国内对于人工智能的讨论大多是不成体系的碎片式，很难从中深入了解人工智能的发展脉络和技术体系，也很难有实际借鉴意义。德勤DUP近期发布了一份报告，对人工智能的历史、核心技术和应用情况进行了详细说明，尤其是其中重要的认知技术。这份报告将有助于我们对人工智能和认知技术进行深入了解，也有助于各行业的公司考量人工智能应用的实际价值。
　一、概述
　　近几年各界对人工智能的兴趣激增，自2011年以来，开发与人工智能相关的产品和技术并使之商业化的公司已获得超过总计20亿美元的风险投资，而科技巨头更是投资数十亿美元收购那些人工智能初创公司。相关报道铺天盖地，而巨额投资、计算机导致失业等问题也开始浮现，计算机比人更加聪明并有可能威胁到人类生存这类论断更是被媒体四处引用并引发广泛关注。
　　IBM承诺拨出10亿美元来使他们的认知计算平台Watson商业化。
　　谷歌在最近几年里的投资主要集中在人工智能领域，比如收购了8个机器人公司和1个机器学习公司。
　　Facebook聘用了人工智能学界泰斗Yann LeCun 来创建自己的人工智能实验室，期望在该领域获得重大突破。
　　牛津大学的研究人员发表了一篇报告表明，美国大约47%的工作因为机器认知技术自动化而变得岌岌可危。
　　纽约时报畅销书《The Second Machine Age》论断，数字科技和人工智能带来巨大积极改变的时代已经到来，但是随之而来的也有引发大量失业等负面效应。
　　硅谷创业家Elon Musk 则通过不断投资的方式来保持对人工智能的关注。他甚至认为人工智能的危险性超过核武器。
　　着名理论物理学家Stephen Hawking认为，如果成功创造出人工智能则意味着人类历史的终结，“除非我们知道如何规避风险。”
　　即便有如此多炒作，但人工智能领域却也不乏显着的商业行为，这些活动已经或者即将对各个行业和组织产生影响。商业领袖需要透彻理解人工智能的含义以及发展趋势。
　　二、人工智能与认知科技
　　揭秘人工智能的首要步骤就是定义专业术语，勾勒历史，同时描述基础性的核心技术。
　　1、人工智能的定义
　　人工智能领域苦于存在多种概念和定义，有的太过有的则不够。作为该领域创始人之一的Nils Nilsson先生写到：“人工智能缺乏通用的定义。” 一本如今已经修订三版的权威性人工智能教科书给出了八项定义，但书中并没有透露其作者究竟倾向于哪种定义。对于我们来说，一种实用的定义即为——人工智能是对计算机系统如何能够履行那些只有依靠人类智慧才能完成的任务的理论研究。例如，视觉感知、语音识别、在不确定条件下做出决策、学习、还有语言翻译等。比起研究人类如何进行思维活动，从人类能够完成的任务角度对人工智能进行定义，而非人类如何思考，在当今时代能够让我们绕开神经机制层面对智慧进行确切定义从而直接探讨它的实际应用。值得一提的是，随着计算机为解决新任务挑战而升级换代并推而广之，人们对那些所谓需要依靠人类智慧才能解决的任务的定义门槛也越来越高。所以，人工智能的定义随着时间而演变，这一现象称之为“人工智能效应”，概括起来就是“人工智能就是要实现所有目前还无法不借助人类智慧才能实现的任务的集合。”
　　2、人工智能的历史
　　人工智能并不是一个新名词。实际上，这个领域在20世纪50年代就已经开始启动，这段探索的历史被称为“喧嚣与渴望、挫折与失望交替出现的时代”——最近给出的一个较为恰当的评价。
　　20世纪50年代明确了人工智能要模拟人类智慧这一大胆目标，从此研究人员开展了一系列贯穿20世纪60年代并延续到70年代的研究项目，这些项目表明，计算机能够完成一系列所本只属于人类能力范畴之内的任务，例如证明定理、求解微积分、通过规划来响应命令、履行物理动作，甚至是模拟心理学家、谱曲这样的活动。
　　但是，过分简单的算法、匮乏的难以应对不确定环境（这种情形在生活中无处不在）的理论，以及计算能力的限制严重阻碍了我们使用人工智能来解决更加困难和多样的问题。伴随着对缺乏继续努力的失望，人工智能于20世纪70年代中期逐渐淡出公众视野。
　　20世纪80年代早期，日本发起了一个项目，旨在开发一种在人工智能领域处于领先的计算机结构。西方开始担心会在这个领域输给日本，这种焦虑促使他们决定重新开始对人工智能的投资。20世纪80年代已经出现了人工智能技术产品的商业供应商，其中一些已经上市，例如Intellicorp、Symbolics、和Teknowledge。
