你好,游客 登录
背景:
阅读新闻

从精确性到灵巧性:机器人需求推动的技术变革

[日期:2017-10-11] 来源:慧聪网  作者: [字体: ]

  共享单车下半场,日渐迎来尾声了。此前,笔者独家获悉,酷骑单车致信员工称,目前公司资金确实非常紧张,甚至可能会影响到公司的正常运营,让员工自愿选择去留。

从精确性到灵巧性:机器人需求推动的技术变革

  继重庆的悟空单车没搞几个月就宣布倒闭后,又一家共享单车面临资金困局。尤其是酷骑单车被指出现押金“退款难”问题,部分用户无法在平台承诺的7天内收到退款,且客服无人接听。更有公司前员工向记者爆料,酷骑单车和P2P公司共用财务,员工自己都偷退押金。

  除了酷骑单车,陷入资金困局的还有小鸣单车。因8月以来小鸣单车退还押金的消费者投诉激增,广州市消委会发出调查函督促企业尽快实现押金“即还即退”。从共享单车屡被曝出资金困境来看,市场即将迎来终局的信号释放的愈加明显。

  6月底,ofo创始人戴威表态,ofo在2018年能实现海内外全面盈利;前两日,ofo投资人朱啸虎便在复旦首席经济学家论坛上放言,“摩拜和ofo合并才能盈利”。这恰恰说明,面对共享单车目前两极争霸带来的巨额投入,投资人无法看到短期内盈利的可能性,因此希望走回网约车的老路,通过摩拜和ofo合并,最大限度地占据市场份额,从而持续放大规模效应,寻求通过降低边际成本等路径获取其他收益。

  ofo和摩拜尚属业内龙头,对于二三梯队成员来说,前路更加艰辛。据不完全统计,截至2017年7月,全国共有共享单车运营企业近70家,累计投放车辆超过1600万辆。这意味着除了摩拜和ofo,剩下60多家第二、第三梯队共享单车企业的日子更难过,毕竟它们无法获得摩拜和ofo如此多的融资,也不具备与之相对应的市场投放量。而随着各地对于共享单车投放设置限制性条款,以及一二线城市的需求量饱和,第二、第三梯队共享单车企业不可能像摩拜和ofo一样,再通过高速扩张的故事来吸引投资人。

  寻回网约车的老路,并非不可能,但步子却卖得有点大。

  相比网约车可以做社会化车辆的增量,共享单车最大的问题在于,只能靠自己投放,这是典型的重资产运营。一旦融资无法支撑,资金链很容易断裂。不久前,已经上市的永安行砍掉共享单车业务逾六成股权,对于这次出让股权的原因,永安行明确表态称,是对共享单车业务不看好。永安行半退出共享单车市场,以及悟空单车倒闭、酷骑单车爆出资金危机,是共享单车市场洗牌的印证。

  不过,对于用户而言,最担忧的还是押金及其他权益可能因此受到损害。

  正因如此,对于这场市场洗牌,监管层需要保持足够敏感性。比如,对所有共享单车企业构建信息联动机制,有必要提上日程了。

  尤其是用户押金方面,虽然之前已有北京、天津、深圳、成都、上海、南京、济南、海口8个城市先后发布了征求意见稿或管理办法,要求共享单车“押金”由第三方监管,但从意见稿、管理办法到实际执行之间存有不短的时间差。在如今已成红海的共享单车市场,时间关乎着生死,更关乎用户权益。

  如何制定完善的信息联动机制,并尽快落地,真正让共享单车的用户押金管理规范化,是监管亟待解决的下一问题。

  当前,共享单车进入政策出台密集期,资金放量、用户放量所带来的野蛮生长时代一去不复返。面临接下来或将出现的共享单车倒闭潮,相关部门要加紧细化监管规则,做好防火墙,如此才能倒逼行业发展趋于规范,走向理性。

