五感之外,机器的“第六感”也比人类强

2023-12-24 09:18

本文主要是介绍五感之外,机器的“第六感”也比人类强,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

文|佘凯文

来源|智能相对论(aixdlun)

 

如果说人类与动物最大的区别是制造和使用工具的话,那么人与机器的差异又是什么呢?最表层的区别应该就是人类所具有的“五感六觉”吧,但现在这个差异正在被慢慢弥补,特别是在视觉和听觉部分,机器的发展已经可以媲美甚至超越人类,关于嗅觉、味觉、触觉方面的研发也正在进行之中。

 

机器嗅觉有惊喜

 

机器嗅觉、味觉与触觉相对视觉和听觉发展得比较缓慢,其根本原因是市场需求比较小众,之前只有一些特殊行业对此类技术有需求。

 

但目前机器嗅觉的应用领域已经有了较大突破,除了救援,在环境监测、食品、医疗甚至是军工行业,嗅觉机器都有了用武之地。

 

在2015年左右,机器嗅觉主要是运用在救援、安防领域,比如日本东京大学、住友化学公司和神奈川科学技术研究院借鉴昆虫的嗅觉结构,开发感知人体汗味的感测器,帮助实施各类救援行动。还有像更早前,美国圣刘易斯华盛顿大学的工程师团队从蝗虫的嗅觉得到了灵感,开发出新式的仿生机器人感测系统,可用于嗅出爆炸物等危险品。

 

今年9月,美国的MouSensor生物技术公司通过融资,将设计一种活跃的芯片,用于检测、发现并数字化每一种气味,无论是调香师香精瓶中的香水,还是如帕金森氏症等与疾病相关的气味,都可以通过该芯片检测出来,并数字化录入其嗅觉数据库中。这项技术已获得全球独家许可。

 

利用仿生嗅觉研制的“电子鼻”的概念最早由英国Warwick大学的Persand和Dodd教授于1982年提出。

 

目前机器嗅觉在医疗方面的应用带来的惊喜最大,在去年9月,韩国的一个医疗团队,开发出了一种通过分析呼出的气体来鉴别是否患有肺癌的检查方法。

 

该研究团队采集了37名肺癌患者和48名健康成年人呼出的气体,并成功利用“机器嗅觉”鉴定出癌细胞产生的化学物质。人体中含有与呼吸相关的蛋白质—细胞色素P450混合功能氧化酶系。患者身上的这种酶若被激活,就会分解出特定的挥发性有机化合物。“机器嗅觉”若鉴定出这种化合物,就意味着此人患有肺癌,该技术目前的准确率已经达到了75%左右。

 

智能相对论佘凯文认为这项技术对于肺癌的发现治疗无疑是有巨大帮助的。要知道肺癌早期很难被诊断出来,在出现症状时往往已经很难进行手术了,还有不少患者直至晚期也没有出现任何症状。另外,在体检中没有能够早期发现肺癌的筛检,在肺癌一期接受手术的患者5年生存率为70%,但肺癌三期以后的生存率仅为30%。

 

只是这项技术现阶段还处在临床阶段,并未正式投入使用。

 

当机器掌握了“第六感”,人类连吵架也不是对手了

 

第六感也称之为“心觉”,相比传统五感而言,第六感显得虚无缥缈,指的是能透过正常感官之外的管道接收讯息,能预知将要发生的事情。

 

第六感对于人类来说还属于比较陌生的认知领域,可对于机器而言它们掌握“第六感”比人类要迅速得多。

 

去年,一家美国机器人公司Veo Robotics获得来自谷歌和LUX的1200万美元的A轮融资,用来开发他们的机器人“第六感”。

 

制造业对于机器人落地的痛点在于,大型机器人无法与人类员工有效的交互配合,而Veo Robotics公司就是通过使机器人拥有“第六感”以改善机器人的控制方式,使其更快速地与人工的操作配合起来。

