人工智能前景可期 六大領域亟需密切關注

2020年在熱浪中落下帷幕，無可否認的是，人工智能已逐步滲透到我們的工作和生活中。服務機器人實際上是多種技術的融合和實現，包括語音交互、導航定位、運動控制、后臺調度管理、多傳感技術、通信等多領域技術。要讓產品成功商用，這些技術缺一不可。

　　
　　定位導航技術：
　　
　　得雷達SLAM者，走得更遠
　　
　　行業領先的服務機器人企業，八成都采用了SLAM技術。簡單來說，SLAM技術是指機器人在未知環境中，完成定位、建圖、路徑規劃的整套流程。
　　
　　隨著谷歌無人駕駛車的使用，基于激光雷達技術的雷達SLAM算法也變成了科研界的熱門話題。據介紹，雷達SLAM雖然成本較高，但卻是目前最穩定、最可靠、高性能的SLAM方式。剛剛完成A輪融資的深圳優地科技有限公司，旗下優地機器人采用的正是雷達SLAM。這種技術定位精度控制在±10mm內，能夠確保機器人在完全未知的環境中創造地圖，同時根據地圖進行定位、導航、自主規劃路線。也就是說你下達任務后以后它就能自主規劃路線、完成任務后回到迎賓地點，無需人工操作，與谷歌無人駕駛技術有異曲同工之妙。
　　
　　SLAM技術目前已廣泛應用于AR、機器人、無人駕駛等新興領域，其中雷達SLAM因良好的指向性與高度聚焦性，成為行業主流定位導航方式。
　　
　　運動控制技術：
　　
　　輪動機器人更符合市場需求
　　
　　有趣好玩的雙足機器人你一定都見過，然而事實是這類機器人穩定性差，移動速度慢，并且一推就倒。而輪式、履帶式的服務機器人則擁有更好的平衡性，在運動過程中更穩定。
　　
　　“我們的機器人采用自主研發的輪式底盤，輪式底盤具有更強的穩定性、可靠性和耐用性?！眱灥乜萍钾撠熑私邮懿稍L時表示，“比如有的機器人只能在平地行走，而我們機器人可以爬坡，只要坡度不超過15度都可以，整機可以承重40kg?！?/span>
　　
　　目前雙足機器人主要有電機和液壓兩種運動控制方式，前者結構相對簡單，但負載能力有限；后者雖然有較大的負載能力，但結構復雜。而輪式、履帶式機器人的運動控制方式主要由縱向控制和橫向控制兩部分組成，前者調節移動速度；后者調節移動軌跡。在運動、避障過程中，輪式、履帶式機器人能夠根據速度的不同采取不同的控制策略，以保持整體的穩定性。從目前的技術發展和實用性來看，輪式、履帶式的機器人顯然更符合市場需求。
　　
　　多傳感器融合技術：
　　
　　最終體現產品差異化功能
　　
　　傳感器如同機器人的“五官”，機器人通過傳感器獲取外界信息，以滿足探測和數據采集的需要。系統通過綜合、互補、修正、分析所得信息，從而完成決策，快速作出反應。未來的機器人想要做得更像人，多傳感器融合技術至關重要。比如日本Pepper機器人就配有1個3D傳感器、5個觸摸傳感器、2個陀螺儀、2個聲波定位儀、3個緩沖傳感器、6個激光傳感器。通過這項技術，Pepper能識別人的表情、語氣、周圍環境，并根據人的情緒做出更豐富的、更人性化的反應。
　　
　　目前我國主流服務機器人主要配有紅外傳感器、超聲波傳感器、觸覺傳感器、視覺傳感器等。實際上，如果服務機器人想要完成更多、更復雜的任務，還需配備更多的傳感器。多傳感器融合技術的成熟與否，將直接體現在服務機器人的差異化功能上。
　　
　　深度學習算法：
　　
　　機器學習里的重要突破
　　
　　“機器學習里面最重要的一個突破，就是深度學習?！崩铋_復最近在公開演講中表示，“深度學習，簡單的理解，就是給非常非常大的神經元，用特別大量的數據充進去訓練。它就可以在某個領域，在識別方面、分類方面，或者預測方面，遠遠超過任何過去的算法?！?/span>
　　
　　所謂深度學習算法，就是機器人模仿人腦構建神經網絡，并通過信息收集、建立模型的方式來解釋數據，以達到機器學習的功能。機器人通過解析、學習數據，更易理解人類的語言、行動，并做出更精準的回應。谷歌的阿爾法狗在“出道前”就是不斷地和自己下棋，研習棋譜，讓系統進行自我博弈，并迅速完成自我進化。
　　
　　傳統機器人無法理解語意、環境，而深度學習算法的出現則改變了這種現狀。獲取的復雜數據模型越多，機器人就越“聰明”，它不再是機械性地完成任務，而是有“思考”、有“判斷”地模仿人類做出相應的舉動。不過，受技術水平、大數據獲取難題以及云運算效率等因素限制，目前深度學習算法還存在一定的瓶頸，想要廣泛應用于服務機器人中，恐怕還需要一段時間。
　　
　　智能語音、通信技術和后臺管理技術等都將是企業能否搶占市場份額的關鍵技術。因文章篇幅限制，這里不再展開討論。
　　
　　據報道，2016年12月中國機器人產業聯盟將陸續發布3項聯盟標準，17項機器人產業聯盟標準。2017年，垂直應用場景與產業標準兩大現實因素也是服務機器人企業需要考量的重點。垂直應用場景的選擇決定了機器人深耕的領域、方向，而能否符合標準規范則決定了機器人能否進入市場銷售。


