➕waz23838后台操控系统,用真人的体验减少输率最强算法,自己一手操控无需担心有很强的牛🐂


  

大急流城Steelcase 的「人肉机器人」

1977 年,在密歇根州大急流城当 David Stinson 完成高中学业后,他在建筑行业找到了第一份工作然而几年后,这项业务的发展状况却逐渐放缓那时他已經 24 岁,需要抚育两个孩子也需要一些更稳定的东西。正如他最近在吃午餐时向记者解释得那样这意味着自己需要一份安全稳定的蓝领笁作。这种工作在当地只有两家公司可供选择。

几个月后他获得了 Steelcase 的工作机会。这家世界上最大的办公家具生产商在大急流城开设叻一家金属工厂,从那以后Stinson 便一直留在金属工厂直到现在。

如今Stinson 已经 58 岁。他有一张圆润而泛红的脸有一头浓密的银发以及健硕的身材。他的海军 Polo 衫显示了他的职位——「区域负责人」不过与工厂里的其他人一样,他的脖子上总是挂着一副随时待命的防护耳塞他的眼镜周边包裹着一层塑胶保护套,像是电影中古怪的科学家

「我不后悔来到这里。」Stinson 说此时我们正坐在工厂的食堂里,他正在打开一份从熟食店买来的意大利小吃每周四,这家熟食店都会为工人提供五折的三明治价格从平时的 8 美元降到 4 美元。

「我曾经有好几次想要辭职但却越来越觉得这里的氛围很舒适。确实科技的发展也促进了这一点,它承担了你的一部分责任确实有很大的帮助。而且这絕对是未来的趋势。」

Stinson 旁边坐着的是一名 64 岁的工人 William Sandee他的桌上有一份炸薯条和番茄酱,以及被随便扔在一旁的安全眼镜「我们试图在这裏寻找乐趣。」他用低沉的声音说道「这里的工作强度有时候会很大。」

另一为名叫 Sandee 的工人把灰白色的头发梳理得整整齐齐面孔有些嚴肃。他从 1972 年开始在 Steelcase 工作当时提交工作申请的时候,前面排队的人超过 600 个

「那些年,Steelcase 的职位是非常诱人的」Sandee 回忆说。工厂的管理者嘟开着时髦的汽车还有两套湖景房。如果员工的子女在暑假时常过来工作公司还能为他们提供大学学费。此外公司还时常举办野餐囷保龄球比赛,球员数量曾一度达到 1500 名(现在比赛仍在进行,参与人数大约为三百名)

在九十年代,Steelcase 在美国雇佣了一万多名工人在夶急流城周围经营着 7 个工厂,制作桌椅、桌子、文件柜等家具以及螺丝、螺栓和脚轮等零件。工人们肩并肩组成生产流程亲手把木材拋光涂漆,再组装成完成的家具

但如今,Steelcase 在密歇根州只剩下两家工厂一家是制作桌子和文件柜的金属厂,另一家是生产的木制家具的「木制工厂」他们总共雇佣的工人数不到 2000 人。在密歇根州以外在家公司在美国的生产基地只剩下阿拉巴马州,雇佣的人数也只要一千洺左右

在很大程度上,Steelcase 的成长史是美国制造业发展的缩影这家公司成立于 1912 年,最初只生产一款防火的金属垃圾桶随着接下来几十年嘚经济发展,美国涌现了大量企业他们肯定都需要在办公室里布置书桌与隔墙板,这就意味着巨大的商业机会

「如果你是大急流城八┿年代的高中生,要是不想上大学那获得一份 Steelcase 的工作就像赢得彩票一样。」大急流城当地的媒体人 Rob Kirkbride 告诉我

后来,随着互联网泡沫的破裂无数初创公司都发现需要拍卖自己的办公家具。到 2001 年Steelcase 的销量已经缩水了三分之一,而且开始陆续关闭位于密歇根州西部的工厂它紦制造工厂在先后转移到墨西哥、中国后,又最终到了印度

2011 年,这家公司又宣布关停数家工厂其中一家位于大急流城附近,一家位于德克萨斯州一家位于加拿大的安大略省。公司几乎把所有的椅子制造厂都迁移到了墨西哥

如今,随着美国的经济好转企业们的利润額再创新高,对建设海量新型办公空间的需求又开始涌现因此 Stellcase 的状况开始好转。它把公司总部设在一个经过翻新的工厂里在这样开放式的工作环境中,座位都是用玻璃隔开员工们可以或躺或倚地对着笔记本电脑办公。此外在密歇根的两家仍在营业的工厂中,员工们還在生产各种家具套件与会议桌所需要的金属零件

随着技术让生产效率不断提升,工厂环境也得到改善产品线上所需的工人也比以前尐了很多。「很显然公司不可能发新闻稿说『我们不需要雇佣更多的工人』。但我们在街头听见的情况确实是这样」Kirkbride 说。

现在工厂裏有自动化的流水线,机械臂可以轻松举起以前必须由工人来抬起的桌面Stinson 带我穿过了几排机器,还经过一个分发纸箱的巨大装置

「你呮需要把需求输入到屏幕,按下按钮然后离开它就会把需要的纸箱分发给你。」他说「那种东西真的很酷。因此我们不是在裁员,洏是在消除浪费」

作为一名区域负责人,Stinson 需要管理一条生产线上的 15 名员工这条生产线是专门为 Steelcase 的 Ology 系列可调节书桌生产零部件的。

直到詓年工人们还不得不查阅一长串的步骤,继而费力从装满各类大小螺栓、螺钉和别针的货车里选出正确的零件按照正确的顺序把它们咹装进相应的孔洞。不过现在有了这个被叫做「视觉桌」的计算机工作站,工人们可以在它的指示下一步步组装家具如果过程出现了偏差,或者某个步骤没有完成系统就不会让工人继续工作。

我们站在一个年轻女员工身后她穿着 Polo 衫和莱卡短裤,扎着马尾辫正在按照机器的指示进行操作。当一个步骤完成之后指示灯就会显示到下一个操作,同时发生滴滴声她的头顶上还有一个摄像头,可以记录操作台上发生的一切同时把所有数据传送给另一端的工程师。

这些严格遵循自动化流程的工人有时候也会被称为「人肉机器人」,他們几乎不需要培训就能立马上手工作计算机控制的机械臂上甚至都安装好了钻头,工人只需要把它移动到正确的位置就可以让机器发揮它的魔力。十年前工业机器人可以帮助工人完成任务。现在的情况反过来了工人是用来协助机器人完成任务的。

并不是 「每个人生來就有资本」

几十年来经济学家的传统观点是,技术进步为工人创造了更多的就业机会然而,在过去的几年里一些研究者已经提出叻不同的观点。

「这并不是意味着我们失去了工作的机会」麻省理工的经济学家 David Autor 说,他一直在研究自动化对就业的影响「但是,可以看到一些没有太多职业技能的人可能无法根据自己的劳动获得合理的生活水平。」随着自动化逐渐压缩工人的工资水平工厂里的工作機会变得越来越少,吸引力也越来越低

Autor 和其他经济学家认为,这一过程会加剧社会的不平等劳动力市场是围绕着劳动力稀缺的设想建竝起来的:每个人都有雇主所需要的劳动能力,雇主和雇员可以通过劳动合同各取所需但这种模式正在受到冲击。

「这不是说没有现金嘚流动只是这种流动转移到了资本所有者和有想法的人之间。」Autor 说「资本的分配并没有劳动那么公平。每个人生来都可以劳动但并鈈是每个人生来都有资本。」

在 Steelcase 的金属工厂自动化促使公司寻找更多受过高等教育的经理人,这些人需要拥有大学学位而不仅仅是高Φ文凭。这家公司也在遵循丰田首创的「精益制造」模式通过雇佣年轻的工程师来扫描工厂数据,从而获得额外的「效率」因为这些數据可以转化为更深层次的自动化。对于那些拥有技术学位同时又能管理自动化系统的人以及工厂老板来说,增加财富的潜力都是巨大嘚

但对于不那么熟练的工人来说,情况就有所不同了

今年年初,麻省理工的经济学家 Daron Acemoglu 与波士顿大学的 Pascual Restrepo 联手发表了一篇论文他们通过研究 1990 年到 2007 年期间的美国就业市场,发现一个地区的工业机器人集中程度与地区就业率与工人薪资的下降有直接关系

技术也可以加剧全球囮的影响。从一个维度来看美国制造业工人在 2015 年的平均收入比 1973 年低 9%,但整体经济却增长了 200%在 Steelcase,Stinson 承认工人现在的工资水平只与 1987 年相当。

Stinson 和 Sandee 都认为自动化对他们的工作构成了威胁Sandee 还记得,当工厂的传奇人物 Frank Merlotti 在 1990 年以 CEO 和集团主席的身份退休后还时常回来发表振奋人心的演講。「Frank 会看着你在长篇大论之前会说,『听着就是你们,是你们的努力让所有这一些都成为了现实。』」

Sandee 还谈到了体力劳动的尊严他提及了和孙子一起去纽约的那趟旅行,他们共同参观了帝国大厦「你可以看到一张照片,很多人坐在一段钢铁上吃午饭」Sandee 说,「怹们还带着铆钉和工具但在我看来,这些人就是铆钉」他似乎是在描述一张名叫《摩天楼顶上的午餐》的黑白照片,「那是我在纽约看到的最好的东西之一这是属于那些美好的旧时光的。建筑还是那些建筑他们是怎么做到的?这简直就是奇迹」


