标签: 人工智能

首先表明，博主不是AI专业人士。 仅仅从一个IT专业人士认知角度来看问题。 AI这个名词出现已经几十年了，不是新的，甚至定义都是很早很早了。 1956 年，在美国达特茅斯学院举办的 “达特茅斯会议” 上，约翰・麦卡锡等科学家首提人工智能（Artificial Intelligence，简称 AI）。 1962年斯坦福设置了专门实验室。 1979年卡内基梅隆大学开设了相关学位。 国内大学相关专业开设时间很短，前面些年需要搞温饱、后面估计多数是领导不懂，同时觉得学生学了没有多少用处、无法就业。而且需要去追赶和打补丁的东西又太多。 2017年西安交大才开启学位。 1980年代末博主就开始关注这个行业，人类从两个领域接近智能核心 - （1）软件；（2）生命科学。关心生命、自我的人顺便就会关注这个。 事实上，人类到今天也没有掌握自我意识的物理结构和本质，牵扯生命和意识的领域还需要很多年才有机会突破。 过去快70年，多少全球最优秀的人的智力在这个领域燃烧。 而AI核心技术的进步，离不开大量的关联学科的突破，不知道多少的硬件和系统、软件被创造。 最为关键的几个点：（1）声音处理（2）图像和视频处理（3）网络和通讯能力（4）储存和检索、搜索能力（5）关键，计算能力。 今天的每个目标的达致，都是一个开放的，自由的、有保护的，鼓励竞争的环境和体系的结果，也是大量的人类税金、优秀人士的劳动成果的投入。 在计算机软件、硬件和网络技术大幅度飞跃的21世纪，人类面临正面设计一个智力系统的努力走向绝望。 而仿生学一直在试图接近生命真相。通过仿生、建立一个模式、用一个方法，让系统自行来学习，用匹配硬件的方式构建一个体系，让他们自行来建造一个智力系统，成为了技术上的一种选择。 于是诞生这一轮的AI飞跃。 深度学习！ AI技术的发展，是人类全体努力的结果，也是为全体人类服务的。当然，作为经济行为，具有资本属性，也有国家属性，但是，更加重要的还应该人类共同属性的。 大国技术人，曾经被帮助、被支持，被快速拉动从中世纪进入了现代化。 可最近几年我们却被动变成了先进技术世界的敌人，被抛弃，被隔离。有时甚至两面挨打。 而这一轮，会是我们认知中最大的一轮，人类工业革命、信息革命后的最大一次革命 - 人工智能革命 。 在新的一轮爆发中，每个人、每个实体都只能是局部，不会是全局和系统的，包括NVIDIA或者微软、谷歌等任何一个软件公司。 我们需要将自己吹嘘得多么厉害吗？ 作为技术人，我们能够以敌对的面貌去参与吗？能够对先进的系统用敌对的态度去认知和面对吗？ 首先，需要得意和骄傲吗？如此庞大的领域，我们起到多少作用？每个点滴的进展，在整个系统中的价值会有多大？ 然后，需要将自己捆绑为任何人的对手吗？ Deepseek选择的道路是开源、从开源中来，走向开源，实际上已经是清晰和明智。而有人现在贴上的所有有利于吹嘘的，不是他们需要的，后面如何走？走向哪里？什么才是目标？作为商业机构，如何获得利益？Deepseek会不会被这些人带来的负效应湮灭？

扫地机器人，实质上是一款集软硬件于一体的微型自动驾驶系统。 由此可见，在这个行业，研发投入至关重要。 近年来，各大厂商纷纷施展浑身解数，不断精进技术——从LDS（激光雷达）技术的广泛应用，到全能基站的快速崛起，再到扫拖一体机的惊艳亮相…… 这些创新技术推动扫地机器人实现了 从“能用”到“好用”的飞跃式发展。 01 “中国力量”出成绩！ 根据IDC 数据显示，2024年第一季度全球智能扫地机市场中，中国厂商出货量份额累计超过60%。并且在技术上，国内厂商也领先于海外品牌。 *图片来源：IDC中国 作为一个非常年轻的消费家电品类，扫地机器人一度是科技与创新的代名词。