現在我們都對AI很熟悉了，也知道算法的完善離不開海量的數據。數據量越大，算法給出的結果可能就越精準，越“如人意”。人對世界的感知，很大一部分是基于我們的感官獲取的“數據”。機器人和目前很火的無人駕駛依靠的則是來自傳感器的數據。隨著傳感器獲取和處理的數據量越來越大，智能機器人的發展也將到達一個“臨界點”。

只要是想擴展業務或建立網絡的人，應該對“網絡效應”很熟悉。例如，使用像eBay、淘寶這樣的市場平臺，買家和賣家越多，它就越完善，用處也就越大。 那么，數據的網絡效應指的就是，隨著服務使用的增加，服務也變得越來越完善的動態過程，比如，隨著機器學習模型訓練數據量的增加，模型得到的結果也越來越準確。

網絡外部性（network externality），又稱網絡效應（network effect）或需求方規模經濟（demand-side economies of scale），指在經濟學或商業中，消費者選用某項商品或服務，其所獲得的效用與“使用該商品或服務的其他用戶人數”具有相關性時，此商品或服務即被稱為具有網絡外部性。 最常見的例子是電話或社交網絡服務：采用某一種社交媒體的用戶人數越多，每一位用戶獲得越高的使用價值。

開源的機器學習庫和框架雖然看起來“沒什么動靜”，但是起到了同等重要的作用。 15年前，在科學計算框架Torch發布BSD許可證時，里面包括的許多算法現在的數據科學家還在使用，包括深度學習，多層感知器，支持向量機和K最近鄰算法。

軟件許可證是一種格式合同，由軟件作者與用戶簽訂，用以規定和限制軟件用戶使用軟件（或其源代碼）的權利，以及作者應盡的義務。常用的軟件許可證包括：GPL、BSD許可證、私權軟件許可證。

目前大多數自主車輛的解決方案是使用兩個車載“盒子”，每個盒子都配備Intel Xeon E5 CPU和4到8個Nvidia K80 GPU加速器。最高性能表現情況下，這消耗5000W以上的電力。 Nvidia新推出的Drive PX Pegasus等硬件創新技術也開始嘗試更有效地突破這一瓶頸。

AI發展臨界點

我們處理傳感器數據和融合各種數據模式的能力將繼續推動智能機器人的發展。為了使這種傳感器融合能實時發生，需要把機器學習和深度學習模型分散開來。當然，分散式AI對分散式處理器的要求更為復雜。

值得慶幸的是，機器學習和深度學習計算效率正不斷提高。 Graphcore的智能處理單元（IPU）和Google的張量處理單元（TPU）等成本也不斷降低，在規模上加速神經網絡的性能的提高。

在其他方面，IBM正在開發模擬大腦解剖學的神經形態晶片。芯片雛形使用一百萬個神經元，每個神經元有256個突觸。該系統特別適合于解讀感官數據，因為它的設計是模擬人類大腦解釋和分析感知數據的方式。

所有這些來自傳感器的數據，意味著我們正處于機器人網絡效應的臨界點，這個轉變將對人工智能，機器人及其各種應用產生巨大影響。

數據新世界

傳感器數據將有助于推動AI的發展。 AI系統也同時擴展我們處理數據的能力，并幫助我們發現這些數據的創造性用途。 除此之外，這也將激發新的機器人外形設計要素，幫助我們收集更多不同模式的數據。 當我們以新的方式提升“看”的能力時，我們周圍的看似“日常”的世界，很快就會成為下一個發現的前沿。