  人工智能+专家+高性能计算>顶级专家

  其中“人工智能”就是搜索技术、剪枝技术,高性能计算就是那些芯片,专家是加入深蓝小组的一些国际象棋大师级棋手。所以,这件事意义非凡,这是人类历史上第一次人工智能在复杂博弈问题上战胜人类。在这一点上,深蓝的贡献超过了阿尔法狗。

  下面就到围棋了,看一下阿尔法狗是怎么做的。两个所谓的“大脑”就是两个神经网络。这样一说其实又容易给我们造成一些误区,好像阿尔法狗技术跟以前的人工智能博弈没有关系,其实不是的。

  这两个网络在理论上都是我前面跟各位介绍的决策论模型中的东西,都是马尔可夫决策里面的东西。但是它是有创新的,通过引进机器学习技术,直接学习Policynetwork和Valuenetwork,绕过了概率转移函数,直接学出了回报函数,根本不去学概率转移矩阵。

  也就是说,现在阿尔法狗也还是学不了概率转移矩阵,所以它绕过去了。但新闻报道里没有人说这个事,说的都是深度学习。其实深度学习技术支撑了阿尔法狗的理论创新。

  我们分析人工智能获得成功的领域,发现都有一些共同的特征,一个是确定性的,比如下棋就是确定的,一个子落在哪里不能含糊。还有一个是规则化,下棋一定是有明确规则的。第三,环境也是结构化的。在这三个条件成立的场景中,人工智能已经可以超过人。但三个条件之一不成立,人工智能就不行了。

  当然我们也得留一个尾巴,做阿尔法狗的公司是不是有一些没有公布的东西,而那些东西能够超越这三个要求,超越固定性、规则性和结构化的局限仍然可以战胜人类?如果有这样的技术,那是非常强大的,同时也就变得非常危险。但目前我们看到的已经公开的技术是无法超越的,现有成果是在这三个条件下的科技创新。

  机器人应用的新需求

  既然是有条件的,在这些条件下,这些新的智能技术能不能用来满足机器人应用的新的需求?举几个例子。一个是家庭服务机器人,这张图是服务机器人的比赛,现在服务机器人还没有在家庭里应用。

  这张图里有一个人在家里摔倒了,你不知道摔在什么地方,没有夹具把他夹住的,机器人要去找,要观察他是不是真的倒了,倒的是一个人还是一条狗。找到以后先通过对话询问,你感觉好不好?是自己累了在地上躺着休息休息,还是需要我帮助?如果需要帮助,需要什么帮助?是需要拿药,还是抱起来?抱起来现在还不容易做到。

  这个比赛显然跟工业机器人完全不一样,环境没有精确化,环境中的对象都得靠机器人自己去感知,而且是变化的,比如人每次摔倒的位置可能都不一样。所以家庭应用真的是挺难的,但确实是人类所需要的。

  还有一个更难一点的应用,即救援机器人,救援比在家庭里提供服务更复杂。

  你执行了一个动作,这个动作的结果是什么?你事先是不知道的,没有办法确定的。很多复杂的环境因素决定了行动的结果。这就是所谓的“不确定性”。当前国际人工智能最大的挑战就在于不确定性问题。救援就是不确定性问题的一个非常好的例子。

  精确性-灵巧性谱系

  这张图中,工业机器人具有最大的精确性,最少的灵巧性。再看手术机器人,它和工业机器人不是同类,却也很成功,为什么?因为手术机器人也是主要靠精确性的,灵巧性很少。手术前医生为患者打麻药,再捆皮带,确保患者在手术过程中不会乱动,而且很多手术机器人是人来操作的,这样就多了一些灵巧性。

  最右边是家庭服务机器人,需要很大的灵巧性。在它的右边是救援机器人,救援机器人我都没画到图里。农业机器人比家庭机器人需要的灵巧性要少一些,精确性稍微多一些。这样一看,农业机器人的投资方向非常好。