3·9：AlphaGo下圍棋戰勝圍棋宗師李世石；

3·23：微軟聊天機器人“Tay”學會種族歧視言論；

5·7：“自動駕駛”特斯拉自動駕駛致使車禍；

9·28：谷歌、亞馬遜、Facebook、IBM 及微軟五大科技巨頭組建超級AI聯盟；

10·12：美國白宮發布人工智能白皮書；

10·17：微軟AI的語音識別能力首次超過人類；

11·25：人工智能改善癌癥診斷法；

12·5：亞馬遜開展新零售業務Amazon Go；

12·19：扎克伯格開發AI助手Jarvis；

12月：華人AI研究貢獻占據全球份額近一半。

2016年圍繞著人工智能各行各業開始智能化探索，創投圈攻城略地，中美等眾多國家也積極布局人工智能搶占戰略制高點。在市場規模方面，《2016中國人工智能產業發展報告》中多家分析機構的數字評估認為，2016年年底，世界人工智能市場規模將突破100億美元，其中，中國市場規模將達到15億美元左右。未來，人工智能市場有望進一步擴大，到2020年，全球人工智能市場將發展到200億美元左右的規模。人工智能，未來已來？

人工智能尚處初級階段

學術界將人工智能界定為“研究與設計智能體”，而且把智能體定義為“能夠感知環境，并采取行動使成功機會最大化的系統”，一般分為感知智能、認知智能和創造性智能。對其研究最早出現在 20 世紀 50 年代，在發展過程中經歷了起起落落，進入21世紀以后，隨著深度學習、大數據、云計算等相關技術的成熟，近年來取得眾多突破性的發展。

但縱觀社會發展的歷程來看，目前人工智能的發展仍處于初級階段，稱之為“弱人工智能”，其中感知智能以深度卷積神經網絡為代表的感知智能依賴于大數據，在視覺物體識別、語音識別和自然語言理解等方面取得了媲美人類水平的成功；具有近似人類能力的認知智能的研究，仍在逐步探索中；而創造性智能則是在更高層次上的人工智能，要求人工智能具有類似于人類的頓悟、靈感等超強能力，這方面的研究甚至還沒有起步。

從產業鏈上看，人工智能產業鏈包括基礎技術支撐、人工智能技術及人工智能應用三個層次。其中基礎技術支撐由數據中心及運算平臺構成；人工智能技術是基于基礎層提供的存儲資源和大數據，通過機器學習建模，開發面向不同領域的應用技術；人工智能應用主要為人工智能與傳統產業相結合實現不同場景的應用，如機器人、無人駕駛汽車、智能家居、智能醫療等領域。目前人工智能的發展還是國內外科技巨頭為主推動力，國外以Google、Facebook、IBM、Microsoft、Amazon、Intel等為主，國內以BAT及語音巨頭科大訊飛為主。