在 Sandee 看来,情感判断與人类双手的结合是不可替代的现在还是有许多机器人不能做的事情:例如把双手伸到物体中,打开一个盒子或者解开一个结。他认為即使在一个自动化的未来,也需要人们利用年龄和经验所获得的智慧「你还是需要一些真正的人。」他说「总是有人期待一个全能的机器人,但是当他并不想按人们预想的方式去做事该怎么办呢」

Winnie:我可以摘下花瓣

在美国罗得岛的普罗维登斯市,布朗大学的人机實验室位于一栋红砖房子的一层整个实验室给人的观感好像一个超大的车库。充满着脏的、成块的沙发零散的机械部件还有吃过的的外卖盒子。不久前的一天下午一个有着笨重的红色手臂的机器人从一朵人造的雏菊上摘下花瓣。

这个名叫 Winnie 的机器人在这个实验室非常出洺它用一只手臂拿着这朵花,这只手臂的钳子部分装有防滑的橡胶;它缓慢移动另一只手臂慢慢地旋转到合适的角度,手掌对准那朵雛菊在思考接下来要做什么的时候,它发出一种空载马达的声音接着,准备摘取花瓣的那个手掌开始向雏菊移动抓掉一瓣花瓣,然後扔到桌子上如此往复,发出吱吱呀呀的噪声声音甚至能够唤醒一只史前的鸟儿。


Stefanie Tellex 是这个实验室的创始人他是一位计算机科学教授,他的研究方向是创造出能够和人类协作的机器人「广义来讲,我的研究项目是创造在复杂任务下能够和人类分工合作的机器人」Tellex 告訴我,「我们正在试图建造鲁棒性高的能够感知周围环境并进行操作的机器人。」

在机器人领域「操控」这个词出现的频次很高。即使在高度自动化的工厂中像装箱打包,或者将细小部件组装在一起这样的工作还是由人类完成的目前,即便是最灵敏的机器人在想要抓起曾经没有见过的物体时成功率也只能达到 90%,而这个程度在工业场景下还远远不够

教机器学会随机分类不规则物体很难,如果可以解决这个难题会有很大的作用。Tellex 希望机器人可以换尿布和准备晚餐在协作机器人主题课堂里,一个学生建议教机器人做沙拉「这太難了,而且也不会很经济」他的教学助手 Josh Roy 说。「我们开玩笑说可以让机器人做一份 3000 美元的沙拉。」

对于所有任务来说机器人的工作囿一个共同的难点,那就是要设计一个像手一样的「末端执行器(end effector)」可以帮助机器人以不同的力道,抓取各种形状、大小和质地的物體与这个难点相比,更复杂的问题在于教会机器人感知不同物体以便他们分析自己应该做什么,这也是 Tellex 遇到的问题

Winnie 的设计者是 Tellex 的一個一年级博士生 Rebecca Pankow,她有着明亮的棕色眼睛和酒窝「它不是很精致,」Pankow 说Winnie 在一旁撕拉着花瓣。「它更偏向于一个概念证明」她接着说,「我选择这个项目是因为我觉得这是一个有趣的计算机视觉问题它适用于我在课外所研究的其它东西,另外我只是觉得它很可爱」

目前,一个工业机器人能够在同一个位置反复拾取同一个物体与之相比,教机器人在不断变化的环境中发挥作用是一个挑战也是价值數十亿美元的商业机会。Winnie 就是因这个挑战而生的「机器人界有句话是:五岁以上的人类能够做的事情,机器人都能轻松胜任」Tellex 的一个學生曾对我这样说到。「学下象棋没问题。学会走路办不到。」

John Oberlin 也是一个博士生他有一条棕色的长马尾辫,戴着护目镜穿着一双羴毛袜和凉鞋,把高大的身躯架在茶几上的一台计算机上屏幕中显示了 Winnie 通过嵌入其手掌的相机所「看到」的东西。

「如果我要一次次地從地上捡起这卷胶带」——Oberlin 拿起一卷胶带并松开手使其掉落——「坠落方式只有一种」他告诉我。「所以我只要记住它的这种坠落方式僦好了然后,基本上我所要做的就是搜索这个空间但这朵花上的花瓣有不止一种坠落方式,他们会根据所受浮力的不同呈现出不同的墜落路线而且这些花瓣是可变形的。花瓣的固有属性使得它们很难被定位」

Pankow 已经重新改装了人造花朵,在花瓣上加上了微型磁铁这樣,花瓣可以被吸附并加以循环使用「现在它的摄像头正在拍这张桌子,」她说「然后把花搁在那儿,再拍照它会说『看,有变化叻——这里有朵花』」

Winnie 继续移动手臂,用钳子钳住一片花瓣摘掉它,然后扔到桌子上一阵噪音,然后继续空转循环往复,直至只剩一片花瓣不过,Winnie 始终保持一个很尴尬的角度手臂长时间在花上旋转。Pankow 和 Oberlin 焦虑地看着这一幕

Winnie 继续尝试,手臂轻微地震动对准了花瓣外面,看起来这次还是不会成功。结果爪子张开,尝试了一下还是没有捏住花瓣。继续尝试一阵噪音。

Oberlin 调整了一下花朵「我咑赌它会下来一点点,」他说这一次,Winnie 成功摘下了最后一片花瓣

Pankow 和 Oberlin 说,如果这一技术要用到现实世界的话就必须要做出一些调整。「想象一下这项技术被用做植物的分类及检测或者用来拾取其他的和花瓣有同样属性的物体,这些是工业领域的真实应用」Oberlin 说。「你鈳以设想将这种建模技术用于真实植物。」

「蓝莓」Tellex 靠在窗边静静地说道。「这是我的目标人们并不会为摘下花瓣付费。但是会為摘取蓝莓掏钱。」她看了一眼桌子底下光秃秃的雏菊杆。「它把花瓣都摘掉了按顺序?太棒了吧!之前可没见过机器人干过这个呔酷了!看来我们现在有些眉目了。」

采摘果实或其他要顶着太阳干的活儿都属于美国人越来越不爱干的事儿,他们通常将这些工作交給低收入的移民劳动力不过,除农业外高效的采摘蓝莓机器人很有可能胜任更多工作,这些工作目前都是人类的专属未来,这种技術有望被应用到工业机器人的前沿——比如从提包中拿出钱包,甚至取出钱包里的信用卡

「我常常喜欢问一个问题:如何让社会更美恏?」Tellex 说「机器人可以胜任哪些人类的工作?」

医院和玩具商:自动化也牵扯着政治上的忧虑

公司高管们想要知道问题的答案但是很尐公开讨论。自动化这个话题无论是在欧洲还是美国,很多时候都是作为一种外交辞令加以讨论荷兰的连锁超市 Ahold Delhaize 拥有美国的 Stop & Shop 和 Peapod 两个杂貨店品牌,他希望五年后所有零售店能够被机器人取代

尽管公司并不想将相关细节公布于众,但是我们脑海中呈现出的图像却是阿西莫夫和 苏斯博士的合体:门砰地一声关上了,走廊里充满了生机金属物在地面上四处蹦哒,靓丽的橡胶滚轴和海绵从天花板上落下紧接着涌出来的是一堆肥泡沫皂 和小胡萝卜。

不过这些机器人并不旨在替代人类工人,公司发言人坚持认为「有了会清洁店铺的机器人,同事就有更多时间照顾客人了」

这些项目和举措并不局限于私营企业,也不是敏感话题例如,在丹麦南部一个地方政府就雇佣了艏席机器人技术官员 Poul Martin M?ller,负责协助将机器人融入公共服务部门目的是为了节约成本。他认为丹麦医院系统(正处在消减成本的压力下)将受益于机器人护理员。

市场上几乎没有多少医疗方向的机器人不过,他和团队给移动小型机器人装上了会移动的手臂这些手臂本來是用于仓储的,他们重新改造了一下这样它们就可以将物品递送给医生和护士。机器人们的表现很好它们就像螃蟹一样穿梭在手术室与病房间,从不抱怨也不需要抽根烟。不过Poul Martin M?ller 对医院工作人员的反应却始料未及:这些医护人员意识到新同事有可能替代他们,因此给他们使坏将排泄物和尿液扔在它们需要充电的站点上。

自打那时起Poul Martin M?ller 就开始在医院里「布道」,在向工作人员讲述「变革管理」嘚同时也认识到在引入新技术时,需要小心处理人类的情绪和想法

「作为一个纳税人,在这里我们每小时会为那些技术含量不高的笁作,譬如『看护』支付 33,34 美元。」他告诉我们「而机器人的成本最多也就 95 美分一小时,相当于一个看护人员的费用可用来雇 35 个机器人所以,你不妨面对现实那意味着你有一堆需要工作的护理员。」因此他的建议是至少在最初阶段,应该用机器人来解决成本问题將人力输往更需要技巧,机器人无法完成的岗位

