本文將揭開新世代AI 機器人的神秘面紗，并分析AI機器人將如何影響我們的未來。

人工智能開啟了新一代機器人技術Robotics 2.0，最大改變是從原先人工編寫程序而來的自動化，邁向了真正的自主學習。 本文將嘗試揭開人工智能(AI)應用的神秘面紗，協(xié)助讀者了解AI機器人將如何影響我們的未來，并厘清我們常常聽到，但卻著墨不多、甚至根本尚未全然理解的主題。

本文為「Robotics 2.0」系列文章的第一篇，講述機器人技術與AI對于各大產業(yè)和未來工作的影響。 我們將討論AI將如何釋放機器人技術的潛力，這項新技術的挑戰(zhàn)和機會，以及這一切將如何影響我們的生產力、就業(yè)狀況、甚至日常生活。 在人工智能被大肆宣傳的當下，我們希望透過這些文章鼓勵更有建設性和全面性的探討。

01 重新定義機器人：揭開次世代AI機器人Robotics 2.0的神秘面紗

提到機器人，我們總有各式各樣天馬行空的想象：從Softbank（軟銀集團）的社交機器人Pepper、能輕松后空翻的Boston Dynamics公司機器人Atlas、《魔鬼終結者》（Terminator）系列電影的人造人殺手，到電視影集《西方極樂園》（ ?West World）中隨處可見、栩栩如生的擬真機器人角色。

我們常常聽到兩極化的觀點；有些人傾向高估機器人模仿人類的能力，認為機器終將取代人類，有些人則對新研究和技術的潛力太過悲觀。

在過去一年之中，許多創(chuàng)業(yè)、科技、新創(chuàng)業(yè)界的朋友都曾問過我，在AI，尤其是深度強化學習和機器人技術的領域，究竟有哪些「實際」進展？

令人最為好奇的是：

AI機器人和傳統(tǒng)機器人有什么不一樣？ ?AI機器人是否真有顛覆各大產業(yè)的潛力？ 它的能力和限制又是什么？

看來，想要了解現(xiàn)在的技術進步和產業(yè)格局，是出乎意料的困難，更不用說要對未來做出預測。 藉由這篇文章，我嘗試揭開人工智能應用于機器的神秘面紗，厘清這個我們常常聽到，但卻著墨不多、或根本未全然理解的主題。

首先必須回答的基本問題：什么是AI機器人（AI-enabled Robotics）？ 它們又有什么獨特之處？

02 機器人演進：從自動化到自主化

「機器學習解決了以往『對計算機困難，對人來說卻容易』的各種問題，或以更容易理解的方式來說，就是解決了『人類很難讓計算機也理解』的問題。 」

——Benedict Evans，安霍創(chuàng)投（a16z）

AI所造就的機器人技術領域，最大成果是從原先的「自動化」（工程師藉由程序設計編寫規(guī)則，讓機器人遵守）邁向了真正的「自主學習」。

如果機器人只需要處理一件事情，那么，它到底有沒有人工智能，差別其實看不出來；但是，如果機器人需要處理各式各樣的任務、或是響應人類與環(huán)境的變化，就需要一定程度的自主性才能勝任。

我們不妨借用下列不同等級的自駕車定義，一并解釋機器人的演變：

• Level 0 —無自動化：由人類操作機器，沒有機器人的參與。 (機器人的普遍定義，是指有能力自行從事復雜動作的可程序化擬人機械)。
• Level 1 —單一自動化運作：單一功能已自動化，但不使用環(huán)境信息。 這是自動化與制造業(yè)中傳統(tǒng)的機器人使用現(xiàn)況。 透過程序編輯，機器人能夠以高精度與速度重復執(zhí)行特定工作；但直至目前為止，多數(shù)實際運用的機器人都無法感知或應變環(huán)境的變化。
• Level 2 —部分自動化：透過環(huán)境感知所輸入的特定功能，協(xié)助機器進行決策。 例如某些機器人透過視覺傳感器，識別并應付不同的對象：然而，傳統(tǒng)的計算機視覺，需要對每個對象進行預先登記和清楚的指示，且機器人還是缺乏處理變更、意外狀況、或是新對象的能力。
• Level 3 —條件式自主：機器控制了所有的環(huán)境監(jiān)控行為，但仍需要人為檢查關注與（實時）介入。
• Level 4 —高度自主：在某些情況下、或是定義的區(qū)域內完全自主。
• Level 5 —完全自主：在任何狀況下均可完全自主，不需人為介入。

03 我們現(xiàn)在處于哪一種自主等級呢？

現(xiàn)在，工廠里多數(shù)機器人都是透過開放式回路、或是非回饋方式予以控制。 這意味著它們的運作與傳感器回饋各自獨立、彼此互不影響（level 1）。

