關於 開恩達命是什麼 ，我們在網路上蒐集到這些相關的討論、資訊與評價

DeeCamp2020結束了，特別驚喜地看到同學們今年的作品，跟以往線下合作在水準上基本沒有區別。今天的活動評選出了兩個總冠軍獎項，但學生們做的每一個作品都非常優秀、用心。也希望參與的200多名學生有真正的收穫。

本文來自創新工場微信公眾號
………………………………

創新工場DeeCamp2020完美落幕，兩團隊並列總冠軍獎金翻倍，共克真實世界難題

過去的2個月裡，200餘名來自全球高校的學生，聆聽了李開復、張亞勤、吳恩達、張宏江、俞敏洪、周志華等12位AI學術界、產業界大師授課，透徹理解了科技與創投核心規律；分組挑戰開放命題AI創新大賽，用AI和創意向現在和未來人類世界面臨的真實難題問題發起挑戰。

2020年8月5日，DeeCamp2020人工智慧訓練營總冠軍答辯暨結營典禮，在創新工場北京總部隆重舉行。

經過節奏緊湊的立項、研發、測試，DeeCamp 2020開放命題AI創新大賽共37支團隊提交了振奮人心的AI Demo，其中6項入圍總冠軍答辯。他們現場展示了自己精彩的成果，角逐開放命題AI創新大賽的總冠軍和各賽道冠軍。

最終，兩支團隊並列奪得總冠軍，分屬自動駕駛賽道和創新賽道。總冠軍獎金翻倍，兩支隊伍各獲得10萬元獎勵，其餘五個項目獲得各賽道冠軍。

DeeCamp人工智慧訓練營是一項面向全球大學生的公益項目，專注培養應用型AI人才。自2017年暑期啟動以來已舉辦四屆，培養了上千名大學生。DeeCamp 2020 由創新工場聯合華為共同推出，在今年全球變局與挑戰的背景下，旨在召集科技領軍新人才，肩負時代新使命，用AI解決真實世界的難題。受蔓延全球的新冠疫情影響，DeeCamp2020大師課和開放命題AI創新大賽全部轉為線上進行。

創新工場董事長兼CEO李開復博士，創新工場人工智慧工程院執行院長王詠剛，創新工場運營合夥人黃蕙雯，華為雲首席戰略官餘虎，聯合國開發計畫署駐華代表白雅婷（Beate Trankmann），路孚特（中國）科技有限公司董事長兼總經理党曉青等嘉賓出席典禮現場，予以專案點評，並為優勝隊伍頒獎。

華為雲首席戰略官餘虎表示：“華為一貫非常注重AI人才的培養，我們在2018年就發布了沃土人才培養計劃；通過華為雲線上的ModelArts AI訓練平台，以及端側的Hilens kit等算力平台，在高校，跟學校一起，聯合開展教材設計，課程設計；並且舉行無人車大賽，聯合創新創業及科研合作。目前已經和超過50所雙一流高校，形成了良好的合作，培養了上萬名學生。這次華為雲ModelArts平台很好支撐了創新工場DeeCamp大賽，幫助全國各地參賽學生隊伍的實戰項目挑戰AI難題。大家的作品和創意都非常好。期望後面大家能基於本次大賽作為良好開端，更好的掌握AI技能，發揮想像力，基於AI工程化落地的視角，用AI解決真實的產業和生活難題，給社會和生活帶來更多的改變。”

聯合國開發計劃署駐華代表白雅婷表示：“人工智能以及其他新興技術的發展會改變我們的生活，甚至可以為氣候變暖、新冠肺炎等全球性問題提供解決方案，然而它們也會擴大數字鴻溝並造成新的不平等現象。希望各位學員在日後的研究中可以運用所學，促進變革，通過自己的努力為人類創造更可持續的未來。”

路孚特（中國）科技有限公司董事長兼總經理黨曉青表示：“從2019年開始，路孚特成為DeeCamp合作夥伴，為學員分享金融行業深厚的業務知識和豐富的專業數據，並提供學習並實踐相關課題的資源。作為路孚特戰略研發運營中心之一，北京研發運營中心希望能夠吸引國內優秀的AI專業人才，增強AI專業人才儲備和研發技術能力。”

▌6支 AI Demo競逐總決賽，兩支並列總冠軍，10萬獎金翻倍

DeeCamp2020入圍總冠軍答辯的6支項目團隊，分別來自創新賽道、自動駕駛賽道、教育賽道、醫療與公共衛生賽道、商業賽道。8月5日上午，通過雲端連線的方式，6支團隊各自展示了激動人心的Demo作品。

經過評委打分、討論，自動駕駛賽道的Faster&Better團隊和創新賽道的方仔照相館團隊，最終共同奪得總冠軍。總冠軍獎金翻倍，兩個團隊分別獲得10萬元獎勵。另有五個項目獲得了各賽道冠軍。

為什麼最終選出兩個冠軍？評委之一、創新工場董事長兼CEO李開復博士解釋說，這兩個項目評委打分相同，難分伯仲。“Faster&Better”團隊的技術讓人震撼，這說明在今天，黑科技創業的空間仍然存在。而“方仔照相館”團隊則以商業取勝，讓我們驚訝於積木居然可以與AI結合。他們的“方頭仔”產品讓人充滿購買欲望，幾乎是一項可以直接拿到融資的項目。“我們認為這兩個組，任何一個單獨奪冠，都不能完整表達DeeCamp代表的精神，所以最終決定評選出兩個總冠軍。”