根据扫地机器人产品的持续进化历程，长江证券的研报将该行业的发展阶段分为产品导入期、导航进化期、清洁避障期和多功能集成期。 导入期（1996-2009）。 在该阶段，扫地机器人大多依靠超声波和陀螺仪实现基础避障，产品运动的随机性很强，效率很低。 代表性产品包括1996年伊莱克斯发布的“三叶虫”扫地机器人和2002年iRobot发布的首款消费级量产扫地机器人Roomba； 导航进化期（2010-2016）。 这一阶段，导航开始出现革新。 其中2010年Neato发布XV-11，该产品使用可360度旋转的激光测距仪对周围环境进行扫描并进行即时定位与环境地图构建；2015年iRobot发布首款采用vSLAM（以摄像头作为传感器）的扫地机器人Roomba 980；2016年，石头科技发布首款产品米家扫地机器人，凭借LDS激光雷达+SLAM算法和售价仅1699元的超高性价比，成为激光导航技术在行业内被普遍应用的起点； 清洁避障期（2018-2020）。 这一阶段扫地机器人产品在清洁和避障功能层面持续进化。 清洁层面，2018年iRobot发布全球首款自集尘产品i7+,2019年中国云鲸发布首款自清洁拖扫一体机器人J1，此后中国厂商持续跟进，补足自集尘自清洁功能； 避障方面，科沃斯在2019年发布行业内首款拥有AIVI人工智能和视觉避障技术的DG70，在 2020年的T8系列采用AIVI视觉避障和3D结构光技术，石头则在2020年发布首款主动避障机型T7 Pro，采用双目摄像头和AI算法对物体进行识别； *艾迈斯欧司朗Belago红外LED 事实上，在上游环节，产业链玩家也始终致力于创新。近期，全球领先的光学解决方案供应商艾迈斯欧司朗宣布与国内领先的多行业三维视觉方案提供商超节点创新科技（Supernode）联合推出采用艾迈斯欧司朗先进Belago红外LED的家用扫地机器人解决方案。 图：双目立体视觉模组 来源：超节点创新科技 这一合作将大幅提升机器人的视觉识别能力，众所周知，导航系统是扫地机器人的核心部件，相当于“神经中枢”，承担着收集环境信息、确定自身定位和进行路径规划等职能。 多功能集成期（2021年至今）。 扫地机器人及基站的功能不断丰富，进一步解放双手。 以科沃斯和石头2023年发布新品为例，科沃斯DEEBOTX1S Pro基站具备银离子除菌、热水洗拖布等十大功能于一体，石头G20基站具备包括自动添加清洁液等九大功能。 研报介绍道，伴随着扫地机器人行业进入到清洁避障期和多功能集成期后，中国厂商开始逐步引领行业技术升级。 02 长期需求明确叠加价格下拓打开增量， 持续加码 “幸福感” 走过增长最为迅速的阶段，扫地机器人行业现在慢慢进入到相对缓和的时期。 根据奥维云网（AVC）监测数据，2024年上半年，国内智能扫地机器人品牌集中度较高，TOP 5品牌占比已超过90%。 从长期来看，扫地机器人产品对应的地面清洁需求属于刚性需求，叠加劳动替代的最终导向，产品的长期增长逻辑明确。 根据《中国家庭擦地需求与专用擦地机器人技术趋势白皮书》，地面清洁是一项体能消耗较大的活动。而就我国居民的清洁习惯来看，约1/3的被调查者每周擦地频次在3次以上，约1/3的被调查者擦地花费时间在30分钟以上。 因此，根据《2022年轻人潮流电器新品报告》，超过半数的被调查者将扫地机选为“让人获得幸福感的家电”。 而从上游技术的不断迭代和应用，也能让人真真切切感受到“幸福感”的提升： 比如以Belago 红外LED 的高密度点阵和红外补光功能，不仅可以提升扫地机器人的避障精度，也能极大增强它在复杂环境下的导航能力； 据悉，艾迈斯欧司朗Belago 1.2 Dot Pattem llluminator红外LED具有出色的红外补光功能，能够在940nm波长下产生约5,000个点，立体匹配算法可以利用这些点阵图案来处理低纹理情况，并实现高精度的深度图，更能减少进行深度计算所需的计算负荷。 