人工智能开启了新一代机器人技能Robotics 2.0，最大改变是从原来人工编写程序而来的自动化，迈向了真正的自主学习。
本文将考试测验揭开人工智能(AI)运用的神秘面纱，帮忙读者理解AI机器人将如何影响我们的未来，并厘清我们常常听到，但却着墨不多、乃至根本尚未全然理解的主题。

本文为「Robotics 2.0」系列文章的第一篇，讲述机器人技能与AI对付各大家当和未来事情的影响。
我们将谈论AI将如何开释机器人技能的潜力，这项新技能的寻衅和机会，以及这统统将如何影响我们的生产力、就业状况、乃至日常生活。
在人工智能被大肆宣扬确当下，我们希望透过这些文章鼓励更有培植性和全面性的磋商。

01 重新定义机器人：揭开次世代AI机器人Robotics 2.0的神秘面纱

提到机器人，我们总有各式各样天马行空的想象：从Softbank（软银集团）的社交机器人Pepper、能轻松后空翻的Boston Dynamics公司机器人Atlas、《妖怪闭幕者》（Terminator）系列电影的人造人杀手，到电视影集《西方极乐园》（ West World）中随处可见、维妙维肖的拟真机器人角色。

我们常常听到两极化的不雅观点；有些人方向高估机器人模拟人类的能力，认为机器终将取代人类，有些人则对新研究和技能的潜力太过悲观。

在过去一年之中，许多创业、科技、新创业界的朋友都曾问过我，在AI，尤其是深度强化学习和机器人技能的领域，究竟有哪些「实际」进展？

令人最为好奇的是：

AI机器人和传统机器人有什么不一样？ AI机器人是否真有颠覆各大家当的潜力？ 它的能力和限定又是什么？

看来，想要理解现在的技能进步和家当格局，是出乎猜想的困难，更不用说要对未来做出预测。
藉由这篇文章，我考试测验揭开人工智能运用于机器的神秘面纱，厘清这个我们常常听到，但却着墨不多、或根本未全然理解的主题。

首先必须回答的基本问题：什么是AI机器人（AI-enabled Robotics）？ 它们又有什么独特之处？

02 机器人演进：从自动化到自主化

「机器学习办理了以往『对打算机困难，对人来说却随意马虎』的各种问题，或以更随意马虎理解的办法来说，便是办理了『人类很难让打算机也理解』的问题。
」

——Benedict Evans，安霍创投（a16z）

AI所造就的机器人技能领域，最大成果是从原来的「自动化」（工程师藉由程序设计编写规则，让机器人遵守）迈向了真正的「自主学习」。

如果机器人只须要处理一件事情，那么，它到底有没有人工智能，差别实在看不出来；但是，如果机器人须要处理各式各样的任务、或是相应人类与环境的变革，就须要一定程度的自主机能力胜任。

我们不妨借用下列不同等级的自驾车定义，一并阐明机器人的演化：

Level 0 —无自动化：由人类操作机器，没有机器人的参与。
(机器人的普遍定义，是指有能力自行从事繁芜动作的可程序化拟人机器)。
Level 1 —单一自动化运作：单一功能已自动化，但不该用环境信息。
这是自动化与制造业中传统的机器人利用现况。
透过程序编辑，机器人能够以高精度与速率重复实行特定事情；但直至目前为止，多数实际利用的机器人都无法感知或应变环境的变革。
Level 2 —部分自动化：透过环境感知所输入的特定功能，帮忙机器进行决策。
例如某些机器人透过视觉传感器，识别并搪塞不同的工具：然而，传统的打算机视觉，须要对每个工具进行预先登记和清楚的指示，且机器人还是缺少处理变更、意外状况、或是新工具的能力。
Level 3 —条件式自主：机器掌握了所有的环境监控行为，但仍须要人为检讨关注与（实时）参与。
Level 4 —高度自主：在某些情形下、或是定义的区域内完备自主。
Level 5 —完备自主：在任何状况下均可完备自主，不需人为参与。