▍總冠軍：方仔照相館 BrickMeStudio
所屬賽道：人工智慧的創新思考與前沿設計
挑戰賽題：自動積木建模

AI+積木？聽起來如此跨界的兩件事，會有什麼奇妙的組合？

來自北京航空航太大學、清華大學、香港中文大學、奧地利科學技術研究所的同學們組成的“方仔照相館”團隊，用AI玩轉積木，為創意插上了翅膀。

他們打造了一個AI積木創作平臺“方仔照相館”，簡單上傳一張頭像照片，就可以生成個性化定制的方頭仔玩偶頭像。未來，只需一鍵下單，百變趣味的方頭仔就可以郵送到家。

怎麼實現呢？他們先根據輸入的圖像，抽取特徵向量，比如髮型、劉海、鬍子、眼睛、下巴、膚色、上衣款式、衣服圖案、鞋子顏色、手的擺放、褲子紋理等，匹配相應的積木零件，然後生成積木模型和拼裝步驟。

“方仔照相館”團隊希望將自己對積木的熱情，傳遞給更多人。積木不只是孩子們的玩具，更是創造力的源泉，“AI時代，更要注重創造力培養”。

▍總冠軍：Faster&Better
所屬賽道：自動駕駛的技術突破與前沿設計
挑戰賽題：算符算力約束下的無人駕駛車輛檢測

自動駕駛是人工智慧中最具挑戰、最具有應用前景的方向之一。對於需要大規模落地量產的車輛檢測場景，神經網路模型只能在較為廉價的晶片上運行，這為檢測模型的效率帶來了巨大挑戰和約束。

Faster&Better團隊在滿足嚴格算符算力的約束下，設計了一種極為高效的anchor-free車輛檢測模型。該模型採用了backbone、後處理策略，將物體看作點，使用輕量的head來預測物體位置、類別和bounding box，在保障性能的同時大幅提升了速度。
Faster&Better團隊對項目的商業價值也進行了思考。該車輛檢測模型能夠很容易地部署在低成本的晶片上，實現產品的落地，帶來商業回報。模型反覆運算速度快，可以使用更低的功耗訓練和維護。模型精度高，能夠為無人系統的安全性和穩定性保駕護航。

未來，該車輛檢測模型也有廣闊的應用空間。一是可以部署到行車記錄儀等傳統硬體上，使其智慧化，具備行車預警功能；二是可以部署到安防監控中，使用模型自動過濾篩選，將視頻中有車輛的場景加以保存，節省存儲空間，也節省人員重播視頻的時間。

▍教育賽道冠軍：Teched U
所屬賽道：用AI驅動的教育新工具和新方法
挑戰賽題：網路公開課聚類、檢索、評價和推薦工具

線上教育是未來趨勢，但錄播課的用戶體驗不佳。大量的錄播課僅將一段長視頻從線下直接搬運到線上，難以避免冗餘重複，造成學生積極性差、完課率低等問題。

來自卡內基梅隆大學和沃頓商學院的同學組成了Teched U團隊，希望用AI技術賦能線上教育。他們通過自研原創神經網路 TopicNet，實現長視頻切割、大綱提取、知識搜索三項功能。

通過視頻切割，尋找知識結構中斷點，可以將一小時的教育視頻切割成5-10分鐘的短視頻，讓使用者利用碎片化時間學習；通過大綱提取，借助整理好的知識大綱進行跳轉，讓使用者快速瞭解知識內容的結構；通過知識搜索，可以精確尋找到相關視頻和精確到秒的視頻跳轉位置。

目前，線上教育巨頭主要通過人工標注做視頻切分，但對於缺乏人才和技術的中小型線上公司，這項低成本的視頻切割自動標注技術，可以説明他們豐富視頻內容，實現精准推薦，從而提升用戶體驗和轉化率。

▍醫療賽道冠軍：心靈捕手
所屬賽道：用AI應對醫療和公共衛生領域的新挑戰
挑戰賽題：通過深度學習識別生物電信號

在DeeCamp，AI+醫療也可以大顯身手！

由“心靈捕手”小組帶來的“聽醫聲AI 診斷專家”項目，是本屆DeeCamp項目中唯一一個軟硬結合的項目。硬體製作、小程式設計開發等工作，全部是在DeeCamp期間用兩個月的時間完成。

“聽醫聲”AI診斷專家通過電子聽診器採集心音、呼吸音、脈搏，並將電子化的信號傳遞給微信小程式及後臺雲端分析系統，進行定量分析判斷使用者的健康狀況，實現健康監護、疾病預警、輔助診斷。若檢測到身體異樣，可自動推薦附近的醫院。未來，“聽醫聲”既可以輔助醫生做疾病早期篩查、健康監測，也可以用在留守老人監護、殘疾人健康關愛等領域。

值得一提的是，“聽醫聲”的脈搏波資料集，通過與醫院、診所、體檢中心等工作單位合作，共採集了6000余例由中醫專家標定的脈象資料，把專家經驗轉化為臨床診斷量化標準，實現了中醫問診的客觀化、資訊化。

▍創新賽道冠軍：AI科幻世界
所屬賽道：人工智慧的創新思考與前沿設計
挑戰賽題：科幻小說自動/輔助生成

你能想像一個AI構建的科幻世界嗎？在DeeCamp2020，AI正在創造一個全新的寫作時代。

來自中科院、美國喬治梅森大學等高校的五位同學組成的“AI科幻世界”團隊，基於Open AI 的GPT-2模型，在百億級中文大規模語料上重新訓練，打造了一位神奇的“AI科幻小說作家”。

