2020下半年电子元器件供应现状2020年即将过去，从年初的国内疫情开始，到目前为止国外疫情仍然不受控制，整个2020年电子元器件的供应情况都受到了一定程度的影响。同时，美国对中国高科技企业的制裁和管控，让国内不少企业的芯片供应情况更是雪上加霜。从2020年中开始，不少元器件的交期开始加长，尤其是MCU的供应，甚至出现现货市场上的MCU价格甚至出现一天一个价的情况。根据英蓓特多年的行业观察，下游终端客户通常很少会及时留意到上游市场上电子元器件供应的市场变化，或者说无暇那么及时地去处理并应对这种变化。这种供应端的波动和变化如无法及时应对，会致产品发布进程受阻，产品更新换代品质不稳定，研发成本压力大增，甚至错失上市时机。挑选合适的供应合作伙伴提前规划，规避风险物料如果是单靠终端企业自身去解决供应链问题，是非常困难的，也几乎是不可能的。因此这个时候，他们通常希望挑选合适的合作伙伴来降低这些风险。一个优秀的合作伙伴，需要根据市场的变化情况和终端客户的具体项目，分析出哪些是风险物料，给客户提供如何应对物料供应风险的建议，比如今年应对MCU、晶振、LCD等物料涨价和交期紧张的情况。那么到底有没有这样的合作伙伴呢？答案是有，但是能够做到及格的不多，做到90分的更是少之又少。英蓓特战绩：年出货量数百万片，99.8%按时交付英蓓特深耕嵌入式系统领域超20年，是深圳的国家级高新技术企业，隶属于全球电子元器件分销巨头安富利集团，在应对元器件物料采购风险上非常有经验。英蓓特对所有生产制造项目进行精细管理：1.物料分类：梳理BOM表里的高、中、低风险物料，分级别进行监控。2.专人看管：每个项目都有专业的项目经理进行看管，注重物料信息的及时更新。3.即时应对：在了解到市场开始有供应风险的时候，管理团队就会立即启动项目风险物料会，按照项目确认每个物料的交期更新，尤其是目前供应有风险的MCU，晶振，LCD等物料，从供应商端更新交期和价格。4.周期备料：周期性按照客户的订单和Forecast情况，英蓓特会综合给出风险物料清单和建议备料清单给客户。经客户同意后，英蓓特会进行单次或周期性的备料，提前规划，避免风险。在我们的管控下，多次避险，在某些元器件在市场中大批量缺货时，仍然成功按时出货。也正因如此，在我们为世界上最畅销单片电脑树莓派RaspberryPi几年的供货期间内，我们始终保证了充足的供应，出货PCBA近千万片，几乎没有出现交期和质量问题。英蓓特采购经理SusanSheng表示：“在市场供应不稳定的情况下，英蓓特不仅仅可以提供的是敏锐的洞察力和及时的备料分析和行动力，还可提供最及时的信息和备料建议给到客户，让客户能快速的应对紧张的市场变化，确保物料供应和给客户的出货稳定。”产品已经上岸，后续物料短缺怎么办？如果在紧张的市场环境下，前期产品已经上市，后期预估不足，下游终端企业没有及时备料，已经产生了物料短缺的情况下，面临排产困难，客户订单有可能被取消，可以说是十万火急。此时，英蓓特可以帮客户解决燃眉之急，依托母公司安富利集团优势，我们会帮客户在安富利集团全球范围内寻求货源支持，同时英蓓特的工程团队还可以推荐合适的替代料方案给到客户，此外我们还提供替代料的方案验证服务，以确保能成功取代缺货物料。如何应对中美贸易战以及美国出口管制？受中美贸易战以及美国出口管制影响，很多终端客户开始考虑去美国化，与此将面临很大的替代成本。英蓓特可以在这方面为客户提供价值，我们的海外工厂已经成功运作两年，服务过数十家国内外有此需求的客户。伴随区域全面经济伙伴关系RCEP协定的签署，客户可充分享受这一政策的利好，进一步降低成本，出口进口将更加方便，将极大地增强竞争优势。