同样，借助多颗Belago红外LED，视觉识别方案可以实现在强光下最远可识别距离达到60~70m。而这些技术优势使Belago不仅适用于 家用扫地机器人，也为工业服务机器人如AGV（自动导引车）和无人的服务机器人等领域 提供了更广泛的应用前景。 又比如，通过监测3D传感器视角之外的盲区，艾迈斯欧司朗的 1D飞行时间技术 可用来辅助3D传感器，例如可用于斜度检测，或者用作低成本机器人的主要间隙传感器。 就其多区域 dTOF 传感器 TMF8821来说，它集成了广区域，高 SNR，远距离，低功耗，抗干扰，弹性化设计等优势，极大丰富和满足了各种智能设备的应用需求，能极大助力机器人的寻路控制。 再比如，结合可辨识地板材料或花园状态的 多光谱技术 、高分辨率成像和大视场深度测绘，各种过程都可得到即时优化。 此外，高精度的 位置传感器 能够帮助家用机器人的电机驱动更加精确地控制力矩与速度，同时通过减少消耗来提高功率，并缩小电机尺寸。 当前，扫地机器人在大多数国家渗透率仍低，对应发展空间巨大。根据欧睿披露数据，2023年全球视角下渗透率超过20%的国家仅有挪威和西班牙，而美国渗透率达到17.1%，中国则仅超过5%。 对照同为劳动替代逻辑的洗碗机和洗衣机，洗碗机在美国、德国、西班牙等国家的渗透率已超过70%，而洗衣机在日本、法国、德国等国家渗透率已超过90%。由此来看，扫地机器人在大多数国家的渗透率表现仍处于较低水平，对应空间巨大。 短期来看，中国扫地机器人销量遇冷一度让人担忧扫地机器人产品渗透率抬升是否是伪命题。但回看中国扫地机器人，当前全能型基站产品价格带下拓，有望打开增量空间。 根据GFK数据，自2022年3月份开始，中国市场全基站产品价格下降明显，2022年1月份全基站产品均价为6102元，而2024年2月，这一数据已经下降至3768元。参考2023年以来中国扫地机器人销量同比为正且在前三个月维持200%以上同比增长，后续全基站产品价格带下拓有望进一步打开全球销量层面的增长空间。 03 千帆竞发：中国品牌之崛起 国产品牌正凭借优异的产品力持续抢占市场份额。从亚马逊主要站点表现来看，中国品牌销额市占率上升趋势明确。 根据GFK《2023年清洁电器盘点：全球经济弱周期下的清洁电器市场发展》报告，除拉美和北美市场，中国品牌在海外其他市场当地在销额口径均逐步取得市场引领地位，自主品牌的成功不仅实现了中国产能海外表现， 同时打通了中国制造向中国品牌的升级之路。 据IDC《全球智能家居设备市场季度跟踪报告，2024年第二季度》显示，二季度全球智能扫地机器人出货511.7万台，同比增长15.7%。就2024年上半年整体来看，随着产品功能升级，扫地机器人产品新品发布节奏加快，高端线产品出货占比提升带动平均单价上涨，二季度国内市场上涨至485美金。 *图片来源：IDC中国 同时，中国厂商“走出去”步伐加快，尤其在发达国家市场，国产全能款扫地机器人凭借性能优势迅速抢占市场份额。例如，某国内领先厂商也在2季度出货量全球第一，这也是中国厂商首次在智能扫地机器人市场登顶。 出海风正劲，欧睿预计到2028年扫地机器人全球市场规模有望达到99.7亿美元。 对于中国厂商而言，短期内抢夺海外品牌市场份额以及中长期内与其他中国企业的竞争过程中，渠道力和品牌力均至关重要，但产品力才是基石。 据IDC咨询介绍，未来扫地机器人产品性能的竞争重点将围绕解决清洁盲区所需的超薄机身、底抬升高度、越障高度等展开。同时，针对毛发缠绕问题，厂商也将在滚刷防缠绕技术、大吸力等方面持续进行差异化的产品升级。