這位元“科幻作家”，可以根據設定好的故事主線、人物角色等，互動式生成科幻小說內容，不僅可以遣詞造句，還可以創作構思，讓普通人也可以化身“科幻文學大咖”。

“AI科幻世界”團隊在開發的過程中，借鑒作家創作小說的過程，受到認知心理學和文學理論啟發，提出情節大綱主導的、人機協同寫作的範式：用戶輸入第一句，機器輸出多個人稱一致、語句連貫、邏輯合理的下一句話候選，由用戶做篩選和修改，不斷重複形成情節閉環。

在人機協同的半自動模式下，AI科幻世界寫作故事大綱的速度每分鐘可達50-100字。而在無人干預的全自動模式下，可以在1秒鐘之內寫出一個曲折動人的兩千字故事，揭開了創作的神秘面紗。

未來，科幻小說自動/輔助生成可以應用在商業傳播場景中，提升內容的廣度和個性化，兼顧精准分發下的使用者需求和內容品質，滿足企業對海量資訊的搜集、分析、篩選、整理和發佈需求。

▍商業賽道冠軍：“Non-pretrain”
所屬賽道：AI 賦能的商業決策與商業流程優化
挑戰賽題：人工智慧在量化交易和投資中的決策輔助

量化交易是指以先進的數學模型替代人為的主觀判斷，利用電腦技術從龐大的歷史資料中海選能帶來超額收益的多種“大概率”事件以制定策略。
來自南京大學、復旦大學的“Non-pretrain”團隊，針對外匯量化交易的歷史資料，提出了一種資料依賴的相似性度量方法。對每一個分類，分別使用所提出的層次注意力LSTM模型對未來匯率進行預測。最後對多個類的預測結果進行集成，並結合挖掘出來的典型pattern制定交易策略。

此外，聯合國開發計畫署一直非常關注高新科技與人工智慧在可持續發展領域的應用，為了鼓勵各位學員積極探索用AI解決可持續發展問題，專門設立了“AI4SDG”獎項，頒發給西天取經團隊、AI倒爺團隊、Teched U團隊、Brainnova意念互聯團隊、心靈捕手團隊。

此外，DeeCamp還組織了學員互評，評選最受學員歡迎的作品，最終西天取經、You OnlyLook Us、AI科幻世界三個團隊獲此殊榮。

▍自動駕駛賽道冠軍：“西天取經”AwesomeDet
所屬賽道：自動駕駛的技術突破與前沿設計
挑戰賽題：算符算力約束下的無人駕駛車輛檢測

西天取經團隊由來自北理工、北航、新加坡國立、北大、麥吉爾大學的五位極客組成。他們希望在自動駕駛的漫漫長路上，經歷磨難，不斷成長探索。

團隊採用了業界先進的技術，從Backbone、Neck、Loss三個層面出發，設計了一系列滿足算符算符約束的目標檢測模型，並做出適配改進，進行算法針對性優化。

推理速度是衡量自動駕駛技術的關鍵指標，目前行業內對推理速度的最低要求是10fps, 而該團隊的產品推理速度最快達到了74.5fps。

同時，他們提出了基於數據分析提出特定的增強方法，改善了夜間難樣本的訓練。經過真實場景下的測試，無論側視、後視、前視、夜景，都表現出了良好的遷移效果，測速、性能表現較好，達到了簡單場景下的車輛檢測要求，滿足了商業落地的要求。

該項目另外一大亮點是在手機上集成了檢測產品，做到了產品級別的實時呈現。未來，產品將可以搭載到智能行車記錄儀車輛預警、車載手機預警APP、交通事故實時監測、實時治安情況監測等多個領域。

此外，聯合國開發計劃署（UNDP）一直非常關注高新科技與人工智能在可持續發展領域的應用，為了鼓勵各位學員積極探索用AI解決可持續發展問題，專門設立了“AI4SDG”獎項，頒發給西天取經團隊、AI倒爺團隊、Teched U團隊、Brainnova意念互聯團隊、心靈捕手團隊。

▌74所高校200余名學生參與，12位大師授課

DeeCamp2020採用開放報名+定向邀請的方式，通過激烈競爭，200余位學員最終入選。

他們來自清華大學、北京大學、中國科學院大學、南京大學、北京航空航太大學、復旦大學、中國人民大學等44所國內高校，以及卡內基梅隆大學、麻省理工學院、牛津大學、康奈爾大學等30所海外高校，分佈在86個國內城市及北美和歐洲的17個海外城市。

學員中，碩士生占比56%，本科生占比26%，博士生占比17%。另外還有1%的學員是優秀的高中生，他們的技術科研能力已經達到了大學本科生的水準。

DeeCamp2020獨創“大師課+開放命題AI創新大賽”模式，讓學員既可以近距離與科研及產業領域大師溝通交流，也可以與志同道合的小夥伴結隊，親身體驗 AI 技術如何轉化為產業應用、積累實踐案例經驗。

在大師課上，李開復、張亞勤、吳恩達、張宏江、俞敏洪、周志華等12位來自AI領域學術界、產業界的重量級嘉賓，為同學們分享了AI前沿理論、產業創新、行業發展、創業趨勢等領域的最新洞察，讓大家充分領略了學術大師的思維方式，感受知識的魅力。

不同於常見的 AI 領域競賽，DeeCamp2020 開放命題AI創新大賽不以完成某一具體指標為目的，而是讓同學們組隊完成一個完整的創新項目，鼓勵其用創意向現在和未來人類面臨的科技問題發起挑戰。

