1700046347
1700046348
我们无法确切知道视力是否在寒武纪的生物多样性出现中扮演了重要角色，但我们可以在此做一个假设：并非眼睛本身带来了多样性，而是其后的认知能力的发展。区别于触觉、味觉和嗅觉，视觉信息是“高带宽”的，在空间分辨率和时间流中，导致数据率比其他感觉器官要高。因为数据是远距离的传感器，范围覆盖机器以外的广阔世界，需求新的场景分割认知器官，空间模型和对世界的了解。也许数据大量地在早期的大脑中蔓延，是因为视觉为个体生物提供了稍微好一些的认知能力。认知能力的发展带来许多新机会：新的“捕食-被捕食”策略、新的寻找配偶策略和新的资源发现。
1700046349
1700046350
提供视觉信息的机制控制了我们的大脑。每只眼睛含有15亿的光传感器，而一只耳朵只含有3万个声音感觉神经。处理视觉信息的神经元占皮层的30%，而触觉和听觉的神经元分别只有8%和3%。
1700046351
1700046352
毫无疑问，视力始于视觉器官与视觉皮质协同进化的。神经器官包括对视觉场景的解读，以及各种很快被发现的“新应用”，形成了阶段性进步的生物创新。首先，视力对于协同进化作出了贡献，像是器官之间的共生现象，比如蜜蜂与开花植物之间的关系。它也扩大了个体寻找配偶的距离范围。起初，这种先进的寻找配偶感知功能也许只是用来发现同一种类的个体。可是当视觉进一步提升时，更有利于分辨配偶的条件是否理想，最终将导致雌雄淘汰和社交等行为的出现。
1700046353
1700046354
生物界的寒武纪大爆发与机器人的前景探索具有极高的相似性。DARPA计算机项目的前负责人吉尔·普拉特（Gill Pratt），在2015年被任命为丰田公司自动驾驶汽车分部的领导时写道：
1700046355
1700046356
今天，好几项前沿技术的发展正在机器人的多样性和能力发展范畴燃起一场大爆发。机器人依赖的许多基础硬件技术，尤其是计算能力、数据储存和交互能力，正在以幂次数量级的速度增长。两项新兴技术——云计算和深度学习将会影响上述基础技术在良性循环中进行爆炸性发展。
1700046357
1700046358
确实，对机器人影响重大的基础技术正飞速发展，这些技术使自动驾驶汽车的潜力和多样性成为可能。
1700046359
1700046360
1. 动力储存与效率的幂次增长。
1700046361
1700046362
自动机器人需要动力的自动化；在过去几十年中，电池技术不断进步。从1950年的铅酸电池到今天的聚合物锂离子电池效能提高了两倍。除了电池能力以外，机器人甚至能从效率的提高中获得更大的动力，例如发动机效率的提升。动力储存和效率的提升加速了自动系统整体性能的提高。性能更优的机器人可以花更多时间做事情和学习，降低充电和获取动力的时间。
1700046363
1700046364
2. 计算能力的幂次增长。
1700046365
1700046366
正如摩尔定律所预测的，每一块钱所能购买的可用计算能力每18个月增加一倍。由于受到体积限制，最近几年的晶体管小型化发展速度下降，然而每单位美元所能购买的计算能力却继续以其他方式来增长，如多核平行等。对于需要处理数据流和实时决策的自动系统而言，计算能力真是至关重要。高速的处理能力能让机器人在结构化程度较低的环境中顺利运行，更快地从经验中学习。
1700046367
1700046368
3. 传感技术的幂次增长。
1700046369
1700046370
从激光雷达发展到超声波，传感器变得更精确，速度更快，价格更低。所有维度中快速发展的传感器之一是相机。受到移动设备发展驱动，相机技术的性能和价钱都在以幂次数量级发展。光学仪器和传感器在成本、大小、性能的发展使得多功能的相机可以媲美一个机器人。多重数据流带来更好的认知性能，因为人们可以从多个视点（例如，来自超立体视觉的深度感知和速度感知）获得更可靠的场景理解，同时在应对恶性破坏和暂时的传感盲区时，带来更高的鲁棒性（robustness）。
1700046371
1700046372
4. 数据储存的幂次增长。
1700046373
1700046374