  因为农作物在播种前可以对田地做一些安排,所以农业生y产其实是一个半结构化环境,因此农业机器人难度是比较低的。智能制造需要更多的精确性,相对少一点的灵巧性。智能制造精确性和灵巧性都需要的比较多,所以比农业机器人还要更难一点。

  最有意思的是中间的自主无人驾驶汽车,出来两条线,左边一条线需要比较多的精确性,这代表自主驾驶的理想状态,包括两个方面的要求。一个是路况和所有的交通标识,要求自动驾驶所需要的交通标识都能够被无人车传感器得到。

  另一个是周围其他的车辆和行人都遵守交规。这两个条件都满足了,无人车是很简单的,现在的技术就能实现。但实际上这两个条件很难满足,特别是在中国,不遵守交规的太多了,有的地方交通标识也不是很清晰,有的被破坏了。这就是现实状态,需要很大的灵巧性(灵敏性、灵活性)。所以在中国做全自主无人车是非常了不起的。

  机器人新应用挑战

  传统机器人依靠精确性,新的人工智能依赖确定性。我们面临新的应用,需要用灵巧性处理不确定性。这是新的应用需求对我们提出的主要挑战。我们如果能在技术上对这种挑战想出一些好的办法,或者在工程上想出好的办法,那就可以满足新的应用需求。

  需求是“家”,技术是“回家”的路。新的应用和老的应用是什么关系?老的应用相当于我们过去的“家”,新的应用相当于我们有了一个新“家”。但是人都有路径依赖性,我们不自觉的就会往老路上走。所以,现在大部分机器人的研发都是立足于精确性技术途径的。我理解这是一种路径依赖性。

  针对我们面临的挑战,中科大发展了一套灵巧性技术。这里用一个例子加以说明。

  假设想让机器人给我送一杯水,放桌边,离我越近越好。但是,由于存在感知误差和操作误差,在误差区域内是不能放东西的,那我们就不在那个区域放。所以在很多应用里,特别是在很多新的应用里,是不需要太精确的,有些危险的区域避开就行了。

  我们提出了一个框架:全局有一个粗略模型,机器人先按照粗略模型做一个全局决策,在执行全局决策的过程中根据任务需要进行局部观察,对全局的决策做局部调整,这样就不需要对桌面形状、边缘做精确的度量和建模,就能完成灵巧操作。

  我们做过一个实验,用可佳机器人来操作微波炉,加热食品,整个过程都是机器人独立完成的,现在世界上还没有第二个团队完整实现过。这个实验和背后的技术体系也得过不少奖。最近我们提出了一个新的框架,将精确性和灵巧性相结合,再加上局部的深度强化学习。我们用新的框架重新开发了系统,开发效率大大提升了。

  总结

  当前我们所处的历史阶段,一个是工业机器人大规模的应用,已经成功了半个世纪。二是人工智能研究了半个世纪,现在也有一些新的发展,特别是以深度学习为代表的新技术达到了非常高的水平。

 

  新的应用需求要处理不确定性,处理不完全信息,具体表现为非结构化环境,这些需求和现有技术比较还是有一点差距的。不是说深度学习出来了以后,马上就能解决我们所有实际问题,其实不能完全解决。但是,如果我们转到灵巧性,转到以灵巧性为核心的技术体系,现有的很多技术可以组合起来,那就能达到很好的效果。

收藏 推荐 打印 | 录入:Cstor | 阅读:
本文评论   查看全部评论 (0)
表情: 表情 姓名: 字数
点评:
       
评论声明
  • 尊重网上道德,遵守中华人民共和国的各项有关法律法规
  • 承担一切因您的行为而直接或间接导致的民事或刑事法律责任
  • 本站管理人员有权保留或删除其管辖留言中的任意内容
  • 本站有权在网站内转载或引用您的评论
  • 参与本评论即表明您已经阅读并接受上述条款