因此，在賽題的設置上，DeeCamp聚焦社會熱點，關注真實世界與人們生活，共設置五大賽道14個新穎賽題，允許學生自由組隊。五個賽道分別是：

•教育賽道：AI 驅動的教育新工具和新方法
•醫療賽道：用 AI 應對醫療和公共衛生領域的新挑戰
•創新賽道：人工智慧的創新思考與前沿設計
•商業賽道：AI 賦能的商業決策與商業流程優化
•自動駕駛賽道：自動駕駛的技術突破與前沿創新

據創新工場人工智慧工程院執行院長王詠剛介紹，這次的賽道賽題設計具有“更熱門”、“更真實”、“更接地氣”三大特點：

“更熱門”：2020年是特殊的一年，我們面對著最多的變化，最多的挑戰，也是最多的機會，因此賽題設置貼合當前社會最關注的熱點問題，如健康賽道關注仍在全球延燒的新冠疫情。

“更真實”：為了讓同學們最大限度地接觸真實世界，所有賽題提供的資料都來自各個合作企業的真實場景資料。例如在Momenta提供的自動駕駛賽道中，Momenta為同學們提供了一批獨家未公開的128線雷射雷達檢測資料集和十萬量級視覺資料集，希望同學們在科研人員帶領下一同解決行業中的各類技術問題。

“更接地氣”：賽題設置與同學們的學習生活息息相關。在教育賽道中，人工智慧對程式設計教育的應用占了很大的部分，因為參賽的同學大多來自數學、電腦專業，有自學程式設計的經歷，這能促使參加該賽題的同學發揮主觀能動性，更好的利用自身經驗提高項目完成品質。

最終，共有9支隊伍選擇了商業賽道，10支隊伍選擇了自動駕駛賽道，5支隊伍選擇了教育賽道，6支隊伍選擇了醫療賽道，7支隊伍選擇了創新賽道，向這些難題發起挑戰。

▌你想用AI改變什麼？——DeeCamp學員的AI願望

人工智慧是一項偉大的技術，我們有幸生活在這個時代，也應該努力讓人工智慧造福人類社會。

“你想用AI改變什麼？”在主辦方發起的一項徵集活動中，200多名同學用紙和筆，寫下了自己的AI願望：

o“我想用AI改變人們的出行方式”
o“我希望用AI改變人們的教育環境，為所有人帶來更加智慧化的教育方式”
o“我希望用AI解決量化投資及商業決策問題”
o“我想用AI改變遊戲設計”
o“我想用AI改變文學作品的表現方式，讓大家能更加淋漓盡致地表現所思所想”
o“我想用AI改變醫療診斷技術”
o“我想用AI改變我們觀察世界的方式”
………

創新工場人工智慧工程院執行院長王詠剛表示，DeeCamp是一個為學生服務、充分發揮學生自主精神的人工智慧訓練營，鼓勵所有來到DeeCamp的同學進行一段自我驅動的AI學習實踐之旅。

在專案期間，DeeCamp的同學們充分發揮了“自我組織、自我管理、自我表現”的精神：自發組織了13場分享會，涉及創業經驗、讀書感想、技術研討、項目交流。在官方組織的“飯？泛？FUN？”談會中，學員們積極與各位大師雲上約飯，探討AI產業發展、創業方向、職業選擇等話題。

DeeCamp人工智慧訓練營自誕生起，就以消弭中國AI應用人才鴻溝、培養和完善中國AI應用人才生態為初衷，堅持公益屬性，將知識課程與項目實踐相結合，引導學生體驗 AI 技術如何轉化為產業應用，積累實踐案例經驗。

自2017年暑期首次開辦以來，DeeCamp總計收到來全球 1000 餘所高校超過 20000 份報名申請，已有 1000 余名學員順利結業。

DeeCamp的最大期待，就是結業的學員們都能在方興未艾的 AI 產業浪潮中，真正解決來自真實世界的難題，將論文中的 AI 演算法打造成一個個成功的 AI 產品與解決方案，用AI創造更美好的人類未來！

未來，DeeCamp 將繼續砥礪前行，不遺餘力地在人工智慧人才培養上面挖掘新方法和新思路，為 AI 領域輸送最新鮮的血液、提供最堅實的力量。

AI機器人將如何顛覆製造業？

面對AI機器人帶來的破壞式創新，台灣製造業該怎麼把握機會，在自動化典範轉移的亂局中，占有一席之地？

Bastiane Huang
Feb 6 · 1

在先前Robotics 2.0系列文章中，我們討論了AI如何讓機器人做到過去做不到的靈巧工作，並能夠開始自主學習。第一篇文章介紹了AI如何開啟Robot2.0時代。第二篇文章則描述AI機器人在倉儲運輸業的應用，透過觀察這個新技術的第一個應用場景，來預測這一切將如何影響我們的生產力、就業狀況以及日常生活。

這篇文章我們將聚焦目前大量運用傳統機器手臂及自動化設備，同時占台灣產值最高（30%）的製造業。具有自主學習能力而且靈巧的AI機器人，將如何影響製造業流程及整體產業結構？供應鏈上的各廠商又該如何因應Robotics 2.0帶來的破壞性創新？

「未來已經到來，只是先被一部分人看見。」 — 作家威廉．吉布森

The future is already here — it’s just not very evenly distributed. — William Gibson

製造業自動化現況

根據國際機器人聯合會（IFR）發布的最近報告，全球工業機器手臂的出貨量在2018年創下新紀錄，來到38萬4,000台。其中中國仍是最大市場（占比35%)，接著是日本，美國，台灣排名全球第六。