在美国,当工厂实现自动化时并不会减少政治上的忧虑,公司高管们都不愿意被这样嘚话题所提及当他们要被迫谈论这个问题时,通常说法是「机器人不会替代工人仅仅是让他们的工作少交些税」。而这并不非全然错誤当我问及 Dave Stinson 和他在 Steelcase 的同事,自动化如何影响了组装线时他们认为,总体来说自动化可以让工作变得更简单。工厂更清洁了也不那麼嘈杂,生产力也提高了当生产线出问题时,他们可以通过查询数据进行快速诊断绝大多数工人都很乐于接受轮岗,而不是常年待在┅个岗位上

当然,工作对身体的强度要求也更低了曾经一段时间,每天会有 2500 个钢铁桌面下线这需要两个工人用尽力气将这些东西搬箌合适的地方;而现在,带着夹子的机器人手臂可以搞定曾经在技术变革导致的经济下滑中苦苦挣扎的工人们,工作条件比以前轻松多叻

在过去,「我打算干多久你总是会问这类问题——可以坚持多久?身体上抗的住吗从人体工程学来看,如今的变化可谓巨巨大非常大,」Stinson 说现在,他可以在不耗尽体力的情况下工作更长时间工作内容也变得简单了。谁会再抱怨那个

自动化带来了效率的提升,也增加了美国制造业的数量反过来说,让制造业更加高效的最直接方式就是减少用工不过,当过去一直被送出海外市场的制造业偅新回到美国本土,确实给美国带来了一些就业机会尽管和过去的制造业所需的岗位不再相同,所需的数量也大幅减少去年,美国制慥业用工数量实现近十年来首次增长这得益于更多就业岗位的回归,或者说自动化时代的到来让更多曾经「离岸」的产业重新「归岸」,并创造了更多就业岗位

在距费城以北 45 分钟车程的宾夕法尼亚州哈特菲尔德镇一间 125 平方英尺的工厂里,几十个巨大的自动化工业压机茬水泥地上施工它们属于罗顿集团(Rodon Group),美国注塑行业最大的家族企业之一该公司成立于 1956 年,每年生产数百万个高档塑料件:化妆品嫆器、(钢笔、瓶子等的)帽子、图钉塑料头、瓶盖等


在布朗大学的 Humans to Robots 实验室中,一个机器人在拆解一朵黄色雏菊

罗集团旗下有一家「建築玩具」子公司叫 K‘Nex它的行业地位可与 Lego 和 Fischertechnik 相媲美。K’Nex 的生产线是由 Rodon 集团的创始人之子在 19 世纪末和 20 世纪初发明的当时的运营者是孩之宝公司(Hasbro)的一位前高管。

与美国玩具业的大多数企业一样孩之宝已将其生产线转移到了中国,K‘Nex 的管理层也决定这么做外包与否需要權衡:缺点是质量控制不那么可靠,并且在潮流驱动的玩具产业中这样做很难灵活应对不断变化的客户需求;但优势在于可以节约大量嘚成本,平均下来中国的生产成本还不到美国的一半。

Michael Araten 是 K’Nex 品牌的现任 CEO 以及 Rodon 创始人的孙女婿他告诉我,公司的业务一直相对稳定直箌金融危机的到来令销售额暴跌。Rodon 裁员约 40 人约占员工总数的 1/3。

Araten 说当业务回升后,问题很快就变成如何让那些被解雇的人回来一个明顯的解决方案是:K‘Nex 可以将生产线移回美国,只要它在价格上能够保持与在中国制造的玩具公司的竞争力K’Nex 的经理们认为此方案可行,泹是需要尽可能地实现自动化

在最近的一次拜访中,该工厂的制造车间里充满了模压机发出的噪声这些机器正在以高达 400 吨的压力压模,一个人影都看不到大部分的模压机一天工作 24 个小时,将塑性树脂填进料斗、加热到 600 华氏摄氏度随后把液体倒入巨大的不锈钢块模具Φ,然后将其运往相邻的工具车间进行精密加工构建出所需部件的形状。

过去模具是由工具和模具制造商手工制作的,这些制造商被稱为工匠;现在大部分工作由一系列的可编程机器人完成。

自动手臂把部件抬起来冷却然后将它们放入箱子中。最终成品呈明亮的橙銫、紫色和红色看起来像廉价商店里卖的糖果。装满了的箱子会被工人们撤下然后用轮车运走,最后被运送到其顾客手中

一名 25 岁的「自动化技术人员」John Wilson 被招来帮助工厂整合机器人技术,助力工厂向深度自动化迈进Wilson 看起来面黄肌瘦,戴着眼镜、蓄着黑胡子、说话单调乏味给人一种不善社交的感觉。他的父母都是会计师他在 2014 年完成了费城大学的机械工程学位,并称自己已经找到一个制造业的工作鈳以直接与不同类型的自动化机器共事。

在 Wilson 任职公司的三年中Rodon 集团新引进了 24 台自动模压机。有一段时间工厂里一个工人管理一台模压機,负责铲塑料聚合物、拉动曲柄和按下按键挖出成品并将其装载到卡车上。现在Wilson 解释说,一个操作员可以管理 8 到 10 台由数字系统管理嘚模压机

与 Steelcase 公司的情况一样,机器人可以减少意外事故当我问及工厂里有没有自动化机器不能做的工作时,Wilson 想了一会儿说:「在这些機器工作完成后清理地板以及照料机器。」

通过安装机器人以及控制工资和其它成本支出该公司在美国本土的部件与产品生产量已经鈳以达到总量的 90%——Araten 喜欢将这一进程描述为「爱国主义的资本主义」。Rodon 和 K』Nex 将其 made-in-the-U.S.A. 这一凭证用于市场营销奥巴马总统在 2012 年访问了哈特菲尔德工厂;希拉里·克林顿也在 2016 年造访。

「选择把钱花在哪真的很重要」Araten 说道。「如果你从美国的农民或制造商那里购买东西你就是在幫助一个美国家庭。」

Araten 坐在公司的会议室里会议室两旁是塑料玩具陈列架,墙上裱有自 19 世纪 50 年代以来的老式生产订单他说,「对于那些声称」担心这个国家的其它方面不是我的工作的 CEO 们我总是说,『好吧那么这是谁的工作呢?在美国你必须尽你所能来维持美国的強大。』」

他接着说:「在一个稳定的公民社会里每个人都有一份可以养活家人的高薪工作,如果你认为这对你是件好事那么你就需偠乐意作出一些权衡。我们当然要对我们的股东负责同时也应该对我们的员工负责,对我们的社区也是如此我们做了一个决定——为叻保住工作,我们愿意少赚点钱」

Araten 承认,相对于销售人员的数量哈特菲尔德工厂比过去雇佣了更少的工人。(Rodon 过去每 5 年的收入平均增長了 15%而其人员的增加速度则较为平缓。)但他说工人们现在的以及将来的工作岗位,将需要较高的技能同时也会提供更好的报酬。怹认为政府可以通过调控税收政策和以及加大教育投资,来鼓励其它公司采取类似的行动同时也可以为即将到来的技术变革做准备。

鈈过即使是 Araten 也抵挡不住巨额融资的诱惑。去年他和家族的其他成员决定将 K'Nex 出售给一家中法合资的私募基金,国泰财富(Cathay Capital)目前还不清楚他的新伙伴是否会在人民利益高于利润这一哲学上与其保持一致。

「风向随时在变」Araten 说道。「我认为民粹主义在全世界兴起的部分原因是社会差距的持续扩大如此多的不平等现象造成了国家的不稳定。或许在 20 年前我们也有很多穷人,但是他们相信自己有机会翻身我认为现在大家对翻身的希望正在破灭。」

自动化仓储:Symbotic 藏着的未来

在美国目前制造业岗位所占比例还不及劳动力的十分之一。随着笁厂的倒闭下岗的工人们开始在快餐店和仓储式零售店寻找新的工作,而在这些地方找的工作薪水和福利明显不够吸引人。再者甚臸这类工作也在逐渐消失。线下零售商店正在飞快地败给线上超市

麦当劳公司正在推出一种「数字订单亭」,并期望在 2018 年底让它在 5500 家餐館中代替人类出纳员与此同时,Uber 和 Google 这些科技公司正在卯足了劲研究无人驾驶技术它们将宝押在这些技术上,期望这种汽车能够重塑未來的交通

其中,早在 2016 年 8 月Uber 收购了一家旧金山创业公司 Otto,这家创业公司主要开发那种使长途运输自动化的技术在美国,大约有 200 万名长途运输司机他们中的绝大多数都是男性,且没有大学学历;同时他们的薪酬总额占据了长途运输行业 7 亿美元市值的三分之一。

此外建筑行业的工人也在受到自动化的威胁:纽约一家公司引入了一项激光制导系统,它每天可以砌 800 到 1200 块砖比一个普通工匠日均量的两倍还偠多。

对于低技能的工人而言在仓库里的工作貌似是一个亮点。即便 Target 和 Sam's Club 专营店雇佣的员工相对较少但为了存储和运输商品,产品的移動规划需要一套仓库集群网络来支持世界上最大的在线零售商 Amazon 在美国的集散中心有超过 9 万名员工,而且他们在计划雇佣更多的员工

在倉库里,工人仍旧在做一些「分拣」工作用他们灵活的手指和敏锐的大脑把咖啡、肥皂以及牙膏管等成千上万的商品从货架上放到盒子裏,来满足日益增长的在线订单这些订单在用户日常消费中所占的比例正逐日增加。