此外，我们有专业的贸易合规的团队，可帮助客户规避贸易风险。如果客户想准备进入全球新市场，那么遵守所有适用贸易法律至关重要。英蓓特母公司安富利集团是供应链和物流领域公认的领导者，业务遍及全球每个地区，在全球贸易合规方面有突出的专长。关于英蓓特：英蓓特（安富利制造服务）是全球领先的嵌入式系统解决方案供应商，同时也是国家级高新技术企业，在嵌入式系统软硬件设计领域超过20年的经验。我们与全球领先的半导体供应商进行战略合作，开发、构建和推出基于最新技术的开发平台。我们与树莓派官方组织合作，为其提供树莓派制造服务超过6年，并为全球客户提供独家树莓派定制服务，帮助客户将想法转化为产品解决方案，减少了产品上市的时间、成本和复杂性。

9月17日消息，在阿里巴巴2020云栖大会上，阿里云智能总裁、达摩院院长张建锋发布了物流机器人“小蛮驴”，同时发布机器人平台，正式进军机器人赛道。“物流配送需求正在极速爆发，预计在不久的将来，中国每天将产生10亿个配送订单。”张建锋在发布现场说，末端物流是整个物流体系中成本最高、效率最低的环节，物流机器人是阿里提供的解决方案。未来，小蛮驴机器人将率先在菜鸟驿站大规模投用。阿里巴巴介绍，达摩院自研的感知算法让机器人能够识别厘米级障碍物，高精定位算法让机器人能在无GPS环境下实现厘米级定位，意图预测算法则赋予了机器人超强意图识别能力，只用0.01秒就能判别100个以上行人和车辆的行动意图。只用0.01秒就能判别100个以上行人和车辆的行动意图，机器人还拥有大脑决策、小脑冗余、异常检测刹车等五重安全设计，确保最高安全性能。小蛮驴机器人集成了达摩院最前沿的人工智能和自动驾驶技术，具有类人认知智能，大脑应急反应速度达到人类7倍。它很快将在社区、学校、办公园区大规模使用。据悉，阿里巴巴已注册成立小蛮驴智能科技公司，推进机器人的研发和量产落地。除小蛮驴外，阿里达摩院还同步推出智能机器人平台，对外开放机器人通用技术和能力模块，用户可在该平台上快速开发各类不同场景机器人。除了轮式机器人，机器人平台还会开发双足、履带等不同类型机器人产品，用于救火救灾、防疫消杀、机场服务、景区导览、安全巡防等场景。转载自中文业界资讯站。

1959年，诺贝尔奖得主、理论物理学家RichardFeynman首次提出微型医用机器人的概念。此后，将电子器件微型化以生产细胞大小的机器人一直是科学家们追求的目标，但由于缺乏合适的微米级致动器系统，该技术一直受到限制。近日，使机器人移动的重要部件——致动器研究终于出现重大突破，来自美国宾夕法尼亚大学及康奈尔大学的科学家团队首次制造出尺寸小于0.1毫米(约为人的头发宽度)的机器人，并且，还能够进行大规模生产，一个4英寸的硅片就可以同时制造约100万个这种机器人。研究在线发表在国际顶级期刊Nature上，题为“Electronicallyintegrated,mass-manufactured,microscopicrobots”。虽然体形微小，但它们却十分结实，在未来，这些微型机器人或许可以穿梭在人体组织和血液中，执行外科医生的操作，缝合血管，探测人类大脑等。当激光照射到光电板上时，机器人就能行走（来源：康奈尔大学）这种微型机器人每个大约有5微米厚(1微米是一米的百万分之一)、40微米宽、40到70微米长，可说是“专为行走而生”。每个机器人都由一个硅光电板制成的简单电路组成，其基本功能类似于躯干和大脑，还有四个电化学驱动器构成了机器人的腿。