　　20世纪80年代末，几乎一半的“财富500强”都在开发或使用“专家系统”，这是一项通过对人类专家的问题求解能力进行建模，来模拟人类专家解决该领域问题的人工智能技术。
　　对于专家系统潜力的过高希望彻底掩盖了它本身的局限性，包括明显缺乏常识、难以捕捉专家的隐性知识、建造和维护大型系统这项工作的复杂性和成本，当这一点被越来越多的人所认识到时，人工智能研究再一次脱离轨道。
　　20世纪90年代在人工智能领域的技术成果始终处于低潮，成果寥寥。反而是神经网络、遗传算法等科技得到了新的关注，这一方面是因为这些技术避免了专家系统的若干限制，另一方面是因为新算法让它们运行起来更加高效。
　　神经网络的设计受到了大脑结构的启发。遗传算法的机制是，首先迭代生成备选解决方案，然后剔除最差方案，最后通过引入随机变量来产生新的解决方案，从而“进化”出解决问题的最佳方案。
　　3、人工智能进步的催化剂
　　截止到21世纪前10年的后期，出现了一系列复兴人工智能研究进程的要素，尤其是一些核心技术。下面将对这些重要的因素和技术进行详细说明。
　　1）摩尔定律
　　在价格、体积不变的条件下，计算机的计算能力可以不断增长。这就是被人们所熟知的摩尔定律，它以Intel共同创办人Gordon Moore命名。Gordon Moore从各种形式的计算中获利，包括人工智能研究人员使用的计算类型。数年以前，先进的系统设计只能在理论上成立但无法实现，因为它所需要的计算机资源过于昂贵或者计算机无法胜任。今天，我们已经拥有了实现这些设计所需要的计算资源。举个梦幻般的例子，现在最新一代微处理器的性能是1971年第一代单片机的400万倍。
　　2）大数据
　　得益于互联网、社交媒体、移动设备和廉价的传感器，这个世界产生的数据量急剧增加。随着对这些数据的价值的不断认识，用来管理和分析数据的新技术也得到了发展。大数据是人工智能发展的助推剂，这是因为有些人工智能技术使用统计模型来进行数据的概率推算，比如图像、文本或者语音，通过把这些模型暴露在数据的海洋中，使它们得到不断优化，或者称之为“训练”——现在这样的条件随处可得。
　　3）互联网和云计算
　　和大数据现象紧密相关，互联网和云计算可以被认为是人工智能基石有两个原因，第一，它们可以让所有联网的计算机设备都能获得海量数据。这些数据是人们推进人工智能研发所需要的，因此它可以促进人工智能的发展。第二，它们为人们提供了一种可行的合作方式——有时显式有时隐式——来帮助人工智能系统进行训练。比如，有些研究人员使用类似Mechanical Turk这样基于云计算的众包服务来雇佣成千上万的人来描绘数字图像。这就使得图像识别算法可以从这些描绘中进行学习。谷歌翻译通过分析用户的反馈以及使用者的无偿贡献来提高它自动翻译的质量。
　　4）新算法
　　算法是解决一个设计程序或完成任务的路径方法。最近几年，新算法的发展极大提高了机器学习的能力，这些算法本身很重要，同时也是其他技术的推动者，比如计算机视觉（这项科技将会在后文描述）。机器学习算法目前被开源使用，这种情形将促成更大进步，因为在开源环境下开发人员可以补足和增强彼此的工作。
　　4、认知技术
　　我们将区分人工智能领域和由此延伸的各项技术。大众媒体将人工智能刻画为跟人一样聪明的或比人更聪明的计算机的来临。而各项技术则在以往只有人能做到的特定任务上面表现得越来越好。我们称这些技术为认知技术（下图），认知技术是人工智能领域的产物，它们能完成以往只有人能够完成的任务。而它们正是商业和公共部门的领导者应该关注的。下面我们将介绍几个最重要的认知技术，它们正被广泛采纳并进展迅速，也获得大量投资。
　　1）计算机视觉
　　是指计算机从图像中识别出物体、场景和活动的能力。计算机视觉技术运用由图像处理操作及其他技术所组成的序列来将图像分析任务分解为便于管理的小块任务。比如，一些技术能够从图像中检测到物体的边缘及纹理。分类技术可被用作确定识别到的特征是否能够代表系统已知的一类物体。
　　计算机视觉有着广泛应用。其中包括，医疗成像分析被用来提高疾病的预测、诊断和治疗；人脸识别被Facebook用来自动识别照片里的人物；在安防及监控领域被用来指认嫌疑人；在购物方面，消费者现在可以用智能手机拍摄下产品以获得更多购买选择。