少數(shù)在工廠中的機器人，會根據(jù)傳感器回饋而調整操作（level 2）；此外還有協(xié)作型機器人（cobot），他們的操作更加簡單安全，因此能與人類共同作業(yè)。然而，相較于產業(yè)用機器人，這種機器人的精確度和速度卻相形失色。

另外，雖然協(xié)作型機器人的程序化相對簡單，但它們仍然不具有自主學習性；每當工作內容或環(huán)境有所變動時，就需要由人類手動引導協(xié)作機器人進行調整，或是重新編寫程序，機器本身無法自主舉一反三，彈性應變。

深度學習(Deep Learning)和強化學習(Reinforcement Learning)能幫助機器人自主處理各種對象，將人類的介入程度降到最低。

我們已經開始看到一些使用AI 機器人（level 3/4）的前導試行項目，例如「倉儲揀貨」就是一個很好的例子。 在貨運倉庫中，員工需要根據(jù)客戶需求，將數(shù)百萬種不同的產品放入箱子里。 傳統(tǒng)的計算機視覺沒辦法處理如此廣泛的物品類別，因為每個物品都需要事先登錄、并針對機器人需要采取的動作，先進行程序設計。

然而，現(xiàn)在由于深度學習和強化學習技術，機器人能夠開始自主學習處理各種對象，降低人類的介入程度。 在機器人的學習過程中，可能會出現(xiàn)它未曾遇過的某些貨品，而需要人類的協(xié)助或示范（level 3）。 但是，隨著機器人搜集更多的數(shù)據(jù)、從試驗和錯誤中學習（level 4），算法也將日益改善，邁向完全自主。

就像自駕汽車產業(yè)一樣，機器人新創(chuàng)公司也采取了不同的策略：有些公司看好人類和機器人之間的合作，專注于level 3的研發(fā)；有些公司則相信，機器終將實現(xiàn)真正的完全自主，于是他們跳過level 3，直接著眼于level 4、甚至到level 5。

這也是為什么我們很難評估現(xiàn)在產業(yè)自主程度的原因之一。

新創(chuàng)公司有可能自稱致力于研究level 3/4的自主系統(tǒng)，但實際上卻是大量委外，以人工遠程操控機器。 在無法了解其內部軟件及AI產品發(fā)展程度的前提下，光從機器外觀看不出遠程操控和自主學習的差別。 另一方面，目標為level 4/5的新創(chuàng)公司，萬一無法在短時間取得理想結果，可能反而降低了客戶的早期采用意愿、并導致早期階段的數(shù)據(jù)搜集更加困難。

在本文的后半部分，我將進一步討論新創(chuàng)公司的不同的商業(yè)策略思考。

04 AI機器人的崛起：運用范圍不再局限于倉儲管理

有趣的是，機器人的人工智能應用潛能甚至高于無人車，因為機器人有各式各樣的應用與產業(yè)，因此從某種意義上說，機器人理當比汽車更容易實現(xiàn)level 4目標。

AI機器手臂開始在倉庫中被采用，就是最好的例子。 因為倉庫屬于「半受控」的環(huán)境，不確定性相對低。 另外，揀貨作業(yè)雖然關鍵、但能容許錯誤。

至于自主居家型或手術機器人，則要等到更遙遠的未來才能實現(xiàn)；畢竟相關環(huán)境的變量更多，且有些任務具備不可逆性，以及一定程度的危險性。 但是，可以預見的是，隨著技術精度、準確性、可靠性的與時俱進，我們將看到更多產業(yè)采用AI機器人。

許多產業(yè)還沒有使用機械手臂，主要原因在于傳統(tǒng)機器人和計算機視覺的限制。

目前世界上只有大約300萬臺機器手臂，其中大多數(shù)從事搬運、焊接、裝配等任務。 到目前為止，除了汽車業(yè)和電子業(yè)以外，倉儲、農業(yè)和其他產業(yè)，幾乎都還沒有開始使用機械手臂；主要原因，就在于上述傳統(tǒng)機器人和計算機視覺的限制。

在接下來的幾十年中，隨著深度學習(DL)、強化學習(RL)、以及云端技術釋放出的機器人潛力，我們將看到新一代機器人帶來的爆炸式增長、并改變產業(yè)格局。 其中，AI機器人的成長契機有哪些？ 新創(chuàng)公司和現(xiàn)有業(yè)者，又采取了哪些不同的方法和商業(yè)模式，來因應新科技帶來的變化？