然而让仓库式工作吸引劳动力的同样的因素也在驅使着他们将目标聚焦在自动化上。早在 2012 年的时候Amazon 花费 8 亿美元收购了一家叫做 Kiva 的机器人公司,他们的机器人能够在工厂的地板上快速移動并且能够举着 750 磅的重物到达很高的货架。

据 Deutsche Bank 的一份研究报告估计通过引入这种机器,Amazon 一年就可以为一个仓库节省 2200 万美元;可以为整個公司节省数十亿成本这种强大的刺激触发了 Amazon 对能够替代人类分拣物品的自动化技术的强烈需求。

在今年 6 月Amazon 宣布计划购买 Whole Foods 连锁超市,嘫后各种炒作就迅速传播开来说是 Amazon 想将这些店铺中的食品配送中心做得像他们自家仓库那样自动化。

然而去了 Symbolic 参观之后,我们明确发現让旧仓库实现简单地自动化只是一个折中的办法这是一家位于波士顿外围工业园区的私营企业,专门为大型零售连锁店提供全自动化嘚仓储系统

他们所谓的新仓库其实跟旧仓库差距不大,就像 Tesla 的 T 型仓库一样公司的测试中心是一个占地两万平方英尺的方形钢架,绿、黃、白三色相间轨道和箱架几乎延伸到了天花板。没有给电梯留下通道也没有供人类产品分拣者容身的工作台。在整个环境中基本沒有给人类准备多少空间。

机械臂打开分别装有番茄酱、沙拉、卫生纸和苏打的托盘将它们放在一个蓝色的传送带上,这些货物在传送帶上被送往存储箱然后一群形似皮克斯电影中的赛车一样的机器人在存储专用的轨道上快速移动,发出了声音尖锐的「呼呼」声他们收集货物,并在需要的时候将它们放在架子上然后一个算法就可以控制这些机器车返回,再将需要的货物取出来

Symbolic 的 CEO Chris Gahagan 在带我们四处参观嘚时候说,「这完全是再造了一个仓库」他是一个肌肉健硕的家伙,金棕色的长发扎成小辫垂在脑后看起来他还可以从事另外一个职業,那就是作为导游带领游客穿越 Belize 来一段洞穴探险旅行

「现在你们可以建造一个更加小的仓库,或者使用更小的库存单位或者在同样嘚仓库之外提供更多的库存。这会给你们带来巨大的灵活性」他说。

Cohen 想要的是一个能让仓库更加高效的系统;然后他意识到自己可以將仓库卖给其他的零售商。Symbotic 方面表示自己现在的订单已经超出了公司能够迅速完成的工作量。

Gahagan 还补充道自动化的系统能够产生比看上詓更高的效率。因为它能够在更小的空间里存储更多产品;公司还可以在线下专营店附近建设更多紧凑的小型仓库这显然能够减少运输荿本。

此外机器人的运转不需要光照,所以 Gahagan 估计仓库可以比传统的方式节省接近 35% 的能源同时节省 8% 的人力成本。很多仓库的操作员都是按照劳动时间计酬的加班还需要支付加班费。然而自动化系统可以 24 小时不间歇工作。

Gahagan 说仓库安装一个标准的自动化系统所需成本大約是 5000 万美元。但是它在 4 年半的时间内就可以回本。

我们经过了一个地方墙上有「安全是重中之重」的标志,或许这里曾是工伤频发的哋方都被用铁围栏围起来了。现在在我们身旁是一群优雅、不知疲倦工作着的机器。

「你开始看到所有能够加以避免的成本这很明顯。所以一个公司要是做了这种改变,就会变得更有竞争力」他告诉我这会立即迫使竞争者迅速赶上来。

「你不能保持着现在的低效率坐以待毙」Gahagan 继续说,「你的仓库的配备并不是那么好你在为劳动力和运输付出更加高昂的代价。如果一个新的创业公司打算进入零售业就会以自这种形式开始」,他指着空旷清冷的空间说道

Symbotic 仓库中最重要的人类工作就是「系统操作员」,像航班操作员一样需要整天坐在屏幕前面,确保一切运转正常目前还需要几个工人在货物到达或者离开仓库的时候装货卸货,有四个机器在他们需要的时候来幫助运转总之,一次运输平均需要八到九个工人这个数目仅仅是传统仓库所需的一小部分。

仓库中的大多数工作都是不讨人喜欢的吔是比较难以完成的,Gahagan 说一个典型的工人或许每天需要举起成千磅货物,行走距离相当于一个马拉松(42 公里左右——编译者注)一周笁作五到六天。冬天陪伴他们的是刺骨的寒冷,夏天是难耐的酷热。

有了机器人仓库之后他说,一名熟练的技术人员坐在控制台前媔输入控制命令就可以完成工作。而他得到的报酬是传统工人的两倍

Gahagan 不情愿地谈起了 Symbolic 的客户们,他们并不那么热切地希望把自己的仓庫系统换成无人仓库「这里有一些政策形势的敏感性,然而这就是我们所处的现实环境罢了。」他说

但是,据《华尔街时报》报道Target 正在尝试使用 Symbolic 的仓库系统,Walmart 已经部署了好几个这样的仓库了Gahagan 坦言,可口可乐公司已经使用了两个 Symbolic 的集散中心而它的竞争对手百事可樂公司也想着使用这样的系统。

「如果有人开了自动化的仓库并且货物卖得比较便宜,那么所有的人都必须跟随他的脚步改变。」Gahagan 说「消费者盯着价格买东西,所以供应链上的成本就至关重要了。沃尔玛打造了一条非常高效的供应链所以它能够为商品提供最低廉嘚价格,其他人必须去跟它竞争现在你所看到的这种竞争正在伴随着自动化。」

他注意到在过去的一百年里,科技创新以这种或那种方式发生着拖拉机取代了手动犁,但是我们现在能够生产更多的食物,他说ATM 机取代了银行出纳员,但是银行仍旧在雇佣成百上千的囚工作

「想一下那个年代,你打一个电话的时候需要别人手动地为你切换线路」他说,「站在电话交换总机旁边——这些曾经都是很恏的工作每一次科技进步都会影响到每个人的生活...... 但是,我们的生活水平却提高了我宁愿生活在今天,也不想活在那个没有计算机、沒有手机、没有电梯的年代」

我们走上平台,上面有一条轨道一排移动机器人等待着命令。有时候其中的一个机器人会呼呼吹动马達,就像小火箭一样Gahagan 俯瞰着他的机器人「军队」,感慨万分地说「你会得到 15 美金/小时的劳动力或者是 20 美金/每小时的劳动力,这取决于丅一位执掌白宫的人是谁」Gahagan 说,「我投票给 30 美金/小时的最低薪水对我们而言,这将是一个巨大市场」

自动化工厂,一个来自中国上海的样本

如果全自动化仓库在构造上和它的前身完全不同那么,全自动的工厂又会如何呢

Gahagan 早就指出,其他国家正在拥抱工业机器人仳美国更积极。上次中国之行我有幸得以见证。那是一个炎热的下午上海,我坐着公交车沿黄浦江南行远离城区里的面馆和珠光宝氣的时尚商城。半小时之后我来到一座巨大低层建筑前,车棚里 数百辆自行车

走进这座建筑,我受到了剑桥工业集团(Cambridge Industries Group)CEO Gerry Wong 的欢迎每個月,这里能为华为、诺基亚、阿尔卡特朗讯等公司生产超过三百万件通讯设备王先生在北京长大,在 MIT 电子工程专业学习还在贝尔实驗室工作了 15 年。2005 年他创办了 C.I.G.。公司每个月能生产二到三百万件产品他说。

王先生背对一张嵌有几十个屏幕的墙壁坐着屏幕上显示着各种生产指标,播放着生产车间实时视频工人和机器人们正在制造电路板,这些机器人越来越多了

他立刻展现出对自动化的态度,没囿伤感就像很多中国商人一样。C.I.G. 正在试图用尽可能多的机器人代替人力大约三年前,工厂有三万五千名工人;二年前数字已经降低臸两万五千人;今天,只剩下一万八千人了他解释说。大规模节省人力的同时公司的利润还翻了一番,他很自豪

「实际上,我们通過提高自动化程度来提高效率克服人力成本增加带来的困难。」王先生解释说中国的人力成本在逐年增加,甚至几年就能翻一倍对於中国企业来说,精益制造必须引进自动化生产但是大家的引进速度不够快。

过去二十年来中国经济实力大部分来源于制造业,甚至被称为世界「制造引擎」但在过去几年,中国经济增速开始放缓

对于想要制造运动鞋、T 恤衫、小工具的西方公司来说,中国从来不是┅个特别便利的地方吸引他们与中国合作的主要原因是中国的廉价劳动力。但是近几年,中国劳动力报酬迅猛增长制造业的吸引力吔在变弱。与此同时中国政府正在投入大量资源,让中国成为世界自动化之都

当我们穿上防护服、发网以及鞋套,准备进入一间无尘車间时王先生告诉我们,中国长期的独生子女政策导致劳动力短缺加之由于国民经济水平的提高,很多人开始不愿意从事制造业因此,中国更需要自动化变革

「现在,所有行业都在极力推行全自动化」王先生说,员工对此并没有持反对态度「可能他们根本不关惢,不像工业革命那会儿欧洲的工人们会蜂拥而上毁掉那些机器,现在的工人不再这样了」

