AI創新或觸發“機器人網絡效應”，促進機器人技術加速發展
據外媒報道，任何考慮過擴展業務或構建網絡的人都應該熟悉所謂的網絡效應。例如，使用eBay等平臺的買家和賣家越多，它就會顯得越有用。數據網絡效應是一種動態效應，隨著使用這種服務的增多，實際上也有助于改善服務本身，比如隨著接受的訓練數據增多，機器學習模型通常會變得更加精確。
無人駕駛汽車和其他智能機器人依靠傳感器來產生越來越多、高度變化的數據。這些數據被用來構建更好的AI模型，而機器人依靠這些模型做出實時決策，并在現實環境中導航。作為當今智能機器人的核心，傳感器和AI相融合正產生良性的反饋回路，或者我們所說的機器人網絡效應。我們目前正處于機器人網絡效應臨界點的邊緣，這將大幅加速機器人技術的發展。
AI快速發展
為了理解機器人為什么是AI的下一個前沿，我們需要退后一步，首先了解AI是如何進化的。近年來發展起來的機器智能系統能夠利用大量的數據，而這些數據在20世紀90年代中期還不存在，那時的互聯網還處于初級階段。存儲和計算技術的進步，使快速、廉價地存儲和處理大量數據成為可能。但這些工程的改進無法解釋AI迅速發展的原因。
開源機器學習庫和框架扮演了安靜但同樣重要的角色。15年前，工業機器人維修，當科學計算框架Torch在BSD開放源碼許可下發布時，它包含了許多數據科學家常用的算法，比如深度學習、多層感知器、支持向量機和K-近鄰算法（K-nearestneighbors）等。
最近，像TensorFlow和PyTorch這樣的開源項目為這個共享知識庫做出了寶貴的貢獻，幫助具有不同背景的軟件工程師開發新的模型和應用。領域專家需要大量的數據來創建和培訓這些模型。大型企業有很大的優勢，因為它們可以利用現有的數據網絡效應。
傳感器數據和處理能力
激光雷達（lidar）傳感器自上世紀60年代初就已經存在，它們已經被應用在地理、考古、林業、大氣研究、國防和其他領域中。近年來，激光雷達成為無人駕駛導航的首選傳感器。谷歌（微博）無人駕駛車輛上的激光雷達傳感器每秒可產生750MB數據，8部車載計算機視覺攝像頭每秒可以產生另外1.8GB數據。所有這些數據都必須被實時處理，庫卡機器人何服電機維修，但是集中式計算（云端）對處理實時高速的運算來說還不夠快。為了解決這個瓶頸，我們開始開發邊緣計算。而在機器人身上，我們則采用車載計算。
目前大多數無人駕駛汽車的解決方案是使用兩個車載盒子，每個都配備了英特爾XeonE5CPU和4到8個NvidiaK80GPU加速器。在達到最高性能時，這要消耗超過5000瓦的電力。最近的硬件創新，如Nvidia的新驅動器PXPegasus，可以支持每秒320萬億次計算操作，開始更有效地解決這一瓶頸。
AI突破
我們能夠同時處理傳感器數據和融合各種數據的能力，將繼續推動智能機器人的進化。為了讓這種傳感器融合實時發生，我們需要將機器學習和深度學習模型置于邊緣計算中。當然，分散式AI增加了分散式處理器的需求。
幸運的是，機器學習和深度學習計算正在變得更加高效。舉例來說，Graphcore的智能處理單元（IPU）和谷歌的張量處理單元（TPU）成本正在下降，并在大規模加速神經網絡的性能。
在其他領域，IBM正在開發模仿大腦解剖學的神經形態芯片。其原型使用100萬個神經元，庫卡機器人驅動器維修，每個神經元有256個突觸。這個系統特別適合解釋感覺數據，因為它的設計是為了模仿人類大腦對感知數據的解釋和分析。所有這些來自傳感器的數據結果表明，我們正處于機器人網絡效應的邊緣，這一轉變將對AI、機器人技術及其各種應用產生巨大影響。
新的數據世界
機器人網絡效應將使新技術和機器不僅能更快地處理更多數據，而且還能擴展數據的種類。新的傳感器將能夠探測和捕捉我們可能根本未曾考慮到的數據，因為人類的感知能力有限。機器和智能設備將把豐富的數據貢獻給云端和鄰近的代理，通知決策，增強協調，并在持續的模型改進中扮演重要角色。
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建立傳感器系統以及一個數字捕捉、索引和搜索氣味以及味道數據的平臺。該公司的EssenceChip是一種一次性傳感器，可以輸出人類鼻子或舌頭在聞到或品嘗食物或飲料時發出的相同生化信號。OpenBionics正在開發機器人假體，它依賴于從手臂套內嵌入的傳感器收集的觸覺數據來控制手掌和手指的動作。這種非入侵性設計利用機器學習模型將電極上的精細肌肉張力轉化為仿生手的復雜運動反應。
傳感器數據將有助于推動AI的發展。AI系統將同時擴展我們處理數據的能力，并發現這些數據的創造性用途。在其他方面，這將激發新的機器人形態因素，能夠收集更廣泛的數據模式。隨著我們以新的方式看到我們的能力進化，日常世界正迅速成為技術發現的下一個偉大前沿。