05 新世代AI機器人新創(chuàng)公司產業(yè)概況

接下來，我會介紹不同市場區(qū)隔中的幾間范例公司。 這樣的概略介紹，當然無法涵蓋所有企業(yè)的狀況；歡迎你提供其他公司及應用案例，一起讓內容更加完備。

AI/Robotics新創(chuàng)公司市場概況（作者提供）

06 垂直應用與水平應用

研究新世代機器人新創(chuàng)產業(yè)結構，可以看到兩種截然不同的商業(yè)模式。

1. 垂直應用

第一種是垂直應用：硅谷當?shù)囟鄶?shù)的新創(chuàng)公司，專注于為特定的垂直市場開發(fā)解決方案；如電子商務物流、制造業(yè)、農業(yè)等等。

這種提供完整解決方案的作法相當合理，畢竟相關技術還處于萌芽階段；公司不依賴他人提供關鍵模塊或組件，而是建構端對端的解決方案。 這種垂直整合的解決方案能更快進入市場，也能確保公司更全面掌握終端用戶的案例與效能表現(xiàn)。

但是，要找到像「倉庫分揀」這樣相對容易實現(xiàn)的應用案例，則沒有那么容易。 倉庫揀貨是相對簡單的工作，客戶的投資意愿與技術可行性都較高，而且每個倉庫幾乎都有相同的揀貨需求。

但在其他產業(yè)（如制造業(yè)）中，裝配任務可能因工廠而各不相同；另外，在制造業(yè)中執(zhí)行的任務，也需要更高的精度和速度，技術上相對困難。

目前具有學習能力的機器人，仍無法達到與封閉回路機器人相同的精度。

盡管機器學習能讓機器人與時俱進，但目前透過機器學習運作的機器人，仍無法達到與封閉回路機器人相同的精度，因為它需要累積嘗試錯誤的經驗，從錯誤中學習，逐漸進步。

這點說明了為什么Mujin和CapSen機器人這樣的新創(chuàng)公司，并未采用深度強化學習，反而選擇使用傳統(tǒng)計算機視覺。

然而，傳統(tǒng)計算機視覺要求每個對象都要事先登錄，終究還是缺乏擴充和適應變化的能力。 一旦深度強化學習(DRL)達到了效能門坎、逐步成為產業(yè)主流，這種傳統(tǒng)方法終究會變得無用武之地。

此外，這些新創(chuàng)公司的另一個問題，在于它們的價值往往遭到高估。 我們經常看到，新創(chuàng)公司在硅谷籌集了數(shù)千萬美元資金，卻無法承諾創(chuàng)造出任何真正具體的收入流。

對于創(chuàng)業(yè)者來說，「描繪」深度強化學習的美好未來，再容易也不過了；但現(xiàn)實則是，我們還需要數(shù)年的時間才能達到如此的成果。 盡管這些公司離創(chuàng)造獲利還有一段距離，硅谷的創(chuàng)投仍愿意繼續(xù)押寶在這些人才優(yōu)秀、技術先進的團隊上。

2. 水平應用

另一方面，水平應用則是更實用、卻比較罕見的模式。 我們可以簡單將機器人技術簡化為感測（輸入）、處理、驅動（輸出）三個部分；除此之外，還有開發(fā)工具。

(這里使用的「處理」一詞，同時概略涵蓋了控制器、機器學習、操作系統(tǒng)和機器人模塊等等，各種不屬于感測或驅動的其他項目 )

我認為未來，這個領域將最具增長潛力。 對于機器人的用戶來說，破碎而零細的市場是棘手的問題；因為所有的機器人制造商，都各自推展自家開發(fā)的語言和接口，使得系統(tǒng)整合商與終端用戶，都很難將機器人與相關系統(tǒng)進行整合。

隨著產業(yè)的逐漸成熟，有越來越多機器人應用到了汽車和電子廠以外的領域；因此我們更加需要標準的操作系統(tǒng)、通訊協(xié)議、接口，從而提高效率、并縮短上市時間。

舉例來說，美國波士頓的幾家新創(chuàng)公司正在研究相關的模塊；例如Veo ?Robotics公司開發(fā)的安全模塊，能讓工業(yè)機器人更安全地和人類協(xié)同工作；Realtime Robotics ??公司則提供加速了機械手臂路徑的解決方案。

作者：Bastiane Huang，擁有近10年產品及市場開發(fā)管理經驗，目前在舊金山擔任 AI/Robotics新創(chuàng)公司產品經理，專注于開發(fā)機器學習軟件，用于機器人視覺和控制。

本文由 @Bastiane 原創(chuàng)發(fā)布于人人都是產品經理，未經許可，禁止轉載

題圖來自Unsplash，基于 CC0 協(xié)議。