拥抱机器人 AI：提升生产力与缓解就业担忧

AI 在机器人中的角色取决于用例与隐私、算力问题的解决

机器人通过自动化许多任务，潜在改变企业经营方式。结合人工智能 (AI) 技术，机器人可实现自主。但这组合技术引发诸多问题：AI 辅助机器人会消除工作还是辅助工人提高生产力？随着 AI 赋予机器视觉等能力，隐私问题浮现。还有如何处理可能使用的大量数据挑战：在云端处理？还是边缘端？

为更好理解这些问题、用例及边缘角色，我们与 ADLINK 物联网解决方案与技术 CTO Joe Speed、Rover Robotics 创始人 Nick Fragale 对话。ADLINK 提供领先边缘计算解决方案，支持跨行业向连接式工业物联网系统转型。Rover Robotics 使用 ROS（机器人操作系统）开发坚固耐用的工业级机器人。

对使用 AI 有何顾虑？

RTInsights: 似乎公司因不同恐惧而不愿用 AI。潜在用户采用 AI 时有何顾虑？

Speed: 我听到的大多顾虑涉及隐私。谈到面部识别、大规模监控等 AI 应用，人们会紧张。在我们聚焦的领域，不见太多恐惧或顾虑。我们的技术通常在设备上、旁或附近——如设备、流程、工作单元、设施。AI 通常用在这些场景。

这些应用中，AI 使现有流程可靠运行，助力设备健康等。让公司让工作单元更高效。可对现有遗留系统、机器或流程进行仪表化使其更安全。

许多应用中，我们不真正遇到面部识别和大规模监控相关的隐私顾虑。系统用于公司内部，而非监控公共场所人员。公司环境中，AI 专注于改进流程或运营，帮助工人更好工作。我们看到 AI，特别是应用于计算机视觉的机器学习，非常火热。另一个热门用例是传感器融合：如何将视觉与其他传感器数据或遗留设备遥测结合，更好理解正在发生什么。

Fragale: 从我们视角，客户来自研究和学术界，非常开放使用 AI。客户平均年龄约 30 岁。随着新产品 Rover AMR 100 进军物流市场，这会变。但迄今未见实施 AI 的阻力。

AI 如何用于机器人？

RTInsights: 很好的切入点。AI 关注领域之一是机器人。AI 如何用于机器人？

Speed: 最大领域是感知。想想摄像头，但不止于此。有许多技术给机器人感知。显而易见的是摄像头，但即使在摄像头内，是单目、双目、3D 深度感知、可见光还是红外？还有其他给感知的技术，可视为视觉但略有不同。如 LIDAR（光探测和测距，用脉冲激光测距的远程传感方法）。用 LIDAR，基本可视为雷达。我向家人解释：你知道雷达？一样但用激光而非无线电波。

激光旋转，反射物体。用于自动驾驶，你看不见车，但看到车形状的点云，因多普勒效应还能知点云运动：向我靠近还是远离、速率多少。

延伸阅读： Why Edge Computing Can Help IoT Reach Full Potential

还有超声波、雷达等今天未必想到的技术。自主操作时这些测距技术将发挥作用。如 Rover，40 磅机器人自主运行。但若从 40 磅变 400 磅、4000 磅，进入危险设备级别。如何安全操作重型机械，如何以更自主/自动方式操作而不伤人损物？这些其他技术可用。

例如，极近距离可能无摄像头覆盖时可用超声波。机器人中 AI 应用两地，最终融合：一是自主操作，特别是移动机器人和移动物体。

LIDAR、雷达、超声波辅助导航。可回答：机器人/自主系统如何知自身位置、去向、如何避障避人？还有实际与环境交互的机器人。经典例子是工业机械臂。机械臂如何感知周围？如机器人拣选零件，机械臂从箱取零件放入组装件或另一箱。这是热门应用。显然可结合 AI 和机器人。也可有带执行器、夹爪的移动机器人与环境交互。

这正是 AI 机器学习整个领域。我们看到其应用于此。

Fragale: Rover Robotics 视角与 Joe 相似。但绝大多数情况下，客户用 AI 做摄像头、分析摄像头数据、特别是巡检。任何想持续监控某事的公司可用此技术。应用如石油公司监控管道生锈，可用移动机器人 24/7 监控。或仓库设施需巡检 RFID 标签盘点。设施中任何想巡检的事，现可用机器人和摄像头完成。

哪些行业在用 AI 和机器人？

RTInsights: 是否有特定行业如制造、物流、养老、客服已见 AI 与机器人应用？

Fragale: 最大行业是物流、制造、建筑。这些机器人已用 AI 做事。建筑中，许多公司试图挽回每年因低效损失的资金。如在浇筑混凝土前确保安装所有正确管道、喷淋和安全设备对任何建筑项目至关重要。但涉及多分包商，常有问题。若有机器人巡视工地寻找关键项，可挽回大量典型损失成本。