人工智能的重要意義是對每一個行業和領域效率帶來指數級提升推動作用，由于技術的復雜性，發展不會一蹴而就，必然經歷一個由點到面，由專用領域到通用領域的歷程，通用領域的人工智能實現還比較遙遠。截至2016年11月，據數據統計顯示，全球1485家人工智能公司可劃分為深度學習、機器學習、機器學習、自然語言處理、計算機視覺、圖像識別、手勢控制、虛擬私人助手、無人駕駛、智能機器人、語音翻譯等13個細分領域。近五年內，專用領域的定向智能化將是人工智能主要的應用發展方向?；蛟S在更遠的將來，如果人腦芯片等硬件架構能有所突破，運算能力有極大提高，則專用智能將有可能逐步進化成為跨場景、跨上下游應用的通用智能。

2017 年人工智能將掀起怎樣的風暴？

有機構預測2022年人工智能的投資將同比增長300％以上。人工智能在技術上將更迅猛發展，智能語音、智能圖像、自然語言處理、深度學習等技術越來越成熟，像空氣和水一樣會逐步滲透到日常生活。行業專家關于2021年人工智能的發展方向有如下幾點：

1．機器學習應用的擴張：機器學習正被應用在更復雜的任務以及更多領域中，而且被更多的人作為挖掘數據的方式。

2．無監督學習會取得更多的進展（也存在很大的挑戰，在這方面離人類的能力還差得很遠）。

3．計算機在理解和生成自然語言：預計最先會在聊天機器人和其他對話系統上落地。

4．深度學習和其他的機器學習以及人工智能技術的混用，是成熟技術的典型標志。將深度學習應用到醫療領域中包括對醫療圖像、臨床數據、基因組數據等各種類型數據上的研究和成果將會大大增加。

5．自動駕駛汽車，計算機視覺也會持續取得進展。

6．聊天機器人和自動駕駛汽車可能會取得較大進展。

7．預計更多的人類基準會被打破，特別是那些基于視覺、適合卷積神經網絡的挑戰。而非視覺特征創建和時間感知方法將變得更頻繁、更富有成果。

總的來說，2021年人工智能還將深遠影響著全球各個科技領域的創新，持續改變著消費者、企業以及機器的交互方式，同時刺激著科技市場成長和革新。有許多關于人工智能公認定義的爭論。有些人認為人工智能就是“認知計算”或是“機器智能”，而另一些人則把它與“機器學習”的概念混淆了。然而，人工智能并不是特指某種技術，它實際上是一個由多門學科組成的廣闊領域，包括機器人學和機器學習等。人工智能的終極目標是讓機器替代人類去完成需要認知能力的任務。為了實現這一目標，機器必須自動學習掌握能力，而不僅僅是執行程序員編寫的命令。

人工智能前景可期 六大領域亟需密切關注

　　人工智能在過去的十年里取得了令人嘆為觀止的進步，例如自動駕駛汽車、語音識別和語音合成。在此背景之下，人工智能這一話題越來越多地出現在同事和家人的閑談之間，人工智能技術已經滲透到他們生活的角角落落。與此同時，流行媒體幾乎每天也在報道人工智能和技術巨頭們，介紹他們在人工智能領域的長期戰略。一些投資者和企業家渴望了解如何從這個新領域挖掘價值，大多數人還是絞盡腦汁思考究竟人工智能會改變什么。此外，各國政府也正在努力應對自動化給社會帶來的影響(如奧巴馬總統的離職演講)。

　　其中，人工智能的六大領域在未來可能對數字產品和數字服務產生重要的影響。作者一一列舉了這六個方向，解釋了它們的重要性，目前的應用場景，并列舉出正在使用的公司和研究機構。

　　強化學習

　　強化學習是一種通過實驗和錯誤來學習的方法，它受人類學習新技能的過程啟發。在典型的強化學習案例中，代理者通過觀察當前所處的狀態，進而采取行動使得長期獎勵的結果最大化。每執行一次動作，代理者都會收到來自環境的反饋信息，因此它能判斷這次動作帶來的效果是積極的還是消極的。在這個過程中，代理者需要平衡根據經驗尋找最佳策略和探索新策略兩方面，以期實現最終的目標。

