我最近参加了上海世界通信大会(MWC)。机器人的声势浩大，而且是非常浩大。我看到几十家公司，寻找顾客打造品牌，并提供他们众多应用程序中的任何一种。

举个应用程序的例子，机器人护士Tug。它看起来一点也不像我们在科幻片中看到的机器人形象，除非你想的是星际大战(Star Wars)中某些比较实用的例子。它看起来像是一个有轮子的箱子，但拥有许多我们期待行动机器人具备的功能，包括巡游和回避障碍物。这可以在医院里巡游，若是有人走道它面前，就会停下，还会绕过不对的点滴站；这台机器人还能呼叫电梯，前往其他楼层。Tug的重点是送药和食物给病人，且已经在美国37间荣民医院服务。

想象这能替忙碌的护士减轻多少肩头负担。厂内还有多种其他助理应用服务，在长者照护、在教学支持、餐厅与旅馆。把这当成在智能音箱之后，下个重要的个人助理物品(Amazon已经有超过十万台机器人在仓库工作，所以很明显他们正在开发家用机器人当作Echo的后继者)。这不是科幻小说；家用助理机器人今天就可以出货。

机器人健康助理

很显然，生产这种机器人的技术挑战和自动驾驶问题类似，不过依然有明显的不同。巡游和回避障碍是共通点，但清晰驾驶车道和交通管理的概念，无法运用在这些机器人身上；一切都关乎在建筑物内的障碍回避与巡游(要重新规划地图以绕过临时不可移动的障碍)。虽然车子有自然语言接口只是还不错，但是对机器人助理来说，却是不可或缺。谁想要在药房送错药，或是餐厅搞砸点单时学着怎么按钮？

Gartner 最近推出一份机器人人工智能与感应要求的前十大清单，其中包括了：

• 计算机视觉－场景分析、对象识别等等
• 生物识别与验证－谁在跟我说话，他们是否获准下达此等命令
• 对话接口－话语识别与自然语言处理
• 声音场景分析－识别明显的噪音如狗吠或玻璃破裂
• 地点感应－我在哪，谁／什么在我附近
• 自动移动－能够不撞倒对象或人，移动到建筑物其他地方的能力
• 机器人内建人工智能功能－不只是仰赖云端

现今对于建立具有这些能力的系统默认取向，从根据多核心绘图处理器(GPU)平台，在机器人内建人工智能系统。这可以理解──产品建立者可以使用现成的平台做样品，无须担心专用集成电路(ASIC)细节，就像他们会使用中央处理器(CPU)开发板给更传统应用程序使用的方式一样。但是随着产品数量暴增，或着你正推动其暴增的时候，成本与顾客满足／差异化就愈来愈重要。现成的解决方案很贵，耗电量很大，且使用和别人一样的平台就很难有所差异。这就是为什么无可避免地，大量解决方案转向ASIC平台。你无须放弃所有已经投入样品的投资；成本较低的GPU平台可能还是解决方案的一部份，但是重要层次的人工智能功能性可以转移到更有成本效率、更加统合的平台上。

在机器学习(ML)应用程序中，数字信号处理(DSP)优于GPU的每瓦特效能远近驰名，有一部分原因是固定点优于浮动点操作，还有某些平台的量化弹性。订做解决方案的价格优势(以数量算)也很出名。这就是为何你更有可能看到具数量／价格敏感性的ML应用程序在边际采用DSP而不是现有的GPU。

智能屏幕－无屏幕机器人的形式之一？

但你能做到所有用GPU可以做到的事吗？答案是还真不少。拿计算机视觉，亦即定位、追踪、对象识别、手势识别为例。这个程度的视觉处理现在在某些DSP为基础的内建平台上已经有了。或者用自动移动支持本地重新训练(无须连上云端)。再一次，支持此一智能的核心识别能力，也是你在GPU会发现的同样能力，在DSP上也找得到。

语音识别／验证与声音场景分析也可以卸下。这些(和其他这里举的例子)明白地点出，为何卸除的意义这么重要。这每一种智能操作都分解成多重步骤，就说从取得声音，到方向解析，到也许基本字词识别，最终甚至是自然语言处理(NLP)。最后一步非常困难，可能需要上云端。但是在那之前的步骤都可以很轻松用内建解决方案处理。某些应用程序，只须识别很有限的单字，或是你希望侦测非语言信号，例如打破窗户的地方，你可能根本不需要云端(或本地GPU)。已经有人暗示，甚至有限的NLP在不久的未来便能在边际支持。

例如CEVA打造了一连串庞大的解决方案，在边缘人工智能用平台、前端语音处理、物联网深入学习上，使用人工智能支持这些前端功能。