称为NeurIPS（神经信息处理系统会议）的全球人工智能领域盛会刚刚结束，出席者人数创下历史新高，即使采取抽票制也难以容纳。9,000张门票在12分钟内售完，显示了世界各地对AI兴趣的爆炸性增长。
然而，尽管AI创新走出学术界，开始在产业界出现，大多数公司在落实AI解决方案时仍然面临困难。在NeurIPS向AI世界发出警钟的同时，机器人产业似乎对机器学习（ML）解决方案落地有更务实的考量。
我任职的公司提供机器学习软件，使工厂和仓库中有更多具自主性和更灵巧的机器人。为了弥补技术和产品落地中间的差距，我们和机器人公司与系统集成商密切合作，将最前端的机器学习研究产品化。
日前我飞到东京，参加全球最大规模的机器人展会“国际机器人展览会”（IREX）；在这里，领先的机器人公司展示了将AI以及ML应用在机器人领域的各种方法。
从“自动化”到真正“自主化”，AI造就的机器人技术领域，最大成果是从原先的“自动化”（工程师借由程序设计编写规则，让机器人遵守）迈向了真正的“自主学习”。
在先前的文章中，我谈到AI如何造就新一代机器人2.0时代。传统机器人主要用于大规模生产线，工程师事先编写程序，让机器以高精度、高速度执行相同的任务，但机器本身无法对变化或意外做出反应，因此弹性有所不足。
然而，随着消费者对定制化产品需求的增长、和劳动力的不断萎缩，我们需要更加自主和灵活的机器人。
也因此，有公司开始尝试将ML应用于机器人领域，使新一代的机器人能够处理传统机器人无法完成的供作。在IREX中，我们看到了ML用于改善机器人的视觉、控制、以及提高真实使用案例的扩张性。
机器视觉：在识别、可扩展性和自主学习方面的突破
即使是最先进的3D结构化光相机也难以识别具有透明封装、反射或深色表面的物体，因为光线会散射或被吸收。
由于物品相互重叠，杂乱堆放的场景带来了更多的挑战。这就是为什么大多数制造商都使用振动台，或零件进料器来分散物品的原因。
此外，传统的机器视觉系统不够灵活：你需要通过事先上传每样物品的3D模型来登录对象，以便后续进行图片及对象本身的匹配。只要过程中有任何一个小变化，都必须重新登录对象、或是修改程序设计。
但是现在，随着在深度学习、语义分割和场景理解等领域的进步，我们逐渐可以用一般相机来识别透明的、或是会反光的包装。
在FANUC的展位上，“LR Mate 200iD”拾箱机器人利用深度学习算法、以及3D视觉传感器，来示范拾取随机放置在一个箱子里的相同的金属零件。FANUC表示，由于他们的系统可以即时执行3D图像及对象比对，所以不需要预先登录。
在FANUC展台旁边的川崎重工（KHI），则利用来自Photoneo和Ascent两家创业公司的ML技术，展示了类似的随机对象拣选方案；在另外一边，KHI则与Dexterity公司合作，展示了机器人可以同时处理、搬运各种尺寸盒子的自动处理存货解决方案。
在另一个展览大厅，日本机器手臂大厂DensoWave以及旧金山的ML创业公司OSARO首次展示了“对象方向识别”（Orientation）功能，让机器人可以从杂乱的箱子里取出透明瓶子；不仅能够识别最佳拾取点，而且还能识别物体方向、并将瓶口朝上放上输送带。
DensoWave机器人业务部总经理Yosuke Sawada评论：“OSARO新开发的“定向”功能是客户一直在等待的技术之一。该令人兴奋的新功能，有助于识别对机器人较为困难（例如透明）的物品，并提高操作员和工厂自动系统的拣选率。”
在这项展示中，使用的瓶子是完全透明的，因此很难用传统的机器视觉传感器识别；而且，过去还没有其他公司展示过类似的功能。
这项让技术机器手臂不仅可用于简单的拾取和放置，还可用于更复杂的零件装备（kitting）、包装（packaging）、机器装载（machine loading）、以及装配（assembly）等工作。