汽車以及電子製造業依然是工業手臂的最大應用市場（占比60%)，遠遠領先其他包含金屬，塑膠及食品等產業。具體原因我們在第一篇文章也討論過，由於傳統機器人和電腦視覺的限制，目前除汽車業和電子業以外，倉儲、農業和其他產業幾乎都還沒開始使用機械手臂。而這樣的情形將會被AI機器人及深度學習等新技術所改變。看到這裡，你可能會想：自動化及工業機器手臂在製造業既然已經有幾十年的歷史，該自動化或可以被自動化的部分應該都已經自動化了，還有什麼創新的空間呢？

出乎意料地，就連自動化程度最高的汽車製造業，離所謂的全自動化關燈工廠（lights out factory）也還有很大一段距離。舉例來說，汽車組裝的部分大多依然是由人工來完成。這也是車廠最勞力密集的部分，平均一間汽車工廠裡有3分之2的員工都在裝配車間。就連一向追求革新與顛覆，主張追求最高自動化的特斯拉執行長馬斯克，都不得不公開承認，特斯拉生產線自動化的進度不如預期。

究竟為什麼自動化這麼困難？

自動化至今無法跨越的技術限制

現今的自動化生產線普遍為大量生產設計，因此能有效降低成本，但也因此缺乏彈性。面對消費者越來越短的產品生命週期，越來越多的少量多樣客製化生產需求，人類往往比機器人更能夠因應新的產品線，也不需要花費很多時間去重新編寫程式或更改製造工序。

1. 靈巧度與複雜度

儘管科技在快速進步，人類還是比機器人靈巧許多。在訪談電子代工廠商的過程中發現，儘管組裝產品（assembly）已經高度自動化，但備料（kitting）的程序還是必須由人來完成。

備料在製造及倉儲業都很普遍，是提高生產效率的重要步驟。指的是把組裝產品需要的各個零散部件集合起來，打包並放置在工具包（kit）的過程。之後機器人再從工具包中拿取各個零件並進行組裝作業，這時候因為各個零件都在一個固定的位置和角度，自動化編程相對容易。相反地，備料時必須從雜亂無序的零件盒中辨識並拿取零件，零件的位置角度不一，甚至可能重疊或纏繞在一起，這對現有的機器視覺及機器人技術都是一項挑戰。

2. 視覺與非視覺性的回饋

另外一方面，很多複雜的裝配作業需要靠作業員的經驗或「感覺」。不論是安裝汽車座椅或是將零件放入工具包裡，這些看似簡單的動作，事實上都需要作業員或機器人接收，並根據各種視覺甚至觸覺訊號，來調整動作的角度及力道。

這些精細的微調使得傳統的自動化編程幾乎派不上用場，因為每次撿取或放置物品都不完全相同，需要像人一樣有從多次的嘗試當中，自主學習歸納的能力，而這正是機器學習，特別是深度及強化學習，能夠帶給機器人的最大改變。

Robotics 2.0：AI可以讓工廠機器人做到哪些事？

AI帶給機器手臂最大的改變就是：以往機械手臂只能重複執行工程師編寫程序，雖然精準度及速度都很高，但卻無法應對任何環境或製程改變。但是現在因為AI，機器可以自主學習更複雜的任務。具體來說，AI機器人較傳統機械手臂在3大方面有重大突破：

1. 視覺（Vision System）

就算是最高階的3D工業相機，仍然無法像人眼一樣，既可以精準判斷深度距離，又可以辨識透明的包裝、反射表面、或是可變形物體。這也是為什麼很難找到一款相機，既可以提供準確的深度，又能夠辨識大多數的包裝及物品，然而，這樣的情形很快就會被AI改變。

機器視覺在過去幾年取得了巨大的進展，幾間來自於矽谷及波士頓的新創，包括OSARO和Covariant，利用深度學習（deep learning），語意分割（semantic segmentation），及場景理解（scene understanding）提高了低階相機的深度及影像辨識，讓製造商不需要使用昂貴的相機，也能得到足夠準確的影像訊息，成功辨識透明或反射物體包裝。

2. 可擴充性（Scalability）

深度學習不需像傳統機器視覺一樣，需要事先建構每一個物品的3D模型。只需要輸入圖片，經過訓練，人工神經網路就能自動辨識影像中物體。甚至能使用非監督或自監督學習，降低人工標籤數據或特徵的需要，讓機器更近接近人一樣的學習，免去人為干預，讓機器人面對新的零件再也不需要工程師重新編寫程序。隨著機台運作，收集到的數據越來越多，機器學習模型的準確度也會進一步提升。

目前一般生產線通常有震動台、送料器、輸送帶等週邊設備，確保機器人能夠正確拿取需要的部件。如果機器學習再進一步發展，讓機器手臂更加智能，或許有一天這些比機械手臂更昂貴四五倍以上的週邊設備將不再被需要。
另一方面，由於深度學習模型一般儲存在雲端，這也讓機器人能夠互相學習，共享知識。舉例來說，若有一台機器手臂經過一個晚上的嘗試，學會如何組合兩個零件，便能夠很輕易地將這個新的模型更新到雲端，並分享給其他同樣也連結到雲端的機器手臂。這不但省去了其他機器的學習時間，也確保了品質的一致性。

3. 智能放置（Intelligent Placement）

一些對我們來說一點也不困難的指令：請小心輕放，或把物品排列整齊，對機器手臂而言卻是巨大的技術挑戰。
如何定義「小心輕放」？是在物體碰觸到桌面的瞬間停止施力？還是在移動到距離桌面6公分處放手讓物體自然落下？或是越靠近桌面就越降低速度？這些不同的定義又會怎麼樣影響物品放置的速度和精確度？