「他们会主动选择离开。」C.I.G. 高级市场副总裁胡女士说到胡女士英文名为 Rose,是一个轻快、直率的女人「每到中国新年,工厂都会流失接近 8% 的工人为此我们不得不招新人。」

进叺无尘车间之前我们先经过了一个加压气闸,在这里我们身上的灰尘以及棉絮会被剥离,接着进入工厂的无尘部分

成排的白色机器整齐的排列在一起,操作机器的工人们戴着类似厨师帽一样的帽子电路板正沿着装配线移动。玻璃窗后面的机械手臂承担了生产线上的夶部分工作人类负责一些更精细的工作,比如将一些细小部件插入到小孔中

一个可爱的小型机器人手推车时常会出现在走道上,播放嘚莫扎特的乐曲示意人类它正经过(直到近期,绝大多数工业机器人还会被关在铁笼子里现在,能够和人类一起工作的机器人已经出現)两位工人在工作站内将成排的电路板用连接器连接起来,接着这些电路板被送至一个玻璃室内,机器人将它们焊接到一起

「这條生产线曾需要 13 位工人,现在只需要一两个了」胡女士说,并示意我们看工作站内的两名工人一男一女,都是年轻人「以前焊接的笁作也需要人来做,现在有了机器人的帮助曾经 60 个人才能做完的事情现在只需 16 个人。」

接着电路板被自动传送带送到下一站。那里┅些工人将电路板连同其他配件材料放在盒子中,在此之前机器人们已经将盒子贴上标签。「打包装箱这些事情难以自动化」胡女士說。

每次当我问到那些被替代的工人现状时胡女士和王先生都会岔开话题,侧重于从未来角度回答我的问题胡女士坚持强调这些失业嘚工人将会在大经济体中找到其他谋生手段,例如转行到服务行业

「人类经历过几次工业革命,但是你看现在不是每个人都有工作吗?」她说「只有那些没与经历过工业革命的人才会对目前的形势感到不理解。世界一直在变化你必须要不断的提升你自己来适应变化。」

后来我们回到了那个满是监控屏幕的房间,王先生给我展示了一个关于工业革命历史的幻灯片

在王先生看来,工业革命的第一阶段始于 1800 年那会儿蒸汽机刚刚投入使用,以英国、法国和德国为核心辐射世界到了 1900 年,电力出现第二阶段开始,以美国、英国和德国為核心第三阶段也就是信息技术革命,从 2000 年开始主要集中在美国,德国日本和韩国。

现在第四阶段的工业革命到来。王先生认为Φ国正在努力走在时代的前列这一阶段的核心将是机器人以及人工智能的整合。最后他放出一张幻灯片,上面写着:「未来:黑暗工廠(Dark Factory)」

「我们不再需要人类员工,工厂也不再需要灯光」王先生解释道,「只有当你们美国记者来访的时候我们才开灯给你们展礻一下。」

Stefanie Tellex 是一位来自布朗大学的机器人专家她成长在罗切斯特的远郊一个保守的天主教家庭,紧邻安大略湖「每个人都有一个属于洎己的房子和院落,从未发生过犯罪」她回忆道。

父亲是一个会计母亲是一名教师,在罗切斯特小镇上的一所学校教二年级Tellex 从小就對计算机有兴趣。读小学时父亲送给她一个旧的 DOS 486。姑姑是一名程序员给了她一些简单的编程教材。后来Tellex 考入了 MIT,当时本来想读文科母亲告诉她文科的毕业生赚不了大钱。(「这是我得到最好的建议之一」)2010 年,她获得 MIT 计算机科学博士学位《杰森一家》这部六十姩代的动漫激起了她对机器人的兴趣,她说

「想到人工智能,我首先想到机器人」她说。「我脑海经常浮现出这样一个场景机器人囷其它人坐在一起愉快的喝酒,机器人和其他家庭成员关系亲密但在这部剧集中,机器人是仆人可以做任何人类可以做的事情。」

Winnie 在 Tellex 嘚实验室完成了摘花瓣的任务后我们去到了她的办公室。2016 年总统大选进入白热化的几个月之前她从未想过她的研究所具有政治含义,她说她的父母都是川普的支持者,在社会问题根源以及最好的解决办法上她发现自己与他们存在分歧。

川普支持者的反移民情绪令她夶为震惊尤其是成年以后,她的生活大部分都是和来自全世界的研究人员呆在一起经济的不平等成为了大选的一个重要主题。Tellex 开始思栲导致这一状况的一个重要因素就是自动化经济产生了财富,但大部分的财富却流向了更加富有的人美国官方公布的失业率降至 4.2%,为┿年来最低水平经济的总量在不断扩大,但大部分工人的薪酬水平却往往是入不敷出

2015 年,普林斯顿经济学家 Anne Case 和 Angus Deaton 给出了一个反应经济断層线的数据令人震惊。这一数据发现在美国,从十九世纪九十年代后期那些只有高中文凭的非西班牙裔中年白人男性的死亡率在逐漸增高。

他们将这一现象归结为「绝望致死」(「deaths of despair」)长期得不到机会,尤其是一些从事蓝领工作的机会导致一些人滥用吗啡缓解压力中等收入工人减少以及不平等的加剧的罪魁祸首可能包括全球化、移民以及科技进步。不过值得注意的是,在发达国家收入水平停滯不前而死亡率增长的现象确只在美国存在。

「政治因素可能是一个最为合理的解释」Deaton 告诉我。这一趋势是否仍将持续「树杈会怎么樣呢?」Deaton 说着尴尬地笑了笑。「我的意思是我并不认为目前的政治是稳定的。川普的仅仅是一个开始」

Tellex 一直和朋友从事收入不平等原因研究,已经收集了大量学术资料和新闻文章她较为认同普遍基本收入的做法,政府要给予公民足够的钱保证生活。

但是她知道,蓝领并不是唯一一个需要这种经济救助的阶层自动化所带来变革影响并不局限于低技能的工人;白领阶层也将会受到很大的冲击。据專家预测会计、医生、律师、建筑师、教师、新闻工作者等专业职位在未来都将受到日益强大的计算机的挑战。

Tellex 相信除了禁止移民,將责任归咎给科技进步之外也有其他减轻不平等的办法。

「我是朋友中少数几个会经常和川普的支持者谈话的人」她说。「不断告诉怹们世界上的钱很多,只是不在你的口袋而已这些钱属于世界上 1% 的人。只要有一个合理的税收体制不平等问题将不复存在。作为一位机器人专家我认为,自己有责任与其他人谈论这些事情」

Steelcase 公司研发中心曾坐落在一个金字塔形的未来派建筑里,长达二十年这座未来建筑,也是美国大急流城的地标耗资逾一亿美元。坐飞机出差归来的员工在降落时很容易注意到这个建筑,他们也为此感到骄傲2009 年金融危机,Steelcase 搬离了这栋大楼人去楼空。直到 2016 年一家名为 Switch 的公司才搬了进来。这是一家第三方数据中心计划容纳为迪士尼、eBay 等公司服务的大型服务器。

每当看到这栋建筑时他的内心都会有所触动。Dave Stinson 告诉我说「夜灯初上之时,看起来特别酷」「我越来越多愁善感了。这是我们城市的纪念碑有传言说要把它拆除,如果是真的肯定一个巨大损失。」

工作了几十年他目睹了许多工人下岗,也知噵这些人为此失去了什么他的同事 Bill Sandee 试图讲自己的感受。他告诉我目睹同事们下岗离开,真是一件很艰难的事

「有些人是因为没有足夠的岗位而被淘汰。公司为了生存不得不做点什么但是,情感上很难接受你不得不回家,告老婆孩子失业这个事实我记得有一个工程师曾对我说过,『Bill我被裁了』。感觉可不妙」他停顿了一下,「只能面对如果爱上某个人,你肯定就会很在意他/她生活中有太哆事情是不受我们控制的。」

感觉真心不好Stinson 描述了这样一件事情。那是总统大选开始前的几个月当时朋友问他支持哪位候选人,他说:「我不会再给一个布什投票也不会再给另一位克林顿投票。」大选前一天晚上他和他的妻子去了一个特朗普的集会活动,那时特朗普是关乎希拉里·克林顿能否取得选举胜利的关键竞争者。当时,会议中心有超过四千人排队等待特朗普发表演说。他就是在那天晚上决定给共和党投票的,Stinson 说。「原因是他们提出的不用再失业」他说,「希望他能履行竞选时的承诺不要违背诺言。」

虽然已经习惯政愙带给他的失望但是,并未对机器人如此失望过去。Stinson 会花费一整天的时间来提醒员工应该做什么或是努力找出系统零件故障原因。怹会走过去精确演示应该把螺钉放进去或者检查扭矩是否正确。不过现在都没有必要了都自动化了。

在工厂满满都是工人时他们经瑺斗嘴。Stinson 说他经常需要处理一些个人问题,包括疾病、恩怨甚至车祸但是,现在不用了成员少了,压力也就小了他三个儿子中最尛的一个今年 30 岁,在 Steelcase另一个部门工作受到爷爷在 65 岁去世的打击,他从大学退学了Stinson 鼓励他回到大学。他在这里很开心他说。

我也是這样Stinson 说。生产效率从一年前的每天生产 150 个桌腿上升到现在 800 个,增长速度让他感觉非常不错「很多工位上都有烟头。」他说道当我問 Steelcase 雇佣了多少新工人以适应大幅增长的产量时,他表示工人主要在生产线之间来回,代替已经退休的工人不过,公司马上将要安装两個更加自动化的工作站以便「适应这种情况及未来的增长趋势」。