数据储存能力正在以幂次数量级的速度不断增长。这些提高影响的不仅仅是每一块钱能购买多少储存字节，还影响了数据存储和检索的速度和可靠性，每次数据存储消耗的能量，数据的物理重量（每千克的字节数量）。当机器人能高效地在本地储存大量数据，它们能回忆并重复利用以前的经验，从过去储存的经历中学习出新的知识。
1700046375
1700046376
5. 交互带宽的幂次增长。
1700046377
1700046378
短距离和长距离的带宽都在过去几十年内得到了迅猛增长。几十年前，信息传送不仅速度慢、技术困难、价格昂贵，而且效果不佳。今天我们通过卫星传输以太字节（Terabyte）为单位的信息量，丝毫不会怀疑信息是否能完整到达目的地。长距离的交互能力与可靠程度，以及允许机器人相互之间分享数据和本地结果分析，催生了联合分享智能技术，就是所谓的云机器人（cloud robotics）。
1700046379
1700046381
幂次增长之王——算法
1700046382
1700046383
人们往往倾向于留意到计算、交互、传感方面的机器人硬件技术的飞速进步，但我们常常遗忘是哪些发现带来了这些进步及其背后的新算法技术的发明。
1700046384
1700046385
在计算机科学家和电子工程师中流传着一种说法，无论硬件工程师取得了什么样的进步，软件工程师是都能马上“废了”它们（原本程序员的说法用词太过激烈，不适合写在书里）。我们都知道无论计算机的硬件性能变得多快，操作系统软件却总是运行太慢，无法跟上速度。然而事实刚好相反。
1700046386
1700046387
算法的进步并没有类似“处理速度/年”“兆像素/美元”等单位，一直以来都难以量化。因为算法在执行各项任务时形态各异，目标也不断变化。举一个例子，我们用算法来解微分方程。这一类的数学算法对于任何需要进行预测和动态控制的机器人来说，都是关键的因素。1945-1985年间，执行这类基础任务的算法以每年3万点的系数在增长，或者说是年均29%的增长率。该增长率达到了同期的基础硬件的平均水平。
1700046388
1700046389
另一个例子是数据分析的算法进步。经典的快速傅里叶变换算法（fast Fourier transform, FFT）被用于几乎所有的数字信号处理系统，比起原始算法，这一算法更凸显了指令的速度提升的重要性。但究竟FFT算法带来了多少增速呢？事实证明进步因素很大程度上取决于被分析的数据库大小。若是小型的数据库进步空间小，大型的数据库进步程度相当大，这种进步甚至需要硬件用几十年的发展时间才能跟上它的步伐。正是因为算法的进步，我们才有了今天数据分析的方法，否则即使摩尔定律继续作用100年，这种方法也不可行。
1700046390
1700046391
不像硬件的进步曲线那么平整，算法的进步更像带有“间隔平衡”的特点，或据推测，它像是进化中的系统。算法的进步不是一帆风顺，而是断断续续地前进。好比一个生态系统，算法的进步，是在与众多其他算法的竞争中诞生的。某些算法诞生后，因其学术性深奥难懂而被埋没；其他算法在发展壮大后不久随即消亡，因为有更好的算法占据了市场，或是它们能解决的问题不再受到重视。一套算法需要经过不同人的多次修改，直到偶然的机会它拥有了广泛的识别能力。
1700046392
1700046393
人工智能算法也不例外。在一个多世纪的艰难前行中，人工智能算法不断进步又遭遇寒冬，风光一时却也曾经黯然失色。只是无论处于领导地位的是哪个阵营的人工智能，在过去几十年中人工智能算法总体上还是成绩斐然。我们知道，无论处理器的速度如何飞快，数据储存或相机分辨率如何发展，都不能使罗森布拉特的感知器稳定地分辨出猫和狗的差别——即使再强大的计算能力也不能使20世纪90年代的标准双层神经网络顺利完成这个认知任务。只有在大规模视觉识别挑战赛上的竞争激烈的各种算法中才能找到某种优秀的算法来完成识别任务。就像是岩石缝中生存的哺乳动物，卷积神经网络最终打败了人工智能的传统强劲对手。
1700046394
1700046395
当深度学习算法在断断续续的进化过程实现了阶梯飞跃，整个人工智能界沸腾了。当该行业的重心从硬件转移到软件上时，自动行业也感受到了类似的震撼。
1700046396
[
上一页 ]
[ :1.700046347e+09 ]
[
下一页 ]