硅谷公司正在破坏人工智能的影响

2017年，当特斯拉宣布雄心勃勃的模型3生产目标：每周5000 Model3和“生产地狱”开始时，分析师们都持有警惕态度。但埃隆·马斯克坚持认为超自动化 - 一种机器人装配线 – 是提高制造速度和降低成本的秘密武器。一年半后，特斯拉在2018年第四季度交付了91,000辆汽车。如果量产没有出现问题，并且不再采用马斯克最初的高度自动化装配线的愿景，那么产能问题就不会出现。发生了什么？

当被问及为什么推动自动化没有成功时，Elon的答案主要围绕一个主要问题：机器人视觉，或者说控制装配线机器人“看到”，然后根据计算机运行。不幸的是，装配线机器人无法处理诸如螺母和螺栓之类的物体的意外转向或者车架之间的复杂机动。每一个这样的问题，都会导致装配线停止。最后，出现了用人类替代机器人要更方便的情况。

今天，计算机视觉（Computer vision机器人视觉的总称）无处不在。它代表着各行业人工智能技术和突破性应用的下一个前沿。目前，该领域的研究人员和公司正在取得的惊人进展，并且填补了让Elon Musk实现自动化汽车装配线的头疼部分。从根本上说，这些进步将使计算机和机器人能够可靠地处理意外和极端情况 - 那些错误的螺栓和螺栓。计算机视觉中的分水岭

随着卷积神经网络（卷积神经网络Convolutional Neural Network, CNN是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。）的应用，计算机视觉在2012年经历了一个分水岭时刻。从那以后，它真的起到了作用。在2012年之前，计算机视觉主要是关于人工解决方案 - 基本上，算法具有手动定义的规则集，并且可以相对有效地在数学上描述图像的特征。先手工选择，然后由计算机视觉研究人员组合，以识别图像中的特定对象，如自行车，店面或面部。

机器学习的兴起和人工神经网络的进步改变了所有这一切。我们能够使用大量的训练数据开发算法，自动解密和学习图像特征。

这样做的净效果是双重的：

（1）解决方案变得更加强效（例如，面部仍然可以被识别为面部，即使面部略有不同，或者在阴影中）；

（2）创建良好的解决方案依赖训练高质数据（模型基于训练数据特征。因此训练数据准确且大量，对于算法解决不同情况至关重要）。GANs，自主学习和合成数据

接下来，GAN（生成对抗网络），自主学习和合成数据等新方法，有可能大幅减少开发高质量计算机视觉模型所需的数据库。以次省略收集数据所需的时间和精力。通过这些方法，网络实际上可以引导自主学习，并以更高的保真度，更快地识别极端情况和异常值。然后，人类可以评估实际情况，以改进解决方案，并更快地获得高质量的模型。

在研究这些进展时，有一件事很快就会变得清晰：埃隆马斯克并没有错。只是他的视野（机器人和其他方面）距离现实还有一两年的时间。可喜的是，人工智能，计算机视觉和机器人技术。在这个时代都在接近准确性，可靠性和功效的转折点。对于特斯拉而言，这意味着下一个“生产地狱”（可能是Y车型）将在其弗里蒙特和上海工厂看到一条截然不同的装配线 - 这将更成功地实现与计算机视觉配对的机器人技术。