Speed: 是的，巡检是大头。我们围绕视觉巡检做大量业务。现场有 40 万摄像头连接我们视觉系统做此及其他用例。对我真正有趣的是将 AI 视觉巡检与自主机器人两主题结合。想想机器人：不是物理货物送到摄像头，而是摄像头去需巡检的东西。建筑例子中移动机器人巡视工地巡检。该有空气管道，在位吗？进度超前还是滞后？

另一例子：零售商用 AI 和机器人查看库存。零售商可将机器人物理观察到的库存与店面管理和仓储物流系统所说库存比对。这我超兴奋的领域，我们全力投入开放机器人。

如今，机器人几乎拼写为 R-O-S，即机器人操作系统。它非机器人也非操作系统。它是开发机器人的开源框架。我们在与其合作并贡献。再结合 AI 视觉，又是开源重点领域。两者结合，将是非常有趣的时刻。

主要机器人辅助功能有哪些？

RTInsights: 深入探讨所有应用领域的机器人辅助功能。市场上见何情况？

Speed: AI 视觉和机器人让许多人想：会替代工人？但许多用例技术帮助工人而非替代。有整个协作机器人领域，机器人与人协作完成任务。例如看 Rover 做的事。假设人类做功能需巡游。如在农场四处执行任务。

若 Rover 作为自主手推车跟随工人，始终在工人需要的位置放置所需物品。这类用例：机器人夹持零件人类操作、机器人辅助工人。我对辅助技术帮助老弱有真实热情并做大量工作。看到这些事物感知和与人交互的惊人潜力。

延伸阅读： Why IoT Still Lags in Practical Business Applications

Fragale: 对我们而言，客户分两类：要么机器人搬运货物，跨仓库或农场搬运；要么在机器人上装传感器收集数据。这是我们看到机器人被公司用于的两大功能。

边缘计算与 AI 如何结合？

RTInsights: 完美引出最后问题。此类系统从多传感器和物联网设备收集大量数据。数据生成量大且需快速分析，这是边缘计算与 AI 结合的完美风暴吗？

Speed: 我肯定这么认为。AWS 朋友谈‘为什么边缘’。谈物理定律：能否将生成的数据量传至云？取决于射频、网络拓扑等。有经济定律：经济可行吗？可能不，当移动运营商按字节收费。即使有网络基础设施、带宽将所有数据传至云，处理该数据量经济吗？有大学研究对比视频和音频处理工作负载用 AWS 技术，在云端和边缘端做。他们看了如 AWS IoT Greengrass，用云开发模型做机器学习分析。结果基本上：在边缘做这些工作负载经济性好 8 倍。但对我更重要的是延迟。常移至边缘因需即时发生、当下极快。若将视频传云做分析再传回决策，可能太晚太慢。人已受伤、设备已损坏、大楼已烧毁。这是用边缘一例。

还有土地法问题。我们相信在云开发模型、训练模型。开发模型计算昂贵，若在边缘小设备做需一天，云端可一小时完成。但分析数据本身，需考虑隐私问题。如何安全处理含个人身份信息或做面部识别的数据？工厂里知工人是谁。但所有原始数据可能有敏感性。可能有法律、社会、文化问题将数据带出工作场所。这进入土地法问题。在边缘工作，巧妙满足许多此类需求。

Fragale: 需快速分析的数据爆炸，确实是用边缘计算的完美风暴。许多客户对云计算兴奋，特别是机器人。他们认为：能流式传输 4K Netflix 或来回流式传输所有视频数据，流式传输图像数据至云处理应容易，那里资源更多。但常被忽略：若你是机器人四处游荡，需在不同接入点间跳转。许多对云计算兴奋的客户撞上这路障，卡住数月，然后转向边缘计算。即使在仓库，若尝试集成机器人进仓库，会在接入点间跳转，频繁掉线。

延伸阅读： Center for Edge Computing

然后面临告诉客户：“嘿，你需升级更好路由器，因你新路由器不符合 80211.AC。”他们问：“那些数字啥意思？”然后：“好吧，忘了。我们在机器人上加更多算力做这些任务。”移到室外问题只更糟。安全关键型机器人室外游荡，如 Joe 说，不能将图像发云再回机器人决定过马路前停或不停。延迟太大不适用安全关键应用。

Speed: 云在所有这中很重要，但非许多人想的方式。若我能在边缘做分析和机器学习，无需发大量数据到云。消除延迟问题。若我阿拉斯加海上钻井平台见熊，不发熊视频，发信息——有熊。发特定事件或推理输出。我们看到很多这情况。想想：不流式传数据到云，流式传信息、流式传分析输出。

也必须把这些系统组装得可靠。我曾做联网汽车和云增强分析与汽车安全主题。需视为通常连接、经常连接、偶尔连接。如何组装系统在基本假设网络不可靠下工作？若能在那环境做对，基本没问题。但必须始终拥有原始连接且延迟在特定 SLA 内，否则现实世界会遇问题。