在經濟學中，有一個名詞叫作“網絡效應”，它意味著，當更多消費者使用某產品時，其產品本身的價值也會隨著消費者數量的增加而增加。例如，像淘寶和今日頭條這樣的平臺，使用者的數量越多，其平臺獲得的數據也就越多，而機器學習模型可以通過越來越多的數據訓練得到更加精確的模型，給客戶帶來更好的體驗，簡單的說，越來越多的“網絡效應”在目前的互聯網中出現，其背后的原理，便是人工智能技術。

　　在人工智能技術的研究中，本身也存在著一定的“網絡效應”。隨著人工智能技術的發展，此前并不能完全應用到的傳感器及其他技術都被充分利用在自動駕駛和機器人的研究中。

　　自動駕駛汽車和其他智能機器人都依賴于傳感器，這些傳感器能產生許多高度變化的數據，用于構建更好的人工智能模型，而機器人需要依靠這些模型進行實時決策，并在真實環境中進行導航。

　　如今，傳感器和人工智能的融合在智能機器人的核心上，產生了一個良性的反饋循環，或者我們可以稱之為“機器人網絡效應”。我們目前正處于引爆這一網絡效應的臨界點，并改變機器人技術。

　　快速發展的人工智能硬件，離不開傳感器的支持

　　要理解為什么機器人技術是人工智能的下一個前沿，我們要退后一步，先理解人工智能本身是如何演變的。

　　近年來，不斷發展的機器智能系統能夠利用大量的數據，而這些數據在上世紀90年代中期還沒有出現，當時的互聯網也還處于起步階段。存儲和計算的進步讓快速且可負擔地處理大量數據成為可能。但是這些工程的改進并不能解釋人工智能的快速發展。

　　開源機器學習庫和框架扮演了一個重要的角色。15年前，當科學計算框架Torch在BSD開源許可下發布時，它包含了許多數據科學家常用的算法，包括深度學習、多層感知器、支持向量機以及K-臨近算法(KNN:K-Nearest Neighbors)。

　　最近，像TensorFlow和PyTorch這樣的開源項目已經為這個共享知識庫做出了巨大的貢獻，以幫助不同背景的軟件工程師開發新的模型和應用序。領域專家需要大量的數據來創建培訓這些模型。所以，大型企業擁有絕對的優勢，因為它們可以利用現有的數據網絡效應。

　　傳感器神奇的數據處理能力

　　自20世紀60年代初以來，光探測和測距(激光雷達)傳感器已經存在。自此以后，它們就被應用于地理信息學、考古學、林業、大氣研究、國防和其他工業領域。近年來，激光雷達成為了自主導航的首選傳感器。

　　谷歌自動駕駛汽車上的激光雷達傳感器每秒可產生750MB的數據。機載的8臺計算機視覺攝像機每秒鐘能產生1.8 GB的數據。所有這些數據都必須實時處理，但集中計算(在云計算中)對于實時、高速度的情況來說是不夠快的。為了解決這個瓶頸，科學家通過將處理推到邊緣，或者，在機器人上，來分散計算。

　　目前，大多數自動駕駛汽車的解決方案是使用兩個車載“盒子”，每個“盒子”都配備了英特爾的Xeon E5 CPU和4到8個Nvidia K80 GPU加速器。在峰值性能方面，這消耗了超過5000W的電力。最近的硬件創新，如Nvidia全新的Drive PX Pegasus，可以每秒進行320萬億次計算操作，它正開始更有效地解決這一瓶頸。

　　人類既能處理傳感器數據，又能融合各種數據形式的能力，將繼續推動智能機器人的發展。為了使傳感器融合能夠實時發生，人類需要將機器學習和深度學習模型放在邊緣。當然，分散式人工智能對分散式處理器也有一定的要求。

　　幸運的是，機器學習和深度學習計算正在變得更加高效。比如，Graphcore的智能處理單元(IPU)和谷歌的張量處理單元(TPU)，正在降低成本，并在規模上加快神經網絡的性能。

　　在其他方面，IBM正在開發模仿大腦解剖的神經形態芯片。原型使用一百萬個神經元，每個神經元有256個突觸。這個系統可以有效解釋感官數據，因為它的設計近似人類大腦對知覺數據的解讀和分析。

　　所有來自傳感器的數據結果意味著，我們正處于機器人網絡效應的邊緣，這一轉變將對人工智能、機器人技術以及它們的各種應用產生重大影響。

　　人工智能技術突破下的一個新的數據世界

　　機器人網絡效應讓新技術和機器不僅能夠處理更大的數據量和速度，還能擴大數據的多樣性。新的傳感器將能夠檢測和捕獲人類可能沒有想到的數據，因為人類的感知是有限的。機器和智能設備可以把數據反饋到云端和鄰近的代理上，為決策提供信息，加強協調，并在持續的模型改進中發揮重要作用。

　　這些進步比許多人的意識要快得多。舉個例子， Aromyx利用受體和先進的機器學習模型來建立傳感器系統，是一個用于數字捕捉，索引以及搜尋氣味和味覺數據的平臺。該公司的EssenceChip是種一次性傳感器，當人類聞到或品嘗食物或飲料時，它可以輸出與人類鼻子或舌頭發送到大腦相同的生化信號。

　　Open Bionics正在開發一套機器人假肢，它依靠臂內的傳感器收集的觸覺數據來控制手和手指的運動。這種非侵入式設計利用了機器學習模型，將電極感受到的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人工智能的發展。人工智能系統將同時擴展人類處理數據的能力，并發現這些數據的創造性用途。在其他方面，這也會激發新的機器人形態因素，收集更廣泛的數據形式。當我們以新的方式提升“看”的能力時，日常世界就會迅速成為下一個偉大的發現領域。