對AI很熟悉了，也知道算法的完善離不開海量的數(shù)據(jù)。數(shù)據(jù)量越大，算法給出的結果可能就越精準，越“如人意”。人對世界的感知，很大一部分是基于我們的感官獲取的“數(shù)據(jù)”。機器人和目前很火的無人駕駛依靠的則是來自傳感器的數(shù)據(jù)。隨著傳感器獲取和處理的數(shù)據(jù)量越來越大，智能機器人的發(fā)展也將到達一個“臨界點”。

只要是想擴展業(yè)務或建立網(wǎng)絡的人，應該對“網(wǎng)絡效應”很熟悉。例如，使用像eBay、淘寶這樣的市場平臺，買家和賣家越多，它就越完善，用處也就越大。 那么，數(shù)據(jù)的網(wǎng)絡效應指的就是，隨著服務使用的增加，服務也變得越來越完善的動態(tài)過程，比如，隨著機器學習模型訓練數(shù)據(jù)量的增加，模型得到的結果也越來越準確。

網(wǎng)絡外部性（network externality），又稱網(wǎng)絡效應（network effect）或需求方規(guī)模經(jīng)濟（demand-side economies of scale），指在經(jīng)濟學或商業(yè)中，消費者選用某項商品或服務，其所獲得的效用與“使用該商品或服務的其他用戶人數(shù)”具有相關性時，此商品或服務即被稱為具有網(wǎng)絡外部性。 最常見的例子是電話或社交網(wǎng)絡服務：采用某一種社交媒體的用戶人數(shù)越多，每一位用戶獲得越高的使用價值。

開源的機器學習庫和框架雖然看起來“沒什么動靜”，但是起到了同等重要的作用。 15年前，在科學計算框架Torch發(fā)布BSD許可證時，里面包括的許多算法現(xiàn)在的數(shù)據(jù)科學家還在使用，包括深度學習，多層感知器，支持向量機和K最近鄰算法。

軟件許可證是一種格式合同，由軟件作者與用戶簽訂，用以規(guī)定和限制軟件用戶使用軟件（或其源代碼）的權利，以及作者應盡的義務。常用的軟件許可證包括：GPL、BSD許可證、私權軟件許可證。

目前大多數(shù)自主車輛的解決方案是使用兩個車載“盒子”，每個盒子都配備Intel Xeon E5 CPU和4到8個Nvidia K80 GPU加速器。最高性能表現(xiàn)情況下，這消耗5000W以上的電力。 Nvidia新推出的Drive PX Pegasus等硬件創(chuàng)新技術也開始嘗試更有效地突破這一瓶頸。

AI發(fā)展臨界點

我們處理傳感器數(shù)據(jù)和融合各種數(shù)據(jù)模式的能力將繼續(xù)推動智能機器人的發(fā)展。為了使這種傳感器融合能實時發(fā)生，需要把機器學習和深度學習模型分散開來。當然，分散式AI對分散式處理器的要求更為復雜。

值得慶幸的是，機器學習和深度學習計算效率正不斷提高。 Graphcore的智能處理單元（IPU）和Google的張量處理單元（TPU）等成本也不斷降低，在規(guī)模上加速神經(jīng)網(wǎng)絡的性能的提高。

在其他方面，IBM正在開發(fā)模擬大腦解剖學的神經(jīng)形態(tài)晶片。芯片雛形使用一百萬個神經(jīng)元，每個神經(jīng)元有256個突觸。該系統(tǒng)特別適合于解讀感官數(shù)據(jù)，因為它的設計是模擬人類大腦解釋和分析感知數(shù)據(jù)的方式。

所有這些來自傳感器的數(shù)據(jù)，意味著我們正處于機器人網(wǎng)絡效應的臨界點，這個轉變將對人工智能，機器人及其各種應用產(chǎn)生巨大影響。

數(shù)據(jù)新世界

傳感器數(shù)據(jù)將有助于推動AI的發(fā)展。 AI系統(tǒng)也同時擴展我們處理數(shù)據(jù)的能力，并幫助我們發(fā)現(xiàn)這些數(shù)據(jù)的創(chuàng)造性用途。 除此之外，這也將激發(fā)新的機器人外形設計要素，幫助我們收集更多不同模式的數(shù)據(jù)。 當我們以新的方式提升“看”的能力時，我們周圍的看似“日常”的世界，很快就會成為下一個發(fā)現(xiàn)的前沿。