　　机器视觉作为一个相关学科，泛指在工业自动化领域的视觉应用。在这些应用里，计算机在高度受限的工厂环境里识别诸如生产零件一类的物体，因此相对于寻求在非受限环境里操作的计算机视觉来说目标更为简单。计算机视觉是一个正在进行中的研究，而机器视觉则是“已经解决的问题”，是系统工程方面的课题而非研究层面的课题。因为应用范围的持续扩大，计算机视觉领域的初创公司自2011年起已经吸引了数亿美元的风投资本。
　　2）机器学习
　　指的是计算机系统无需遵照显式的程序指令而只是依靠暴露在数据中来提升自身性能的能力。其核心在于，机器学习是从数据中自动发现模式，模式一旦被发现便可用于做预测。比如，给予机器学习系统一个关于交易时间、商家、地点、价格及交易是否正当等信用卡交易信息的数据库，系统就会学习到可用来预测信用卡欺诈的模式。处理的交易数据越多，预测就会越好。
　　机器学习的应用范围非常广泛，针对那些产生庞大数据的活动，它几乎拥有改进一切性能的潜力。除了欺诈甄别之外，这些活动还包括销售预测、库存管理、石油和天然气勘探、以及公共卫生。机器学习技术在其他的认知技术领域也扮演着重要角色，比如计算机视觉，它能在海量图像中通过不断训练和改进视觉模型来提高其识别对象的能力。现如今，机器学习已经成为认知技术中最炙手可热的研究领域之一，在年中这段时间内就已吸引了近十亿美元的风险投资。谷歌也在2014年斥资4亿美金收购Deepmind这家研究机器学习技术的公司。
　　3）自然语言处理
　　是指计算机拥有的人类般文本处理的能力，比如，从文本中提取意义，甚至从那些可读的、风格自然、语法正确的文本中自主解读出含义。一个自然语言处理系统并不了解人类处理文本的方式，但是它却可以用非常复杂与成熟的手段巧妙处理文本，例如自动识别一份文档中所有被提及的人与地点；识别文档的核心议题；或者在一堆仅人类可读的合同中，将各种条款与条件提取出来并制作成表。以上这些任务通过传统的文本处理软件根本不可能完成，后者仅能针对简单的文本匹配与模式进行操作。请思考一个老生常谈的例子，它可以体现自然语言处理面临的一个挑战。在句子“光阴似箭（Time flies like an arrow）”中每一个单词的意义看起来都很清晰，直到系统遇到这样的句子“果蝇喜欢香蕉（Fruit flies like a banana）”，用“水果（fruit）”替代了“时间（time）”，并用“香蕉（banana）”替代“箭（arrow）”，就改变了“飞逝／飞着的（like）”与“像／喜欢（like）”这两个单词的意思。
　　自然语言处理，像计算机视觉技术一样，将各种有助于实现目标的多种技术进行了融合。建立语言模型来预测语言表达的概率分布，举例来说，就是某一串给定字符或单词表达某一特定语义的最大可能性。选定的特征可以和文中的某些元素结合来识别一段文字，通过识别这些元素可以把某类文字同其他文字区别开来，比如垃圾邮件同正常邮件。以机器学习为驱动的分类方法将成为筛选的标准，用来决定一封邮件是否属于垃圾邮件。
　　因为语境对于理解“time flies（时光飞逝）”和“fruit flies（果蝇）”的区别是如此重要，所以自然语言处理技术的实际应用领域相对较窄，这些领域包括分析顾客对某项特定产品和服务的反馈、自动发现民事诉讼或政府调查中的某些含义、以及自动书写诸如企业营收和体育运动的公式化范文等。
　　4）机器人技术
　　将机器视觉、自动规划等认知技术整合至极小却高性能的传感器、致动器、以及设计巧妙的硬件中，这就催生了新一代的机器人，它有能力与人类一起工作，能在各种未知环境中灵活处理不同的任务。例如无人机，还有可以在车间为人类分担工作的“cobots”，还包括那些从玩具到家务助手的消费类产品。
　　5）语音识别技术
　　主要是关注自动且准确的转录人类的语音。该技术必须面对一些与自然语言处理类似的问题，在不同口音的处理 、背景噪音、区分同音异形异义词(“buy”和“by”听起来是一样的)方面存在一些困难，同时还需要具有跟上正常语速的工作速度。语音识别系统使用一些与自然语言处理系统相同的技术，再辅以其他技术，比如描述声音和其出现在特定序列和语言中概率的声学模型等。语音识别的主要应用包括医疗听写、语音书写、电脑系统声控、电话客服等。比如Domino’s Pizza最近推出了一个允许用户通过语音下单的移动APP。