创造腿可谓是一项壮举，研究人员以不同光伏闪烁激光脉冲来控制这些机器人移动，每一个脉冲可以给一只腿充电，通过在光电板前后切换激光来控制机器人行走。它们在低电压（200毫伏）和低功率（10毫微瓦）条件下就可移动。数以千计的机器人“大军”一个机器人走过显微镜载玻片本文通讯作者之一ItaiCohen教授由于它们是由高度稳定的材料制成的，所以很坚固，能在高酸性环境和超过200-k的温度变化中生存下来。此外，由于它们体型微小，还可以通过最小型号的注射针头进行皮下针头注射，并且在注射后也可维持机械功能，这也为探索生物内环境带来了可能。这些机器人和草履虫等微生物差不多大（来源：康奈尔大学）目前，这些微型机器人最大的缺点在于缺乏综合控制，它们必须始终与它们的能力和信息源“拴在一起”。目前功能仍有限，比如不能自动行走，移动速度比大多数游泳机器人慢，且不能感知环境。但美国麻省理工学院科学家迈克尔·斯塔诺表示，虽然有以上缺陷，但这些机器人最有价值的是它们与现有硅技术的兼容，正是这一兼容性，让其在不久的未来很快就能够开发更多实用性功能。未来，这种微型机器人不仅能在液体中移动，还可以使用车载传感器和逻辑电路输入更高级的指令，执行更加复杂的操作。转载自MEMS。

说起机器人界的网红，就不得不提一下波士顿机械狗。而现在，华为似乎也推出了一款类似的机器狗。8月23日消息，据微博数码博主@鹏鹏君驾到爆料，在深圳华为店线下店，华为公布了其一款有趣的“机器狗”产品。该博主表示，在深圳华为店线下交流活动中，华为中央研究院展示了一款华为和宇树科技合作的AI机器狗智能技术，用于全场景的AI技术方案。他还表示，这个机器狗不算是个人消费终端，是一个面向企业可用的机械设备。用于智能识别、目标定位等场景，可以做到动态多目标追踪，以及目标主动的追随等，科技含量十足。从该博主分享的PPT图片来看，该机器狗采用了华为AI技术，包括了“前沿AI技术探索”、“成熟的AI技术应用”、“全场景的AI技术解决方案”。从视频中可以看出，机械狗活动十分灵活，甚至还能够做到前空翻。而广为人知的波士顿机械狗经过近多年来的持续研发，目前技术已经相对十分成熟，已实现海上巡逻员、前线抗疫助手、公园安保、放牧人等多种职能,并且已经开卖。不过华为这款全新的机器狗似乎与波士顿机械狗十分相似。随着发布，应该距离上市也不远了。虽然目前来看应该没有波士顿机械狗那样强大，但随着不断开发，其功能和使用场景应该都差不多。转载自芯智讯。

据外媒报道，在过去的三年里，由谷歌前机器人主管AaronEdsinger博士领导的一个团队一直在秘密研制一种辅助机器人--HelloRobot。现在，这款机器人已经从隐形状态对外展示出它的第一个成果--延伸研究版(StretchResearchEdition)。Stretch的底座看起来像一个机器人吸尘器，上面则安装有一根超一米的杆，中间配有一根可伸缩手臂。这个手臂可以在竿子上上下移动--“从刚好高于地板的高度到远远高于台面的高度”，可从底座边缘延伸到52厘米。由于这个机器人配备了两轮电动驱动系统和全轮脚轮，所以它可以以每秒0.6米的速度前进。移动时，手臂末端的夹持器可以跟底座保持平齐，在需要时则可通过旋转来执行任务。HelloRobot表示，Stretch是第一个能在家里或工作场所轻松操作的移动机械手，并且还可以放在汽车的后面在项目地点之间运输。这款高141厘米、重23公斤的辅助机器人还配备了3D摄像头、激光测距仪和内置配备了英特尔酷睿i5处理、16GBRAM和500GBSSD的电脑。头部则装有四通道麦克风阵列和8瓦立体声扬声器并支持音量调整功能。此外，它还有USB,、HDMI和以太网端口。机器人运行的软件为开源软件，并配有一个机器人操作系统(RoboticOperatingSystem)界面和一个低级别的Python硬件界面，同时还被设置为自动启动。该机器人拥有大量的安装点和用于定制修改的扩展端口，同时还附带一个开源库从而能够支持3D打印配件。据悉，延伸研究版目前的售价为17950美元。转载自半导体行业联盟。