在科技迅速发展的时代， 保护个人隐私 的需求日益增长， 有效匿名化技术 的重要性不容忽视。无论是针对敏感的图像、视频，还是数据，在 隐私保护与保持视觉完整性 之间取得平衡至关重要。虽然模糊化一直是匿名化的常用选择，但一种更复杂、更强大的方法—— 深度自然匿名化（DNAT） ——已经成为一种更优的替代方案。 1、保留上下文信息 （1）模糊技术的局限： 模糊处理的主要缺点之一是 上下文信息的丢失 。当图像或视频严重模糊时，当图像或视频被严重模糊化时，重要的视觉线索和细节可能会 被扭曲 或 完全不可辨认 。 （2）DNAT的优势： DNAT利用先进的算法， 有选择性地修改 图像或视频中的特定元素，同时保留整体上下文。例如，通过 brighter AI的DNAT 技术在匿名化人脸时，公司可以 保留关键属性 ，如年龄、情感、视线方向、种族和年龄信息。这确保了匿名化内容仍然具有可理解性，并保持其 原始的视觉完整性 。 2、真实且美观的效果 （1）模糊技术的局限 ：模糊化通常会导致 粗糙且不自然的外观 ，从而影响内容的理解和用户体验。 （2）DNAT的优势： DNAT借助深度学习技术，能够生成更加 真实且美观 的匿名化内容。通过分析原始数据并在大型数据集上进行训练，该算法学会模拟图像或视频中的自然变化，生成的匿名化结果能够 与周围环境无缝融合 。这种真实性的效果确保了匿名化内容 不会具有误导性 。 3、增强隐私保护 （1）模糊技术的局限： 尽管模糊化可以提供基本的隐私保护，但面对先进的图像还原技术可能并不足够。有经验的人员 可以使用去模糊算法或其他工具逆向处理，恢复敏感信息。 （2） DNAT的优势： DNAT显著提高了逆向匿名化的难度。通过以更复杂和细致的方式处理内容，深度学习模型提供了更高水平的隐私保护，确保 原始信息无法轻易恢复。 4、可扩展性和自动化 （1）模糊技术的局限： 模糊化处理可能是一个 耗时的过程 ，特别是在处理大型数据集时。为视频的每一帧或多张图像逐一应用和调整模糊效果所需的手动操作 既繁琐又不切实际。 （2）DNAT的优势： DNAT则可以实现这一过程的 自动化 。一旦模型完成训练，它便能够 高效地匿名化海量数据 ，使其在需要大规模匿名化的场景中更具 可扩展性和成本效益 。 5、适应性和可定制性 （1）模糊技术的局限性： 模糊化技术通常会对整个图像或视频应用统一程度的匿名化 ，而不考虑具体的隐私需求。 （2）DNAT的优势： DNAT则提供了更高的适应性和可定制性。模型可以根据不同的隐私需求进行微调，从而实现对图像或视频中特定区域或对象的 选择性匿名化。 这种灵活性使得匿名化过程能够得到精确控制，并确保隐私问题得到有效解决。 6、展望未来 （1）模糊技术的局限性： 模糊化会删除数据，在需求出现时仅能 提供极少可用数据。 （2）DNAT的优势： 由于能够保留语义分割，DNAT通常是公司选择的匿名化技术，这使其成为 适合驾驶分析和机器学习 的匿名化方法。因此，它已成为依赖分析和机器学习的企业选择 的匿名化解决方案 。我们坚信未来准备的重要性，并优先选择DNAT而非其他匿名化技术。

