3
5億年前，地球迎來了物種的大爆發(fā)，即“寒武紀生命大爆炸”。在相關的研究中，有一派的觀點非常激進，他們提出：視覺的進化增強了物種捕獵及交配的能力，是造成寒武紀生命大爆炸的主因。當今世界，各種科技的發(fā)展導致多元性和適用性機器人的類“寒武紀爆發(fā)式”增長，許多關于機器人所依賴的計算、數據存儲和交流的基礎硬件技術正在成指數發(fā)展。
“云機器人”和“深度學習”這兩項新興的技術就可以影響技術在一個良好循環(huán)中的爆發(fā)性增長。“云機器人”這一概念由James Kuffner提出，是指可以通過網絡互相學習的機器人；特別是在機器人的數量增長時，機器人的能力更是可以得到快速提高。“深度學習”算法是指特定程序通過對特定行為的模式進行提取并將之應用到更多的領域中。有研究人員指出這兩項技術將成為機器人技術爆發(fā)式發(fā)展的主要原因，就像寒武紀時出現的視覺。
而機器人爆發(fā)可能將會持續(xù)多久呢？不知道。有人說我們應該研究電腦象棋游戲的歷史，因為電腦可以憑借強大的運算及搜素和啟發(fā)式算法戰(zhàn)勝當下最好的棋手，然而死板的象棋系統(tǒng)在面對另一種類型的問題就完全束手無策了。這樣看來，專業(yè)化的機器人在完成指定任務方面還有提升空間，而在現實生活中，仍待解決的問題還要更多。
不過不像已經編程象棋規(guī)則的電腦游戲，現在的深度學習算法則是使用在特定領域通用的學習方程，而這一算法已經應用在大量感知問題上，比如語音識別或現在流行的虹膜識別。美好的藍圖似乎已經展現：通過深度學習算法，機器人將能解決任何聯(lián)想記憶問題。此外，和象棋程序不同，進步非常快的深度學習算法正在以期望中的速度漸進發(fā)展，甚至在專業(yè)領域不斷帶來驚喜。而近來云網絡中越來越多的數據和計算資源讓深度學習的進一步發(fā)展成為了可能。
深度學習的所謂“神經網絡”實際上與已知大腦結構存在幾個方面的不同，雖然其分布式的“連接”方式比之前的人工智能技術（比如電腦象棋程序）更近似于神經系統(tǒng)，不過類真正大腦的幾個特點仍未完成，比如情節(jié)記憶和“無監(jiān)督學習”。但看起來神經網絡不久就能像人腦一樣感知世界了，但神經網絡能否像實現人腦一樣的認知呢？經解剖學研究得出，大腦知覺版塊和認知版塊存在相似點。因此，有理由相信，帶有記憶和無監(jiān)督學習的機器識別將會在未來實現。
爆發(fā)的時間點實在難以預測。現在自動化和機器人（特別是無人駕駛技術）上的商業(yè)投資已有明顯的加速，亞馬遜、谷歌、蘋果和Uber等備受矚目的公司以及一些重量級的汽車廠商都在向無人駕駛領域進軍。接下來，我會講述一些現在機器人領域有突破貢獻的重要科技，而社會倫理對機器人和人工智能的擔心也在上升。
推動機器人科學的八項技術
一系列與機器人相關的科技技術正在指數爆炸式地發(fā)展，在這里只列舉了其中最重要的八項。前三個科技發(fā)展技術和個體機器人有關，接下去兩個和互動有關，最后三個則是關于基于網絡的未來云機器人。
1、晶體管性能
機器人是由傳感器、執(zhí)行器和計算機共同構成的，而計算機處理能力在不斷上升。最初由英特爾創(chuàng)始人摩爾·戈登提出的摩爾定律指出集成電路上可容納的晶體管數目每18至24個月就會增加一倍，性能也將增加一倍。盡管具體的更迭周期有所調整，但這一趨勢已經持續(xù)了數十年，當然現在似乎開始出現一些瓶頸了。現在，半導體公司可以將晶體管制程壓縮至14納米，而一納米可是難以想象的十億之一米！這種量級已經接近物理極限，幾乎就要進入單個原子的尺度了。當然現在出現了一些新技術還能保證單位體積計算性能的繼續(xù)上漲，其中包括三維多芯片系統(tǒng)和量子計算等等。
