Forbes网站今日消息,最近的技术历史中一个引人入胜的概念是所谓的“智能手机大战的和平红利”。该术语最初由前编辑克里斯·安德森(Chris Anderson)创造,是对移动计算热潮中大量基础技术的引用。
在2000年代末和2010年代初,移动市场的快速增长导致了技术的突飞猛进。随着苹果和三星等公司争相开发更好的智能手机,诸如GPS,相机,微处理器,电池,传感器和内存等核心技术在短短几年内变得更加便宜,体积更小,性能更好。
正如安德森(Anderson)在2013年所说:“ [这些要素]本质上是10年前的’unobtainium’。这是曾经的军事工业技术。您现在可以在RadioShack上花几美元购买它。”
这一创新浪潮对经济产生了巨大的二次影响。在过去的十年中,这些技术已从智能手机市场席卷而来,将行业从卫星转变为可穿戴设备,从无人机转变为电动汽车。
预计在未来几年,自动驾驶汽车领域将在广泛的行业中推动创新,发挥类似的基础作用。认为是。
比起任何其他人工智能的商业应用,更多的资源投入到了自动驾驶汽车上。投资者投入了数百亿美元。世界上许多顶尖的AI人才都在该领域工作。尽管全自动驾驶汽车仍在进行中,但近年来,自动驾驶汽车背后的大量研究工作推动了众多基础技术领域的进步。
与十年前的移动设备一样,所有这些创新的影响最终将远远超出音视频领域。在未来的几年中,这些核心技术将在各个行业中找到应用。
这是四个例子。计算机视觉使机器能够从图像或视频等视觉数据中提取见解;简而言之,其目的是使视力自动化。自然地,制造安全驾驶自己的汽车需要高度准确的计算机视觉。近年来,视音频行业已经突飞猛进地推动了计算机视觉领域的发展。今天,它是AI技术最成熟的子领域之一。
现在,计算机视觉技术已以重要方式应用于整个行业。视觉是人类最重要的感觉;使其自动化的能力为整个经济创造价值创造了巨大的机会也就不足为奇了。从保险到农业,从建筑到医疗保健,从安全到零售,由视音频行业承保的基本计算机视觉技术将在未来几年中在各个行业中迅速普及。

自动驾驶汽车行业开创了合成数据的商业使用。面对自动驾驶汽车在道路上可能遇到的每种可能情况收集驾驶数据的艰巨任务,AV公司已经构建了复杂的仿真引擎来人为地生成这些数据。
AI社区最近意识到,合成数据技术可以有效地应用于许多其他领域。现代机器学习的基本限制之一是,需要大量的数据集来正确训练AI模型。合成数据通过使AI研究人员能够按需生成他们所需的数据集,而不是依赖于专有的现实世界数据资产,提供了使机器学习民主化的潜力。
对于需要大量标记数据集的任何应用程序而言,合成数据都可能有用,换句话说,当今世界上几乎所有AI应用程序都可以使用合成数据。打造一种可以在高峰时段安全地驶过密集城市中心街道的自动驾驶汽车,这实际上是技术上的无限挑战。还有许多其他的机器人应用程序结构化和简单明了,但它们依赖于相同的基本导航功能:例如,代理预测和路径规划。这些应用中的许多代表了巨大的市场。
仓库机器人技术,农业机器人技术,采矿自动化,建筑自动化(实际上是任何涉及机器人自行在世界范围内移动的用例)都将受益于自动驾驶汽车工程师在机器人导航领域所做的开拓性工作。而且由于这些用例中的大多数比全自动驾驶汽车更容易完善,因此它们的影响会更快地得到体现。

对自动驾驶汽车的追求推动了硬件传感器(尤其是激光雷达)的巨大成本和尺寸改进。当Google在2010年代初开始在自动驾驶汽车原型上使用激光雷达传感器时,每个单元的成本约为80,000美元,重量超过50磅。如今,在由视听研究资金资助的类似摩尔定律的轨道之后,激光雷达供应商正在推出低于100美元的产品,这些产品比一副纸牌还要小。
激光雷达是非常有用的传感器,因为它们可以在三个维度上远距离捕获有关物理世界的高分辨率数据(与照相机不同)。随着激光雷达变得越来越便宜,体积更小,性能更高,人们期望激光雷达在各个行业中无处不在:物理安全,工业自动化,地图绘制,智能城市和各种机器人技术。

最后的想法
大规模部署自动驾驶汽车将对社会和经济产生巨大影响。但是,视音频研究和开发的二次溢出效应可能被证明更为重要。
就像我们在更早的技术周期中看到移动计算一样,财大气粗的竞争对手对庞大的新市场的追求激发了巨大的研究推动力,从而在几个基本技术领域取得了重大进展。随着时间的流逝,这些新技术将被广泛应用于视音频之外,并在各行各业中激增,并改变整个经济领域。
可以肯定的是:追求自动驾驶汽车引发的寒武纪创新爆炸只会在未来的几年中加剧。

头像

By szf