起源与诞生 ：AI 技术的起源可以追溯到 20 世纪 40 年代，随着计算机技术的兴起，科学家们开始思考如何让机器具备类似人类的智能。1950 年，英国数学家艾伦・图灵提出了著名的 “图灵测试”，为 AI 技术的发展奠定了理论基础。1956 年，美国达特茅斯学院举行了一次人工智能研讨会，标志着 AI 作为一门独立学科的诞生。 符号主义阶段（20 世纪 50 年代 - 70 年代） ：研究人员主要关注如何使用符号逻辑和推理规则来模拟人类思维，试图通过构建复杂的逻辑系统来解决各种问题。然而，由于这种方法的局限性，AI 技术在实践中遇到了很多困难，如对复杂问题的处理能力有限、缺乏灵活性等。 知识工程阶段（20 世纪 80 年代 - 90 年代） ：研究人员开始关注如何利用专家知识和经验来构建智能系统，尝试将人类专家的知识和经验转化为计算机程序，以便让机器能够处理更复杂的问题。这一阶段的代表成果是专家系统，它在医疗、金融等领域取得了一定的应用，但也存在知识获取困难、维护成本高等问题。 机器学习阶段（2000 年至今） ：进入 21 世纪后，随着大数据和计算能力的提升，机器学习技术得到了广泛应用。机器学习是一种让计算机从数据中学习并自动改进的技术，它可以帮助机器识别模式、预测未来并做出决策。其中，深度学习技术的崛起推动了 AI 技术的飞速发展，在图像识别、自然语言处理等领域取得了重大突破。 当前 AI 技术热点领域 深度学习与神经网络 ：通过构建多层神经网络，模拟人脑的神经元结构和工作原理，深度学习能够自动从大量数据中学习特征和模式，在图像识别、语音识别、自然语言处理等领域取得了卓越的成果，如 ResNet、Transformer 等架构的出现，极大地提高了模型的性能和效率。 自然语言处理 ：使计算机能够理解和处理人类语言，实现文本生成、机器翻译、问答系统、情感分析等功能。例如，GPT 系列、文心一言等大型语言模型的出现，为自然语言处理带来了新的突破，使机器能够生成高质量的文本内容。 计算机视觉 ：让计算机能够理解和分析图像、视频等视觉信息，实现目标检测、图像分类、语义分割、视频理解等功能。深度学习技术在计算机视觉领域的应用，使得计算机对视觉信息的处理能力大幅提升，如人脸识别技术在安防、支付等领域的广泛应用。 强化学习 ：通过让智能体在环境中进行试错学习，根据环境反馈的奖励信号来调整自己的行为策略，以实现特定的目标。强化学习在机器人控制、游戏、自动驾驶等领域有着重要的应用，如 AlphaGo 通过强化学习和深度学习的结合，战胜了人类围棋冠军。 AI 技术的未来发展趋势 通用人工智能（AGI） ：致力于开发具有广泛智能和学习能力的 AI 系统，能够像人类一样在多个领域内自主学习、推理和解决问题，实现真正意义上的智能通用化。虽然目前仍面临诸多挑战，但 AGI 被认为是 AI 技术未来的重要发展方向。 多模态融合 ：将文本、图像、语音、视频等多种模态的数据进行融合处理，使 AI 系统能够更全面、更深入地理解和感知世界，从而提供更准确、更智能的服务和决策。例如，多模态大模型可处理和理解多种类型的数据输入，并根据任务需求生成多种类型的输出。 与物联网的深度融合 ：随着物联网技术的发展，越来越多的设备和物品将连接到互联网，产生海量的数据。AI 技术将与物联网深度融合，实现设备之间的智能互联和协同工作，打造更加智能化的物联网生态系统，如智能家居、智能城市等领域的应用将更加广泛和深入。 人机融合与协同 ：未来的 AI 技术将更加注重与人类智能的深度融合和协同工作，通过脑机接口、人机交互技术的不断创新，实现人类与机器之间更加自然、高效的信息交流和合作，使人类和机器能够相互补充、相互协作，共同完成复杂的任务。 伦理与法规的完善 ：随着 AI 技术的广泛应用，伦理、道德、隐私、安全等问题日益凸显。未来需要加强对 AI 技术的监管和管理，建立健全相关的法律法规和伦理准则，确保 AI 技术的健康、可持续和负责任地发展，同时也需要提高公众对 AI 技术的认识和理解，促进公众参与和监督。