据外媒报道，七年前，哈佛大学打造一个受蟑螂启发的HAMR(HarvardAmbulatoryMicroRobot)机器人。尽管当时这个机器人已经很小了，但它的设计者现在打造了一个只有其一半大小的版本。初始版HAMR只有4.4厘米长并且使用起四条陶瓷驱动的腿以每秒高达8.4个身体长度的速度快速移动。这个机器人利用了哈佛的印刷电路微电子机械系统(PC-MEMS)制造方法建造而成。其中涉及到制作一个由微层建筑材料构成的平板，然后通过使用激光将其切割成图案。构成这些图案的不同面板通过灵活的铰链连接在一起。这使得面板可以折叠成三维形状。为了打造HAMR-JR，科学家们基本上只缩小了二维的图案设计以及腿部执行器和集成电路。电源通过硬线外接电源提供。最终得到的机器人只有2.25厘米长，重量只有0.3克。也就是说，它的最大速度要比原来的更快，大约每秒运动的长度可达14个身长。另外，它还可以跳跃、携带比自身更重的载荷并在现场转弯。这项研究论文的第一作者KaushikJayaram指出：“大多数这种规模的机器人都非常简单，只能展示基本的移动能力。我们已经证明，你不需要牺牲灵活性或控制大小。”转载自中文业界资讯站。

麻省理工学院的科学家正在研究软机器人技术，这是一种使用柔性材料而非传统刚性材料的机器人技术。目前，由于缺乏良好的感知能力，软机器人的能力受到限制。一个机械手需要感受它所触摸的东西和它手指的位置，这是大多数软机器人所缺少的能力。麻省理工学院的研究人员发表了2篇新论文，概述了让机器人更好地感知他们正在与之互动的新工具。具体来说，论文描述了新的方法，让机器人看到和分类项目，以及获得更柔和，更微妙的触摸。研究小组说，这些柔软的机器人手上有装有传感器的皮肤，可以用来捡起从薯片等易碎物品到奶瓶等更重的物品。其中一篇论文建立在麻省理工学院和哈佛大学去年的研究基础上。在那项研究中，研究小组开发了一种软的机械手，它是一种锥形的折纸结构。它能够折叠在物体上，捡起比它本身重100倍的物品。研究小组现在已经在折纸结构上增加了由乳胶囊连接到压力传感器的触觉传感器。新的传感器可以让机器人抓取物体并对其进行分类，让机器人更好地了解它在抓取什么。传感器准确识别出10个物体，准确率超过90%，即使一个物体从夹具中滑出。第二篇论文概述了研究人员发明的一种称为“GelFlex”的手爪，该手爪使用嵌入式摄像头和深度学习，实现高分辨率触觉感知和对机器人身体运动位置的感知。个手爪看起来像一个两个手指的杯子夹持器，它使用肌腱驱动的机制来驱动手指。当对各种形状的金属物品进行测试时，该系统能够准确识别超过96%的物体。转载自中文业界资讯站。