　　上面提到的认知技术进步飞快并吸引了大量投资，其他相对成熟的认知技术仍然是企业软件系统的重要组成部分。这些日渐成熟的认知技术包括决策最优化——自动完成对复杂决策或者在资源有限的前提下做出最佳权衡；规划和调度——使设计一系列行动流程来满足目标和观察约束；规则导向系统——为专家系统提供基础的技术，使用知识和规则的数据库来自动完成从信息中进行推论的处理过程。
　　三、认知技术的广泛使用
　　各种经济部门已经把认知技术运用到了多种商业职能中。
　　1）银行业
　　自动欺诈探测系统使用机器学习可以识别出预示着欺诈性付款行动的行为模式；借助语音识别技术能够自动完成电话客服；声音识别可以核实来电者的身份
　　2）医疗健康领域
　　美国有一半的医院采用自动语音识别来帮助医生自动完成医嘱抄录，而且使用率还在迅速增长；机器视觉系统自动完成乳房X光检查和其他医学影响的分析；IBM 的Watson借助自然语言处理技术来阅读和理解大量医学文献，通过假设自动生成来完成自动诊断，借助机器学习可以提高准确率。
　　3）生命科学领域
　　机器学习系统被用来预测生物数据和化合物活动的因果关系，从而帮助制药公司识别出最有前景的药物。
　　4）媒体与娱乐行业
　　许多公司正在使用数据分析和自然语言生成技术，自动起草基于数据的的公文材料，比如公司营收状况、体育赛事综述等。
　　5）石油与天然气
　　厂商将机器学习广泛运用在矿藏资源定位、钻井设备故障诊断等众多方面。
　　6）公共部门
　　出于监控、合规和欺诈检测等特定目的，公共部门也已经开始使用认知技术。比如，乔治亚州正在通过众包的形式来进行财政披露和竞选捐助表格的数字化，在这个过程中他们就采用了一套自动手写识别系统。
　　7）零售商
　　零售商利用机器学习来自动发现有吸引力的交叉销售定价和有效的促销活动。
　　8）科技公司
　　它们正利用机器视觉、机器学习等认知技术来改进产品或者开发全新产品，比如 Roomba机器人吸尘器，Nest智能恒温器。
　　上述例子表明，认识技术的潜在商业收益远大于自动化带来的成本节约，这主要体现在：
　　更快的行动与决策（比如，自动欺诈检测，计划和调度）
　　更好的结果（比如，医学诊断、石油探测、需求预测）
　　更高的效率（亦即，更好的利用高技能人才和昂贵设备），
　　更低的成本（比如，自动电话客服减少了劳动成本）
　　更大的规模（亦即，开展人力无法执行的大规模任务）
　　产品与服务创新（从增加新功能到创造新产品）
　　四、认知技术影响力与日俱增的原因
　　在未来五年，认知技术在商业领域的影响力将显着增长。原因有二，首先，近些年来，技术性能有了实质进步，并处于持续研发状态。其次，数亿美元已经投入到技术商业化中，许多公司正致力于为各商业部门的广泛需求提供定制化开发和打包方案，以使这些技术更易购买和配置。虽然并非所有的技术提供商都能幸存，但他们的努力将共同推动市场前进。技术性能的改善和商业化正在共同扩大着认知技术的应用范围，这种情况在未来几年都将持续下去。
　　1、技术提升扩展了应用范围
　　认知技术大踏步前进的例子非常多。比如Google的语音识别系统，一份报告显示，Google用了不到两年时间就将语音识别的精准度从2012年的84%提升到如今的98%。计算机视觉技术也取得了突飞猛进的发展。如果以计算机视觉技术研究者设置的技术标准来看，自2010年到2014年，图像分类识别的精准度提高了4倍。Facebook的DeepFace技术在同行评审报告（译者注：同行评审，是一种学术成果审查程序，即一位作者的学术着作或计划被同一领域的其他专家学者评审。）被高度肯定，其脸部识别率的准确度达到97%。2011年，IBM 为了让Watson在智力节目《危险边缘》中获胜，曾对Watson进行优化，提升两倍的答案精确度。现在，IBM又宣称如今的Watson比当时“智能”了2400%。