随着软件定义汽车的发展，车辆生成的数据量也以前所未有的速度 不断增加 。这些数据包含广泛的信息，包括传感器数据、遥测数据、诊断数据等。在开发过程中， 有效处理这些数据并从中获得见解 至关重要。 对于原始设备制造商（OEM）和汽车一级供应商（Tier 1）来说，是否 自主构建 和 维护数据处理流程 是一个至关重要的考虑因素。 数据处理流程 是应对当下软件定义汽车所产生的海量数据的基础组件。 一、问题背景 在 AWS 等云平台 上为高级驾驶辅助系统 （ADAS） 和自动驾驶 （AD） 数据构建鲁棒的数据处理流程，通常需要全面了解各种服务及其集成。您可能使用的特定服务可能取决于 应用程序的要求、数据源和处理需求 。 为了解决这一问题， 康谋 通过使用 IVEX 提出了专门用于应对ADAS/AD海量数据的数据处理流程。 该流程的核心目的是自动 从原始传感器数据等输入中识别出值得关注的事件和场景。构建这样的数据处理流程需要仔细考虑 各种技术方面 ，例如：原始传感器数据的云端存储、基于原始数据的算法执行（包括需要例如GPU等特定资源的机器学习算法）、事件和场景等后处理数据的存储机制、算法版本控制、结果可视化以及确保数据仅对授权用户可见。 二、内部构建或获取预组装解决方案 IVEX 的数据处理流程基于多种AWS服务实现 无缝衔接 ，以下是经过 策略性部署的AWS服务 ： 1. 原始传感器的数据 （包括激光雷达点云、相机图像和GNSS信息）存储在S3存储服务中。S3用作采集数据的暂存地，为后期处理的数据提供扩展存储，并为处理提供经济高效的短期存储解决方案。此外，使用S3挂载点功能能让S3作为主要的“处理卷”，使其能够像文件系统一样使用。虽然它不完全符合POSIX标准，对某些工作负载存在限制，但可以通过整合EFS和可能添加的FSx来解决这个问题，以根据需要确保兼容性。 2. 处理后的数据 （重要事件和场景）存储在关系型数据库服务（Relational Database Service，RDS）和DocDB中。RDS是一个高效的存储库，用于组织对分析至关重要的标记数据。同时，DocDB作为文档存储运行，它是专为快速变化的数据和显示目的所需的二进制数据而设计的。 3. EKS和EC2处理算法执行和可视化任务。 EKS充当一系列服务的主机，包括后端、数据服务、前端和处理服务。EC2主要用于根据为EKS制定的规则配置机器。 4. 算法的版本控制通过 ECR 进行管理。 ECR用于存储Docker容器镜像。 5. 身份验证通过Cognito进行。 如果有必要，可以灵活地替换为任何OpenID Connect （OIDC）解决方案。 6. 数据传输和临时数据存储通过EFS进行管理。 EFS作为临时处理区域运行，供各种数据处理流水线存放中间数据并促进不同进程之间的数据共享。因为EFS完全符合POSIX标准，所以可以选择它作为S3的替代文件系统。 这个方案示例突出了 构建鲁棒的ADAS/AD数据处理流程 所涉及的 众多云服务 ，并强调了应对各种技术复杂性的必要性。此外，还必须解决诸如组织输入数据、确保数据格式兼容性以及管理和监控数据格式变化等挑战。 例如，随着ADAS/AD系统的发展，添加更多传感器以及管理不同车辆配置的需求成为数据处理流程中的关键考虑因素。如果不加以妥善处理，这些因素可能会导致 不正确的数据处理，最终得到错误的结果。 上图列出的是构建此数据处理流程的预计工作量和成本细目，该处理流程可标记 12种驾驶场景、提取驾驶参数，并支持可视化大型文件（≥ 10TB） 。 三、总结 总之，解决上述的这些问题需要付出大量的努力。显而易见的是，选择 预先搭建好的数据处理流程将拥有更低的开销 。此后，便可以将节省的时间和成本分配给开发OEM和Tier1产品的关键方面。