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(fā)展也將到達一個“臨界點”。

只要是想擴展業(yè)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(tài)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（network externality），又稱網絡效應（network effect）或需求方規(guī)模經濟（demand-side economies of scale），指在經濟學或商業(yè)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(huán)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(huán)——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(fā)展起來的機器智能系統(tǒng)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(fā)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(fā)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(guī)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(fā)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(chuàng)建和訓練這些模型。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(yè)，大氣研究，國防和其他行業(yè)中業(yè)以及經投入使用。近年來，激光雷達也已成為自主導航的首選傳感器。

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Intel Xeon E5 CPU和4到8個Nvidia K80 GPU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Drive PX Pegasus等硬件創(chuàng)新技術也開始嘗試更有效地突破這一瓶頸。

AI發(fā)展臨界點

我們處理傳感器數據和融合各種數據模式的能力將繼續(xù)推動智能機器人的發(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(guī)模上加速神經網絡的性能的提高。

在其他方面，IBM正在開發(fā)模擬大腦解剖學的神經形態(tài)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(tǒng)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(xié)調，并在模型改進中持續(xù)發(fā)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(tǒng)，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(fā)送到人類大腦的信號是一樣的。

Open Bionics?正在開發(fā)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(fā)展。?AI系統(tǒng)也同時擴展我們處理數據的能力，并幫助我們發(fā)現這些數據的創(chuàng)造性用途。 除此之外，這也將激發(fā)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?！钡氖澜?，很快就會成為下一個發(fā)現的前沿。

未來智能實驗室致力于研究互聯網與人工智能未來發(fā)展趨勢，觀察評估人工智能發(fā)展水平，由中國科學院虛擬經濟與數據科學研究中心劉鋒、石勇、和劉穎創(chuàng)建。

未來智能實驗室的主要工作包括：建立AI智能系統(tǒng)智商評測體系，開展世界人工智能智商評測；構建互聯網（城市）云腦架構，形成科技趨勢標桿企業(yè)庫并應用與行業(yè)與智慧城市的智能提升。