　　Google的DeepMind團隊在Atari游戲和圍棋對抗中都運用了強化學習的技術。在真實場景中，強化學習有被用來提高Google數據中心的能源利用率。強化學習技術為這套冷卻系統節省了約40%的能耗。強化學習有一個非常重要的優勢，它的代理者能以低廉的代價模擬生成大量的訓練數據。相比有監督的深度學習任務，這個優勢非常明顯，節省了一大筆人工標注數據的費用。

　　應用：包括城市道路的自動駕駛;三維環境的導航;多個代理者在同樣的環境中交互和學習等

　　主要研究人員： Pieter Abbeel (OpenAI), David Silver, Nando de Freitas, Raia Hadsell (Google DeepMind), Carl Rasmussen (Cambridge), Rich Sutton (Alberta), John Shawe-Taylor (UCL) 等

　　技術公司代表： Google DeepMind, Prowler.io, Osaro, MicroPSI, Maluuba/Microsoft, NVIDIA, Mobileye等

　　生成模型

　　不同于用來完成分類和回歸任務的判別模型，生成模型從訓練樣本中學到一個概率分布。通過從高維的分布中采樣，生成模型輸出與訓練樣本類似的新樣本。這也意味著，若生成模型的訓練數據是臉部的圖像集，那么訓練后得到的模型也能輸出類似于臉的合成圖片。細節內容可以參考Ian Goodfellow的文章。他提出的生成對抗模型(GAN)的結構當下在學術界非常的火熱，因為它給無監督學習提供了一種新思路。GAN結構用到了兩個神經網絡：一個是生成器，它負責將隨機輸入的噪聲數據合成為新的內容(比如合成圖片)，另一個是判別器，負責學習真實的圖片并判斷生成器生成的內容是否以假亂真。對抗訓練可以被認為是一類游戲，生成器必須反復學習用隨機噪音數據合成有意義的內容，直到判別器無法區分合成內容的真偽。這套框架正在被擴展應用到許多數據模式和任務中。

　　應用：仿真時間序列的特征(例如，在強化學習中規劃任務);超分辨率圖像;從二維圖像復原三維結構;小規模標注數據集的泛化;預測視頻的下一幀;生成自然語言的對話內容;藝術風格遷移;語音和音樂的合成

　　技術公司代表： Twitter Cortex, Adobe, Apple, Prisma, Jukedeck, Creative.ai, Gluru, Mapillary, Unbabel

　　主要研究人員： Ian Goodfellow (OpenAI), Yann LeCun 和 Soumith Chintala (Facebook 人工智能研究院), Shakir Mohamed 和 A?ron van den Oord (Google DeepMind)等等

　　記憶網絡

　　為了讓人工智能系統像人類一樣能夠適應各式各樣的環境，它們必須持續不斷地掌握新技能，并且記住如何在未來的場景中應用這些技能。傳統的神經網絡很難掌握一系列的學習任務。這項缺點被科學家們稱作是災難性遺忘。其中的難點在于當一個神經網絡針對A任務完成訓練之后，若是再訓練它解決B任務，則網絡模型的權重值不再適用于任務A。

　　目前，有一些網絡結構能夠讓模型具備不同程度的記憶能力。其中包括長短期記憶網絡(一種遞歸神經網絡)可以處理和預測時間序列;DeepMind團隊的微神經計算機，它結合了神經網絡和記憶系統，以便于從復雜的數據結構中學習;漸進式神經網絡，它學習各個獨立模型之間的側向關聯，從這些已有的網絡模型中提取有用的特征，用來完成新的任務。

　　應用：訓練能夠適應新環境的代理者;機器人手臂控制任務;自動駕駛車輛;時間序列預測(如金融市場、視頻預測);理解自然語言和預測下文。

　　技術公司代表： Google DeepMind, NNaisense, SwiftKey/Microsoft Research.