2、機械設計和數控加工工具的進步。
現代計算機輔助設計工具極大提升了機械設計師的工作效率、設計質量和復雜程度。數控加工工具近來也獲得了許多突破——比如3D打印技術僅需極小的代價即可打印出高精度的3D模型，省去了耗資巨大的開模步驟。而嵌入式處理器所能實現的功能也越來越復雜，性能與可靠性亦有了巨大改進，所有的這些都增強了機器人的性能和可靠性。
3、電池容量
如果機器人是可移動的，他們需要找到能夠儲存或產生足夠的電量的方式來維持運行。過去幾十年里，電池和燃料電池都不能很好地達到期望值。鋰電池比碳氫燃料的能量密度少了一個數量級，但差距正在逐漸縮小。在高需求且競爭激烈的便攜式電子設備市場，電池技術方面的技術進步一直在持續(xù)；更不要說混合動力和電動車領域了。而超級電容作為一項全新的技術，比標準電池充放電速度更快，而且能夠反復充電上千次，但電池容量方面還需要更大的進步。
4、對電池的高效利用
機器人依靠電池釋放電能帶動電機運轉；電機越多，機器人對電能的消耗就越敏感。功率半導體充分利用了集成電路行業(yè)的技術進步，讓便攜式設備的價格也不再昂貴，而所有的電池都對電能效率十分敏感。LED是另一個快速發(fā)展的新興市場，發(fā)光二級管可以以更少的電能實現更高的亮度和更廣的照射范圍，新型復合半導體（氮化硅和碳化硅）也將迎來以更低的價格實現更高的性能的時代。現在，云機器人的發(fā)展則開始依賴于圖形處理器來實現大規(guī)模的數據處理。在未來，以大腦為靈感的神經硬件所消耗的能量將會更少。
5、無線技術
最開始機器人都是單獨的個體，它們的記憶和解決問題的能力被自身攜帶的程序所限制，對它們進行更新和重新編程是一件耗時耗力的事情。而聯(lián)網機器人為編程、解決問題、學習和更新提供更多可能性。得益于各種基礎設施的完善，高性能無線數字通信現在隨處可見，可聯(lián)網的設備種類也大大增加。比如由Nest生產的智能溫控器，可以使用配對的手機進行控制，并且它還能夠記憶和學習并對未來環(huán)境做出調整。谷歌的Chromecast服務可以將你在電腦或手機上任意選擇的內容通過無線連接展示在電視屏幕上。你知道嗎，2014年全球的平均WiFi速度已經達到十兆每秒，到2018年還會翻倍。2014年，在全球范圍內分布大約有4800萬個公共WiFi熱點；而到2018年，這一數字會再增加7倍。目前最新的WiFi標準（802.11ac）的速度為每秒千兆，和標準的蜂窩數據（5G）一致。可以預見，未來機器人通過無線技術進行交流將成為常態(tài)。
6、互聯(lián)網的規(guī)模和性能成指數爆炸形式發(fā)展。
無線通信設施的發(fā)展和互聯(lián)網的應用將不僅僅限制在智能設備尚。現在全球互聯(lián)網的每月流量已經超過88 EB（1 EB=1024 PB=1024*1024 TB），保守估計三年內還會翻番。而現在大概有130億臺設備連接到互聯(lián)網上，相當于地球人的兩倍；而到2019年，這個倍數將會達到3倍。
7、全球數據儲存成指數形式發(fā)展。
縱觀全球，由于社交網絡的流行，大量的圖片和視頻在網上流傳，“比特洪流”帶來了可怕又可觀的流量。通過比較，人的大腦一共有10^14個突觸,假設我們把每一個字節(jié)的存儲量作為一個突觸，那么現在全球信息就相當于1000萬個大腦的儲存量。
8、全球計算機能力成指數形式發(fā)展。
全球計算機的運算速度已達到每秒10^21個指令。更重要的是，已經生產的數十億個處理器（或許其中只有10億個正在運行）可以和幾個大型互聯(lián)網運行數百萬臺帶有高性能多核處理器的服務器并行計算。而任何運算都可以分成幾個小部分，分開解決問題并不需要進行信息交流，問題就能夠迅速被分解并解決。許多關于機器人自動化的問題都可以通過這種方式解決。