 

Veo系统的原理是在工作区放置若干个摄像头,为机器提供完整的视觉覆盖,通过搭载的分析功能,使其掌握视野中所有物体的情况,包括人类的位置、产品的尺寸等,当操作出现任何偏差的情况时,机器会收到调整或减慢速度的指令。

 

就相当于在人类员工刚刚作出一个抬腿的动作时,机器就会作出预判,它会分析你的下一步动作,是否是会要移动,移动方向是哪边,自己是否成为障碍等等。

 

机器“第六感”和目前主流的机器学习技术相似却又不相同,机器“第六感”没有机器学习那么复杂,但其应用定位更加精准,机器“第六感”更多是运用在人机协同方面。

 

不止是在行动方面,在语言方面机器的“第六感”也将快人一步。去年,Facebook研究者开发出一项技术,使机器人与另一方建立对话模型,双方间就交易展开谈判。最终希望做到,机器人能像人一样,估摸出对方对特定报价的反应,并针对特定情形,有不同应对方式,而非简单模仿人类行为。

 

研究人员用人类现实谈判交流的数据,训练机器人如何“讨价还价”。这些数据牵涉到价值观有异的两人,他们的任务是分离一些物品,因想法有差别,所以得就达成一致意见“谈判”。

 

实验结果表明,机器人基本做到了以假乱真的目的。他们把机器人放到与人协商的场景里去,人类没能察觉与之互动的是机器人。

 

所以这是不是说明以后人类连吵架都不会是机器人的对手了?

 

“六感”齐备的机器人,是未来机器人发展的趋势

 

人类对于机器人的开发应用,已经不满足于简单的语言交互层面,对于人机协同的要求也越来越高,而需要做到流畅的人机协同交互,使机器人具备“六感”也就顺理成章了。

 

不止国外各大公司,在国内市场,很多企业也已经开始这类研究,在今年上半年,阿里集团与清华大学就达成了战略合作,探索“下一代人机自然交互”的未来。

 

而在国务院发布的《新一代人工智能发展规划》中,“人机交互能力”也是研发的重点之一。

 

在应用场景方面,一个“六感”齐全的机器人,也将比现有机器人更具竞争力。例如在制造业流水线上的机械臂,机械臂杀人自从工业机器人诞生以来已经发生过很多起,影响比较大的像2015年发生在德国大众汽车在包纳塔尔的工厂,一名员工被机械臂抓住,并砸向一块金属板,导致员工直接死亡。同样在2015年,美国一个汽车装配工厂一台机器人“错手”砸在了一个工人头部将其杀死。

 

若是工业机器都具备了完整的“感知”系统,它可以判断出人类的靠近,而停止或减慢其运行速度,来杜绝事故的发生。

 

又例如在教育机器人行业,机器人的交互都像都是小朋友,无论是语言还是动作,小朋友们常常都不会按套路出牌,现阶段的教育机器人完全无法满足使用需求,而具备“六感”的机器人在交互能力、协同性方面都将会有极大提高。

 

总之,当机器具备完整“六感”的时候,机器能从事工作也将越来越多,在新零售、家庭等更多需要人机交互的应用场景中将不再是单纯的等待响应命令,而是会识别你的状态、根据对话情景进行反馈。

 

【完】

智能相对论(微信id:aixdlun):深挖人工智能这口井,评出咸淡,讲出黑白,道出深浅。重点关注领域:AI+医疗、机器人、智能驾驶、AI+硬件、物联网、AI+金融、AI+安全、AR/VR、开发者以及背后的芯片、算法、人机交互等。

这篇关于五感之外,机器的“第六感”也比人类强的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/531309