　　主要研究人員： Alex Graves, Raia Hadsell, Koray Kavukcuoglu (Google DeepMind), Jürgen Schmidhuber (IDSAI), Geoffrey Hinton (Google Brain/Toronto)

　　微數據學習微模型

　　一直以來深度學習模型都是需要堆積大量的訓練數據才能達到最佳的效果。比如，某只參加ImageNet挑戰賽的團隊使用了120萬張分布于1000個類別的人工標注圖像訓練模型。離開大規模的訓練數據，深度學習模型就不會收斂到最優值，也無法在語音識別、機器翻譯等復雜的任務上取得好效果。數據量需求的增長往往發生在用單個神經網絡模型處理端到端的情況下，比如輸入原始的語音片段，要求輸出轉換后的文字內容。這個過程與多個網絡協同工作各處理一步中間結果不同(比如，原始語音輸入→音素→詞→文本輸出)。如果我們想用人工智能系統解決訓練數據稀缺的任務時，希望模型訓練用到的樣本越少越好。當訓練數據集較小時，過擬合、異常值干擾、訓練集和測試集分布不一致等問題都會接踵而至。另一種方法是將在其它任務上訓練好的模型遷移到新的任務中，這種方法被稱為是遷移學習。

　　一個相關的問題是用更少的模型參數建立更小的深學習架構，而模型的效果卻保持最佳。這種技術的優勢在于更高效的分布式訓練過程，因為訓練過程中需要傳輸的參數減少了，并且能夠方便地將模型部署在內存大小受限制的嵌入式硬件上。

　　應用：訓練淺層模型來模擬在大規模的已標注訓練數據集上訓練得到的深度網絡模型;構建效果相當但參數更少的模型結構(如SqueezeNet);機器翻譯

　　技術公司代表： Geometric Intelligence/Uber, DeepScale.ai, Microsoft Research, Curious AI Company, Google, Bloomsbury AI

　　主要研究人員： Zoubin Ghahramani (Cambridge), Yoshua Bengio (Montreal), Josh Tenenbaum (MIT), Brendan Lake (NYU), Oriol Vinyals (Google DeepMind), Sebastian Riedel (UCL)

　　學習/推理硬件

　　促進人工智能發展的催化劑之一就是圖形處理器(GPU)的升級，不同于CPU的順序執行模式，GPU支持大規模的并行架構，可以同時處理多個任務。鑒于神經網絡必須用大規模(且高維度)數據集訓練，GPU的效率遠高于CPU。這就是為什么自從2012年第一個GPU訓練的神經網絡模型——AlexNet公布之后，GPU已經成為名副其實的淘金鐵鍬。NVIDIA在2017年繼續領跑行業，領先于Intel、Qualcomm、AMD和后起之秀Google。

　　然而，GPU并非專為模型訓練或預測而設計，它原本是用于視頻游戲的圖像渲染。GPU具有高精度計算的能力，卻遭遇內存帶寬和數據吞吐量的問題。這為Google之類的大公司和許多小型創業公司開辟了新領域，它們為高維機器學習任務設計和制造處理芯片。芯片設計的改進點包括更大的內存帶寬，圖計算代替了向量計算(GPU)和矢量計算(CPU)，更高的計算密度，更低的能源消耗。這些改進令人感到興奮，因為最終又反哺到使用者的身上：更快和更有效的模型訓練→更好的用戶體驗→用戶更多的使用產品→收集更大的數據集→通過優化模型提高產品的性能。因此，那些訓練和部署模型更快的系統占據顯著的優勢。

　　應用：模型的快速訓練;低能耗預測運算;持續性監聽物聯網設備;云服務架構;自動駕駛車輛;機器人

　　技術公司代表： Graphcore, Cerebras, Isocline Engineering, Google (TPU), NVIDIA (DGX-1), Nervana Systems (Intel), Movidius (Intel), Scortex

　　仿真環境

　　正如之前提到，為人工智能系統準備訓練數據很具有挑戰性。而且，若要將人工智能系統應用到實際生活中，它必須具有適用性。因此，開發數字環境來模擬真實的物理世界和行為將為我們提供測試人工智能系統適應性的機會。這些環境給人工智能系統呈現原始像素，然后根據設定的目標而采取某些行動。在這些模擬環境中的訓練可以幫助我們了解人工智能系統的學習原理，如何改進系統，也為我們提供了可以應用于真實環境的模型。

　　應用：模擬駕駛;工業設計;游戲開發;智慧城市

　　技術公司代表： Improbable, Unity 3D, Microsoft (Minecraft), Google DeepMind/Blizzard, OpenAI, Comma.ai, Unreal Engine, Amazon Lumberyard