“云机器人”和“深度学习”这两项新兴的技术就可以影响技术在一个良好循环中的爆发性增长。“云机器人”这一概念由James Kuffner提出，是指可以通过网络互相学习的机器人；特别是在机器人的数量增长时，机器人的能力更是可以得到快速提高。“深度学习”算法是指特定程序通过对特定行为的模式进行提取并将之应用到更多的领域中。有研究人员指出这两项技术将成为机器人技术爆发式发展的主要原因，就像寒武纪时出现的视觉。

　　而机器人爆发可能将会持续多久呢？不知道。有人说我们应该研究电脑象棋游戏的历史，因为电脑可以凭借强大的运算及搜素和启发式算法战胜当下最好的棋手，然而死板的象棋系统在面对另一种类型的问题就完全束手无策了。这样看来，专业化的机器人在完成指定任务方面还有提升空间，而在现实生活中，仍待解决的问题还要更多。

　　不过不像已经编程象棋规则的电脑游戏，现在的深度学习算法则是使用在特定领域通用的学习方程，而这一算法已经应用在大量感知问题上，比如语音识别或现在流行的虹膜识别。美好的蓝图似乎已经展现：通过深度学习算法，机器人将能解决任何联想记忆问题。此外，和象棋程序不同，进步非常快的深度学习算法正在以期望中的速度渐进发展，甚至在专业领域不断带来惊喜。而近来云网络中越来越多的数据和计算资源让深度学习的进一步发展成为了可能。

　　深度学习的所谓“神经网络”实际上与已知大脑结构存在几个方面的不同，虽然其分布式的“连接”方式比之前的人工智能技术（比如电脑象棋程序）更近似于神经系统，不过类真正大脑的几个特点仍未完成，比如情节记忆和“无监督学习”。但看起来神经网络不久就能像人脑一样感知世界了，但神经网络能否像实现人脑一样的认知呢？经解剖学研究得出，大脑知觉版块和认知版块存在相似点。因此，有理由相信，带有记忆和无监督学习的机器识别将会在未来实现。

　　爆发的时间点实在难以预测。现在自动化和机器人（特别是无人驾驶技术）上的商业投资已有明显的加速，亚马逊、谷歌、苹果和Uber等备受瞩目的公司以及一些重量级的汽车厂商都在向无人驾驶领域进军。接下来，我会讲述一些现在机器人领域有突破贡献的重要科技，而社会伦理对机器人和人工智能的担心也在上升。

　　推动机器人科学的八项技术

　　一系列与机器人相关的科技技术正在指数爆炸式地发展，在这里只列举了其中最重要的八项。前三个科技发展技术和个体机器人有关，接下去两个和互动有关，最后三个则是关于基于网络的未来云机器人。

　　1、晶体管性能

　　机器人是由传感器、执行器和计算机共同构成的，而计算机处理能力在不断上升。最初由英特尔创始人摩尔·戈登提出的摩尔定律指出集成电路上可容纳的晶体管数目每18至24个月就会增加一倍，性能也将增加一倍。尽管具体的更迭周期有所调整，但这一趋势已经持续了数十年，当然现在似乎开始出现一些瓶颈了。现在，半导体公司可以将晶体管制程压缩至14纳米，而一纳米可是难以想象的十亿之一米！这种量级已经接近物理极限，几乎就要进入单个原子的尺度了。当然现在出现了一些新技术还能保证单位体积计算性能的继续上涨，其中包括三维多芯片系统和量子计算等等。

　　2、机械设计和数控加工工具的进步

　　现代计算机辅助设计工具极大提升了机械设计师的工作效率、设计质量和复杂程度。数控加工工具近来也获得了许多突破——比如3D打印技术仅需极小的代价即可打印出高精度的3D模型，省去了耗资巨大的开模步骤。而嵌入式处理器所能实现的功能也越来越复杂，性能与可靠性亦有了巨大改进，所有的这些都增强了机器人的性能和可靠性。

　　3、电池容量

　　如果机器人是可移动的，他们需要找到能够储存或产生足够的电量的方式来维持运行。过去几十年里，电池和燃料电池都不能很好地达到期望值。锂电池比碳氢燃料的能量密度少了一个数量级，但差距正在逐渐缩小。在高需求且竞争激烈的便携式电子设备市场，电池技术方面的技术进步一直在持续；更不要说混合动力和电动车领域了。而超级电容作为一项全新的技术，比标准电池充放电速度更快，而且能够反复充电上千次，但电池容量方面还需要更大的进步。

　　4、对电池的高效利用

　　机器人依靠电池释放电能带动电机运转；电机越多，机器人对电能的消耗就越敏感。功率半导体充分利用了集成电路行业的技术进步，让便携式设备的价格也不再昂贵，而所有的电池都对电能效率十分敏感。LED是另一个快速发展的新兴市场，发光二级管可以以更少的电能实现更高的亮度和更广的照射范围，新型复合半导体（氮化硅和碳化硅）也将迎来以更低的价格实现更高的性能的时代。现在，云机器人的发展则开始依赖于图形处理器来实现大规模的数据处理。在未来，以大脑为灵感的神经硬件所消耗的能量将会更少。

　　5、无线技术

　　最开始机器人都是单独的个体，它们的记忆和解决问题的能力被自身携带的程序所限制，对它们进行更新和重新编程是一件耗时耗力的事情。而联网机器人为编程、解决问题、学习和更新提供更多可能性。得益于各种基础设施的完善，高性能无线数字通信现在随处可见，可联网的设备种类也大大增加。比如由Nest生产的智能温控器，可以使用配对的手机进行控制，并且它还能够记忆和学习并对未来环境做出调整。谷歌的Chromecast服务可以将你在电脑或手机上任意选择的内容通过无线连接展示在电视屏幕上。你知道吗，2014年全球的平均WiFi速度已经达到十兆每秒，到2018年还会翻倍。2014年，在全球范围内分布大约有4800万个公共WiFi热点；而到2018年，这一数字会再增加7倍。目前最新的WiFi标准（802.11ac）的速度为每秒千兆，和标准的蜂窝数据（5G）一致。可以预见，未来机器人通过无线技术进行交流将成为常态。