　　随着技术的改进和提高，技术应用的范围也在不断扩大。比如，在语音识别方面，机器曾经需要大量训练才能在有限词库里勉强识别出来，由语音识别技术延伸出的医疗应用程序也很难得到真正普及。而现在，每个月互联网上都会有数以百万次的语音搜索。另外，计算机视觉技术过去被狭隘的理解为部署在工业自动化方面，但现在，我们早已看到这一技术被广泛运用到监控、安全以及各种各样的消费应用里。IBM如今正拓展Watson在竞赛游戏之外的应用，从医疗诊断到医学研究再到财务建议以及自动化的呼叫中心。
　　并不是所有的认知技术都有如此令人瞩目的发展。机器翻译有了一定发展，但幅度很小。一份调查发现，从2009年到2012年，将阿拉伯语翻译到英语的精确度仅仅提升了13%。尽管这些技术还不完美，但他们已经可以影响到专业机构的工作方式。很多专业翻译人员依靠机器翻译提升翻译精准度，并把一些常规翻译交给机器，自己专注在更具挑战性的任务上。
　　很多公司正努力将认知技术做进一步研发，并逐步将其融入到更多产品尤其是企业级产品里，以方便企业用户购买和部署。
　　2、对商业化进行的大规模投资
　　从2011年到2014年5月，超过20亿美元的风险投资流入到基于认知技术研究的产品和服务里。与此同时，超过100家的相关公司被兼并或收购，其中一些被互联网巨头如亚马逊、苹果、Google、IBM或Facebook收购。所有这些投资都在培育一个多样化的公司图谱，这些公司正在加速认知技术的商业化进程。
　　在这里，我们并不会提供关于某公司在认知技术商业化方面的细节，我们希望说明，认知技术产品拥有丰富的多样性。下面就是致力于认知技术商业化的公司名单，这个名单既不是完整无缺也非固定不变，而是一个动态的，用于推动和培育市场的指标。
　　数据管理和分析工具主要使用自然语言处理、机器学习等认知技术。这些工具利用自然语言处理来从非结构化的文本中提取出意思，或者借助机器学习帮助分析人员从大规模数据集中发现深层含义。这个领域的公司包括Context Relevant（译者注：美国的一家大数据挖掘和分析公司）、Palantir Technologies（译者注：这家公司称要将数据、技术、人类和环境连接起来）、以及Skytree（译者注：一家借助机器学习进行市场分析并提供决策依据的大数据公司）。
　　认知技术的各个部分可以被整合到各种应用和商业决策中，分别起到增加功能和提高效率的作用。例如，Wise.io公司提供一套模块来促进商业决策，比如客户支持、营销和销售，这里面会用到机器学习模型来预测哪些客户比较容易流失，以及哪些潜在客户更加容易转化。Nuance公司通过提供一种语音识别技术来帮助开发者进行需要语音控制的移动APP的开发。
　　单点解决方案。众多认知技术成熟的标志是它们正在被不断的嵌入到特定商业问题的解决方案中。这些解决方案的设计初衷是要比公司原有的解决方案更加有效，并且几乎不需要认知技术方面的专业人员。普及度比较高的应用领域包括广告、营销和销售自动化、预测以及规划。
　　技术平台。平台的目的是为建立高度定制化的商业解决方案提供基础。它们会提供一系列功能，包括数据管理、机器学习工具、自然语言处理、知识表示和推理、以及将这些定制化软件整合在一起的统一框架。
　　3、新兴应用
　　如果这些技术的表现和商业化趋势继续发展，我们就能够大胆预测认知技术的应用将更加广泛，被接受程度也会大大增加。数亿美金的投资涌入这些基于机器学习、自然语言处理、机器视觉或者机器人技术的公司，这预示着许多新应用即将投入市场。在商业机构依托认知技术构建自动化业务流程、增强产品和服务方面，我们也看到了巨大空间。
　　五、认知技术在企业的应用路径
　　认知技术将在接下来几年里变得流行。在未来2-5年，技术层面的进步和商业化将扩大认知技术对企业的影响。越来越多的企业会找到一些创新性应用来显着改善他们自身的表现或者创造新功能，以增强他们的竞争地位。企业的IT部门现在可以行动起来，增加对这些技术的了解，评估出适用这些技术的机会，将这些技术可能带来的价值向领导进行汇报。高级商务和公共部门的领导应该思考认知技术将对他们的部门以及整个公司产生何种影响，这些技术将如何激发创新并提升经营表现。
欢迎加入about云群 、 ，云计算爱好者群，关注
主题帖子积分
高级会员, 积分 1031, 距离下一级还需 3969 积分
高级会员, 积分 1031, 距离下一级还需 3969 积分
支持人工智能发展
主题帖子积分
高级会员, 积分 2389, 距离下一级还需 2611 积分
