|
|
|
| 您目前的位置:網(wǎng)站首頁 => |
 |
| |
| 智能機器人產業(yè)前景向好 或將成為科技明日之星 |
| 發(fā)布時間：2017/2/17 15:18:01 來源：鑫泰科技 發(fā)布者：manni123 |
|
全球智能機器人的市場規(guī)模預計在2021年將成長至336億美元，而亞洲將是成長最多的地區(qū)。 近年各國都不約而同將機器人視為戰(zhàn)略產業(yè)，某種程度甚至可以是一種綜合國力的展現(xiàn)，各領域的領導廠商都積極投入并發(fā)展當中。
機器人無疑已成為下一個科技明日之星，全球各國無不積極推動機器人產業(yè)，而近期人工智能與深度學習等技術發(fā)展熱度增溫，更成為推動智能機器人發(fā)展的重要動能。 根據(jù)工研院IEK研究報告預估，全球智能機器人的市場規(guī)模預計在2021年將成長至336億美元，而亞洲將是成長最多的地區(qū)。
根據(jù)財團法人精密機械研究發(fā)展中心的定義，智能機器人可透過傳感器感知環(huán)境，并藉由程序化處達成智能化理解，最后反應出所需動作，以執(zhí)行各種生產活動、提供服務或與人互動。 它是集合各種技術于一體的平臺，包含機械、控制自動化、電子、電機、影像、光學、通訊、軟件與安全系統(tǒng)等相關技術與應用，其中軟硬件整合技術至為重要。 本課程深入探討智能機器人產業(yè)前景，并剖析關鍵技術、零組件與軟硬件架構。
服務機器人具發(fā)展?jié)摿?/FONT>
根據(jù)資策會MIC研究數(shù)據(jù)顯示(圖1)，2015年四大應用領域機器人市場規(guī)模合計約269億美元，其中以工業(yè)機器人110億美元比重最高，但到了2025年整體市場規(guī)模將擴大到669億美元，盡管市場規(guī)模還是以工業(yè)機器人的244億美元最大，但商業(yè)用機器人與個人用機器人2000～2025年復合成長率(CAGR) 分別為11.6%與17.4%，資策會MIC產業(yè)分析師張佳蕙(圖2)指出，尤其是2015年以后，這兩類應用成長更為顯著，服務型應用市場當中，有許多過去未導入機器人的新興領域，帶動其成長潛力。
資策會MIC產業(yè)分析師張佳蕙指出，2015年以后，服務型應用市場，有許多過去未導入機器人的新興領域，帶動其成長潛力。
日本軟件銀行近年大舉進軍機器人領域，一連串的動作引發(fā)市場關注，張佳蕙說，包括2012年收購法國人形機器人公司Aldebaran Robotics，其2014年推出的人形機器人Pepper陸續(xù)與IBM Watson、Microsoft Azure合作。 Softbank提出以溝通為基礎提供家庭及商業(yè)應用的愿景，Pepper被設定為「希望能被愛」的機器人，透過互動溝通了解家中成員，成為家中的一份子；并在人工智能的基礎下，讓Pepper協(xié)助企業(yè)產品的營銷，在家庭兼具娛樂及學習效果。 此外，目前較知名已投入市場的服務型機器人還有Leka與Savioke。
近年各國都不約而同將機器人視為戰(zhàn)略產業(yè)，日本發(fā)展機器人已久，2015年日本政府設立機器人革命倡議協(xié)議會，推動機器人產業(yè)的發(fā)展；韓國則是由產業(yè)通商資源部主導，每五年制定基本計劃，目標是在2022年成為機器人活用的國家，生產規(guī)模達25兆韓圜；美國則是從2011年開始，由美國國家科學基金會(NSF)主導， 發(fā)展能夠安全與人協(xié)同工作的機器人技術。 目前韓國以家用機器人為發(fā)展主力，美國則是在救災國防領先各國，張佳蕙建議，家庭應用與公共應用各國布局已深，商業(yè)應用近期興起，臺灣可以伺機切入。
深度學習、語音識別等技術在近年有顯著的發(fā)展，也因此促成服務型機器人產業(yè)與應用的興起，機器人從過去單向溝通執(zhí)行命令，進化到可以理解語意響應對話內容，應用服務為機器人后續(xù)發(fā)展重點。 機器人應用情境多元，在不同場合必須結合各領域專業(yè)知識及對用戶需求的了解，因此廠商應透過開放平臺，加快機器人在各領域的應用。
類神經網(wǎng)絡技術大躍進
深度學習這個名詞因為2016年人工智能AlphaGo連敗南韓棋王，機器首度成功挑戰(zhàn)人腦，并在圍棋這個普遍被認為難度最高的博弈活動中，一時又被世界大眾所關心。 而AlphaGo的深度學習核心就是類神經網(wǎng)絡技術，早在1943年，Warren McCulloch以及Walter Pitts首次提出神經元的數(shù)學模型，之后到了1958年，心理學家Rosenblatt提出了感知器(Perceptron)的概念，在前者神經元的結構中加入了訓練修正參數(shù)的機制，這時類神經網(wǎng)絡的基本學理架構算是完成。 類神經網(wǎng)絡的神經元其實是從前端收集到各種訊號(類似神經的樹突)，然后將各個訊號根據(jù)權重加權后加總，再透過活化函數(shù)轉換成新訊號傳送出去(類似神經元的軸突)。
相關技術架構其實早在1970年代就已經完成了，數(shù)據(jù)決策技術長尹相志(圖3)表示，深度學習其實就是類神經網(wǎng)絡的另一種說法，其成功來自于更深入理解人類大腦的運作。 卷積神經網(wǎng)絡(Convolutional Neural Network)協(xié)助機器發(fā)展真正的視覺，其中的兩大原則為：局部感知與權重共享。 讓機器可以從碎片特征理解整體意義，進而找出特征的群聚性，不斷分層細化的分析，無論是多細微的特征：只要不化成灰，都能抽取特征。鑫泰數(shù)控加工中心機器人龍門
其中，圖形辨識是其中的重點，在過往的認知中，中央處理器(CPU)與繪圖處理器(GPU)處理不同的運算功能，單就圖形辨識的深度學習功能來說，GPU的效能是CPU的百至千倍，尹相志進一步表示，透過深度學習，機器甚至可以將原本馬賽克圖案的照片效果移除還原。 不過，在語音與文字的辨識上，中文對于機器還是很大的挑戰(zhàn)，中文詞匯超過百萬，無須約定成俗即可創(chuàng)造新字以及賦予詞性，還有很多中英、中日、中韓夾雜的詞匯，諸如：藍瘦、香菇、94狂等。
|
|
|
