机器人与人工智能的区别是什么
构成机器人有三个重要因素：
通常机器人是自主的，但也有一些机器人不是，例如，Telerobots完全由操作人员控制，远程机器人仍然被归类为机器人的一个分支。这是机器人定义不是很清楚的一个例子，让专家们很难定义“机器人”的构成。有人说机器人必须能够“思考”并作出决定。但是，“机器人思维”没有标准的定义。要求机器人“思考”表明它具有一定程度的人工智能。
什么是人工智能？
人工智能（AI）是计算机科学的一个分支，它涉及开发计算机程序来完成否则需要人类智能的任务。AI算法可以解决学习，感知，解决问题，语言理解和/或逻辑推理。
AI在现代世界中以许多方式使用，例如，AI算法用于Google搜索，Amazon推荐引擎和SatNav路线查找器，大多数AI程序不用于控制机器人。
即使AI用于控制机器人，AI算法也只是较大的机器人系统的一部分，它还包括传感器，执行器和非AI编程。
通常AI涉及一定程度的机器学习，其中算法通过使用已知的输入和输出，以某种方式“训练”以对特定输入进行响应，将AI与更传统的编程区分开来的关键方面是“智慧”，非AI程序只需执行一个定义的指令序列，AI程序模仿一些人类智力水平。
什么是人工智能机器人？
人工智能机器人是机器人与AI之间的桥梁，这些是由AI程序控制的机器人。
许多机器人不是人为智能的，直到最近，所有的工业机器人只能被编程为执行重复的一系列的运动。正如我们所讨论的，重复运动不需要人工智能。
非智能机器人的功能相当有限，AI算法通常需要允许机器人执行更复杂的任务。
我们来看一些例子。
非人工智能机器人
一个简单的协同机器人（cobot）是非智能机器人的完美例子。
例如，您可以轻松地编写一个cobot来拾取一个对象并将其放在其他位置。然后，cobot将继续以完全相同的方式选择和放置对象，直到将其关闭，这是一个自主的功能，因为机器人在编程之后不需要任何人工输入。但是，任务不需要任何智慧。
人工智能机器人
您可以使用AI扩展cobot的功能，想像你想添加一个相机到你的cobot，机器人视觉属于“感知”类别，通常需要AI算法。
例如，假设您需要cobot来检测它正在拾取的对象，并将其放置在不同的位置，具体取决于对象的类型，这将涉及培训一个专门的视觉程序来识别不同类型的对象。
结论和混乱：软件机器人
你可以看到，机器人和人工智能真的是两件事情。机器人涉及建筑机器人，而AI涉及编程智能。
但是，给你一个轻微的混乱：软件机器人。
“软件机器人”是指自动运行以完成虚拟任务的一种计算机程序。他们不是物理机器人，因为它们只存在于计算机内。典型的例子是搜索引擎网络抓取工具，漫游互联网，扫描网站并对其进行分类以进行搜索。一些先进的软件机器人甚至可能包括AI算法。然而，软件机器人不是机器人的一部分。返回搜狐，查看更多
人工智能对软件开发的赋能与挑战
中国计算机学会青年计算机科技论坛
CCFYoungComputerScientists&EngineersForum
CCFYOCSEF武汉
人工智能对软件开发的赋能与挑战
在线技术论坛
2020年8月8日(星期六)14:30-17:30
会议号：关注微信群
众所周知，目前人工智能大行其道，似乎每个研究和应用领域都因为人工智能的加持焕发了新的生命力。软件工程作为一个传统而极其重要的工程领域，也顺应着人工智能的大潮，主动与之融合，在各个子领域都有所推进,表现为软件开发方式的根本性转变，即迎来软件2.0时代。人工智能的发展为软件工程研究提供了丰富的手段，从近年的软件工程领域发表成果来看，很大比例的论文都或多或少使用了人工智能方法来解决软件工程问题。同时，也有一些人工智能赋能软件开发的初创公司兴起。此外，随着人工智能爆炸式增长的广泛应用，人工智能平台和框架软件质量的影响裂变式地传播和扩散，因此，人工智能平台和框架软件的质量需要得到前所未有的重视和提升。
本期技术论坛，邀约与“AI+SE”相关的企业界、学术界的有影响力专家学者，针对“AI将如何赋能软件开发的创新与发展”进行主题讨论，前瞻“AI+SE”的结合点，以及面临的痛点与挑战，探讨AI对软件开发质量和安全的影响，推动中国科研学术界对“AI+SE”的积极关注并探讨更多的赋能模式。
活动议程
14:30-14:35
开场
14:35-15:05
百度静态代码检查实践
彭云鹏百度代码服务团队经理
15:05-15:35
从代码到体系结构的全栈优化
郭健美阿里巴巴集团系统软件事业部高级技术专家
15:35-15:50
AI生成测试用例解决软件单元测试的行业痛点
黄翰华南理工大学软件学院教授
15:50-16:05
软件质量提升的智能化与挑战
玄跻峰武汉大学计算机学院教授
16:05-17:30
讨论环节：AI如何赋能软件开发的创新与发展？
彭云鹏、郭健美、黄翰、玄跻峰、马于涛、曾诚、莫然
嘉宾介绍
彭云鹏，百度代码服务团队经理
个人简介：百度代码服务团队经理，负责百度代码托管、代码静态分析、代码搜索、云IDE等业 务团队。国家重点研发计划“基于人机结对编程与协同进化的智能敏捷开发云平台”技术骨干，百度一级专利发明人，发明专利30余个，曾任移动互联全国创新大赛决赛专家评委。
报告题目：百度静态代码检查实践
报告摘要：静态代码检查是守护代码质量的第一道防线，包括规范检查、缺陷检查、重复检查、可维护性度量、风格度量等多重维度。本报告介绍百度的静态代码检查，包括百度静态代码检查的发展历程，以及静态代码检查在百度内部发挥的价值。