波士顿动力即将发布的SpotRelease2.0对导航、自主性、感测、用户可编程性、有效载荷集成、通信等进行了改进。自主导航API功能极大拓展了Spot执行自动巡检和检查等导航能力。现在，应用程序可以发出Spot高级导航命令，而不必遵循预定的路径。还可以通过基于决策树的系统对机器人进行编程，以便用户可以将导航、感测和动作命令进行组合。2.0版本还使Spot在光滑的表面上更具弹性，并能有效识别楼梯，而不像之前的版本，将楼梯时别为小山丘。新版本还更新了有效负载，SpotCAM包括一个360°球形彩色摄像头和一个可选的PTZ摄像头或LIDAR（激光雷达）。可显着增强自动操作和数据采集的感知范围，2.0版还将API访问权限添加到SpotCAM。创始人Raibert表示，2.0版本更广泛目标是转向一个更具凝聚力的平台，将人们的需求添加到Spot中，然后对系统进行整体编程。Raibert预计今年还将上市Spot的头戴式臂架，可承载14公斤，附加更多的功能和特性，并将AI运用到其中。关于Spot的价格，Raibert表示正在努力降低成本。转载自中文业界资讯站。

4月28日消息，今天大疆正式发布御MavicAir2航拍无人机，单机售价4999元，畅飞套装6699元，支持12期免息。官方表示，御MavicAir2不仅仅是2018年MavicAir时隔两年后的换代之作，也是在智能、影像、续航、飞行安全、图传等领域全方位提升的里程碑级产品。御Air2整体机身经过重新设计，气动性能更好，最快速度达到19米/秒，飞行电池容量3500mAh，连续航时间也提升到了34分钟（无风环境14Km/h匀速飞行）。起飞重量570克，最大上升速度4m/s，最大下降速度5m/s，最大起飞海拔高度5000米，最大抗5级风。御Air2采用1/2英寸CMOS传感器（等效焦距：24mm、光圈：f/2.8），支持拍摄4K/60fps视频及4800万像素照片，支持拍摄8K移动延时摄影。它还具备6种一键短片模式，只需轻点几下就能获得具有专业水准的画面。还可以通过Story模板添加配乐、动效、滤镜，轻松完成后期剪辑。大疆的OcuSync2.0给御Air2带来远达10公里的图传距离，还是1080p高清图传画面，其2.4/5.8GHz双频通信，抗干扰也更加强悍。御Air2采用前、后、下视三向环境感知结合APAS3.0全局路径规划算法，可实现复杂场景下的顺滑跟随和灵活避障。相对于前代产品，避障性能和规划路径的能力都有大幅提升。遥控器使用适配全面屏手机的新型夹持结构，握持和操控体验提升，支持边充电边飞行，电量长达4小时。来源于中文业界资讯站。

机器学习系统在面部识别系统到自主车辆等所有领域的普及，伴随着攻击者想方设法欺骗算法的风险。简单的技术已经在测试条件下起了作用，研究人员有兴趣找到减轻这些和其他攻击的方法。国防部高级研究项目局（DARPA）已经找来了英特尔和佐治亚理工学院（GeorgiaTech），负责领导旨在防御机器学习算法对抗欺骗攻击的研究。欺骗攻击在实验室测试之外很少见，但在实操环境下可能会造成重大问题。例如，McAfee早在2月份就曾报道，研究人员通过在限速标志上贴上两英寸的黑色电子胶带，欺骗了特斯拉ModelS中的速度辅助系统，使其超速行驶50英里/小时。还有其他的例子也不胜枚举，这证明欺骗人工智能并不算困难，几乎谁都能做到。DARPA认识到欺骗攻击可能会对任何使用机器学习的系统构成威胁，并希望主动出击，减轻这种企图。因此，大约一年前，该机构制定了一个名为GARD的计划，即GarangingAIRobustnessagainstDeception的缩写。英特尔已经同意成为与乔治亚理工学院合作的四年期GARD计划的主要承包商。"英特尔和佐治亚理工学院合作，共同推进生态系统对人工智能和ML漏洞的集体理解和能力，"DARPAGARD计划的首席工程师和研究人员JasonMartin说。"通过对相干技术的创新研究，我们正在合作研究一种方法，以增强对象检测，提高AI和ML应对对抗性攻击的能力。"目前的欺骗缓解的主要问题是基于规则的、静态的设定。