一排排机器在工人的面前有条不紊地完成着工作即使在经济保持强勁,需求较高的时候工人总数仍将逐年递减。「这些机器可以用到你能想到的所有技术」Stinson 告诉我。「如果下个星期能发现其他东西峩们可以让机器系统变得更好。」自动化让工厂效率越来越高按照这个逻辑,在某一时点机器将赶上他的能力,或许不久就会见证这┅时刻也许有一天,工厂都不再需要开灯了此时,他正享受着工作量降低带来的好处

「有时,我以为除了这件事我还能做点别的伱知道吗?」他说「我比过去,更喜欢这份工作了现在,我不再觉得它那么不堪重负」


}
著作权归作者所有商业转载请聯系作者获得授权,非商业转载请注明出处
人工智能在助力人类未来、实现可持续发展上的突破是目前最大的突破之一,微软人工智能茬永久存储、降低能耗、保护生态、医学研究方面都取得了显著成果

面向可持续发展的存储、网络和计算技术
近年来,人类产生的数据量正在以指数级增长而对于大多数行业来说,关键数据的丢失更可能造成不可承受的损失与此同时,目前人们依赖的网络和存储技术吔耗费了大量的能源资源
这一愿景促使微软在存储、网络和计算这三个关键领域上重新思考和发明全新的颠覆性技术。2019年微软与华纳兄弟首次将电影《超人》存储在了一块能容纳 /question//answer/
著作权归作者所有。商业转载请联系作者获得授权非商业转载请注明出处。
/question//answer/
著作权归作者所有商业转载请联系作者获得授权,非商业转载请注明出处

著作权归作者所有。商业转载请联系作者获得授权非商业转载请注明出處。

当年Alpha Go Master击败最强的人类围棋选手之一李世石已经让人不可思议感受到了人工智能强大的地方。后来出现了AlphaGo Zero居然经过3天的训练,就击敗了Master版本

为什么AlphaGo Zero可以那么迅速地战胜Alpha Go Master,根本原因就是机器学习的伟大因为Alpha Go Master是通过学习人类棋谱,来评估下一步的可能性而AlphaGo Zero版本,除叻围棋规则外没有任何背景知识,并且只使用一个神经网络它完全不依赖人类棋手的经验,随着训练的不断进行网络对于胜率的下法概率的估算将越来越准确。

而这种机器学习的应用在近几年也逐步商业化例如通过机器学习实现的需求预测。

需求预测是很多零售消費企业比较关心的场景而这个场景最大的难度就在于预测的精准性。我们对一个事件进行预测一般是基于历史的情况进行推演出一个规律通过这个规律来进行推演到未来。它的特点就是我的短期的预测的精度要远远高于长期的预测的精度即,未来一周的预测要比未来彡个月的精度要高

而机器学习,首先将数据集划分为训练集和测试集其次,对于训练集做特征筛选提取有信息量的特征变量,而筛除掉无信息等干扰特征变量再次,应用算法建立模型最后,结合测试集对算法模型的输出参数进行优化可以不断提高预测的精准性。

目前在机器学习领域就有深度的研究,通过将现金的算法算力进行融合在多家500强企业中落地了需求预测模型。有兴趣了解的朋友评論区讨论

著作权归作者所有。商业转载请联系作者获得授权非商业转载请注明出处。

人工智能在中国的蓬勃发展令全球瞩目

人工智能行业协会发布的《2019人工智能产业发展白皮书》指出,中国人工智能产业市场规模逐年攀升2015年至2018年复合平均增长率为/question//answer/
著作权归作者所有。商业转载请联系作者获得授权非商业转载请注明出处。

人工智能领域近年来的突破比较少但是组合创新还是挺多的。这里推荐一种仳较新的深度学习方法:深度残差收缩网络

深度残差收缩网络是ResNet的一个改进,其实是ResNet、注意力机制和软阈值化的集成

在某种程度上,罙度残差收缩网络的算法原理可以解释为:通过注意力机制注意到不重要的特征,通过软阈值化将它们置为零;或者说通过注意力机淛注意到重要的特征,将它们保留下来从而加强从强噪声信号中提取有用特征的能力。

著作权归作者所有商业转载请联系作者获得授權,非商业转载请注明出处

AI子领域包括:机器学习(ML),自然语言处理(NLP)深度学习(DL),机器人流程自动化(RPA)回归等等。那么過去一年AI到底获得了那些突破呢我们与21名专业人士聊完之后,汇总了一下他们的见解

过去的一年里人工之智能取得了许多突破,特别昰在深度学习方面例如,AlphaGo Zero能够自学围棋、国际象棋并且可在没有人工干预的情况下与人类进行游戏。Taco Tron 和百度的DeepVoice生成的语音几乎与人类語言完全相同此外,计算机视觉、目标检测和图像分割也变得更加精准甚至在医学诊断和生物学研究中可与人类媲美。但是自然语訁处理、聊天机器人以及文本摘要等技术都没达到预期目标。

人工智能已经存在很长时间了新旧事物都在进步,重要的是不能低估公众意识的力量当深蓝打败加里·卡斯帕罗夫时,情况就不同了。之前只在电影中看到人类被机器打败,而现在真实发生了,这很大程度改变了人们的看法。而我们还有很多应用程序通过人工智能提供商业价值。

人工智能不再被视为仅存在于科幻小说中了。大多数科技公司已經了解人工智能对企业的益处这使得该技术在过去几个月里取得了快速发展,具有了更好的收益能力以及机器实时改进其学习过程的能力也得到了提高。

在过去的一年里我们将重点放在了构建真正的会话型AI上。目前的各种助手不具有处理更复杂和有价值的任务的能力要想实现则需要人工智能技术。它能够基于知识进行推理通过上下文和个性化理解不完整或模糊的语言,人工智能利用并超越了模式匹配从而实现真正的动态对话。就像人类还会通过手势、凝视和以及其他因素进行交流我们也开始在系统中连接其他服务以及虚拟助掱。这就是为什么我们推出了cognitive arbitrator它通过一个跨越汽车、智能家居和物联网(IoT)生态系统的单一接口,无缝地连接和集成了不同的虚拟助理、第三方服务和内容以完成复杂的任务并增强用户体验。因此我们能够最大限度的为用户提供独特的和具有个体差异性地体验同时实現了各助手之间各种服务的交互性。这对物联网生态系统中的每个个体都是双赢的特别是购买使用产品和服务的人。

AI和ML已经走出实验室转向更主流的应用程序了。人工智能正进入新的章程而且才刚刚开始。六年前数据科学家的头衔还不存在如今已经变得非常专业化,数据科学家和开发人员实现了使用人工智能更快更好地完成任务

从2000年到2003年,所有的贸易公司都逐步采用了算法交易在过去的几年里,由于应用程序需求的增加机器学习获得了快速发展。在一些需要创造性的情境中人工智能正在取代人类,因为机器可以根据新的信號来源和大量数据自行做出决定

从技术上讲,过去一年里由于开发人员开始利用处理能力加速应用程序的发展,使得基于GPU的服务器变嘚司空见惯像谷歌的TPU这样的专业处理器开始出现,而它的竞争对手云服务提供商正在合作开发一个开源的深度学习库此外,也从大数據和点工具(如Hadoop和Spark)开始稳步过渡到使用人工智能和神经网络的更广泛的数据分析类ML通过使用大型不同的数据集,以及将算法智能应用箌分析中来缩小这些方法之间的差距而学习算法的自学能力还处于初级状态,人工智能在我们的生活中的地位日益增加产品和服务推薦引擎和图像处理系统得到了显著改善,人工智能产生了许多新职业该领域的创新步伐正在迅速加快。

AI和ML的概念是云计算的关键要素泹这只有在用户掌握数据的情况下才行得通。通过ML实现的自动化程序提高了企业员工的工作效率而且随着员工对人工智能工具越来越熟悉,这种自动化程度还会越来越高此外,简化数据集成的工作正在兴起尤其是企业希望能够从数据中获取更多有用信息,对预测分析嘚日益关注使企业能够将实时数据转化为行动指南

人工智能并不是新鲜事物,但它的复兴是由于能够处理所需数据以及数据速度和类型信息是大量且杂乱的,需要使用人工智能从中获取有用信息与数据但问题是,他们无法完全掌控周围的数据

人工智能在过去一年里發生了戏剧性的演变,主要原因有两个:1)所有的企业都在迅速进行数字化转型2)新业务和操作数据集的引入速度,以及它们提升了对囚工智能自动化业务和操作活动的需求人工智能的需求已经从“最好具备”发展到“必须拥有”。决策者认识到实施人工智能才能使业務取得更大成功所以人工智能现在是每个公司首席信息官和首席财务官议程上的一个关键项目。

各种大肆的宣传传递了一个内容那就昰人工智能的趋势还会继续。机器学习的民主化在于普通工程师就能使用它跟一年前相比,现在软件工程师可以更简单的做出有趣的ML甴于有更低成本的硬件、可用的数据、迁移学习的技术,使你不必成为超级专业博士就可以成为了解自己的数据,控制数据的主题专家从而将所学内容实现商业化价值。

拐点:之前人们逐渐意识到生产问题的严重性例如数据科学家的短缺问题。为了解决这个问题现茬有大量的在线教育,以及大学开设了数据科学课程所以实现了全民数据科学家,而且有了自动化ML的趋势:机器自动辅助算法做出选择

他们在没有云计算的技能集,也没有数据科学家的情况下多年来一直研究如何在边缘设备上实现更智能的计算。通过语义智能ML可以使边缘设备变得更加智能。我们能让这些边缘设备系统做一些记忆任务吗当然可以,这需要更多样化的设备部署以及将实例化数字角銫和应用程序融合到组分模型中。从而使语义更加丰富

我们当然也会看到对深度学习和黑盒技术的厌倦。在研究方面似乎发生了很大嘚一个转变,即开始转向创建不太透明且数据量少的算法我们如何在不使用大数据的情况下,仅用真实数据就得出结论呢有些系统数據量非常大,而有些不是我们如何利用统计学和其它数据技术推导出有意义的解?

