[[143805]]

《機器人產業“十三五”發展規劃》或許將很快公之于眾。中國機械工業聯合會執行副會長、中國機器人產業聯盟執行理事長兼秘書長宋曉剛告訴記者，其參與制定的《機器人產業“十三五”發展規劃》初稿已經完成，目前已提交給工信部，處于修改完善階段。

此前，在2015機器人世界杯產業峰會上，英特爾公司機器人創新中心總經理倪健安表了決心，其意欲抓住在中國掀起的機器人發展機遇，帶領英特爾沖向這塊“高地”。

而在“大眾創業、萬眾創新”的熱潮中，余凱也離開了自己一手創辦的百度深度學習研究院，創建了地平線機器人科技公司。

浩浩蕩蕩的科技大軍向機器人領域涌來。其中，也催生了許多前沿技術。

“如果兩人買了一個同機型的機器人，出廠設置也一模一樣。售出兩個月后，這兩個機器人都會帶上各自的個性屬性，成為兩個完全不同性格的機器人。”余凱說。

他認為，機器人因其智能屬性在經驗的演化下走向了個性化。

而這種經驗屬性實際就是大數據。“大數據對于機器人而言，就是一種智能。”余凱說。移動互聯網讓每個人無時無刻不在產生數據，從而讓萬物互聯走向了“萬物智能”。而在萬物智能的時代，余凱判斷，網民將由人和機器人構成。

他認為，在未來，所有的消費類電子產品最終都會成為某種形式的機器人，從電燈、烤箱到汽車，機器人的形態不應該拘泥于“人”，而是所有可能與數據和云連接的“端”。

余凱指出，機器人各種形式的“端”主要處理感知任務，對物理信號進行實時處理和理解，然后產生控制。而“云”主要承載認知任務，依靠巨大的數據庫處理“端”反饋回來的信息。

為什么要在端處理感知性和智能性任務？

余凱解釋道，***，實時性的要求，失之毫厘，謬以千里，尤其對于自動駕駛來說更是如此。第二，計算部署的便捷性，所有的數據如果都放在云上來處理，不一定是最便捷的，因為云都是同質化的服務器，只能滿足通用化的需求，但是多樣化的垂直任務需要專門的硬件處理，因此特定領域的計算任務應該放置在端處理。同時，降低帶寬與保護用戶隱私也要求前端如此。

萬物互聯和萬物智能的趨勢更值得注意，余凱總結，首先，所有設備會成為智能傳感器。過去，大部分傳感器把物理信號轉化成數字信號，但智能傳感器的前端將對基礎數據進行深度處理和理解；第二，所有的設備將成為云和端結合的“大腦”，既要保持大型互聯網公司在后端提供感知的智能處理，也要在前端構建感知能力，實現從信號、決策、感知到控制的實時處理能力；第三，所有的設備會從本地單一功能載體變成連接人到后端無邊無際的互聯網服務入口。

如果說，萬物智能為人類走向機器人的世界打下了“群眾基礎”，那么，如何讓機器人從能力上更像人，則是機器人發展道路上一項“可望還應可即”的目標。

在2015中國人工智能大會的機器學習討論環節中，北京大學信息科學技術學院智能科學系教授查紅彬指出，機器實現人工智能需要深度學習，核心在于自主學習。自主學習的特征則包括根據自身發展需求，自動定義學習目標，并通過行為、動作等在環境當中獲取數據。

“這個數據要靠機器自身獲得，自主強調的不僅是知識，更是行為。”查紅彬強調。

國際RoboCup（機器人世界杯）聯合會前主席、國際人工智能聯合會主席Manuela M·Veloso，在美國卡內基梅隆大學帶領了一個研究機器人如何更好自主學習的項目。他們曾做過一個實驗，研究如何讓一群機器人通過各種障礙物到達指定地點并且完成指定任務。