如果规则不被打破，欺骗就能成功。由于欺骗人工智能的方式几乎有无数种，仅仅受限于攻击者的想象力，因此需要开发出更好的系统。英特尔公司表示，该计划的初始阶段将着重于利用图像和视频中的空间、时间和语义的一致性来改进物体检测。DARPA信息创新办公室的项目经理HavaSiegelmann博士设想的系统与人类的免疫系统并无不同，你可以把它称为另一个机器学习系统中的机器学习系统。"我们希望产生的那种基于广泛场景的防御，可以在免疫系统中看到，比如说，免疫系统可以识别攻击，成功拦截后记住本次攻击的方式，以便在未来的交战中创造出更有效的反应。"Siegelmann博士说。"我们必须确保机器学习是安全的，不能被欺骗。"来源于中文业界资讯站。

机器学习和深度学习已成为我们生活中不可或缺的部分。利用自然语言处理（NLP）、图像分类和物体检测实现的人工智能（AI）应用已深度嵌入到我们使用的众多设备中。大多数AI应用通过云引擎即可出色地满足其用途，例如在Gmail中回复电子邮件时可以获得词汇预测。虽然我们可以享受到这些AI应用带来的益处，但这种方法导致隐私、功耗、延时和成本等诸多因素面临挑战。如果有一个能够在数据来源处执行部分或全部计算（推断）的本地处理引擎，那么这些问题即可迎刃而解。传统数字神经网络的存储器功耗存在瓶颈，难以实现这一目标。为了解决这一问题，可以将多级存储器与模拟内存内计算方法结合使用，使处理引擎满足更低的毫瓦级（mW）到微瓦级（μW）功率要求，从而在网络边缘执行AI推断。通过云引擎提供服务的AI应用面临的挑战如果通过云引擎为AI应用提供服务，用户必须将一些数据以主动或被动方式上传到云，计算引擎在云中处理数据并提供预测，然后将预测结果发送给下游用户使用。下面概述了这一过程面临的挑战：图1：从边缘到云的数据传输1.隐私问题：对于始终在线始终感知的设备，个人数据和/或机密信息在上传期间或在数据中心的保存期限内存在遭受滥用的风险。2.不必要的功耗：如果每个数据位都传输到云，则硬件、无线电、传输装置以及云中不必要的计算都会消耗电能。3.小批量推断的延时：如果数据来源于边缘，有时至少需要一秒才能收到云系统的响应。当延时超过100毫秒时，人们便有明显感知，造成反响不佳的用户体验。4.数据经济需要创造价值：传感器随处可见，价格低廉；但它们会产生大量数据。将每个数据位都上传到云进行处理并不划算。要使用本地处理引擎解决这些挑战，必须首先针对目标用例利用指定数据集对执行推断运算的神经网络进行训练。这通常需要高性能计算（和存储器）资源以及浮点算数运算。因此，机器学习解决方案的训练部分仍需在公共或私有云（或本地GPU、CPU和FPGAFarm）上实现，同时结合数据集来生成最佳神经网络模型。神经网络模型的推断运算不需要反向传播，因此在该模型准备就绪之后，可利用小型计算引擎针对本地硬件进行深度优化。推断引擎通常需要大量乘-累加（MAC）引擎，随后是激活层（例如修正线性单元（ReLU）、Sigmoid函数或双曲正切函数，具体取决于神经网络模型复杂度）以及各层之间的池化层。大多数神经网络模型需要大量MAC运算。例如，即使是相对较小的“1.0MobileNet-224”模型，也有420万个参数（权重），执行一次推断需要多达5.69亿次的MAC运算。此类模型中的大多数都由MAC运算主导，因此这里的重点是机器学习计算的运算部分，同时还要寻找机会来创建更好的解决方案。下面的图2展示了一个简单的完全连接型两层网络。输入神经元（数据）通过第一层权重处理。