新闻中心
当前位置:主页 > 新闻中心 >
分析智能机器人市场—:产业前景向好
点击次数: 发布时间:2017-02-23 14:03
  深度学习、语音识别等技术在近年有显著的发展,也因此促成服务型机器人产业与应用的兴起,机器人从过去单向沟通执行命令,进化到可以理解语意响应对话内容,应用服务为机器人后续发展重点。机器人应用情境多元,在不同场合必须结合各领域专业知识及对用户需求的了解,因此厂商应透过开放平台,加快机器人在各领域的应用。
 
  类神经网络技术大跃进
 
  深度学习这个名词因为2016年人工智能AlphaGo连败南韩棋王,机器首度成功挑战人脑,并在围棋这个普遍被认为难度最高的博弈活动中,一时又被世界大众所关心。而AlphaGo的深度学习核心就是类神经网络技术,早在1943年,WarrenMcCulloch以及WalterPitts首次提出神经元的数学模型,之后到了1958年,心理学家Rosenblatt提出了感知器(Perceptron)的概念,在前者神经元的结构中加入了训练修正参数的机制,这时类神经网络的基本学理架构算是完成。类神经网络的神经元其实是从前端收集到各种讯号(类似神经的树突),然后将各个讯号根据权重加权后加总,再透过活化函数转换成新讯号传送出去(类似神经元的轴突)。
 
  相关技术架构其实早在1970年代就已经完成了,数据决策技术长尹相志(图3)表示,深度学习其实就是类神经网络的另一种说法,其成功来自于更深入理解人类大脑的运作。卷积神经网络(ConvolutionalNeuralNetwork)协助机器发展真正的视觉,其中的两大原则为:局部感知与权重共享。让机器可以从碎片特征理解整体意义,进而找出特征的群聚性,不断分层细化的分析,无论是多细微的特征:只要不化成灰,都能抽取特征。
 
  其中,图形辨识是其中的重点,在过往的认知中,中央处理器(CPU)与绘图处理器(GPU)处理不同的运算功能,单就图形辨识的深度学习功能来说,GPU的效能是CPU的百至千倍,尹相志进一步表示,透过深度学习,机器甚至可以将原本马赛克图案的照片效果移除还原。不过,在语音与文字的辨识上,中文对于机器还是很大的挑战,中文词汇超过百万,无须约定成俗即可创造新字以及赋予词性,还有很多中英、中日、中韩夹杂的词汇,诸如:蓝瘦、香菇、94狂等。
 
  大厂搜集数据布局未来
 
  机器人产业前景受到各方瞩目,尤其深度学习、人工智能成为各大厂布局下一波企业发展的方向,包括脸书(Facebook)、微软(Microsoft)、谷歌(Google)与亚马逊(Amazon)。这些企业的共通点就是都透过产品、服务与消费者互动,并累积了多年的初级数据,未来人工智能与深度学习说穿了都是大量数据搜集、整理并分类、标注(Tag)使这些初级数据变成信息,最后再透过强大的处理器快速搜寻与反应的结果。
 
  从这样的架构来观察,硕网信息总经理邱仁钿(图4)认为,四大厂之间FB的数据结构化程度最高,因为每个用户上传文章或图片时,已经将内容整理过,图片分辨率高甚至照片中的人物也直接标注了,未来FB要藉由这些数据做进一步整理或利用时,可以花费最少的时间,或进行更高质量的整理。目前世界上有80%的数据数据是非结构化的,认知运算能够提升并简化学习过程。
 
  因此,机器人要降低错误率重点就在数据的完整性与结构化,邱仁钿进一步解释,深度学习的应用历程从底层的类神经网络运算、大量数据分析、发现规则/自动归类、产生媒合/推荐策略、记录用户行为、回馈到模型/提升准确率,最终就是要提升数据质量并产生自我学习修正机制。
金沙 赌博技巧 百家乐官网 在线百家乐 香港六合彩开奖 六合彩开奖 博彩网 澳门百家乐