在工业机器人市场化的过程中,最困难的两点是降低成本和提升易用性。后者比前者更难。然而随着深度学习算法在机器人中应用的越来越多,这个两个问题都得到了不同程度的解决。未来,深度学习驱动下的更小更聪明的机器人会接管机器人市场。

深度学习是目前在视觉、语音、医疗诊断和其他领域中应用表现最好的机器学习算法,它也可能对机器人产业产生深远的影响。即便在制造业中,机器人已经被广泛使用,但是它们依然有造价昂贵、编程困难的问题。对于大部分业务来说,机器人还排不上用场。

在2015年,全球范围内的工业机器人销售量仅为250000左右,这个数量是大型计算机销售峰值的十倍。相比之下,去年服务器和PC的销售总量分别大约为1000万台和3亿台。很明显,机器人产业还处于起步,它需要在成本和易用性上有很大的提升才能真正的走向主流市场。

机器人的成本曲线正在下降。ARK估计工业机器人的成本在未来十年内会下降一半,跌至大约10万美元一台。同时,一台与人协作的新品种机器人的价格大约3万美元。今天像软银的Pepper这种销售助理机器人的成本大约为1万美元,还包括服务费。更安全更敏捷,这个新品机器人不需要安全笼、重型设备或者专业编程。根据ABBRobotics的信息,一台工业机器人的安装程序部分只占总成本(TCO)的三分之一。由于机器人制造商从电子工业(如摄像头、处理器和感应器)中添加了很多部件,我们认为工业机器人的成本应该会接近消费电子品的价格。

在工业机器人中,提升易用性这一点比降低成本更难。工业机器人需要使用工业控制系统进行精确的编程,要将任务打散放进一系列动作和六个维度中。这些机器人没有从经验中学习的能力,它们只能依靠新程序来学习新任务,这种缺陷就限制了工业机器人在可预测的和明确的任务中的应用。

然而深度学习已经带来了变革,它将机器人变成学习机器。不需要精确编程,机器人可以随着时间的推移从数据和经验中学习,并能执行多种任务。ARK相信在某种程度上,一个能抓取货架上任何一个物品并将它放到箱子里的仓库机器人会是很多业务的福音。但是,没有深度学习最近的突破,识别和抓取各种形状大小的物体几乎是不可能的。

在亚马逊的AMZN Picking Challenge的机器人抓取挑战赛中,带有摄像头的基于视觉的机器人尝试从一个货架上随机抓取一个物品放进箱子里。在2015年到2016年之间,赢得比赛的机器人性能提升了三倍,之前一个小时能抓取30个物体,现在是100个。2016年的比赛中,冠亚军都将深度学习作为其视觉和抓取任务背后的核心算法。按照最近的性能提升速度来看,在抓取任务上,机器人两年内就会超过人类。

图片来源:亚马逊,Preferred Networks

ARK相信,给从事更加简单、更可预测任务的机器人编程,深度学习是一个高效得多的办法。据Prefferred Networks(一家私人机器人公司)透露,借助深度学习,机器人可以在八小时内掌握一项任务,而在过去,人类程序员要花费数天时间才能教会机器人完成相同的任务。当8台机器人一同学习任务时,训练时间可以缩短至1小时。因此,在训练单独一台机器人时,深度学习的效率比人类程序员要高出五倍,而且平行训练能够将表现提升不止一个量级。

较之传统机器人,采用将摄像头和机器人视觉结合起来的机器人会更加便宜。因为传统机器人没有视觉,因此,工作量必须精确布置出来,还常常需要支持硬件,比如固定装置。但是,拥有视觉的机器人会使用软件并根据工作量进行调整,而不是反过来。他们还能根据新任务进行快速编程,按照传统办法,这需要花费大量成本进行重新安排。

机器人领域的重量级公司已经做出选择。2015年,Fanuc,这家工业机器人制造商已经获得Preferred Network6%的股权并计划将运行深度学习的机器人纳入不久的未来。ABB,这家瑞士机器人公司也投资了Vicarious,一家拥有深度学习技术的人工智能创业公司。深度学习

深度学习还能显著扩大机器人目标市场,而传统机器人仅囿于安全笼并从事高度程序化的重复性工作。深度学习驱动的协作机器人能够运行于广泛不同场景。因为他们可以学习新任务并在人类身边安全运作,因此,我们认为机器人市场会像中小型市场开放,比如零售、农业,更别提家用了。

尽管我们相信工业机器人仍然是大规模制造业中的驱动力,但是,他们的单位体积会被新的、更加敏捷的机器人秒杀,就像大型机被工作站、个人电脑和智能手机秒杀一样。其结果是,机器人的装运量会提高10到100倍。许多新机器人可能与今天的机器人没啥相似之处,就像智能手机与大型机完全不像。我们相信,深度学习驱动下的更小更聪明的机器人会接管机器人市场。