至於將物品「排列整齊」就更困難了，先不論每個人對整齊的定義都有所不同，為了能將物品精準地放置在想要的位置及角度，我們首先必須要先從正確的位置拿取物品：機械手臂依然不如人手靈巧，且目前一般機器手臂大多使用吸盤或是夾子，要做到人類關節及手指的靈活度，還有一大段距離。

其次我們要能即時判斷夾取物體的角度位置及形狀大小，以下圖的杯子為例，需要知道杯口朝上或朝下，要側放或直放，也要知道放置的地方有沒有其他物品或障礙物，才能判斷將杯子放在哪裡才能最節省空間。 我們因為從出生開始就在學習各種取放物品的任務，這些複雜的作業幾乎不加思索就可以完成，但機器並沒有這樣的經驗，必須重新學習。

經由AI，機器手臂可以更精準地判斷深度，還可以透過訓練，學習判斷及做到杯子朝上，朝下等不同狀態。也可以利用對象建模（Object Modeling），或是體素化（Voxelization），來預測及重建3D物體，讓機器可以更準確掌握實際物品的大小和形狀，進一步將物品放到該放的位置。

AI機器人將如何顛覆製造業？

現在我們知道AI可以讓機器做到許多以往做不到的事，但這對製造業現行的產業結構又會有什麼影響？誰能夠把握住新科技典範轉移技術帶來的機會？哪些公司又會面臨前所未有的挑戰？

AI機器人帶來的破壞式創新（Disruptive Innovation）

破壞式創新由哈佛商學院教授克雷頓‧克里斯汀生（Clayton Christensen）在其著作《創新的兩難》（Innovator’s Dilemma）當中提出。理論的中心思想是：
產業中的既有業者一般會為了服務現有客戶（通常也是利潤最高的客群），而選擇專注於「持續式創新」，改善現有的產品及服務。此時，一些資源較少的小公司把握機會，瞄準被忽略的市場需求，而取得進入市場的立足點。
破壞式創新又分為以下兩種：

（1）低階市場創新

一般大家較為熟悉的是「低階市場創新」，數位照相技術就是一例。早期的數位相機不僅解析度不佳，而且還有快門延遲很長的問題，但隨著數位照相品質及解析度逐漸進步，數位相機逐漸從低階市場晉升為主流。諷刺的是，柯達雖然研發出數位相機，但卻因為無法放棄當時該公司占據全球3分之2的底片市場，而最終被新技術淘汰。這正是所謂的「創新的兩難」，既有業者雖然看到新科技的威脅，但卻因為現有公司結構，策略等種種原因無法及時因應。

（2）新市場創新

「新市場創新」則是指新進公司瞄準既有公司尚未服務到的「新市場」進行創新。例如，電話剛推出的時候只能被用來做短距離的本地溝通，因此電報產業當時的領先者Western Union拒絕購買發明家貝爾的專利，因為該公司最賺錢的是長途電報市場，當時甚至不認為短途溝通會是一個市場，更不用說預見後來人人都用電話溝通的情景了。

而AI機器人帶來的，正是「新市場的破壞式創新」！

目前汽車及電子製造業占工業機器手臂出貨量的60%，這也導致市場領先者發那科（FANUC）、ABB、KUKA、安川（YASKAWA）專注於「持續式創新」：做他們最擅長，客戶也最需要的，進一步提高速度及精度。這也使得其他諸如倉儲業、食品製造業，或製造業中的「備料程序」成為被忽略新市場。這些客戶並不需要這麼高速度，高精度的作業，但需要機器手臂更靈活，更能彈性自主學習辨識及處理不同的零件或是工作。

新創AI機器人公司看到這樣未被滿足的需求，開始將人工智慧應用在機器人上，使得機器手臂可以被用在備料，包裝，倉儲等新市場。他們使用較低階的相機搭配機器學習模型，讓以往只能由人工作業的備料，貨物分撿等程序自動化，讓機器手臂可以被運用在更多不同的地方，甚至整個產業。

有趣的是，這些新創公司一般不自行生產機器手臂，而是專注於開發機器學習模型、機器視學及控制軟體，在硬體方面則選擇跟既有機器手臂廠商合作。因此，你可能會想，就算這些機器手臂公司不追求AI創新，他們也不會被時代淘汰，因為自動化還是需要硬體的供應。

但是，這樣想忽略了幾件事：

首先，有些機器手臂公司已經先嗅到了商機，並開始一邊與這些新創公司合作，一邊建立自己的AI團隊。這些公司因為率先採取行動，可以更快地在這些以往服務不到的新市場中建立客群，進一步領先競爭對手。

其次，隨著AI應用的普及，產業鏈中的最大價值，會逐漸由硬體轉向軟體及數據。 這點，我們已經可以從無人車的發展趨勢中看出。一但無人車可以做到高度自主，大部分的價值都會在掌握無人車機器學習模型及自駕數據的特斯拉，或Google等公司的手裡。這也是為什麼車廠人人自危，不是積極併購就是跟矽谷的軟體AI新創公司合作。相比起來，機器手臂及製造商對AI技術的接受速度似乎還不及汽車製造商。