机器控制：智能放置和品项处理
作为人类，我们从出生起就不断练习捡拾和放置各种物品，因此可以不假思索就本能地完成这些工作。但是机器没有这种经验，必须重新学习这些任务。
尤其是在对产品包装特别要求的日本市场，各项商品都需要被精心包装，确保对象和外包装的完整性，没有任何缺损。
利用ML，机器现在可以更准确地判断深度。ML模型还可以通过训练学习，自动判定物体的方向和形状，例如杯子是朝上或向下，或处于其他状态。
对象建模或体素化可用于预测和重建3D对象。它们使机器能够更准确地预测实际物品的大小和形状，从而将物料放置在所需位置。
这些技术使机器能更准确预测实际物品的大小和形状，从而将物料放置在所需位置；因此，也让以产品品项（SKU）为基础的处理方式得以实现：机器人可以根据物品的脆弱或易碎程度，选择将物品轻轻放下、或是快速放置。
因此，我们可以借由自动改变处理方式，让系统处理量优化，而又不会损坏任何物品。
在展会中，也有些公司也开始在运动规划中，尝试使用强化学习或机器学习技术。例如日本创业公司Acsent展示了一段利用“强化学习”来组合两个部件的视频；而机器手臂大厂“安川”（Yaskawa）也谈到了在路径规划中使用机器学习的潜在好处。
但是，如果上述的机器学习改进，需要大量数据和长时间的训练，就会造成在实际执行上的困难。在机器人和自动驾驶汽车等实际应用中，获取训练数据既有难度、成本也相当昂贵；这就是为什么我对于IREX中提及的数据效率（data efficiency）问题特别关注。
适用于现实世界的可扩展性：数据效率
Yaskawa去年为开发工业机器人AI解决方案而成立的新公司“AI Cube Inc.”（AI3），在IREX的发布会中推出了为企业将机器学习模型数字化的工具“Alliom”。
根据AI Cube的说法，Alliom提供了一个模拟环境（simulation），用于进行数据扩展（data augmentation）、并生成类似真实对象的合成数据（synthetic data）。
Yaskawa利用Alliom加快了ML模型随机拣料的训练过程，并希望在不久的将来，能将该解决方案扩展到各种其他应用之中。
这也表示，机器人产业已经超越了仅能引人注目的ML算法，而开始考虑实际应用支持ML的机器人。ML解决方案不仅需要能够成功运行，还必须能有效跨越各种使用场景、扩展用途，否则客户很难有足够诱因来引进这类系统。
结语
在上一篇文章中，我提到机器人公司正面临“创新困境”：他们意识到创新的迫切需要，但仍然需要照顾他们的核心客层，也就是需要高速度、高精度工作能力的汽车业和制造业公司；然而，相对于其他市场对灵活性要求较高、也需要机器人能自主学习识别和处理各种组件，这一点是互相矛盾的。
在IREX，我们看到机器人巨头与KHI与Photoneo、Dexterity、Ascent、DensoWave与OSARO、FANUC、以及Preferred Networks等创业公司联合展出，显示机器人公司正在改变并拥抱AI创新。但是，这样的改变速度够快吗？
在汽车业，我们看到汽车OEM制造商在迈向自动驾驶的过渡中，与特斯拉和Waymo等新进者展开竞争；然而到目前为止，我们还没有看到科技巨头进入机器人产业。
但Google、DeepMind、Facebook都已经在机器人相关的ML方面，投入了可观的研究团队，真正进入机器人产业可能也只是时间上的问题。
未来几年之中，观察AI将如何颠覆机器人行业、重新洗牌，将会是很有趣的事情。科技巨头、机器人制造商、电子汽车制造商、AI创业公司，谁将胜出？
最后，谁又能巩固在AI定义机器人时代的领导地位？