人工智能机器人创新创业的思考及建议
当某一类产品制造的数量达到一定规模，制造（M）的通道将逐渐让给BAT、小米、华为等互联网公司，以及美的、海尔等大型的制造型企业。传统的制造企业希望争抢BAT的入口流量，同时BAT等网络平台也在下沉，通过收购实体的门店并发展核心的制造能力，这正是未来智能制造的一个重要发展趋势。
创新创业成功的3个关键元素及其重要作用
作为人工智能和机器人领域的创新创业，主要包含3个关键元素的驱动：一是国家的政策力量，包括培育相应的创新机制、文化和投入，特别是加强相关的法律和知识产权保护；同时，在不同地区根据其发展阶段和区域特色，培育不同的创业环境是一个重要的要素。二是知识的力量，知识力量的载体是高水平的专家人才队伍，坚持以人为本，所有原创性成果核心要素在于人才，创新创业需要具有专业性的技术人才，同时还需要具有管理才能的复合型人才。三是资本的力量，资本是推动技术成果转化成产品的催化剂，并在产品的市场化发展中发挥重要的引导和加速作用。
作为人工智能和机器人领域的创新创业，既要满足具有刚需的功能需求，又要求其易于操作和适合应用的环境，因而产品应用的场景极其重要，因为场景决定了人们对其服务、技术和产品的理解和市场化发展的空间。
例如当机器人产品服务于展览会或宾馆等B端客户时，这个场景所需要的功能研发需要专业的开发人员，市场销售和推广也需要对客户需求具有深入理解的专业销售人员。另外，需明确创新创业的产品与服务的竞争力和壁垒，要求创业者对其产品的定位、商业模式、盈利模式等进行反复的思考和层层迭代，在此过程中创业者理清了创新创业、企业发展的思路，并对未来的发展更加自信。即使产品具有了明确的应用场景，具有了明确的功能，并不能完全转化为产品的销售业绩，因为销售要求具有市场接纳的能力且具有销售商和代理商等整个链条的良好合作关系。
在智能机器人的创新创业过程中，机器人产品研发完成后，需要得到客户的认可并进行规模化的销售和推广应用，需要上游客户的认可；同时，机器人产品规模达到一定批量时，需要下游的零部件供应链的支持和良好配合，尤其是供应链的模式和渠道对产品的品质和正常供货具有重要的影响。以上创业的场景、产品和销售，需要创业公司首席执行官（CEO）和核心团队的支撑，创业的核心团队决定了该企业是否能够可持续健康发展，其发展的速度和取得的成果取决于创业公司CEO和核心团队的专注、执行力、融资能力、核心骨干的团队构建，以及CEO等核心团队的品格和格局等方面。
机器人与AI领域的创新创业应需明确产品定位与方向
人工智能和机器人领域的创新创业，需要对公司和产品的定位和生态进行深入思考，明确其定位与发展目标，明确产品在是为G、为B还是为C进行服务。
超前的、探索性的创新技术一般是面向G端，而不是面向B端或者C端。面向展览馆类的导游服务机器人产品是面向B端，家用机器人是面向C端，还需要和用户的年龄如儿童、中年、老年进行区分。创业过程中重点不是纯粹技术先进性的体现，更重要的是核心技术转化成商业价值的体现，尤其是对痛点分析、使用产品的频次和高端产品发展的把握尤其重要。
在研究过程中，对人工智能和机器人的发展历史进行分析，以理性看待成功轨迹和发展过程中所面临的门槛。以人工智能的发展历程可以得出，1965年诞生一大批人工智能研究机构，当时认为经过20年就将在很多相关领域实现机器人的替代；同样，通过分析五代机器人的发展历程，从以解决所有基于知识的推理为目标，到美国的百科全书，再到AlphaGo进行新的验证。细分领域的痛点推动了产品的发展，而这种想象的科学好奇和原创性的基础研究颠覆了很多技术领域，按照颠覆性技术继续向产品化发展，往往发展的路程非常艰难，而且不能走通。