第一层的输出神经元通过第二层权重处理，并提供预测（例如，模型能否在指定图像中找到猫脸）。这些神经网络模型使用“点积”运算计算每层中的每个神经元，如下面的公式所示：（为简单起见，公式中省略了“偏差”项）。图2：完全连接的两层神经网络在数字神经网络中，权重和输入数据存储在DRAM/SRAM中。权重和输入数据需要移至某个MAC引擎旁以进行推断。根据下图，采用这种方法后，大部分功耗都来源于获取模型参数以及将数据输入到实际发生MAC运算的ALU。从能量角度来看，使用数字逻辑门的典型MAC运算消耗约250fJ的能量，但在数据传输期间消耗的能量超过计算本身两个数量级，达到50皮焦（pJ）到100pJ的范围。公平地说，很多设计技巧可以最大程度减少存储器到ALU的数据传输，但整个数字方案仍受冯·诺依曼架构的限制。这就意味着，有大量的机会可以减少功率浪费。如果执行MAC运算的能耗可以从约100pJ减少到若干分之几pJ，将会怎样呢？消除存储器瓶颈同时降低功耗如果存储器本身可用来消除之前的存储器瓶颈，则在边缘执行推断相关的运算就成为可行方案。使用内存内计算方法可以最大程度地减少必须移动的数据量。这反过来也会消除数据传输期间浪费的能源。闪存单元运行时产生的有功功率消耗较低，在待机模式下几乎不消耗能量，因此可以进一步降低能耗。图3：机器学习计算中的存储器瓶颈来源：Y.-H.Chen、J.Emer和V.Sze于2016国际计算机体系结构研讨会发表的“Eyeriss:ASpatialArchitectureforEnergy-EfficientDataflowforConvolutionalNeuralNetworks”。该方法的一个示例是Microchip子公司SiliconStorageTechnology（SST）的memBrain?技术。该解决方案依托于SST的SuperFlash?存储器技术，这项技术已成为适用于单片机和智能卡应用的多级存储器的公认标准。这种解决方案内置一个内存内计算架构，允许在存储权重的位置完成计算。权重没有数据移动，只有输入数据需要从输入传感器（例如摄像头和麦克风）移动到存储器阵列中，因此消除了MAC计算中的存储器瓶颈。这种存储器概念基于两大基本原理：(a)晶体管的模拟电流响应基于其阈值电压（Vt）和输入数据，(b)基尔霍夫电流定律，即在某个点交汇的多个导体网络中，电流的代数和为零。了解这种多级存储器架构中的基本非易失性存储器（NVM）位单元也十分重要。下图（图4）是两个ESF3（第3代嵌入式SuperFlash）位单元，带有共用的擦除门（EG）和源线（SL）。每个位单元有五个终端：控制门（CG）、工作线（WL）、擦除门（EG）、源线（SL）和位线（BL）。通过向EG施加高电压执行位单元的擦除操作。通过向WL、CG、BL和SL施加高/低电压偏置信号执行编程操作。通过向WL、CG、BL和SL施加低电压偏置信号执行读操作。图4：SuperFlashESF3单元利用这种存储器架构，用户可以通过微调编程操作，以不同Vt电压对存储器位单元进行编程。存储器技术利用智能算法调整存储器单元的浮栅（FG）电压，以从输入电压获得特定的电流响应。根据最终应用的要求，可以在线性区域或阈下区域对单元进行编程。图5说明了在存储器单元中存储多个电压的功能。例如，我们要在一个存储器单元中存储一个2位整数值。对于这种情况，我们需要使用4个2位整数值（00、01、10、11）中的一个对存储器阵列中的每个单元进行编程，此时，我们需要使用四个具有足够间隔的可能Vt值之一对每个单元进行编程。