Ⅰ 小小感測器 能否帶人工智慧駛入藍海
人工智慧的「感測」要從哪裡更靠近「靈性」這種微妙的感覺？近日，蘋果公司發表了一篇新的人工智慧論文，將光學雷達感測器收集的原始數據轉化成3D測繪圖，引得感測獲得的信息從純數據向三維立體邁進了一步。盡管距離「靈性」還有相當的距離，但這項研究仍能啟發人們將注意力聚焦於人機交互中信息獲取和處理的一端。
配備「初腦」 感測器可以更智能
「阿爾法狗」的兩個遠親最近也火了：一個是互聯網大會上展示「唇語識別」的搜狗中文「汪仔」;另一個是在深圳實現了無人駕駛公交的「阿爾法巴」。
前者打破定式思維，將語義識別的感測器破天荒地改成了光學感測，用圖像捕捉的信息判斷語言的溝通。後者車身上扁圓形的感測器很是搶眼，「阿爾法巴」靠它感知道路、躲避障礙。
人類獲取信息，80%是通過眼睛;在人工智慧捕獲信息的過程中，視覺感測器也占據著相當重要的地位——目前主要有雷達、視頻兩種方式。視頻相較於雷達來說，是整體展現，呈現情況不易受干擾，而雷達對周圍環境進行3D建模，會比一般的照相攝像頭能包含更多深度信息。
「目前應用的障礙感測設備有微波雷達、超聲波雷達等，也有通過捕捉視頻圖像的方法，」北京智能車聯產業創新中心技術人員畢超介紹，感測設備會安裝在車輛側，也會安裝在道路側，要求無縫覆蓋，「就像手機和基站的關系，確保信號通暢。」
通暢是基礎，判斷是關鍵。「汽車的速度要求無人判斷和操作在毫秒之間，因此計算兩車之間、車路之間、車人之間的碰撞可能性必須要快。」畢超說，信息的獲取、傳遞、計算、反饋等過程，需要一氣呵成。
具體地說，剎車或報警前，有許多計算——雷達獲取到三維點數據、識別障礙物、進行障礙物前後兩頻對比，識別靜態還是動態。動態障礙物計算出運動速度、結合無人駕駛汽車自身位置信息，計算出避障所需的最小安全距離，決定對策。
怎麼才能更快一點？業內嘗試著將數據中心「預處理」的部分前移到感測器端。「我們進行了智能感測器的嘗試，」升哲科技高級工程師劉正中說，「原來感測器具備收集信號的單一功能，但是信號需要在感測器端和處理終端來回傳遞，這些需要時間也需要能源，如果感測器能提前過濾掉一些不必要的信息，過程會精簡不少。」
也就是說，之前的感測器是嚴格的手、眼、耳、鼻等感覺器官，現在的它們配備了小小的「初腦」。「這對於視頻類的感測器非常有效，因為視頻的數據量太大了。」劉正中說。
「照相機我們已經研究得很透了，雷達還需要繼續研究。我們也需要進一步探索，什麼樣的感測器才能感知到，人類感到的這些微妙變化。」菲利普說。AI市場對於感測器的需求在快速變化，亟待新型感測器的更新換代。
新材料和量子技術 讓感測器突破極限
同樣心懷期待的，還有美國國家工程學院院士、斯坦福大學教授鮑哲南，她曾表示，「我們期待有新材料帶來顛覆性的技術。目前把外界的信號轉變成電信號的載體是脆性的，希望找到容易被壓縮、可以拉伸的新材料。我們還希望它有自愈性、可降解。」
有了新材料做基質，將電子器件集成起來將成為柔性電子和人工皮膚。感測器「硬朗」的形象將發生徹底改變，不僅可以隨意拉伸、彎曲和旋轉，在精確獲取觸感的同時，甚至可以出汗。
資料顯示，中國科學院半導體研究所日前就開發出一種超薄高像素柔性電子皮膚陣列。通過引入聚合物中空球納米結構，感測器對環境壓力展現出了超高的靈敏度，能探測到0.6Pa的低壓。「在不同環境下拉扯揉折之後，仍能感受到外部壓力與溫度的變化，為了避免人體生理信號監測中，體表溫度變化對器件的影響，科研人員還對感測器進行了溫度補償，進而提高器件在實際應用中的檢測精度。」這項研究成果近期發表在《納米能源》上。
鮑哲南期待的變革與突破，也從另一個維度到來——量子科技引入光學感測器的研究已經可以達到應用級別。
「可以突破現有感測的速度與距離極限，」麻省理工學院進行過關於單光子成像的研究，曾發表在《科學》雜志上，相關研究人員介紹，傳統的光學三維成像需要高強度光，而量子科技和三維成像的結合，能夠實現平均每個像素只需要1個光子，比傳統的主動光成像方法的效率提高幾個數量級。
量子技術對光學成像的精確度、速度以及距離的提高是顛覆性的。從理論上說，無人駕駛汽車、甚至無人駕駛飛機可以實現了。由於它探測靈敏，甚至可以給細胞內的細胞器裝上感測，感知細胞活動。
如果說通訊互聯的規模是以人為載體的百億量級，物物互聯是以物為載體的萬億量級，那以細胞為載體的互聯將擁有超出人想像的潛力規模。
開拓市場的潛力 需要產業釋放
盡管感測器在研究層面展現出引領AI產業駛入藍海的潛力，但在產業界卻不溫不火。
有分析文章指出，在人工智慧硬體領域，有晶元和感測器兩個方向，在晶元領域國內還有幾家數得出的企業，而感測器幾乎全部依賴進口。
「腦電波的測量儀器基本是進口產品，感測器的精度等性能比較穩定。」中國標准化研究院研究員張運紅說。東南大學相關學科實驗室數據記載，六維力感測器一個大概10萬元，基本來自進口。
相較於應用層面和系統層面，這個起著支撐作用的「棟梁」元件沒能入得大多數投資者和產業者的眼。「不會講故事，引不來投資，」有分析這樣調侃。
中國科學院軟體研究所研究員戴國忠的觀點更加系統，「感測器是人機交互的重要組成部分，人機交互和人工智慧是不同的著力方向，」他對這兩個領域60年來的歷史進行了分析，得出規律：人工智慧熱的時候，人機交互的發展將處於低谷。而人機交互受關注時，人工智慧的熱潮就會反落回去。
這樣的此消彼長可以追溯到它們誕生時，「斯坦福大學人工智慧實驗室主任約翰·麥卡錫等人提出人工智慧時試圖構建能復制人類行為的計算機系統，而麻省理工學院的心理學和人工智慧專家約瑟夫·利克萊德提出人機交互時，則是希望機器能夠完成人類交給的任務。」戴國忠說，追求目標趨同，但是研究思路和方法完全不同。
盡管在實際的產業發展過程中，二者是難分彼此的，這種學術上的區分很大程度上更有助於明確研究目標和方向，引導產業均衡發展，避免「一哄而上」「一頭熱」。
感測器遇冷正在引得業內觀察者的關注，希望那些冷門但重要的AI必備區域，不會成為產業發展的短板，而是能夠推進AI實現一個整體進化。