高级会员, 积分 2389, 距离下一级还需 2611 积分
谢谢楼主分享。& && &&&
主题帖子积分
高级会员, 积分 1089, 距离下一级还需 3911 积分
高级会员, 积分 1089, 距离下一级还需 3911 积分
经常参与各类话题的讨论，发帖内容较有主见
经常帮助其他会员答疑
活跃且尽责职守的版主
站长推荐 /6
about云|新出视频，openstack零基础入门，解决你ping不通外网难题
云计算hadoop视频大全(新增 yarn、flume|storm、hadoop一套视频
视频资料大优惠
大数据零基础由入门到实战
阶段1：hadoop零基础入门基础篇
阶段2：hadoop2入门
阶段3：大数据非hadoop系列课程
阶段4：项目实战篇
阶段5：大数据高级系列应用课程
阶段6：工作实用系列教程
等待验证会员请验证邮箱
新手获取积分方法
Powered by人工智能关键技术决定机器人未来
我的图书馆
人工智能关键技术决定机器人未来
点击上方“机器人圈”关注微信号目前的机器人已经能够胜任精确、重复性的工作，但很多时候，它还不能够灵活地为新任务进行自我调整，也不能应付一个不熟悉的或不确定的情景。不过，这些情况都在发生改变，机器人正在变得更加智能。我们不禁要问，让机器人实现智能的关键技术到底是什么? 这些技术在最近十年会发展到什么程度? 整个产业的应用前景将会如何？张益民 英特尔中国研究中心高级实验室主任随着家用机器人的应用需求不断增加，人工智能相关技术不断进步，硬件性能的增长，服务机器人近年来开始从实验室走向家庭，并从扫地机器人等单一功能向多功能的个人机器人发展。1&感知、认知和行为控制机器人的技术按照通常的理解分为三个部分，感知、认知和行为控制。感知主要是基于视觉，听觉及各种传感器的信息处理；认知部分则负责更高层的语义处理，如推理，规划，记忆，学习等；行为控制部分专门对机器人的行为进行控制。提到机器人，一个最近经常提及的词是人工智能。人工智能是用计算机来实现类似于人的智能行为的一门学科。机器人本身即是人工智能的一个终极应用目标之一。所以谈到机器人，人们很容易联想到人工智能。人工智能的确对于机器人非常重要，上面提到的三个部分的技术都与人工智能相关。从应用角度看，机器人由于有一定的自主性，能与人和环境交互，与之前的计算设备(包括电脑，手机等)相比，对智能的要求较高，这也是人工智能逐渐受到关注的一个原因。传统的人工智能做为一门学科，起源于20世纪50年代的达特茅斯会议，后来经过几次大起大落，在基础理论和方法上积累了丰富的成果。从早期的符号计算系统，到专家系统，再到90年代发展起来的机器学习，大数据分析，都可以算是人工智能的范畴。在图像、语音、搜索、数据挖掘、社会计算等领域，又派生出了一些相关的应用研究。其中与机器人联系较为紧密的包括计算机视觉，语音和自然语言处理，还有智能体(Agent)等。从技术上看，人工智能要达到人类级别的智能，要走的路还非常远，因为目前对人的智能机理尚未研究清楚。但从实用角度看，根据目前技术的进展，如果能够部分模拟人的智能行为(比如认出主人并进行相应的交互)并达到较好的用户体验，将会在短期内取得突破性进展。当然这在技术研发上还需进一步解决技术的实用性、鲁棒性问题。毕竟以往的不少机器人都还在实验室或者受限的环境中(比如养老院)进行研发和测试，而新兴的家庭服务机器人，将在家庭环境中独立或者半独立地(通过与人的协作)完成某些服务，这对技术的鲁棒性提出了更高要求。其中的一些，如计算机视觉、语音识别等核心技术还在不断地改进中，还没有发展到完全成熟。所有这些，都决定了需相当深入的研发工作，才能实现真正的实用化、智能化的家庭服务机器人系统。2&机器人不是一堆机械和芯片在以往对服务机器人的研究中，一个典型的目标应用是机器人可以做家务劳动，这就要求机器人可以用手臂去操作物体(抓放)。在这些方面的研究虽然较多，但从目前的技术进展看，在几年内实现机器人做家务劳动，仍有诸多的挑战。1.目前的机器人，尤其是人形机器人的成本过高。举例说，一条机器人的手臂可能需几万美元，而机器人的手部就需要1万多美元，整个机器人的造价，更是普通家庭无法承受的。2.机械手的灵巧程度，仍然难以和人手相媲美。3.在安全性方面也存在需要解决的问题。