　　6、互联网的规模和性能成指数爆炸形式发展

　　无线通信设施的发展和互联网的应用将不仅仅限制在智能设备尚。现在全球互联网的每月流量已经超过88 EB（1 EB=1024 PB=1024*1024 TB），保守估计三年内还会翻番。而现在大概有130亿台设备连接到互联网上，相当于地球人的两倍；而到2019年，这个倍数将会达到3倍。

　　7、全球数据储存成指数形式发展

　　纵观全球，由于社交网络的流行，大量的图片和视频在网上流传，“比特洪流”带来了可怕又可观的流量。通过比较，人的大脑一共有10^14个突触,假设我们把每一个字节的存储量作为一个突触，那么现在全球信息就相当于1000万个大脑的储存量。

　　8、全球计算机能力成指数形式发展

　　全球计算机的运算速度已达到每秒10^21个指令。更重要的是，已经生产的数十亿个处理器（或许其中只有10亿个正在运行）可以和几个大型互联网运行数百万台带有高性能多核处理器的服务器并行计算。而任何运算都可以分成几个小部分，分开解决问题并不需要进行信息交流，问题就能够迅速被分解并解决。许多关于机器人自动化的问题都可以通过这种方式解决。

　　云机器人

　　这些技术的发展表明，机器人的数据处理不仅可以依赖本地处理器，云计算也不失为一个可行的方案。云机器人的研发已经蓄势待发，准备利用各种技术来完成机器人能力的革命。云机器人可以概括为四个理念。

　　1、基于记忆的自动化

　　计算机的运算和储存性能是满足研究人员探索机器人凭借记忆解决触发动作的基础，规划和控制是机器人自动化的关键。这并不是将指令分解为一系列为特殊情况定制的编码，而应当是在储存容量中搜寻大量先前的记忆，找出可以匹配的记忆并作出反应的方法。当没有先前的记忆可以匹配时，此前触发动作的类似记忆也可以被插入，另外也可以寻求人类的帮助，记录下人工提供的答案以供使用。此外需要一提的是信息检索技术的发展也加速了记忆技术的进步。

　　虽然可以依靠记忆为基础做出反应，但解决问题的记忆又从哪里来呢？

　　2、经验值共享

　　一个简单的机器人如果只凭借记忆方法学习，那会需要很长的时间；就像一个新生婴儿可能需要花数十年的时间去学习有用的事情。但是，机器人学习的时间也许会更长，因为即使是本能也可能会丢失。

　　尽管人脑的带宽比机器人高出一个量级，但人类与外界的交流速度比较缓慢，大约每秒只能传递10比特的信息。机器人和计算机则可以达到每秒1000兆比特，是人脑的1亿倍。基于这种外部通信速度可以利用网络通信在所有机器人之间共享所学的知识。人类花了数十年的时间学得的知识机器人眨眼可得。然而，机器人不仅可以站在任何人的肩膀上学习；在他们学得经验以后，亦可迅速分享，让其它机器人受益。

　　3、从想象中学习

　　人类常常凭借想象力对未来未知的状况进行演习和准备。同样的，一个机器人或一个“云机器人”的大脑可以利用模拟方法来探索机器人将会遇到的未来状况以及可能的解决方案，并记住那些可以解决的方案。这样的模拟不需要实践，而每个机器人的梦想都能提高所有机器人的性能；甚至我们可以制造一些专门用来做梦的机器人和智能程序。

　　4、学习人类

　　感知仍然是机器人技术中最具挑战性的难题之一。最近的一些研究让触发感知获得大量数据变得更加具有可行性，而大量的数据在计划和控制方面显得尤为重要。

　　可记录的视觉对象和人类活动是一个巨大的资源库，机器人很快可能利用资源库来提高它们的理解和连接世界的能力，其中包括与人类的互动。在2014年和2015年，社交媒体上一共上传了1万亿张照片，而这个数字在2015年估计还要增加数倍。现在，每分钟就有300小时的影片被上传到YouTube上。而当传感器得到大量应用之后，信息的储存量甚至还会进一步增加。

　　网络上最直观的信息是没有标签的，但聚焦技术可以在图像和视频中识别相似元素。打个比方，算法可以给相似的脸进行分组，然后这些分组的信息可以增强机器对其它图像和视频的理解。

　　什么阻碍了机器人？

　　人类大脑不止能存储信息和搜寻记忆，人的大脑也能感受到环境细微的变化，并对其做出反应。而这对于机器人来说则是非常困难的。每一个环境变量造成的结果都有天壤之别，机器人该如何加以区分？电脑应该如何通过记忆方法记住可以被检索的现存知识，让相似但又不相同的状况触发合适的记忆和想法？

　　对人脑的深入研究是机器人科学的重要课题。如何使机器人能向人脑一般聪明？有些机器学习的算法能带领我们接近这一难题。虽然问题的解决还尚待时日，但机器人数量的增长及所扮演的角色愈发重要则已是不可逆转的趋势。而当机器人革命到来之时，人类的生产方式及经济结构就将发生巨变。至于巨变之后到来的是人类生产力得以解放的黄金时代还是大量工人失业的黑暗时代，只有时间能给我们答案。