相关文章

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

线性代数|机器学习-P36在图中找聚类

文章目录 1. 常见图结构2. 谱聚类 感觉后面几节课的内容跨越太大,需要补充太多的知识点,教授讲得内容跨越较大,一般一节课的内容是书本上的一章节内容,所以看视频比较吃力,需要先预习课本内容后才能够很好的理解教授讲解的知识点。 1. 常见图结构 假设我们有如下图结构: Adjacency Matrix:行和列表示的是节点的位置,A[i,j]表示的第 i 个节点和第 j 个

【机器学习】高斯网络的基本概念和应用领域

引言 高斯网络(Gaussian Network)通常指的是一个概率图模型,其中所有的随机变量(或节点)都遵循高斯分布 文章目录 引言一、高斯网络(Gaussian Network)1.1 高斯过程(Gaussian Process)1.2 高斯混合模型(Gaussian Mixture Model)1.3 应用1.4 总结 二、高斯网络的应用2.1 机器学习2.2 统计学2.3

✨机器学习笔记(二)—— 线性回归、代价函数、梯度下降

1️⃣线性回归(linear regression) f w , b ( x ) = w x + b f_{w,b}(x) = wx + b fw,b​(x)=wx+b 🎈A linear regression model predicting house prices: 如图是机器学习通过监督学习运用线性回归模型来预测房价的例子,当房屋大小为1250 f e e t 2 feet^

【机器学习-一-基础概念篇】

机器学习 定义分类算法 应用 定义 机器学习最早是被Arthur Samuel 提出的一个概念,指计算机无需明确编程即可学习的研究领域。1950年他发明的跳棋程序,这个人机对弈游戏让他的声名鹊起,机器学习这个概念才进入大众的是视线。 在这个跳棋程序里,他编程了一种算法,这个程序与Arthur下了数万次跳棋,计算机逐渐学会了下在哪里有更大的可能会赢得比赛,哪里会输,通过这种方法,最

机器学习之监督学习(三)神经网络

机器学习之监督学习(三)神经网络基础 0. 文章传送1. 深度学习 Deep Learning深度学习的关键特点深度学习VS传统机器学习 2. 生物神经网络 Biological Neural Network3. 神经网络模型基本结构模块一:TensorFlow搭建神经网络 4. 反向传播梯度下降 Back Propagation Gradient Descent模块二:激活函数 activ

参会邀请 | 第二届机器视觉、图像处理与影像技术国际会议(MVIPIT 2024)

第二届机器视觉、图像处理与影像技术国际会议(MVIPIT 2024)将于2024年9月13日-15日在中国张家口召开。 MVIPIT 2024聚焦机器视觉、图像处理与影像技术,旨在为专家、学者和研究人员提供一个国际平台,分享研究成果,讨论问题和挑战,探索前沿技术。诚邀高校、科研院所、企业等有关方面的专家学者参加会议。 9月13日(周五):签到日 9月14日(周六):会议日 9月15日(周日

线性代数|机器学习-P35距离矩阵和普鲁克问题

文章目录 1. 距离矩阵2. 正交普鲁克问题3. 实例说明 1. 距离矩阵 假设有三个点 x 1 , x 2 , x 3 x_1,x_2,x_3 x1​,x2​,x3​,三个点距离如下: ∣ ∣ x 1 − x 2 ∣ ∣ 2 = 1 , ∣ ∣ x 2 − x 3 ∣ ∣ 2 = 1 , ∣ ∣ x 1 − x 3 ∣ ∣ 2 = 6 \begin{equation} ||x

集群环境下为雪花算法生成全局唯一机器ID策略

雪花算法是生成数据id非常好的一种方式,机器id是雪花算法不可分割的一部分。但是对于集群应用,让不同的机器自动产生不同的机器id传统做法就是针对每一个机器进行单独配置,但这样做不利于集群水平扩展,且操作过程非常复杂,所以每一个机器在集群环境下是一个头疼的问题。现在借助spring+redis,给出一种策略,支持随意水平扩展,肥肠好用。 大致策略分为4步: 1.对机器ip进行hash,对某一个(大于