有着钢铁之躯的机器人一旦进入家庭，由于程序错误，不小心挥挥手、伸伸胳膊，都可能对血肉之躯的人造成巨大伤害。&机器人如果暂时不能做家务劳动那又有何用，这是不少人关心的一个问题。如果不能应用，机器人不过是一堆机械和芯片而已。目前除了类似扫地机器人这样能够实现比较单一功能的机器人外，还有不少机器人的用途正在发展之中。机器人作为一个新型智能设备，普通用户最关心的是机器人可以为他们做些什么? 如前文所述，机器人目前还难以实现类似做家务这样的应用。而要达到人的智力水平，也还需要较长的发展时间。所以在应用方面也需要针对人工智能技术，特别是感知认知技术的现状进行设计，要充分利用最新技术，实现在过去看来不可能实现的功能。预计未来十年，市场上出现的服务机器人将具有以下特点。1.机器人将实现低成本。在前文中提到，如果让服务机器人进入专业或家庭服务领域，成本需足够低。专业服务机器人的成本可以相对高些，而家庭服机器人则需严格控制成本。2.机器人将拥有多功能特点。目前在家庭中使用的服务机器人主要是扫地机器人这样能够实现单一功能的机器人。未来多功能的机器人将有较大的发展，出于成本考虑，机器人中的某些处理器将可以用于多种应用。同时随着技术的发展，机器人的应用将越来越多，机器人将可以像人一样完成不同的任务。&3.具有独特的应用。这是用户购买使用服务机器人的主要动机，这些应用不是简单移植已有的电脑或手机的应用，而是具有独特的机器人应用的特点，如自主性，操控类似于人并能够与人进行互动等。4.可与人协作完成任务。因为机器人是为人服务的，所以需要与人进行多方面的互动，以了解主人对服务的需求。另一方面是受制于机器人的智能和人相比还是有很大差距，所以有些任务还不能独立完成，需借助于人的帮助才能完成。5.机器人将有高安全性特点。这包含信息安全和物理安全两方面。即不给用户带来安全隐患, 甚至能主动检测并制止一些有潜在安全威胁的行为。著名的阿西莫夫三大定律，规定了基本的机器人安全规则。当然如何具体实现这些安全性，尤其是物理安全，还需要在机器人硬件和软件上下功夫。家庭服务机器人和专业服务机器人的未来将会如何发展，已成为业界关心的话题。家庭服务机器人将会实现如下几类较典型的应用。1.家庭服务机器人将实现各种助手类的应用。智能手机上流行的个人助理软件(Siri, Cortana等)，将从虚拟的无形演变为有物理外形的机器人能够实现的功能。可以设想，机器人助手可以帮用户查询一些如：天气，限行尾号等信息，或对用户进行提醒。听上去好像与手机上的体验并无区别，但实际上在体验上已有不少改变。用户和机器人互动的时候可用更自然的方式，像和人交流一样，甚至可以看到机器人的表情，使服务显得更加个性化。除了这些应用，服务机器人还可在更多的场景中作为人的助手。比如服务机器人可以作为人的健身助手(见图1)，当人在健身的时候,机器人可像健身教练一样提供一些建议。相信此类应用随着技术的发展，将会越来越丰富。2.家庭服务机器人将助力少儿教育。因为服务机器人具有自主性和移动性，将会为少儿教育带来无限的可能和更广泛的应用空间。3.家庭服务机器人将可实现老人看护。包括中国在内的许多国家，正在或将要步入老龄化社会。中国的老人一般希望居家养老，而子女又忙于工作，即使住在一起也无法一直在身边照看老人。诸如提醒老人吃药或紧急情况时及时救助等，如果能由家庭服务机器人来完成，将大大提高老人居家养老的生活质量，也使得子女更放心。老人看护将是未来机器人的一个应用热点，具有极大的社会价值。机器人能完成的事还有很多，除了与健康辅助直接相关的功能，还可帮助老人读书读报，与老人简单聊天等，进行情感方面的关怀。&对于专业服务机器人，其应用根据专业应用领域的不同，而有较大区分。1.在物流中心进行货物分发。据悉，这项应用已开始在亚马逊等公司实际使用。未来将不断地升级，如能够自动取货等。2.在零售店，柜台，前台等处为客户服务。这些服务机器人能够和客人打招呼，并回答一些基本问题，还可以帮客户提包，端茶送水，并为客户指路。3.机器人摄影师。机器人摄影师可以不知疲倦地穿梭于宾客之间，帮人们拍出高质量的照片。当然此功能在家庭服务机器人上，同样是个新鲜的功能。4.智能安防机器人。在一些警力不足的地方，如果有智能安防机器人24小时巡逻，则会有很好的震慑力，减少犯罪的发生。