人工智能傳感器超厲害的功能，帶你進(jìn)入一個新行的數(shù)據(jù)世界！

　　在經(jīng)濟學(xué)中，有一個名詞叫作“網(wǎng)絡(luò)效應(yīng)”，它意味著，當(dāng)更多消費者使用某產(chǎn)品時，其產(chǎn)品本身的價值也會隨著消費者數(shù)量的增加而增加。例如，像淘寶和今日頭條這樣的平臺，使用者的數(shù)量越多，其平臺獲得的數(shù)據(jù)也就越多，而機器學(xué)習(xí)模型可以通過越來越多的數(shù)據(jù)訓(xùn)練得到更加精確的模型，給客戶帶來更好的體驗，簡單的說，越來越多的“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駕駛和機器人的研究中。

　　自動駕駛汽車和其他智能機器人都依賴于傳感器，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，而機器人需要依靠這些模型進(jìn)行實時決策，并在真實環(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器人的核心上，產(chǎn)生了一個良性的反饋循環(huán)，或者我們可以稱之為“機器人網(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，并改變機器人技術(shù)。

　　快速發(fā)展的人工智能硬件，離不開傳感器的支持

　　要理解為什么機器人技術(shù)是人工智能的下一個前沿，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，不斷發(fā)展的機器智能系統(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年代中期還沒有出現(xiàn)，當(dāng)時的互聯(lián)網(wǎng)也還處于起步階段。存儲和計算的進(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。

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

　　最近，像TensorFlow和PyTorch這樣的開源項目已經(jīng)為這個共享知識庫做出了巨大的貢獻(xiàn)，以幫助不同背景的軟件工程師開發(fā)新的模型和應(yīng)用序。領(lǐng)域?qū)＜倚枰罅康臄?shù)據(jù)來創(chuàng)建培訓(xùn)這些模型。所以，大型企業(yè)擁有絕對的優(yōu)勢，因為它們可以利用現(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，光探測和測距(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、國防和其他工業(yè)領(lǐng)域。近年來，激光雷達(dá)成為了自主導(dǎo)航的首選傳感器。

　　谷歌自動駕駛汽車上的激光雷達(dá)傳感器每秒可產(chǎn)生750MB的數(shù)據(jù)。機載的8臺計算機視覺攝像機每秒鐘能產(chǎn)生1.8 GB的數(shù)據(jù)。所有這些數(shù)據(jù)都必須實時處理，但集中計算(在云計算中)對于實時、高速度的情況來說是不夠快的。為了解決這個瓶頸，科學(xué)家通過將處理推到邊緣，或者，在機器人上，來分散計算。

　　目前，大多數(shù)自動駕駛汽車的解決方案是使用兩個車載“盒子”，每個“盒子”都配備了英特爾的Xeon E5 CPU和4到8個Nvidia K80 GPU加速器。在峰值性能方面，這消耗了超過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320萬億次計算操作，它正開始更有效地解決這一瓶頸。

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

　　幸運的是，機器學(xué)習(xí)和深度學(xué)習(xí)計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正在開發(fā)模仿大腦解剖的神經(jīng)形態(tài)芯片。原型使用一百萬個神經(jīng)元，每個神經(jīng)元有256個突觸。這個系統(tǒng)可以有效解釋感官數(shù)據(jù)，因為它的設(shè)計近似人類大腦對知覺數(shù)據(jù)的解讀和分析。

　　所有來自傳感器的數(shù)據(jù)結(jié)果意味著，我們正處于機器人網(wǎng)絡(luò)效應(yīng)的邊緣，這一轉(zhuǎn)變將對人工智能、機器人技術(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)突破下的一個新的數(shù)據(jù)世界

　　機器人網(wǎng)絡(luò)效應(yīng)讓新技術(shù)和機器不僅能夠處理更大的數(shù)據(jù)量和速度，還能擴大數(shù)據(jù)的多樣性。新的傳感器將能夠檢測和捕獲人類可能沒有想到的數(shù)據(jù)，因為人類的感知是有限的。機器和智能設(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)步比許多人的意識要快得多。舉個例子， Aromyx利用受體和先進(jìn)的機器學(xué)習(xí)模型來建立傳感器系統(tǒng)，是一個用于數(shù)字捕捉，索引以及搜尋氣味和味覺數(shù)據(jù)的平臺。該公司的EssenceChip是種一次性傳感器，當(dāng)人類聞到或品嘗食物或飲料時，它可以輸出與人類鼻子或舌頭發(fā)送到大腦相同的生化信號。

　　Open Bionics正在開發(fā)一套機器人假肢，它依靠臂內(nèi)的傳感器收集的觸覺數(shù)據(jù)來控制手和手指的運動。這種非侵入式設(shè)計利用了機器學(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)雜運動反應(yīng)。

　　傳感器數(shù)據(jù)將有助于推動人工智能的發(fā)展。人工智能系統(tǒng)將同時擴展人類處理數(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，這也會激發(fā)新的機器人形態(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，日常世界就會迅速成為下一個偉大的發(fā)現(xiàn)領(lǐng)域。