來源：36氪

概要：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(kuò)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。

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(jié)果可能就越精準(zhǔn)，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(jī)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(jī)器人的發(fā)展也將到達(dá)一個“臨界點”。

只要是想擴(kuò)展業(yè)務(wù)或建立網(wǎng)絡(luò)的人，應(yīng)該對“網(wǎng)絡(luò)效應(yīng)”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(luò)效應(yīng)指的就是，隨著服務(wù)使用的增加，服務(wù)也變得越來越完善的動態(tài)過程，比如，隨著機(jī)器學(xué)習(xí)模型訓(xùn)練數(shù)據(jù)量的增加，模型得到的結(jié)果也越來越準(zhǔn)確。

網(wǎng)絡(luò)外部性（network externality），又稱網(wǎng)絡(luò)效應(yīng)（network effect）或需求方規(guī)模經(jīng)濟(jì)（demand-side economies of scale），指在經(jīng)濟(jì)學(xué)或商業(yè)中，消費者選用某項商品或服務(wù)，其所獲得的效用與“使用該商品或服務(wù)的其他用戶人數(shù)”具有相關(guān)性時，此商品或服務(wù)即被稱為具有網(wǎng)絡(luò)外部性。 最常見的例子是電話或社交網(wǎng)絡(luò)服務(wù)：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。

無人駕駛車輛和其他智能機(jī)器人依賴的是傳感器，這些傳感器產(chǎn)生的海量數(shù)據(jù)量，并且越來越龐大。 獲取的數(shù)據(jù)可以被用來構(gòu)建更好的AI模型，然后機(jī)器人可以依靠這些AI模型，做出實時決策，并在真實世界、真實環(huán)境中“找到方向”。

當(dāng)今智能機(jī)器人的核心是AI與傳感器的融合，可以產(chǎn)生了良性的反饋循環(huán)——我們也可以稱之為機(jī)器人“網(wǎng)絡(luò)效應(yīng)”。目前，我們正處于引爆這一網(wǎng)絡(luò)效應(yīng)、徹底改變機(jī)器人的臨界點。

AI的快速演變

人工智能的下一個探索領(lǐng)域是機(jī)器人技術(shù)，如果你想知道這背后的原因，那你得先了解了解人工智能本身是如何演變的。

近年發(fā)展起來的機(jī)器智能系統(tǒng)能夠利用海量的數(shù)據(jù)，但在上世紀(jì)90年代中期，根本還沒有這些數(shù)據(jù)，互聯(lián)網(wǎng)也還處于起步階段。 隨著存儲和計算方面的進(jìn)步的出現(xiàn)，快速，經(jīng)濟(jì)地存儲及處理大量數(shù)據(jù)成為可能。 不過，這些工程上的進(jìn)步本身并不能解釋人工智能的快速發(fā)展。

開源的機(jī)器學(xué)習(xí)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(xué)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(xué)家還在使用，包括深度學(xué)習(xí)，多層感知器，支持向量機(jī)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(quán)利，以及作者應(yīng)盡的義務(wù)。常用的軟件許可證包括：GPL、BSD許可證、私權(quán)軟件許可證。

最近，像TensorFlow和PyTorch這樣的開源項目也為這個共享的知識庫做出了寶貴的貢獻(xiàn)，讓不同背景的軟件工程師能夠開發(fā)新的模型和應(yīng)用程序。 計算機(jī)域的專家需要大量的數(shù)據(jù)來創(chuàng)建和訓(xùn)練這些模型。因此，大公司擁有巨大的優(yōu)勢，因為他們可以利用現(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

自20世紀(jì)60年代初以來，就已經(jīng)有光的探測和測距（激光雷達(dá)）傳感器了。這些傳感器已經(jīng)在地理信息學(xué)，考古學(xué)，林業(yè)，大氣研究，國防和其他行業(yè)中業(yè)以及經(jīng)投入使用。近年來，激光雷達(dá)也已成為自主導(dǎo)航的首選傳感器。

Google無人駕駛車輛上的激光雷達(dá)傳感器每秒可產(chǎn)生750MB的數(shù)據(jù)。機(jī)上的8臺計算機(jī)視覺攝像機(jī)每秒鐘產(chǎn)生1.8GB的數(shù)據(jù)。所有這些數(shù)據(jù)都需要實時處理，但是集中計算（在云端）在實時的高速情況下，還不夠快。為了解決這個計算不夠快的瓶頸，我們通過分散計算，來提高處理能力。

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(shù)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(jī)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(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型分散開來。當(dāng)然，分散式AI對分散式處理器的要求更為復(fù)雜。

值得慶幸的是，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)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(luò)的性能的提高。

在其他方面，IBM正在開發(fā)模擬大腦解剖學(xué)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(shè)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(jī)器人網(wǎng)絡(luò)效應(yīng)的臨界點，這個轉(zhuǎn)變將對人工智能，機(jī)器人及其各種應(yīng)用產(chǎn)生巨大影響。

數(shù)據(jù)新世界

機(jī)器人網(wǎng)絡(luò)效應(yīng)的影響，不僅在于新技術(shù)和新機(jī)器能夠更快地處理更大的數(shù)據(jù)量，而且還能處理更多不同類型的數(shù)據(jù)。新的傳感器將能夠檢測和捕獲讓我們“意想不到”的數(shù)據(jù)，因為人類感知的局限性，這些數(shù)據(jù)我們可能根本想象不到。機(jī)器和智能設(shè)備會把豐富的數(shù)據(jù)傳送到云端和鄰近的代理，為決策提供信息，加強(qiáng)協(xié)調(diào)，并在模型改進(jìn)中持續(xù)發(fā)揮重要作用。

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)模型來構(gòu)建傳感器系統(tǒng)，并為氣味和口味數(shù)據(jù)的采集，索引和搜索提供平臺。該公司的EssenceChip是一種一次性傳感器，輸出生化信號。這些信號與當(dāng)人類聞到或品嘗食物或飲料時，發(fā)送到人類大腦的信號是一樣的。

Open Bionics正在開發(fā)機(jī)器人仿生手臂，仿生手臂依靠從手臂套筒內(nèi)的傳感器收集觸覺數(shù)據(jù)，借此來控制手和手指的移動。這種非侵入式設(shè)計能夠通過機(jī)器學(xué)習(xí)模型，將電極感測到的精細(xì)肌肉張力，轉(zhuǎn)化為仿生手中的復(fù)雜運動反應(yīng)。

傳感器數(shù)據(jù)將有助于推動AI的發(fā)展。 AI系統(tǒng)也同時擴(kuò)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(jī)器人外形設(shè)計要素，幫助我們收集更多不同模式的數(shù)據(jù)。 當(dāng)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。