另外，从人工智能和机器人发展生态的角度进行分析，首先应将智能机器人作为工具，这是第一位的；其次是发展机器人的核心部件、专业工具、机器人本体、软件、自主控制和无人化，以及在智能车间应用的机器人装备等，其中在工业机器人领域还包含机器人本体与生产线的设计、人工智能、增材制造等核心关键技术与平台的发展。
结论
人工智能和机器人是未来社会发展的先锋和主导的产业之一，未来5~10年，中国的机器人将会从实验室走向局部商用。智能机器人作为“硬科技”和高科技产品的研发制造，其生态链长，从发现刚需和痛点问题，到产品设计、研发、供应链准备、产品加工，最终实现销售与推广，通常需要5~10年周期，应以相应的技术体系和产业生态进行布局和考虑。智能机器人与人工智能领域的创新创业应该更多关注社会生活中的痛点问题，从而有针对性地研发真正能够满足客户刚需的高品质机器人产品，促进相关技术和产业的发展。
·重·点·来·啦·
2018挣钱好项目！
新时代，新经济，新未来！
“大人物”（大数据、人工智能、物联网）项目！
打造中国首家餐桌智媒体！
一个市场，行业蓝海！
一次投资，终身受益！
一种合作，六大支持！
文章来源于网络
如有侵权请联系删除返回搜狐，查看更多
人工智能应用开发全流程的成本分析
文章目录前言一、设计和开发成本二、部署和维护成本三、边际成本总结前言人工智能应用开发的成本很大程度上会影响人工智能在各个行业的渗透率。成本越低,则渗透率越高,人工智能对行业的影响速度也越快。然而,人工智能应用开发的总体成本模型非常复杂,但大致包括以下几个层面：
一、设计和开发成本如上篇所述,如果结合开发流程模板来开发人工智能应用,则相对比较简单。而且,随着机器学习、深度学习等人工智能算法的发展,人工智能应用的使用门槛正在逐步降低,并且结合大算力做最优算法的选择和搜索变得越来越可行,因此可以把更多成本交给机器,进一步降低人工成本。对于不同的人工智能应用,以及相同人工智能应用的不同阶段而言,人工成本和机器成本的比例都是不一样的,这需要人工智能应用开发者按照成本预算自行决策。 然而,人工智能应用开发的最主要难点还在于如何识别业务问题,并将业务问题与最匹配的应用开发流程模板联系起来,即如何进行端到端的设计。这一点是很难靠机器来代替的,目前主要以人工为主。例如,某客户想做一个智能门禁系统,以更好地管理人员的出入,保证安全。对于这样一个问题,人工智能应用开发工程师可以想到多种可能的方案,如指纹识别、人脸识别、虹膜识别等。每种识别方案背后的算法技术所依赖的软硬件的成熟度、成本,以及算法本身的成熟度都各不一样。这时就需要与业务需求方进行沟通,从成本、研发难度、精度要求、体验等各个维度来综合考虑并选择出一种最佳方案。即便是具体到某一个方案,也有很多细节需要选择。假设客户选择了人脸识别方案,那么人工智能应用开发工程师会想到一系列问题,包括并不限于以下几点:①采用什么类型和型号的摄像头,以及摄像头如何布局和安装?②光照的变化怎么处理?如何处理强光和弱光场景?③所需识别人员有多少?④如果待识别人员名单发生变动如何处理?⑤整个软硬件系统方案是什么?⑥目标识别精度和速度是多少?⑦如果识别不了某些人,怎么处理?⑧如何对待识别人员进行动作约束?例如,需要对准并正视摄像头才可以识别,如果待识别人员不配合,需要如何处理? 这就涉及如何针对业务问题和场景,将客户需求层层分解,并转换为具体应用开发流程模板的选择问题,从而形成一个端到端的解决方案。这个阶段需要反复沟通和设计或实验验证,进而也增加了开发的成本。从降低人工智能整体设计和开发成本的角度看,人工智能应用开发平台会按照三个阶段不断演进:第一阶段,大部分依赖于人工设计和开发;第二阶段,平台提供大量的应用开发流程模板,开发者仅需要负责业务问题的转换和需求分解,以及基于模板开发时的部分参数选择或调节;第三阶段,开发流程模板会覆盖部分业务问题和需求更贴近领域具体问题,并且平台会结合更强的优化算法和大集群算力来加速调参。随着人工智能服务单位算力的成本越来越低,以及平台的积累越来越多,人工智能应用的设计和开发成本会逐步降低
