图灵汇官网

Moshe Sheier，CEVA的市场副总裁，最近刚从MWC上海回来，他表示机器人技术正成为一种趋势。他在展会上看到了来自几十家公司的大量机器人，这些机器人都在等待被品牌化并应用到各种场景中，比如机场内的导航、老年人护理、医院内的食品和药品配送、教育领域的机器人编程助手以及处理特殊需求儿童的辅助工作，甚至包括餐厅内的送餐服务等，应用场景非常广泛。这被认为是继智能音箱之后的又一个重大创新（亚马逊已经在其仓库中部署了超过10万台机器人，显然他们正在研发家用机器人）。

Moshe认为，要提供具有竞争力的机器人解决方案，需要具备一系列关键技术和功能。他提到了Gartner列出的2020年个人助理机器人所需的十大AI和传感技术，其中包括计算机视觉、对话界面、生物识别认证、声学场景分析、位置感知、自主移动以及本地边缘AI等。

为什么所有这些功能都需要集成在机器人中？为什么不能依赖云计算来处理这些任务呢？虽然云计算可能面临扩展性问题，但我们也逐渐意识到，云并不是解决所有问题的最佳方案。延迟是一个主要问题——如果你需要快速响应，就不能等待往返云端的过程，这可能会导致资源分配延迟。此外，隐私和安全也是重要考量因素。你愿意将自己的医疗症状或支付信息暴露给潜在的黑客吗？电力也是一个问题——当机器人需要连接电源时，其实用性会大大降低。频繁往返云端通信会消耗大量电力。因此，在本地尽可能多地进行计算处理显得尤为重要。

以计算机视觉为例，将其转移到边缘设备上处理是一个好方法。但是需要注意的是，简单地将基于云端的解决方案移植到机器人上并不一定可行。可以利用高性能GPU处理定位、追踪和手势识别等功能。然而，用于图形处理、智能视觉和深度学习的大功率GPU在边缘设备上可能不太适用。虽然在云端没有问题，但在边缘设备上则会消耗大量电力。因此，将部分任务，尤其是计算机视觉和识别功能，转移到DSP（数字信号处理器）上是一个明智的选择，因为DSP在功耗性能方面具有显著优势。

自主移动需要能够识别和避开障碍物，除非机器人需要不断重新学习物体的位置（这既慢又耗电），否则它需要构建房间或建筑物楼层的三维地图。当然，随着物体移动，这个地图也需要更新，但只需进行增量优化即可。这也突显了将AI处理向边缘设备迁移的趋势。通常，学习过程被认为是一种云操作，即训练好的网络模型会被下载到边缘设备上。但是，三维建图和持续优化无法完全依赖云端支持（例如，我不小心打翻了灯——我是在等待云端的训练更新吗？）。

声学场景分析是当前的一个热点话题，旨在从复杂的背景噪声中提取重要声音或语音。当家庭成员在客厅交谈，电视开着，而你需要让机器人回答一个问题时，机器人如何判断自己被要求执行某个任务并且是谁发出的请求？或者当你不在家时，有人打破窗户闯入或者你的狗开始吠叫，机器人能否理解这种情况并采取相应行动？

这必须从声学场景分析开始——没有必要将未经编辑的音频流传输到云端再做处理。许多智能处理可以在命令识别和自然语言处理之前完成。分离声源、识别玻璃破碎和狗吠声、关键词及特定命令识别等功能都可以在本地处理。通用的自然语言处理可能在一段时间内仍需依赖云端，但针对特定领域的自然语言处理有望在未来实现本地化支持。

因此，当你考虑开发一款机器人产品，不仅要在功能上进行差异化竞争，还要关注上市时间和用户体验，CEVA提供的本地AI平台、前端语音处理和物联网中的深度学习解决方案可能值得你考虑。