云機器人
這些技術的發(fā)展表明，機器人的數據處理不僅可以依賴本地處理器，云計算也不失為一個可行的方案。云機器人的研發(fā)已經蓄勢待發(fā)，準備利用各種技術來完成機器人能力的革命。云機器人可以概括為四個理念。
1、基于記憶的自動化
計算機的運算和儲存性能是滿足研究人員探索機器人憑借記憶解決觸發(fā)動作的基礎，規(guī)劃和控制是機器人自動化的關鍵。這并不是將指令分解為一系列為特殊情況定制的編碼，而應當是在儲存容量中搜尋大量先前的記憶，找出可以匹配的記憶并作出反應的方法。當沒有先前的記憶可以匹配時，此前觸發(fā)動作的類似記憶也可以被插入，另外也可以尋求人類的幫助，記錄下人工提供的答案以供使用。此外需要一提的是信息檢索技術的發(fā)展也加速了記憶技術的進步。
雖然可以依靠記憶為基礎做出反應，但解決問題的記憶又從哪里來呢？
2、經驗值共享
一個簡單的機器人如果只憑借記憶方法學習，那會需要很長的時間；就像一個新生嬰兒可能需要花數十年的時間去學習有用的事情。但是，機器人學習的時間也許會更長，因為即使是本能也可能會丟失。
盡管人腦的帶寬比機器人高出一個量級，但人類與外界的交流速度比較緩慢，大約每秒只能傳遞10比特的信息。機器人和計算機則可以達到每秒1000兆比特，是人腦的1億倍。基于這種外部通信速度可以利用網絡通信在所有機器人之間共享所學的知識。人類花了數十年的時間學得的知識機器人眨眼可得。然而，機器人不僅可以站在任何人的肩膀上學習；在他們學得經驗以后，亦可迅速分享，讓其它機器人受益。
3、從想象中學習
人類常常憑借想象力對未來未知的狀況進行演習和準備。同樣的，一個機器人或一個“云機器人”的大腦可以利用模擬方法來探索機器人將會遇到的未來狀況以及可能的解決方案，并記住那些可以解決的方案。這樣的模擬不需要實踐，而每個機器人的夢想都能提高所有機器人的性能；甚至我們可以制造一些專門用來做夢的機器人和智能程序。
4、學習人類
感知仍然是機器人技術中最具挑戰(zhàn)性的難題之一。最近的一些研究讓觸發(fā)感知獲得大量數據變得更加具有可行性，而大量的數據在計劃和控制方面顯得尤為重要。
可記錄的視覺對象和人類活動是一個巨大的資源庫，機器人很快可能利用資源庫來提高它們的理解和連接世界的能力，其中包括與人類的互動。在2014年和2015年，社交媒體上一共上傳了1萬億張照片，而這個數字在2015年估計還要增加數倍。現在，每分鐘就有300小時的影片被上傳到YouTube上。而當傳感器得到大量應用之后，信息的儲存量甚至還會進一步增加。
網絡上最直觀的信息是沒有標簽的，但聚焦技術可以在圖像和視頻中識別相似元素。打個比方，算法可以給相似的臉進行分組，然后這些分組的信息可以增強機器對其它圖像和視頻的理解。
什么阻礙了機器人？
人類大腦不止能存儲信息和搜尋記憶，人的大腦也能感受到環(huán)境細微的變化，并對其做出反應。而這對于機器人來說則是非常困難的。每一個環(huán)境變量造成的結果都有天壤之別，機器人該如何加以區(qū)分？電腦應該如何通過記憶方法記住可以被檢索的現存知識，讓相似但又不相同的狀況觸發(fā)合適的記憶和想法？
對人腦的深入研究是機器人科學的重要課題。如何使機器人能向人腦一般聰明？有些機器學習的算法能帶領我們接近這一難題。雖然問題的解決還尚待時日，但機器人數量的增長及所扮演的角色愈發(fā)重要則已是不可逆轉的趨勢。而當機器人革命到來之時，人類的生產方式及經濟結構就將發(fā)生巨變。至于巨變之后到來的是人類生產力得以解放的黃金時代還是大量工人失業(yè)的黑暗時代，只有時間能給我們答案。
via IEEE
雷峰網原創(chuàng)文章，未經授權禁止轉載。詳情見轉載須知。