AI機器人帶來的挑戰與機會

AI及機器人的結合帶來許多的可能性，但是這些改變絕非一蹴可幾。機器手臂公司縱使開始投資AI，也依然會面臨當初柯達所面臨的「創新者的兩難」。

要如何重新打造組織及發展策略，才能夠讓轉型的負面影響降到最低，也考驗各個公司管理階層的判斷與決心。

另一方面，開發全新市場也絕非簡單的事，新創公司仍需要和製造廠商密切合作，開發更貼合客戶需求的解決方案。 製造業的流程甚至比倉儲更複雜多樣，新創公司雖然了解AI及機器人技術，但卻不一定了解製造流程。這也給台灣製造廠商一個搶得先機成長轉型的最佳機會。

如果台灣廠商能夠率先和這些新創公司合作，不僅能透過流程自動化提升生產效率及品質，還能做到以往較難做到的少量多樣客製需求，擺脫大量製造，削價競爭的紅海策略。更可以成為新一代AI機器人的試驗場，和國際新創合作開發針對電子或半導體製造業的專屬解決方案，進而銷售到其他國家。

日前，曾任職於Google與百度的吳恩達（Andrew Ng）受邀來台演講中也指出，台灣應該善用自己在半導體與製造業的既有優勢，發展人工智慧，成為除了矽谷、北京之外的下一個AI Hub。 相較於其他像是零售或是消費性網路領域這些現在發展相對成熟的AI應用，台灣在製造產業中發展人工智慧，不但更具有了解應用案例、掌握數據等優勢，也有機會能夠藉由AI機器人等新技術，達到產業轉型的目的。

附圖：KIT工具包 — source: kitting-assembly.ca
深度學習物件辨識範例，由左至右分別為Mask-RCNN, Object Modeling, Grasp Point Prediction。OSARO
傳統及AI機器人創新策略比較 — source: Bastiane Huang
製造業自動化產業鏈- source: Bastiane Huang

資料來源：https://medium.com/marketingdatascience/ai%E6%A9%9F%E5%99%A8%E4%BA%BA%E5%B0%87%E5%A6%82%E4%BD%95%E9%A1%9B%E8%A6%86%E8%A3%BD%E9%80%A0%E6%A5%AD-ee2dbc3db7e4

氣候變遷迫在眉睫，AI該如何解決這一問題？

VentureBeat / Rachel / 何渝婷
2019-12-18 15:10

在今年NeurIPS會議的「應對氣候變化」研討會上，機器學習領域頂尖專家齊聚一堂，討論氣候變化對地球上生命的影響、AI如何解決這一緊迫問題，以及機器學習為什麼以及如何加入這場戰鬥。

該研討會由氣候變化人工智慧組織（Climate Change AI）舉辦。該組織曾為人工智慧研究會議舉辦研討會，並為機器學習從業者及其他領域研究者舉辦合作論壇。

「應對氣候變化」研討會探討了一系列主題，從利用深度強化學習提升Uber和Lyft等叫車服務，到應用深度學習預測野火風險、探測雪崩沈積物、利用提升風力預測準確性提高飛機效率，以及太陽能發電場的全球普查。

小組成員包括Yoshua Bengio（2018年圖靈獲獎者、世界領先的AI專家和深度學習先驅、蒙特利爾大學教授、加拿大蒙特利爾學習算法研究所主任）、吳恩達（AI和機器學習領域國際最權威學者之一、Google Brain聯合創始人、Landing.ai創始人）、Jeff Dean（Google元老之一、Google AI掌門人），以及Carla Gomes（康乃爾大學教授、計算可持續性研究所所長）。

據悉，下一次應對氣候變化的機器學習研討會，將於2020年4月，在阿的斯阿貝巴的國際學習展示會議（ICLR）上進行。

用機器學習應對氣候變化

2019年6月，Yoshua Bengio、吳恩達和Carla Gomes，加入了20多個氣候變化人工智慧指導委員會和顧問成員的團隊，其中包括DeepMind創始人Demis Hassabis。他們共同發表了一篇題為《用機器學習應對氣候變化》的論文，其中包含650篇參考文獻。

該論文探討了機器學習在氣候變化中的應用，如預測供需或極端天氣事件，以及可提高城市、交通和電力系統效率的預測AI。

研究者表示，這篇論文不僅針對人工智慧從業者，而且為參與氣候變化工作的人提供幫助，包括企業家、投資者、企業和政府領導人。

值得關注的是，關於機器學習從業者如何開始應對氣候變化的問題，三位參與論文的科學家，都提到與相關領域專家合作的重要性。

吳恩達認為，與其強調問題的嚴重性，不如做出實際行動，先一點一點回顧相關數據集，然後進行實驗，最終公布研究結果，或與氣候科學家進行對話。

Carla Gomes建議與非機器學習研究者合作：「我的確擔心電腦科學。我們認為我們什麼都擅長，但其實提出的解決方案完全不現實，對特定領域來講毫無意義，因此與專家聯繫並創建網路很重要。」

Yoshua Bengio說，避免重造輪子，就要保持謙虛，與機器學習可應用領域的專家合作。

用更好的技術應對小數據

研討會上，小組討論了機器學習中能最有效來應對氣候變化的具體技術進展。

吳恩達和小組成員呼籲，在適用於小型數據集和應用的機器學習方面取得進展，比如自我監督學習和遷移學習，從而減少培訓模型所需的數據。

吳恩達表示：「許多機器學習，即現代深度學習，都是在大型消費互聯網公司中成長起來的，這些公司擁有數以億計的用戶和龐大的數據集。但有時候，我們只有幾百或幾千張風力發電機之類的圖片，所以需要通過新技術來解決問題。大體上，我認為要想讓機器學習，在除了軟體和互聯網公司之外的其他領域有所突破，我們需要更好的技術來應對小數據體系。」

