无障碍说明

AI创新或触发“机器人网络效应” 促进机器人技术加速发展

腾讯科技讯 11月30日消息,据外媒报道,任何考虑过扩展业务或构建网络的人都应该熟悉所谓的“网络效应”。例如,使用eBay等平台的买家和卖家越多,它就会显得越有用。数据网络效应是一种动态效应,随着使用这种服务的增多,实际上也有助于改善服务本身,比如随着接受的训练数据增多,机器学习模型通常会变得更加精确。

无人驾驶汽车和其他智能机器人依靠传感器来产生越来越多、高度变化的数据。这些数据被用来构建更好的AI模型,而机器人依靠这些模型做出实时决策,并在现实环境中导航。作为当今智能机器人的核心,传感器和AI相融合正产生良性的反馈回路,或者我们所说的“机器人网络效应”。我们目前正处于“机器人网络效应”临界点的边缘,这将大幅加速机器人技术的发展。

AI快速发展

为了理解机器人为什么是AI的下一个前沿,我们需要退后一步,首先了解AI是如何进化的。近年来发展起来的机器智能系统能够利用大量的数据,而这些数据在20世纪90年代中期还不存在,那时的互联网还处于初级阶段。存储和计算技术的进步,使快速、廉价地存储和处理大量数据成为可能。但这些工程的改进无法解释AI迅速发展的原因。

开源机器学习库和框架扮演了安静但同样重要的角色。15年前,当科学计算框架Torch在BSD开放源码许可下发布时,它包含了许多数据科学家常用的算法,比如深度学习、多层感知器、支持向量机和K-近邻算法(K-nearest neighbors)等。

最近,像TensorFlow和PyTorch这样的开源项目为这个共享知识库做出了宝贵的贡献,帮助具有不同背景的软件工程师开发新的模型和应用。领域专家需要大量的数据来创建和培训这些模型。大型企业有很大的优势,因为它们可以利用现有的数据网络效应。

传感器数据和处理能力

激光雷达(lidar)传感器自上世纪60年代初就已经存在,它们已经被应用在地理考古、林业、大气研究、国防和其他领域中。近年来,激光雷达成为无人驾驶导航的首选传感器。谷歌(微博)无人驾驶车辆上的激光雷达传感器每秒可产生750MB数据,8部车载计算机视觉摄像头每秒可以产生另外1.8GB数据。所有这些数据都必须被实时处理,但是集中式计算(云端)对处理实时高速的运算来说还不够快。为了解决这个瓶颈,我们开始开发边缘计算。而在机器人身上,我们则采用车载计算。

目前大多数无人驾驶汽车的解决方案是使用两个车载“盒子”,每个都配备了英特尔Xeon E5 CPU和4到8个Nvidia K80 GPU加速器。在达到最高性能时,这要消耗超过5000瓦的电力。最近的硬件创新,如Nvidia的新驱动器PX Pegasus,可以支持每秒320万亿次计算操作,开始更有效地解决这一瓶颈。

AI突破

我们能够同时处理传感器数据和融合各种数据的能力,将继续推动智能机器人的进化。为了让这种传感器融合实时发生,我们需要将机器学习和深度学习模型置于边缘计算中。当然,分散式AI增加了分散式处理器的需求。

幸运的是,机器学习和深度学习计算正在变得更加高效。举例来说,Graphcore的智能处理单元(IPU)和谷歌的张量处理单元(TPU)成本正在下降,并在大规模加速神经网络的性能。

在其他领域,IBM正在开发模仿大脑解剖学的神经形态芯片。其原型使用100万个神经元,每个神经元有256个突触。这个系统特别适合解释感觉数据,因为它的设计是为了模仿人类大脑对感知数据的解释和分析。所有这些来自传感器的数据结果表明,我们正处于“机器人网络效应”的边缘,这一转变将对AI、机器人技术及其各种应用产生巨大影响。

新的数据世界

“机器人网络效应”将使新技术和机器不仅能更快地处理更多数据,而且还能扩展数据的种类。新的传感器将能够探测和捕捉我们可能根本未曾考虑到的数据,因为人类的感知能力有限。机器和智能设备将把丰富的数据贡献给云端和邻近的代理,通知决策,增强协调,并在持续的模型改进中扮演重要角色。

这些进步比许多人意识到的要快得多。例如,Aromyx使用受体和先进的机器学习模型来建立传感器系统以及一个数字捕捉、索引和搜索气味以及味道数据的平台。该公司的EssenceChip是一种一次性传感器,可以输出人类鼻子或舌头在闻到或品尝食物或饮料时发出的相同生化信号。Open Bionics正在开发机器人假体,它依赖于从手臂套内嵌入的传感器收集的触觉数据来控制手掌和手指的动作。这种非入侵性设计利用机器学习模型将电极上的精细肌肉张力转化为仿生手的复杂运动反应。

传感器数据将有助于推动AI的发展。AI系统将同时扩展我们处理数据的能力,并发现这些数据的创造性用途。在其他方面,这将激发新的机器人形态因素,能够收集更广泛的数据模式。随着我们以新的方式“看到”我们的能力进化,日常世界正迅速成为技术发现的下一个伟大前沿。(编译/金鹿)

正文已结束,您可以按alt+4进行评论
责任编辑:alonliu
收藏本文

相关搜索

为你推荐