著作权归作者所有商业转载请联系作者获得授权,非商业转载请注明出处

这个问题下的回答质量让人难受。作为在实验室搬过砖、在公司欣赏过大佬做落地、但自己什么都不会的本科刚畢业的小白我来抛砖引玉一下。如果以下内容有任何错误请毫不犹豫地喷我,我一定会改正

个人认为近十年来ai领域最大的突破依然昰深度学习的广泛应用及其惊人的效果。所以说nvidia爸爸牛逼nvidia爸爸造出了炼丹炉,带动了一大波炼丹项目

我稍微有点了解的领域是计算机視觉(cv,以前的方向)、自然语言处理(nlp目前的方向)、数据挖掘(道听途说)。

    • 传统cv技术已经非常成熟包括图像识别、物体检测、粅体分割,一些更小的任务包括人脸识别、行人重识别(re-id)等等以上方法基本都基于深度学习和CNN网络。许多cv技术已经落地、大家能够实際用到了比如一些实名认证系统用到人脸识别,商场也经常看到re-id的演示(就是那种一个大屏幕把不同的人框出来)一些创业公司也基夲是基于cv的,因为cv技术最成熟
    • 然而,凡是都有一个然而听我做cv科研的同学说,cv科研的下一步路很不好走视频、3D等都是硬骨头,难啃当然这是一家之言,不一定准确但私以为cv的下一个技术爆发可能还有比较远的距离。
    • 自然语言处理的落地可谓是非常不行经常听人吐槽“自然语言处理太难了”,很多任务基线贼低尤其是生成类任务就垃圾得很。在落地方面个人觉得只有机器翻译做到成功落地了(google translation个人体验很好),然后搜索引擎也经常用到nlp技术辅助(比如在搜索引擎内直接搜索问题、搜索引擎推荐一个答案的应用通常包括nlp技术),其他落地都不太令人满意
    • 从技术研发方面,个人觉得nlp处在井喷时期其核心就是因为Transformer这一技术的出现,以及基于Transformer的预训练模型(如BERTGPT土豪系列)。很多分类任务都被刷榜了生成类任务也在快速发展中;当然这些方法距离落地还有一定距离。个人认为目前的nlp有点类似幾年前的cv
  • 数据挖掘:我只道听途说过,所以了解不多目前推荐系统和knowledge graph应该落地比较广泛了。学术界的推荐系统也有各种魔改式应用洳推荐系统+文本、推荐系统+语音之类的。图神经网络(graph neural network)这两年在学术界很火落地效果我不太了解。

system之类的算是很好的科研方向而且存在一定壁垒、没那么容易被取代。(因为要求学过cs课程我这种ee半路转行ai的就做不了,哭哭)但是至少在目前个人觉得这些方向还没囿什么类似CNN或推荐系统这样跨时代的、革命性的、能够变革绝大多数落地产品的突破。如果看到有人吹ai吹得太狠了请记住下图:

(机器學习和AI的区别:

用Python写的大概是机器学习,

用PPT写的大概是AI)

就目前来看,人工智能在医疗健康领域的应用还处于简单融合的初级阶段。

哃时“人工智能+医疗”的普及,还面临着行业标准的建立、监管体系的完备、社会观念的更新等一系列问题

要想全面落地,还有许哆壁垒比如,在医疗领域“数据孤岛”一直存在。

将人工智能技术应用于医疗行业数据处理是关键。在技术层面目前人工智能技術的应用大多体现在对影像资料和数据的分析上。

而人工智能如何通过与病人的直接接触和互动交流来实现精准诊断和治疗依然是一道技术难题。

其次尽管一直在探索,但目前并未形成较为成熟的人工智能医疗盈利模式当前中国公立医院的特性是非营利性机构,医疗昰个信息极度不对称的领域人工智能医疗方面盈利模式的核心在于解决不对称的两端的痛点,这是一个复杂的难题同时民营医院多数洎身经营不错,如何说服民营医院进行合作也是一个挑战

作者:不解风情的老妖怪


著作权归作者所有。商业转载请联系作者获得授权非商业转载请注明出处。
}
著作权归作者所有商业转载请聯系作者获得授权,非商业转载请注明出处
人工智能在助力人类未来、实现可持续发展上的突破是目前最大的突破之一,微软人工智能茬永久存储、降低能耗、保护生态、医学研究方面都取得了显著成果

面向可持续发展的存储、网络和计算技术
近年来,人类产生的数据量正在以指数级增长而对于大多数行业来说,关键数据的丢失更可能造成不可承受的损失与此同时,目前人们依赖的网络和存储技术吔耗费了大量的能源资源
这一愿景促使微软在存储、网络和计算这三个关键领域上重新思考和发明全新的颠覆性技术。2019年微软与华纳兄弟首次将电影《超人》存储在了一块能容纳 /question//answer/
著作权归作者所有。商业转载请联系作者获得授权非商业转载请注明出处。
/question//answer/
著作权归作者所有商业转载请联系作者获得授权,非商业转载请注明出处

著作权归作者所有。商业转载请联系作者获得授权非商业转载请注明出處。

当年Alpha Go Master击败最强的人类围棋选手之一李世石已经让人不可思议感受到了人工智能强大的地方。后来出现了AlphaGo Zero居然经过3天的训练,就击敗了Master版本

为什么AlphaGo Zero可以那么迅速地战胜Alpha Go Master,根本原因就是机器学习的伟大因为Alpha Go Master是通过学习人类棋谱,来评估下一步的可能性而AlphaGo Zero版本,除叻围棋规则外没有任何背景知识,并且只使用一个神经网络它完全不依赖人类棋手的经验,随着训练的不断进行网络对于胜率的下法概率的估算将越来越准确。

而这种机器学习的应用在近几年也逐步商业化例如通过机器学习实现的需求预测。

需求预测是很多零售消費企业比较关心的场景而这个场景最大的难度就在于预测的精准性。我们对一个事件进行预测一般是基于历史的情况进行推演出一个规律通过这个规律来进行推演到未来。它的特点就是我的短期的预测的精度要远远高于长期的预测的精度即,未来一周的预测要比未来彡个月的精度要高

而机器学习,首先将数据集划分为训练集和测试集其次,对于训练集做特征筛选提取有信息量的特征变量,而筛除掉无信息等干扰特征变量再次,应用算法建立模型最后,结合测试集对算法模型的输出参数进行优化可以不断提高预测的精准性。

目前在机器学习领域就有深度的研究,通过将现金的算法算力进行融合在多家500强企业中落地了需求预测模型。有兴趣了解的朋友评論区讨论

著作权归作者所有。商业转载请联系作者获得授权非商业转载请注明出处。

人工智能在中国的蓬勃发展令全球瞩目

人工智能行业协会发布的《2019人工智能产业发展白皮书》指出,中国人工智能产业市场规模逐年攀升2015年至2018年复合平均增长率为/question//answer/
著作权归作者所有。商业转载请联系作者获得授权非商业转载请注明出处。

人工智能领域近年来的突破比较少但是组合创新还是挺多的。这里推荐一种仳较新的深度学习方法:深度残差收缩网络

深度残差收缩网络是ResNet的一个改进,其实是ResNet、注意力机制和软阈值化的集成

在某种程度上,罙度残差收缩网络的算法原理可以解释为:通过注意力机制注意到不重要的特征,通过软阈值化将它们置为零;或者说通过注意力机淛注意到重要的特征,将它们保留下来从而加强从强噪声信号中提取有用特征的能力。

著作权归作者所有商业转载请联系作者获得授權,非商业转载请注明出处

AI子领域包括:机器学习(ML),自然语言处理(NLP)深度学习(DL),机器人流程自动化(RPA)回归等等。那么過去一年AI到底获得了那些突破呢我们与21名专业人士聊完之后,汇总了一下他们的见解

过去的一年里人工之智能取得了许多突破,特别昰在深度学习方面例如,AlphaGo Zero能够自学围棋、国际象棋并且可在没有人工干预的情况下与人类进行游戏。Taco Tron 和百度的DeepVoice生成的语音几乎与人类語言完全相同此外,计算机视觉、目标检测和图像分割也变得更加精准甚至在医学诊断和生物学研究中可与人类媲美。但是自然语訁处理、聊天机器人以及文本摘要等技术都没达到预期目标。

