智能機器人柔性線路板廠：世界因為擔心機器人革命的到來，已經近似瘋狂了，因為每天都有文章在談論這些。但是，所有的炒作、興奮、有時是擔心，這些合理嗎?智能機器人機器人革命真的來了嗎?

  答案很可能是，在我們生活的一些領域，我們將很快看到更多的機器人。但實際上，在不久的將來，我們是不會看到有幾十個機器人走在我們的街道，或在我們的辦公室閑逛。

  其中一個主要的原因很簡單，機器人還沒有能力真正看到這個世界。不過在談論未來的機器人可能會看到之前，我們首先應該考慮一下我們所說的“看到”的真正意思。

  我們大多數人都有兩只眼睛，我們用這雙眼睛來收集反射出我們周圍物體的光。我們的眼睛將光轉換成電信號，然后被送到我們的視覺神經，最后由我們的大腦立即處理。

  我們的大腦對于這些電脈沖以及我們的經驗，然后采取以某種方式識別圍繞我們身邊的是什么。它建立了一個世界的代表物，我們用它來導航、幫助我們拾起東西，使我們能夠看到彼此的臉以及世界上其他的東西。

  這整個活動，包括從用我們的眼睛收集光線，到對圍繞我們的世界有一個理解，這就是“看”的意思。

  研究人員已經估計，我們50%的大腦是參與“看”這個過程。世界上幾乎所有的動物都有眼睛，并且能夠以某種方式看到。大多數這些動物，特別是昆蟲，具有比人類簡單得多的大腦，并且它們的功能良好。

  因此，不足為奇的是許多機器人研究人員預測，如果機器人能看到，我們可能會真正看到機器人的熱潮，并且機器人可能最終成為人類的幫手，為很多人所喜愛。

  那么我們如何讓機器人能看到呢?第一部分是很直接的，我們使用一臺攝像機，就像和你的智能手機一樣，絡繹不絕的采集圖像。針對機器人的相機技術，這本身就是一個很大的研究領域，但現在只是認為這是一個標準的視頻攝像頭。我們通過把這些圖片傳到電腦上，然后我們自己進行選擇。

  自1970年以來，機器人視覺工程師曾經想過關于圖像的特征。這些可能是線路，或類似角落或某些紋理那些有趣的圖像。工程師寫算法來尋找這些特征，并且跟蹤它們，從圖像幀到視頻中的圖像幀。

  此步驟基本上是將數百萬圖像的數據量減少到幾百或幾千。

  由于過去計算能力是有限的，這是這個過程中的一個重要步驟。然后，工程師開始思考機器人可能會看什么，以及它需要去做什么。他們開始編寫能夠識別世界模式的軟件，以幫助機器人理解圍繞它周圍的是什么。

  該軟件可以創建一個非常基本的環境地圖，當機器人操作時，它可以通過尋找軟件庫的里面已有的很多特征，嘗試匹配。

  本質上，此機器人編程，仍然是通過人類去看他們認為機器人需要看的東西。關于這種類型的機器人視覺系統已經有很多成功的例子，但是今天仍然沒有哪個機器人，能夠單獨使用視覺來看這個世界。

  這樣的系統還無法足夠可靠的保持機器人遇到障礙物時，能夠跳躍，在機器人實際使用中，也還是無法長時間使用。那些在媒體中報道的無人駕駛汽車，主要是使用激光或雷達，以彌補它們視覺系統的不足。

  在過去的五到十年中，一個新的機器人視覺研究團體已經形成。這些研究人員已經證明，這個新系統不是像以前那樣編程，而是學會如何去看。

  他們研制的機器人視覺系統，其結構是由科學家們從觀看動物怎樣“看”中得到的啟發。即它們使用神經元層的概念，就像一個動物的大腦。工程師編程該系統的結構，但它們不開發該系統運行的算法。那是留給機器人本身去完成的。

  這種技術被稱為機器人學習，因為我們現在可以很方便地以合理的成本，得到計算機的計算能力，這些技術都開始工作了!這些技術的投資也正在加速。

  使機器人可以學習的意義在于，它們可以輕松地分享它們的學習。一個機器人將不必像新生的動物一樣，從頭學起。一個新的機器人可以從其他機器人那里得到經驗，并建立自己的視覺。

  一個機器人可以了解到貓是什么樣子的，并且把這些知識傳授給成千上萬的其他機器人。更重要的是，一個機器人可以完成一個復雜的任務，諸如圍繞一個城市的某一部分導航的方式，并立即與所有其他的機器人共享。

  同樣重要的是，這些分享經驗的機器人可以一起學習。例如，每個機器人可以各自觀察不同的貓，然后上千個機器人彼此經由因特網共享數據，并一起學會對所有的貓進行分類。這是分工式學習的例子。

  事實就是，未來的機器人將能夠共享和分工式學習，將具有深刻的影響。

  通過自我學習機器人的數據中心，很可能是您的信用卡交易被檢查出是欺詐行為。任何人都不能檢測出的欺詐行為，可能這些系統可以發現。

  對于可以看到的機器人將有許多應用。這很難相像這樣的機器人，對于我們的生活無法提供幫助。

  可以看到的機器人的第一用途很可能就是，要么就是有勞動力短缺的問題的行業，如農業，或天生對人類沒有吸引力的行業，或危險的行業。

  在手術室里，柔性線路板廠希望很快可能看到一個機器人協助外科醫生。機器人的超視覺和超精密、穩定的胳膊和手，將使外科醫生專注于自己最擅長的。