03 我们现在处于哪一种自主等级呢？

现在，工厂里多数机器人都是透过开放式回路、或是非回馈办法予以掌握。
这意味着它们的运作与传感器回馈各自独立、彼此互不影响（level 1）。

少数在工厂中的机器人，会根据传感器回馈而调度操作（level 2）；此外还有协作型机器人（cobot），他们的操作更加大略安全，因此能与人类共同作业。
然而，相较于家当用机器人，这种机器人的精确度和速率却相形失落色。

其余，虽然协作型机器人的程序化相对大略，但它们仍旧不具有自主学习性；每当事情内容或环境有所变动时，就须要由人类手动勾引协作机器人进行调度，或是重新编写程序，机器本身无法自主举一反三，弹性应变。

深度学习(Deep Learning)和强化学习(Reinforcement Learning)能帮助机器人自主处理各种工具，将人类的参与程度降到最低。

我们已经开始看到一些利用AI 机器人（level 3/4）的前导试行项目，例如「仓储拣货」便是一个很好的例子。
在货运仓库中，员工须要根据客户需求，将数百万种不同的产品放入箱子里。
传统的打算机视觉没办法处理如此广泛的物品种别，由于每个物品都须要事先登录、并针对机器人须要采纳的动作，前辈行程序设计。

然而，现在由于深度学习和强化学习技能，机器人能够开始自主学习处理各种工具，降落人类的参与程度。
在机器人的学习过程中，可能会涌现它未曾遇过的某些货品，而须要人类的帮忙或示范（level 3）。
但是，随着机器人搜集更多的数据、从试验和缺点中学习（level 4），算法也将日益改进，迈向完备自主。

就像自驾汽车家当一样，机器人新创公司也采纳了不同的策略：有些公司看年夜大好人类和机器人之间的互助，专注于level 3的研发；有些公司则相信，机器终将实现真正的完备自主，于是他们跳过level 3，直接着眼于level 4、乃至到level 5。

这也是为什么我们很难评估现在家当自主程度的缘故原由之一。

新创公司有可能自称致力于研究level 3/4的自主系统，但实际上却是大量委外，以人工远程操控机器。
在无法理解其内部软件及AI产品发展程度的条件下，光从机器外不雅观看不出远程操控和自主学习的差别。
另一方面，目标为level 4/5的新创公司，万一无法在短韶光取得空想结果，可能反而降落了客户的早期采取意愿、并导致早期阶段的数据搜集更加困难。

在本文的后半部分，我将进一步谈论新创公司的不同的商业策略思考。

04 AI机器人的崛起：利用范围不再局限于仓储管理

有趣的是，机器人的人工智能运用潜能乃至高于无人车，由于机器人有各式各样的运用与家当，因此从某种意义上说，机器人该当比汽车更随意马虎实现level 4目标。

AI机器手臂开始在仓库中被采取，便是最好的例子。
由于仓库属于「半受控」的环境，不愿定性相对低。
其余，拣货作业虽然关键、但能容许缺点。

至于自主居家型或手术机器人，则要等到更迢遥的未来才能实现；毕竟干系环境的变量更多，且有些任务具备不可逆性，以及一定程度的危险性。
但是，可以预见的是，随着技能精度、准确性、可靠性的与时俱进，我们将看到更多家当采取AI机器人。

许多家当还没有利用机器手臂，紧张缘故原由在于传统机器人和打算机视觉的限定。

目前天下上只有大约300万台机器手臂，个中大多数从事搬运、焊接、装置等任务。
到目前为止，除了汽车业和电子业以外，仓储、农业和其他家当，险些都还没有开始利用机器手臂；紧张缘故原由，就在于上述传统机器人和打算机视觉的限定。

在接下来的几十年中，随着深度学习(DL)、强化学习(RL)、以及云端技能开释出的机器人潜力，我们将看到新一代机器人带来的爆炸式增长、并改变家当格局。
个中，AI机器人的发展契机有哪些？ 新创公司和现有业者，又采纳了哪些不同的方法和商业模式，来因应新科技带来的变革？

