任何考虑过扩展业务或构建网络的人都熟悉所谓的“网络效应”。例如，使用eBay等平台的买家和卖家越多，它就会显得越有用。那么，数据网络效应就是一个动态的效应，随着使用这种服务的增多，实际上也有助于改善服务本身，比如随着接受的训练数据增多，机器学习模型通常会变得更加精确。

无人驾驶汽车和其他智能机器人依靠传感器来产生越来越多、高度变化的数据，这些数据被用来建立更好的AI模型，机器人可以依靠这些AI模型来做出实时决策，并在现实环境中导航。

作为当今智能机器人的核心，传感器和AI相融合正产生良性的反馈回路，或者我们所说的“机器人网络效应”。我们目前正处于“机器人网络效应”临界点的边缘，这将大幅加速机器人技术的发展。

AI的快速发展

为了理解机器人为什么是AI的下一个前沿，我们需要退后一步，首先了解AI是如何进化的。

近年来发展起来的机器智能系统能够利用大量的数据，而这些数据在20世纪90年代中期还没有出现。存储和计算方面的进步并不能解释AI的迅速发展的原因。

开源机器学习库和框架具有同等重要的作用。15年前，当科学计算框架Torch发布BSD开源许可证时，它包含了许多数据科学家常用的算法，例如深度学习、多层感知器、支持向量机和K-近邻算法（K-nearest neighbors）等。

最近，像TensorFlow和PyTorch这样的开源项目为这个共享的知识库做出了宝贵的贡献，帮助不同背景的软件工程师开发新的模型和应用程序。领域专家需要大量的数据来创建和训练这些模型。大型企业有很大的优势，因为它们可以利用现有的数据网络效应。

传感器数据和处理能力

自20世纪60年代初以来，光探测和测距（激光雷达）传感器就已经存在。他们在地理信息学、考古学、林业、大气研究、国防和其他行业中得到应用。近年来，激光雷达已成为自主导航的首选传感器。

Google无人驾驶车辆上的激光雷达传感器每秒产生750MB的数据，而8部车载计算机视觉摄像机每秒钟产生1.8GB的数据。所有这些数据都需要实时处理，但是集中计算（在云端）对于实时的高速情况来说还不够快。为了解决这个问题，我们开始开发边缘计算。而在机器人身上，我们则采用车载计算。

目前大多数自动驾驶车辆的解决方案是使用两个车载“盒子”，每个都配备了Intel  Xeon E5 CPU和4到8个Nvidia K80 GPU加速器。在达到最高性能时，可消耗超过5000W的电力。Nvidia新推出的Drive PX Pegasus，可以支持每秒320万亿次计算操作，正在开始更有效地解决这一问题。

AI突破

我们能够同时处理传感器数据和融合各种数据模式的能力，将继续推动智能机器人的发展。为了让这种传感器融合实时发生，我们需要将机器学习和深度学习模型置于边缘计算中。当然，分散式AI也增加了分散式处理器的需求。

幸运的是，机器学习和深度学习计算正在变得更加高效。例如，Graphcore的智能处理单元(IPU)和Google的张量处理单元(TPU)正在降低成本，并在规模上加速神经网络的性能。

此外，IBM正在开发模仿大脑解剖学的神经形态芯片。其原型使用一百万个神经元，每个神经元有256个突触。该系统特别适合解释感官数据，因为它的设计是为了近似人类大脑对感知数据的解释和分析。

所有这些来自传感器的数据的结果，意味着我们正处于“机器人网络效应”的边缘，这将对AI、机器人技术及其各种应用产生巨大的影响。

一个新的数据世界

“机器人网络效应”将使新技术和新机器，不仅能够处理更大的数据量，而且还能处理扩大的各种数据。而新的传感器将能够探测和捕捉我们可能没有想到的数据，因为人类的感知能力有限。机器和智能设备将把丰富的数据反馈到云端和邻近的代理商，为决策提供信息，加强协调，并在连续的模型改进中发挥重要作用。

这些进步比许多人意识到的要快得多。例如，Aromyx使用先进的机器学习模型来建立传感器系统，并为数据采集、索引、搜索气味和口味数据提供平台。该公司的EssenceChip是一种一次性传感器，可以输出人类鼻子或舌头在闻到或品尝食物或饮料时发出的相同生化信号。

比如，开放式仿生学正在开发机器人假体，它依赖于从手臂套筒内的传感器收集的触觉数据来控制手和手指的动作。这种设计利用机器学习模型将电极感测到的精细肌张力转化为仿生手中的复杂运动反应。

传感器数据将有助于推动AI的发展。AI系统将同时扩展我们处理数据的能力，并发现这些数据的创造性用途。除此之外，这将激发新的机器人形态因素，能够收集更广泛的数据模式。随着我们以新的方式“看到”我们的能力进化，日常世界正迅速成为技术发现的下一个伟大前沿。