現在我們都對AI很熟悉了，也知道算法的完善離不開海量的數據。數據量越大，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“數據”。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據。隨著傳感器獲取和處理的數據量越來越大，智能機器人的發展也將到達一個“臨界點”。本文的兩位作者分別是AlexHousley和SantiagoTenorio。AlexHousley是Seldon的創始人兼CEO，他的公司Seldon是一個機器學習部署平臺，為數據科學團隊提供圍繞基礎架構，協作和法規遵從的新功能；SantiagoTenorio是Rewired的一名合伙人，Rewired是一家以機器人為重點的創業工作室，投資應用科學和技術，提高機器的認知度。本文編譯自venturebeat的原題為“AIinnovationwilltriggertheroboticsnetworkeffect”的文章。

　　只要是想擴展業務或建立網絡的人，應該對“網絡效應”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，數據的網絡效應指的就是，隨著服務使用的增加，服務也變得越來越完善的動態過程，比如，隨著機器學習模型訓練數據量的增加，模型得到的結果也越來越準確。

　　網絡外部性（networkexternality）——又稱網絡效應（networkeffect）或需求方規模經濟（demand-sideeconomiesofscale），指在經濟學或商業中，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”具有相關性時，此商品或服務即被稱為具有網絡外部性。最常見的例子是電話或社交網絡服務：采用某一種社交媒體的用戶人數越多，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器人依賴的是傳感器，這些傳感器產生的海量數據量，并且越來越龐大。獲取的數據可以被用來構建更好的AI模型，然后機器人可以依靠這些AI模型，做出實時決策，并在真實世界、真實環境中“找到方向”。

　　當今智能機器人的核心是AI與傳感器的融合，可以產生了良性的反饋循環——我們也可以稱之為機器人“網絡效應”。目前，我們正處于引爆這一網絡效應、徹底改變機器人的臨界點。

　　AI的快速演變

　　人工智能的下一個探索領域是機器人技術，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。

　　近年發展起來的機器智能系統能夠利用海量的數據，但在上世紀90年代中期，根本還沒有這些數據，互聯網也還處于起步階段。隨著存儲和計算方面的進步的出現，快速，經濟地存儲及處理大量數據成為可能。不過，這些工程上的進步本身并不能解釋人工智能的快速發展。

　　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發布BSD許可證時，里面包括的許多算法現在的數據科學家還在使用，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。

　　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，讓不同背景的軟件工程師能夠開發新的模型和應用程序。計算機域的專家需要大量的數據來創建和訓練這些模型。因此，大公司擁有巨大的優勢，因為他們可以利用現有的數據網絡效應。

　　傳感器數據和處理能力

　　自20世紀60年代初以來，就已經有光的探測和測距（激光雷達）傳感器了。這些傳感器已經在地理信息學，考古學，林業，大氣研究，國防和其他行業中業以及經投入使用。近年來，激光雷達也已成為自?導航的首選傳感器。

　　Google無人駕駛車輛上的激光雷達傳感器每秒可產生750MB的數據。機上的8臺計算機視覺攝像機每秒鐘產生1.8GB的數據。所有這些數據都需要實時處理，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IntelXeonE5CPU和4到8個NvidiaK80GPU加速器。最高性能表現情況下，這消耗5000W以上的電力。Nvidia新推出的DrivePXPegasus等硬件創新技術也開始嘗試更有效地突破這一瓶頸。

　　AI發展臨界點

　　我們處理傳感器數據和融合各種數據模式的能力將繼續推動智能機器人的發展。為了使這種傳感器融合能實時發生，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，在規模上加速神經網絡的性能的提高。

　　在其他方面，IBM正在開發模擬大腦解剖學的神經形態晶片。芯片雛形使用一百萬個神經元，每個神經元有256個突觸。該系統特別適合于解讀感官數據，因為它的設計是模擬人類大腦解釋和分析感知數據的方式。

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

　　數據新世界

　　機器人網絡效應的影響，不僅在于新技術和新機器能夠更快地處理更大的數據量，而且還能處理更多不同類型的數據。新的傳感器將能夠檢測和捕獲讓我們“意想不到”的數據，因為人類感知的局限性，這些數據我們可能根本想象不到。機器和智能設備會把豐富的數據傳送到云端和鄰近的代理，為決策提供信息，加強協調，并在模型改進中持續發揮重要作用。

　　這些進步比許多人意識到的要快得多。例如，Aromyx使用受體和先進的機器學習模型來構建傳感器系統，并為氣味和口味數據的采集，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。這些信號與當人類聞到或品嘗食物或飲料時，發送到人類大腦的信號是一樣的。

　　OpenBionics正在開發機器人仿生手臂，仿生手臂依靠從手臂套筒內的傳感器收集觸覺數據，借此來控制手和手指的移動。這種非侵入式設計能夠通過機器學習模型，將電極感測到的精細肌肉張力，轉化為仿生手中的復雜運動反應。

　　傳感器數據將有助于推動AI的發展。AI系統也同時擴展我們處理數據的能力，并幫助我們發現這些數據的創造性用途。除此之外，這也將激發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據。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現的前沿。