05 新世代AI机器人新创公司家当概况

接下来，我会先容不同市场区隔中的几间范例公司。
这样的大要先容，当然无法涵盖所有企业的状况；欢迎你供应其他公司及运用案例，一起让内容更加完备。

AI/Robotics新创公司市场概况（作者供应）

06 垂直运用与水平运用

研究新世代机器人新创家当构造，可以看到两种截然不同的商业模式。

1. 垂直运用

第一种是垂直运用：硅谷当地多数的新创公司，专注于为特定的垂直市场开拓办理方案；如电子商务物流、制造业、农业等等。

这种供应完全办理方案的作法相称合理，毕竟干系技能还处于抽芽阶段；公司不依赖他人供应关键模块或组件，而是建构端对真个办理方案。
这种垂直整合的办理方案能更快进入市场，也能确保公司更全面节制终端用户的案例与效能表现。

但是，要找到像「仓库分拣」这样相对随意马虎实现的运用案例，则没有那么随意马虎。
仓库拣货是相对大略的事情，客户的投资意愿与技能可行性都较高，而且每个仓库险些都有相同的拣货需求。

但在其他家当（如制造业）中，装置任务可能因工厂而各不相同；其余，在制造业中实行的任务，也须要更高的精度和速率，技能上相对困难。

目前具有学习能力的机器人，仍无法达到与封闭回路机器人相同的精度。

只管机器学习能让机器人与时俱进，但目前透过机器学习运作的机器人，仍无法达到与封闭回路机器人相同的精度，由于它须要累积考试测验缺点的履历，从缺点中学习，逐渐进步。

这点解释了为什么Mujin和CapSen机器人这样的新创公司，并未采取深度强化学习，反而选择利用传统打算机视觉。

然而，传统打算机视觉哀求每个工具都要事先登录，究竟还是缺少扩充温柔应变革的能力。
一旦深度强化学习(DRL)达到了效能门坎、逐步成为家当主流，这种传统方法究竟会变得无用武之地。

此外，这些新创公司的另一个问题，在于它们的代价每每遭到高估。
我们常常看到，新创公司在硅谷筹集了数千万美元资金，却无法承诺创造出任何真正详细的收入流。

对付创业者来说，「描述」深度强化学习的美好未来，再随意马虎也不过了；但现实则是，我们还须要数年的韶光才能达到如此的成果。
只管这些公司离创造获利还有一段间隔，硅谷的创投仍乐意连续押宝在这些人才精良、技能前辈的团队上。

2. 水平运用

另一方面，水平运用则是更实用、却比较罕见的模式。
我们可以大略将机器人技能简化为感测（输入）、处理、驱动（输出）三个部分；除此之外，还有开拓工具。

(这里利用的「处理」一词，同时大要涵盖了掌握器、机器学习、操作系统和机器人模块等等，各种不属于感测或驱动的其他项目 )

我认为未来，这个领域将最具增长潜力。
对付机器人的用户来说，破碎而零细的市场是棘手的问题；由于所有的机器人制造商，都各自推展自家开拓的措辞和接口，使得系统整合商与终端用户，都很难将机器人与干系系统进行整合。

随着家当的逐渐成熟，有越来越多机器人运用到了汽车和电子厂以外的领域；因此我们更加须要标准的操作系统、通讯协议、接口，从而提高效率、并缩短上市韶光。

举例来说，美国波士顿的几家新创公司正在研究干系的模块；例如Veo Robotics公司开拓的安全模块，能让工业机器人更安全地和人类协同事情；Realtime Robotics 公司则供应加速了机器手臂路径的办理方案。

作者：Bastiane Huang，拥有近10年产品及市场开拓管理履历，目前在旧金山担当 AI/Robotics新创公司产品经理，专注于开拓机器学习软件，用于机器人视觉和掌握。

本文由 @Bastiane 原创发布于大家都是产品经理，未经容许，禁止转载

题图来自Unsplash，基于 CC0 协议。