二、部署和维护成本在人工智能应用部署方面,部署成本体现在多设备部署方面。未来的人工智能推理一定是端边云协同的,因此一次开发和任意部署的能力尤为必要。 如设计和开发成本所述,在部署完成后,人工智能应用的维护往往非常重要。人工智能应用本身的脆弱性导致其维护成本非常高。在人工智能应用的运行态,推理数据量可能会很大,返回训练集中做重新训练时,重新标注的成本会很高,并且重新训练的算力成本也比较高。因此,如何自动判断人工智能应用推理表现的恶化,自动对造成这种恶化的关键数据做选择、标注并重训练模型,是大幅度降低维护成本的关键。 从降低人工智能部署和维护成本的角度看,人工智能应用开发平台会按照三个阶段不断演进:第一阶段,依赖纯人工部署和维护;第二阶段,具备端边云多场景化部署能力,并基于自动难例发现算法,采集对应用恶化起关键作用的数据,然后基于这些数据做半自动标注和重新训练,降低应用维护成本;第三阶段,可以采用纯自动方式进行模型部署和自适应更新,仅需在重新部署时引入人工确认。
三、边际成本人工智能应用开发的边际成本主要体现在两个方面:一是将人工智能开发流程模板进行跨场景复制时总成本的增量;二是将人工智能应用本身进行跨场景部署和维护时总成本的增量。 对于人工智能开发者而言,如果将已开发好的开发流程模板不断扩大以支持更多的业务场景,当然边际成本就会很低。但是,通常这些模板(尤其是专业模板)跟业务问题有很强的关联,而业务问题和场景差异很大。比如,同样是一个面向图像目标识别的开发流程模板,有的业务场景比较简单,如检测某个固定场景、固定光照条件下单的、清晰的目标物体,就可以套用一个简单的模板解决;而有的业务场景比较复杂,如远距离视频监控目标物体,远距离造成目标物体不清晰,并且物体较小,如果光照条件变化大,待识别的目标有多个种类并且类别间差异非常小时,算法的复杂度将急剧上升,这时就需要套用一个复杂的模板,或者重新开发一个面向此类场景的模板。因此,现有人工智能开发流程模板必须确定其所能覆盖的业务问题范围及其局限性。任何的人工智能开发流程模板都是有局限性的,只是局限性的大小不同。为了尽可能扩大模板覆盖业务问题的范围,就需要预先对很多场景进行针对性设计和抽象,并且结合算力自动选择适合当前问题的方案。 当人工智能应用开发好之后部署在不同场景时,不同环境造成的推理数据的差异是一个很大的挑战。正如前文所述,人工智能应用需要根据推理数据的变化而不断进行维护。如果维护能够尽可能自动化,那么边际成本就会更低。 从降低人工智能边际成本的角度看,人工智能应用开发平台会按照三个阶段不断演进:第一阶段,依赖已有的人工智能开发流程模板和应用,手工进行跨场景优化和复制;第二阶段,在已有开发流程模板和应用的基础上,增加一定程度的跨场景自适应能力;第三阶段,开发流程模板和应用所能支持的场景更丰富,并自动给用户的新场景提供最优模板变种,自动更新应用。 综上可以看出,当前人工智能应用的设计、开发、部署、维护阶段本身的可复制性都比较差,这使得边际成本难以降低,也造成了当前人工智能应用可复制性差的问题。
总结综上所述,人工智能应用开发更需要借助大集群算力、模板库、业务知识库,以及每个模板内依赖的半自动标注、自动算法选择、自动模型训练和优化等人工智能应用开发平台的基础能力,才可以真正降低人工智能应用开发全生命周期的成本,使得人工智能应用更加普及,实现人工智能无处不在。