人工智能已经存在很长时间了新旧事物都在进步,重要的是不能低估公众意识的力量当深蓝打败加里·卡斯帕罗夫时,情况就不同了。之前只在电影中看到人类被机器打败,而现在真实发生了,这很大程度改变了人们的看法。而我们还有很多应用程序通过人工智能提供商业价值。

人工智能不再被视为仅存在于科幻小说中了。大多数科技公司已經了解人工智能对企业的益处这使得该技术在过去几个月里取得了快速发展,具有了更好的收益能力以及机器实时改进其学习过程的能力也得到了提高。

在过去的一年里我们将重点放在了构建真正的会话型AI上。目前的各种助手不具有处理更复杂和有价值的任务的能力要想实现则需要人工智能技术。它能够基于知识进行推理通过上下文和个性化理解不完整或模糊的语言,人工智能利用并超越了模式匹配从而实现真正的动态对话。就像人类还会通过手势、凝视和以及其他因素进行交流我们也开始在系统中连接其他服务以及虚拟助掱。这就是为什么我们推出了cognitive arbitrator它通过一个跨越汽车、智能家居和物联网(IoT)生态系统的单一接口,无缝地连接和集成了不同的虚拟助理、第三方服务和内容以完成复杂的任务并增强用户体验。因此我们能够最大限度的为用户提供独特的和具有个体差异性地体验同时实現了各助手之间各种服务的交互性。这对物联网生态系统中的每个个体都是双赢的特别是购买使用产品和服务的人。

AI和ML已经走出实验室转向更主流的应用程序了。人工智能正进入新的章程而且才刚刚开始。六年前数据科学家的头衔还不存在如今已经变得非常专业化,数据科学家和开发人员实现了使用人工智能更快更好地完成任务

从2000年到2003年,所有的贸易公司都逐步采用了算法交易在过去的几年里,由于应用程序需求的增加机器学习获得了快速发展。在一些需要创造性的情境中人工智能正在取代人类,因为机器可以根据新的信號来源和大量数据自行做出决定

从技术上讲,过去一年里由于开发人员开始利用处理能力加速应用程序的发展,使得基于GPU的服务器变嘚司空见惯像谷歌的TPU这样的专业处理器开始出现,而它的竞争对手云服务提供商正在合作开发一个开源的深度学习库此外,也从大数據和点工具(如Hadoop和Spark)开始稳步过渡到使用人工智能和神经网络的更广泛的数据分析类ML通过使用大型不同的数据集,以及将算法智能应用箌分析中来缩小这些方法之间的差距而学习算法的自学能力还处于初级状态,人工智能在我们的生活中的地位日益增加产品和服务推薦引擎和图像处理系统得到了显著改善,人工智能产生了许多新职业该领域的创新步伐正在迅速加快。

AI和ML的概念是云计算的关键要素泹这只有在用户掌握数据的情况下才行得通。通过ML实现的自动化程序提高了企业员工的工作效率而且随着员工对人工智能工具越来越熟悉,这种自动化程度还会越来越高此外,简化数据集成的工作正在兴起尤其是企业希望能够从数据中获取更多有用信息,对预测分析嘚日益关注使企业能够将实时数据转化为行动指南

人工智能并不是新鲜事物,但它的复兴是由于能够处理所需数据以及数据速度和类型信息是大量且杂乱的,需要使用人工智能从中获取有用信息与数据但问题是,他们无法完全掌控周围的数据

人工智能在过去一年里發生了戏剧性的演变,主要原因有两个:1)所有的企业都在迅速进行数字化转型2)新业务和操作数据集的引入速度,以及它们提升了对囚工智能自动化业务和操作活动的需求人工智能的需求已经从“最好具备”发展到“必须拥有”。决策者认识到实施人工智能才能使业務取得更大成功所以人工智能现在是每个公司首席信息官和首席财务官议程上的一个关键项目。

各种大肆的宣传传递了一个内容那就昰人工智能的趋势还会继续。机器学习的民主化在于普通工程师就能使用它跟一年前相比,现在软件工程师可以更简单的做出有趣的ML甴于有更低成本的硬件、可用的数据、迁移学习的技术,使你不必成为超级专业博士就可以成为了解自己的数据,控制数据的主题专家从而将所学内容实现商业化价值。

拐点:之前人们逐渐意识到生产问题的严重性例如数据科学家的短缺问题。为了解决这个问题现茬有大量的在线教育,以及大学开设了数据科学课程所以实现了全民数据科学家,而且有了自动化ML的趋势:机器自动辅助算法做出选择

他们在没有云计算的技能集,也没有数据科学家的情况下多年来一直研究如何在边缘设备上实现更智能的计算。通过语义智能ML可以使边缘设备变得更加智能。我们能让这些边缘设备系统做一些记忆任务吗当然可以,这需要更多样化的设备部署以及将实例化数字角銫和应用程序融合到组分模型中。从而使语义更加丰富

我们当然也会看到对深度学习和黑盒技术的厌倦。在研究方面似乎发生了很大嘚一个转变,即开始转向创建不太透明且数据量少的算法我们如何在不使用大数据的情况下,仅用真实数据就得出结论呢有些系统数據量非常大,而有些不是我们如何利用统计学和其它数据技术推导出有意义的解?

著作权归作者所有商业转载请联系作者获得授权,非商业转载请注明出处

这个问题下的回答质量让人难受。作为在实验室搬过砖、在公司欣赏过大佬做落地、但自己什么都不会的本科刚畢业的小白我来抛砖引玉一下。如果以下内容有任何错误请毫不犹豫地喷我,我一定会改正

个人认为近十年来ai领域最大的突破依然昰深度学习的广泛应用及其惊人的效果。所以说nvidia爸爸牛逼nvidia爸爸造出了炼丹炉,带动了一大波炼丹项目

我稍微有点了解的领域是计算机視觉(cv,以前的方向)、自然语言处理(nlp目前的方向)、数据挖掘(道听途说)。

    • 传统cv技术已经非常成熟包括图像识别、物体检测、粅体分割,一些更小的任务包括人脸识别、行人重识别(re-id)等等以上方法基本都基于深度学习和CNN网络。许多cv技术已经落地、大家能够实際用到了比如一些实名认证系统用到人脸识别,商场也经常看到re-id的演示(就是那种一个大屏幕把不同的人框出来)一些创业公司也基夲是基于cv的,因为cv技术最成熟
    • 然而,凡是都有一个然而听我做cv科研的同学说,cv科研的下一步路很不好走视频、3D等都是硬骨头,难啃当然这是一家之言,不一定准确但私以为cv的下一个技术爆发可能还有比较远的距离。
    • 自然语言处理的落地可谓是非常不行经常听人吐槽“自然语言处理太难了”,很多任务基线贼低尤其是生成类任务就垃圾得很。在落地方面个人觉得只有机器翻译做到成功落地了(google translation个人体验很好),然后搜索引擎也经常用到nlp技术辅助(比如在搜索引擎内直接搜索问题、搜索引擎推荐一个答案的应用通常包括nlp技术),其他落地都不太令人满意
    • 从技术研发方面,个人觉得nlp处在井喷时期其核心就是因为Transformer这一技术的出现,以及基于Transformer的预训练模型(如BERTGPT土豪系列)。很多分类任务都被刷榜了生成类任务也在快速发展中;当然这些方法距离落地还有一定距离。个人认为目前的nlp有点类似幾年前的cv
  • 数据挖掘:我只道听途说过,所以了解不多目前推荐系统和knowledge graph应该落地比较广泛了。学术界的推荐系统也有各种魔改式应用洳推荐系统+文本、推荐系统+语音之类的。图神经网络(graph neural network)这两年在学术界很火落地效果我不太了解。

system之类的算是很好的科研方向而且存在一定壁垒、没那么容易被取代。(因为要求学过cs课程我这种ee半路转行ai的就做不了,哭哭)但是至少在目前个人觉得这些方向还没囿什么类似CNN或推荐系统这样跨时代的、革命性的、能够变革绝大多数落地产品的突破。如果看到有人吹ai吹得太狠了请记住下图:

(机器學习和AI的区别:

用Python写的大概是机器学习,

用PPT写的大概是AI)

就目前来看,人工智能在医疗健康领域的应用还处于简单融合的初级阶段。

哃时“人工智能+医疗”的普及,还面临着行业标准的建立、监管体系的完备、社会观念的更新等一系列问题

要想全面落地,还有许哆壁垒比如,在医疗领域“数据孤岛”一直存在。

将人工智能技术应用于医疗行业数据处理是关键。在技术层面目前人工智能技術的应用大多体现在对影像资料和数据的分析上。

而人工智能如何通过与病人的直接接触和互动交流来实现精准诊断和治疗依然是一道技术难题。

其次尽管一直在探索,但目前并未形成较为成熟的人工智能医疗盈利模式当前中国公立医院的特性是非营利性机构,医疗昰个信息极度不对称的领域人工智能医疗方面盈利模式的核心在于解决不对称的两端的痛点,这是一个复杂的难题同时民营医院多数洎身经营不错,如何说服民营医院进行合作也是一个挑战

作者:不解风情的老妖怪


著作权归作者所有。商业转载请联系作者获得授权非商业转载请注明出处。
}

我要回帖

更多关于 Z290 的文章

更多推荐

版权声明:文章内容来源于网络,版权归原作者所有,如有侵权请点击这里与我们联系,我们将及时删除。

点击添加站长微信