3&关键技术与挑战可以预见，未来服务机器人有不少有趣的应用，但从技术实现的角度看还存在诸多挑战。前面提到过机器人的三大技术领域，包括感知、认知和行为控制。其中行为控制技术相对来说，已经有不少技术积累。而对于在不久的将来可以实际大规模应用的服务机器人，将会更偏向于发展低成本的机器人。诸如机械结构比较简单的轮式机器人(只有轮式移动平台加上一个可活动的头，一般没有手臂或者手臂比较简单)，由于其控制部分较为简单，因此在感知和认知方面的技术，显得尤为重要。根据以往机器人领域的研究进展和对应用的初步分析可以认为如下的感知、认知技术，将是实现应用的关键。1.三维导航定位技术。不管什么机器人，只要可移动，即需要在家庭或其他环境中进行导航定位。其中SLAM(Simultaneous Localization and Mapping)技术可同时进行定位和建图，在学术研究方面已经有不少技术积累。但对于实际系统，由于实时性低成本(比如无法采用比较昂贵的雷达设备)的要求和家庭环境的动态变化(物品的摆放)，因而对导航定位技术提出了更高要求，仍需进一步研发。&2.视觉感知技术。其中包含人脸识别、手势识别、物体识别和情绪识别等相关技术。视觉感知技术，是机器人和人交互的一个非常重要的技术。3.语言交互技术。其中包含语音识别、语音生成、自然语言理解和智能对话系统等。4.文字识别技术。生活中有不少文字信息，如书报和物体的标签信息，这也要求机器人能够通过摄像头来进行文字识别。与传统的扫描后识别文字相比，其可通过摄像头来进行文字的识别。5.认知技术。机器人需要逐步实现规划、推理、记忆、学习和预测等认知功能，从而变得更加智能。从目前的研究现状看，服务机器人面对的关键技术均有了长足进步，但还有相当多的问题要解决。4&推动技术的研发与实际应用结合英特尔中国研究院的一个重要研究方向是服务机器人，研究范围主要包括鲁棒的三维导航定位、人和环境的视觉感知以及人-机器人交互(包含感知、认知、行为控制的结合)等领域，致力于为英特尔的合作伙伴提供先进的服务机器人技术。研究方法以特定的目标应用领域为出发点，并以此来推动技术的研发和在实际应用中的测试。前面提到的助手类应用、少儿教育应用、老人看护应用，是研究重点。为了进行应用测试，英特尔中国研究院建立了实际的机器人硬件原型，图3是平板机器人原型。左边是其内部结构，由一个带有英特尔Realsense摄像头的电脑来控制一个全向移动底盘和头部的转动，其高度可调，以便适应成人与儿童的互动要求。目前研究院已经在视觉感知等领域取得了阶段性成果。如图4中，显示了利用Realsense摄像头和SLAM技术生成家庭环境地图，这在后续就可用来定位导航。研究院还开发了鲁棒的跟踪技术，可在多人同时出现的情况下，长时间正确地跟踪一个特定用户。在未来还会研发出更多相关技术和应用，这些技术也将服务于业界的合作伙伴助力开发出先进的服务机器人产品。5&推动技术的研发与实际应用结合对于机器人技术，大家关心的一个问题是，是否需要采用专用的人工智能芯片。目前探索的一个方向被称作混血计算(Hybrid computing),其是指用通用处理器和其他架构一起合作来进行计算。不过，还处于早期探索的阶段。一个架构是否能成功地应用于服务机器人，需要看性能是否满足应用的需求，功耗等是否合适，这是一个考虑多种因素平衡的选择。可以说现在的通用处理器与已有的一些其他计算单元(如向量处理单元、GPU)，已经可以为服务机器人提供一个理想的硬件架构，尤其是多功能的具有感知、认知功能的服务机器人。目前机器人主要的瓶颈，还是在应用需求的开发和感知、认知技术上。当然，未来的架构，也会随着对应用的深入开发而不断创新。硬件设计面临的挑战越来越大，需要不断地适应未来发展的演变。同时也可以考虑用FPGA架构来为一些比较专门的应用提供加速，这样在应用发生变化的时候，将具有更多的灵活性。来源：赛迪机器人产业杂志长按上图，选择“识别图中二维码”，关注公众号公众号简介“机器人圈”是由工业和信息化部主管的《机器人产业》杂志社运营的官方微信号。我们将在此分享机器人、智能领域的相关信息，并使其成为全产业生态圈的互动平台。《机器人产业》杂志长按识别二维码在线购买?欢迎订阅国内刊号：CN10-1324/TP国际刊号：ISSN邮发代号：82-933
发表评论：
TA的最新馆藏[转]&