“隨著機器人的商用化，它們必須更好地進行互動，能夠主動地尋求幫助，至少要保證90%的功能是自我完成的。”Manuela M·Veloso說。

實驗中，她故意設定機器人必須通過電梯才能到達指定地點，可是之前機器人并不知道如何乘坐電梯。“能否幫我按一下按鈕？幫我把電梯門抵住，不要讓門關住？”機器人不僅能主動尋求幫助，也在學習中得到了許多新技能。

Manuela M·Veloso介紹，通過自主學習與尋求幫助機制的植入，讓人與機器人的對話幫助它們完成更多任務，目前該研究小組已積累了數千種不同類型的任務。

中國科學技術大學機器人實驗室主任、中國RoboCup委員會主席陳小平也指出，在機器人的自主學習中，要學會根據目標搜集相關資料，比如，它在接到使用微波爐加熱爆米花的任務后，可以迅速聯網下載微波爐使用手冊獲得這項技能。

但是，機器人有不同的類型，不可能通過一個機器人完成所有任務，不同國家的機器人有著不同需求，并面臨語言的差別。因此，Manuela M·Veloso建議應建立起一個平臺，鼓勵機器人信息共享。

待解的技術之問

除了前沿技術大趨勢，機器人在“進化成人”的道路上，也不可避免在技術爆炸的漩渦中留下需要人們不斷探索的待解之題。

人工智能技術包括什么？什么是人工智能的核心內容？拋開自然語言理解、圖像視頻識別、搜索算法、知識工程外，人工智能技術還有什么？

在“機器學習與模式識別”討論環節，中科院自動化所研究員宗成慶提出了以上問題。

機器學習在不到10年的時間里，遷移學習、增強學習、概率圖模型、深度學習等相繼被熱捧。而之前每一種學習方法的研究都持續不過2～3年。

“無論哪一種統計學習方法都是建立在大規模測試樣本之上的模型，難以做到舉一反三。現在機器學習是在向正確的方向發展嗎？”宗成慶追問。

“在自然語言處理中，很多問題都被轉化為分類問題或者序列標注問題。但不同的問題使用相同的解決方法，自然不會得到很好的處理結果。圖像、視頻分析作為模式識別最基礎性的問題，在邊界分割、模式匹配、檢索等方面取得了若干優秀成果，但在多大程度上體現了‘智能’，尚不可知。” 宗成慶說。

深度學習方法與人工神經網絡方法在數學計算上有沒有本質區別？機器要真正實現從“處理”到“理解”的出路何在？簡單的技術集成是否會成為“智能系統”？宗成慶表示，仍有太多的技術問題需要人們繼續關注。

***，宗成慶感嘆并總結道：“人工智能的技術變化非常快，有的被冷落后由于硬件性能改變而再次被推向波峰，甚至經歷多次輪回。如何在熱鬧中把握‘冷和熱’的平衡，既保持冷靜的頭腦又堅守自己的學術理想，值得探討。”

人人皆可參與人工智能

人工智能可以通過語音、圖像，還有對產品的推介和交互，幫助人們理解個體，同時可以利用不同的場景來達到學習的功能。

比如，可以通過人與人之間的連接、社交網絡的分析，對文章的內容以及公眾號、大眾點評等數據分析來建立一種新的知識，分析對象的特征、喜好、社會關系等信息會形成一個巨大的知識圖譜，有了知識圖譜以后，人工智能的載體就能對用戶提供服務的推薦，幫助用戶智能個性化的搜索，進行知識的傳播或智慧的整合，形成所謂的群體智能。

例如，移動視覺的搜索能提供不同場景的識別，深度學習又可提供基于朋友圈的用戶模型的建立，有了這個用戶模型，我們知道微信推出了非常有意思的廣告方式，使得大家把廣告和朋友圈上面的圖片發布有機融合在一起，變成一個非常有意思的事情。

另外，常見的漂流瓶是一種已有的基于人和人之間的問答模式，比如，帶一個問題扔一個瓶子，這個瓶子如果有人撿到并回答它的話，這兩個人的關系就建立起來了。現在可利用這樣一種功能來補充知識，不斷把機器人回答不了的問題，用瓶子的形式扔到海洋問題庫里，知道的人就可以回答這個問題，以此不斷增加機器人知識的覆蓋面。