對此，Carla Gomes表示同意，他說，氣候變化和機器學習是雙向影響的，解決氣候變化問題取得的進展，也可以帶來機器學習方面的創新。

Carla Gomes談道：「我的確認為未來AI和機器學習的一個巨大挑戰是科學發現，包括嵌入先驗知識、進行科學推理，以及處理小數據。」

在之前的NeurIPS研討會上，Facebook AI研究總監Yann LeCun，也提到了機器學習的能源效率，使AR眼鏡等新技術落地的必要性。

在小組討論中，Jeff Dean談到，遷移學習和多任務學習的進展，都有希望應用於氣候變化。他說，氣候變化的挑戰至少可以成為這類技術的一個有趣的試驗平台。

研究能為世界帶來什麼

另外，Yoshua Bengio還特別提到了研究者該有的態度。

Yoshua Bengio是2018年被引用最多的電腦科學研究員，他認為，機器學習研究者，需要通過評估機器學習研究對世界的真正影響，來改變他們對提交給NeurIPS等大型會議的研究態度。更好地應對世界級緊迫挑戰的重要一步，便是改變研究者看待AI研究的方式。

他提到，研究者都很在乎論文出版，成為第一作者，為履歷增光添彩，並且找到一份好工作。這種想法其實是不應該的，學生和研究人員往往感到壓抑，工作時長也令人難以置信。但如果退一步，思考研究能為世界帶來什麼，關注長期研究的真正價值，做能影響世界的項目（比如氣候變化），就會對自身的研究工作感覺更好，壓力也更小，最終說不定能取得更好的進展。

Yoshua Bengio表示：「我認為，在本次研討會上討論的這類項目，可能會比生成對抗網路（Generative Adversarial Nets），或其他方面的進步更有影響力。」

此前，NeurIPS的組織者就表示過，他們可能會將AI模型的碳足跡，作為未來會議論文提交的標準之一。

採用更嚴格的道德規範

而吳恩達則更關注道德規範問題。

吳恩達建議AI研究者採用更嚴格的道德規範，同時利用法律保護支持這些道德規範，就像醫生對病人的義務一樣。他說，任何道德規範都應由AI研究者自己來制訂。

吳恩達表示，無論是集體達成一致的道德規範，還是其他什麼規範，AI研究界都應該達成一個更明確或更可行的社會協議。他補充說，對科技的信任度下降，也是一個需要解決的問題。

當然，現在已經有很多AI道德規範了，但很多都偏模糊，用處不大。比如，吳恩達說他向工程師們閱讀了經濟合作暨發展組織（OECD）的AI道德規範，然後問他們如何改變工作方式，工程師們幾乎一致表示，一點也不需要改變。

對於現有的AI道德規範，吳恩達說：「Google的道德規範很好，Microsoft的道德規範不錯，經濟合作暨發展組織的道德規範也不差，但我認為我們還需要做更多工作。」

正如他們在小組討論時提到的，可以和受到氣候變化影響的人們一起制訂解決方案。在今年的NeurIPS的Black in AI研討會上，愛爾蘭都柏林大學研究者Abeba Birhane，一篇關於道德的論文獲得了最佳論文獎。論文中，作者也呼籲機器學習從業者與受他們創建的系統影響的群體密切合作。

Google積極應對氣候難題

作為Google AI主管，Jeff Dean表示，Google也在積極應對氣候難題。

在接受媒體採訪時，Jeff Dean表示：「我主要關注的是碳排放和機器學習。在我看來，機器學習項目的碳排放，在總排放量中所佔的比例還是相對較小的。在Google數據中心，我們全年所有計算需求的能源，都是100%可再生的。」

在研討會一開始的主旨演講中，Jeff Dean稱氣候變化是21世紀的問題，並談到了無碳足跡AI的潛力。Jeff Dean說，讓計算實現零碳，有利於避免產生新的問題。但光是算法是不夠的，還需要將這些算法集成到系統中，然後將其綁定到將對氣候相關問題產生最大影響的應用程式中。解決氣候難題是研究者應該做的重要部分。

另外，他還談到了可以改變行為的方法，比如幫助人們瞭解自己的碳足跡。在聽眾提出關於在Google Maps上，分享二氧化碳預測的問題後，Jeff Dean說，Google正在考慮在Google搜尋結果中，包含更多資訊，為用戶的行為（比如訂購商品），給出一個碳排放量預測值。

他說：「我認為，公眾通過仔細觀察和教育，會明白解決氣候變化問題是一件真實、緊迫的事情，而不是虛構的事情。對於這一點我們都已達成共識，我們只需要繼續努力推動教育，讓公眾接受這一事實，並且做出更好的決定。」

同時，Jeff Dean在研討會上，還指出了一系列有可能對氣候產生影響的Google機器學習項目，比如旨在創造融合能源的項目，在天氣預報等方面使用貝氏推論（Bayesian inference）的項目，以及Sunroof項目（通過研究屋頂和當地天氣，預測安裝太陽能板的家庭可以節省的電費開支。）

據悉，今年早些時候，Google優化了對印度恆河和布拉馬普特拉河沿岸的洪水預測。

前不久，Google AI在一次研討會海報展示環節，展示了一篇論文，重點介紹了如何將機器學習應用於雷達圖像來預測降雨。

在當地時間12月12日接受VentureBeat採訪時，Jeff Dean表示支持英特爾AI總經理Naveen Rao，推薦的AI硬體碳/瓦特標準。

資料來源：https://news.knowing.asia/news/c3add1c5-ece5-4b60-831d-7a72f421ce30?utm_source=dable