郭健美，阿里巴巴高级技术专家
个人简介：郭健美，阿里巴巴高级技术专家。目前主要从事数据中心的性能分析和软硬件结合的性能优化。CCF高级会员，CCF软件工程专委和系统软件专委的常委。发表论文50余篇，曾任ASE、FSE、ICSE等会议的PC。
报告题目：从代码到体系结构的全栈优化
报告摘要：随着摩尔定律和登纳德缩放定律逐渐失效，系统性能的提升越来越依赖软硬件协同优化。本报告简介从上层软件源代码、编译运行时到容器调度、底层硬件体系结构的全栈性能优化。
黄翰，华南理工大学软件学院教授
个人简介：华南理工大学软件学院教授、博士生导师，主要研究智能算法与智能软件；省杰出青年基金，省特支计划科技创新青年拔尖人才、珠江科技新星获得者，兼任中国仿真学会智能仿真优化与调度专委会副主任、中国工业数学与应用数学学会数据科学与人工智能专委会副秘书长、广东省软件工程教学指导委员会主任、广东省计算机学会软件工程专业委员会秘书长，广东保险业咨询专家库专家、广东省计算机学会区块链专业委员会副主任、广州工业与应用数学学会副主任、广东省大数据与计算广告工程技术研究中心技术委员会主任、广东省人脸识别工程技术研究中心副主任，CCF高级会员和IEEE高级会员；主持国家级和省部级重大项目等共10多项课题，以第一作者或通讯作者在IEEETEVC、IEEETIP、IEEETFS、IEEETII、IEEECIM、IEEETCYB、和《中国科学》等专业学术期刊发表论文60多篇，代表作入选ESI；受理PCT5项、国家发明专利41项，授权21项；获广东省科技进步一等奖和广东省自然科学二等奖；长期致力于智能算法的理论、应用与产业生态的研究。
报告题目：AI生成测试用例解决软件单元测试的行业痛点
玄跻峰，武汉大学计算机学院教授
个人简介：博士生导师，ACM、IEEE、CCF会员，长期从事软件工程研究，专注于软件测试与软件数据分析方向。研究领域围绕软件bug的发现、修复和维护等方面，是软件工程的核心和基础问题之一。该研究领域源自真实的开源和工业软件项目，具有工业应用前景。2007和2013年于大连理工大学获得学士和博士学位。随后加入法国国立计算机研究院（INRIA）工作，任博士后研究员。2015年加入武汉大学计算机学院工作。2014年获得中国计算机学会（CCF）优秀博士论文奖；2015年入选中国科协（CAST）首批青年人才托举工程，入选武汉大学珞珈青年学者；已发表论文40余篇，包括在IEEETrans.SoftwareEngineering、IEEETrans.KnowledgeandDataEngineering、IEEETrans.Cybernetics等国际一流期刊，及ICSE、FSE、ICSME等国际一流会议论文多篇。
报告题目：软件质量提升的智能化与挑战
马于涛，武汉大学计算机学院副教授
个人简介：武汉大学计算机学院副教授，CCF、ACM&ACMSIGSOFT、IEEE&IEEECS会员，CCF服务计算专业委员会委员、CCF《技术动态》编委、国际服务学会青年科学家论坛(中国)副主席、中国计算机学会服务计算专委会委员、CCFYOCSEF武汉AC委员（2013~2016）、武汉计算机软件工程学会副秘书长。主要研究方向：面向服务的软件工程（Service-OrientedSoftwareEngineering）、经验软件工程（EmpiricalSoftwareEngineering）、AI驱动的计算机辅助诊断、软件度量，软件演化与维护。主持国家级和省部级重大项目10余项，在IEEETrans.EngineeringManagement、IEEETransServicesComputing、ExpertSystemsWithApplications、JSS、IST等国际顶级期刊发表论文20余篇，获得国家发明专利授权7项。
曾诚，湖北大学计算机学院教授
个人简介：湖北大学计算机学院教授，计算机科学与技术系主任，中国计算机学会服务计算专委会委员，中国人工智能学会会员，湖北省教育信息化工程技术研究中心和湖北省软件工程工程技术研究中心的副主任。主要研究方向为人工智能相关理论、大型行业软件研发、服务计算等。作为项目负责人承担湖北省自然科学基金2项，湖北省教育厅重点项目2项，作为项目主要成员参与了包括973项目、863项目和国家自然科学基金项目在内的多项科研项目，授权发明专利2项，申请发明专利13项，发表学术论文35篇，获湖北省科技进步二等奖1项、贵州省科技进步奖三等奖1项。作为项目负责人承担了税务、教育和司法等领域的大型行业软件研制工作，累计科研到账经费600余万元。
莫然，华中师范大学副教授
个人简介：华中师范大学副教授，美国DrexelUniversity博士。主要研究方向包括软件架构的度量与检测、架构建模、架构重构分析等。在软件架构分析方面，申请了多项专利；在软件工程领域ICSE，ASE，TSE等顶级的会议和期刊上发表二十余篇学术论文。
参加方式：
CCF会员免费参加、媒体免费参加。
欢迎成为CCF会员：http://sso.ccf.org.cn/sso/login.do（扫码入会）
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。