人工智能传感器超厉害的功能，带你进入一个新行的数据世界！

　　在经济学中，有一个名词叫作“网络效应”，它意味着，当更多消费者使用某产品时，其产品本身的价值也会随着消费者数量的增加而增加。例如，像淘宝和今日头条这样的平台，使用者的数量越多，其平台获得的数据也就越多，而机器学习模型可以通过越来越多的数据训练得到更加精确的模型，给客户带来更好的体验，简单的说，越来越多的“网络效应”在目前的互联网中出现，其背后的原理，便是人工智能技术。

　　在人工智能技术的研究中，本身也存在着一定的“网络效应”。随着人工智能技术的发展，此前并不能完全应用到的传感器及其他技术都被充分利用在自动驾驶和机器人的研究中。

　　自动驾驶汽车和其他智能机器人都依赖于传感器，这些传感器能产生许多高度变化的数据，用于构建更好的人工智能模型，而机器人需要依靠这些模型进行实时决策，并在真实环境中进行导航。

　　如今，传感器和人工智能的融合在智能机器人的核心上，产生了一个良性的反馈循环，或者我们可以称之为“机器人网络效应”。我们目前正处于引爆这一网络效应的临界点，并改变机器人技术。

　　快速发展的人工智能硬件，离不开传感器的支持

　　要理解为什么机器人技术是人工智能的下一个前沿，我们要退后一步，先理解人工智能本身是如何演变的。

　　近年来，不断发展的机器智能系统能够利用大量的数据，而这些数据在上世纪90年代中期还没有出现，当时的互联网也还处于起步阶段。存储和计算的进步让快速且可负担地处理大量数据成为可能。但是这些工程的改进并不能解释人工智能的快速发展。

　　开源机器学习库和框架扮演了一个重要的角色。15年前，当科学计算框架Torch在BSD开源许可下发布时，它包含了许多数据科学家常用的算法，包括深度学习、多层感知器、支持向量机以及K-临近算法(KNN:K-Nearest Neighbors)。

　　最近，像TensorFlow和PyTorch这样的开源项目已经为这个共享知识库做出了巨大的贡献，以帮助不同背景的软件工程师开发新的模型和应用序。领域专家需要大量的数据来创建培训这些模型。所以，大型企业拥有绝对的优势，因为它们可以利用现有的数据网络效应。

　　传感器神奇的数据处理能力

　　自20世纪60年代初以来，光探测和测距(激光雷达)传感器已经存在。自此以后，它们就被应用于地理信息学、考古学、林业、大气研究、国防和其他工业领域。近年来，激光雷达成为了自主导航的首选传感器。

　　谷歌自动驾驶汽车上的激光雷达传感器每秒可产生750MB的数据。机载的8台计算机视觉摄像机每秒钟能产生1.8 GB的数据。所有这些数据都必须实时处理，但集中计算(在云计算中)对于实时、高速度的情况来说是不够快的。为了解决这个瓶颈，科学家通过将处理推到边缘，或者，在机器人上，来分散计算。

　　目前，大多数自动驾驶汽车的解决方案是使用两个车载“盒子”，每个“盒子”都配备了英特尔的Xeon E5 CPU和4到8个Nvidia K80 GPU加速器。在峰值性能方面，这消耗了超过5000W的电力。最近的硬件创新，如Nvidia全新的Drive PX Pegasus，可以每秒进行320万亿次计算操作，它正开始更有效地解决这一瓶颈。

　　人类既能处理传感器数据，又能融合各种数据形式的能力，将继续推动智能机器人的发展。为了使传感器融合能够实时发生，人类需要将机器学习和深度学习模型放在边缘。当然，分散式人工智能对分散式处理器也有一定的要求。

　　幸运的是，机器学习和深度学习计算正在变得更加高效。比如，Graphcore的智能处理单元(IPU)和谷歌的张量处理单元(TPU)，正在降低成本，并在规模上加快神经网络的性能。

　　在其他方面，IBM正在开发模仿大脑解剖的神经形态芯片。原型使用一百万个神经元，每个神经元有256个突触。这个系统可以有效解释感官数据，因为它的设计近似人类大脑对知觉数据的解读和分析。

　　所有来自传感器的数据结果意味着，我们正处于机器人网络效应的边缘，这一转变将对人工智能、机器人技术以及它们的各种应用产生重大影响。

　　人工智能技术突破下的一个新的数据世界

　　机器人网络效应让新技术和机器不仅能够处理更大的数据量和速度，还能扩大数据的多样性。新的传感器将能够检测和捕获人类可能没有想到的数据，因为人类的感知是有限的。机器和智能设备可以把数据反馈到云端和邻近的代理上，为决策提供信息，加强协调，并在持续的模型改进中发挥重要作用。

　　这些进步比许多人的意识要快得多。举个例子， Aromyx利用受体和先进的机器学习模型来建立传感器系统，是一个用于数字捕捉，索引以及搜寻气味和味觉数据的平台。该公司的EssenceChip是种一次性传感器，当人类闻到或品尝食物或饮料时，它可以输出与人类鼻子或舌头发送到大脑相同的生化信号。

　　Open Bionics正在开发一套机器人假肢，它依靠臂内的传感器收集的触觉数据来控制手和手指的运动。这种非侵入式设计利用了机器学习模型，将电极感受到的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人工智能的发展。人工智能系统将同时扩展人类处理数据的能力，并发现这些数据的创造性用途。在其他方面，这也会激发新的机器人形态因素，收集更广泛的数据形式。当我们以新的方式提升“看”的能力时，日常世界就会迅速成为下一个伟大的发现领域。