下面的四条IV曲线分别对应于四种可能的状态，单元的电流响应取决于向CG施加的电压。图5：ESF3单元中的编程Vt电压受训模型的权重通过编程设定为存储器单元的浮栅Vt。因此，受训模型每一层（例如完全连接的层）的所有权重都可以在类似矩阵的存储器阵列上编程，如图6所示。对于推断运算，数字输入（例如来自数字麦克风）首先利用数模转换器（DAC）转换为模拟信号，然后应用到存储器阵列。随后该阵列对指定输入向量并行执行数千次MAC运算，产生的输出随即进入相应神经元的激活阶段，随后利用模数转换器（ADC）将输出转换回数字信号。然后，这些数字信号在进入下一层之前进行池化处理。图6：用于推断的权重矩阵存储器阵列这类多级存储器架构模块化程度非常高，而且十分灵活。许多存储器片可以结合到一起，形成一个混合了权重矩阵和神经元的大型模型，如图7所示。在本例中，MxN片配置通过各片间的模拟和数字接口连接到一起。图7：memBrain?的模块化结构截至目前，我们主要讨论了该架构的芯片实施方案。提供软件开发套件（SDK）可帮助开发解决方案。除了芯片外，SDK还有助于推断引擎的开发。SDK流程与训练框架无关。用户可以在提供的所有框架（例如TensorFlow、PyTorch或其他框架）中根据需要使用浮点计算创建神经网络模型。创建模型后，SDK可帮助量化受训神经网络模型，并将其映射到存储器阵列。在该阵列中，可以利用来自传感器或计算机的输入向量执行向量矩阵乘法。图8：memBrain?SDK流程多级存储器方法结合内存内计算功能的优点包括：1.超低功耗：专为低功耗应用设计的技术。功耗方面的第一个优点是，这种解决方案采用内存内计算，因此在计算期间，从SRAM/DRAM传输数据和权重不会浪费能量。功耗方面的第二个优点是，闪存单元在阈下模式下以极低的电流运行，因此有功功率消耗非常低。第三个优点是待机模式下几乎没有能耗，原因是非易失性存储器单元不需要任何电力即可保存始终开启设备的数据。这种方法也非常适合对权重和输入数据的稀疏性加以利用。如果输入数据或权重为零，则存储器位单元不会激活。2.减小封装尺寸：该技术采用分离栅（1.5T）单元架构，而数字实施方案中的SRAM单元基于6T架构。此外，与6TSRAM单元相比，这种单元是小得多。另外，一个单元即可存储完整的4位整数值，而不是像SRAM单元那样需要4*6=24个晶体管才能实现此目的，从本质上减少了片上占用空间。3.降低开发成本：由于存储器性能瓶颈和冯·诺依曼架构的限制，很多专用设备（例如Nvidia的Jetsen或Google的TPU）趋向于通过缩小几何结构提高每瓦性能，但这种方法解决边缘计算难题的成本却很高。采用将模拟内存内计算与多级存储器相结合的方法，可以在闪存单元中完成片上计算，这样便可使用更大的几何尺寸，同时降低掩膜成本和缩短开发周期。边缘计算应用的前景十分广阔。然而，需要首先解决功耗和成本方面的挑战，边缘计算才能得到发展。使用能够在闪存单元中执行片上计算的存储器方法可以消除主要障碍。这种方法利用经过生产验证的公认标准类型多级存储器技术解决方案，而这种方案已针对机器学习应用进行过优化。作者简介VipinTiwari在产品开发、产品营销、业务开发、技术许可、工程管理以及存储器设计方面拥有20多年的丰富经验。目前，Tiwari先生在Microchip的子公司SiliconStorageTechnology,Inc.担任嵌入式存储器产品开发总监。

工业机器人是第四次工业革命（即“工业4.0”）的重要元素，这些设备联接到系统和远程传感器，构成了物联网（IoT）的重要组成部分—工业物联网（IIoT）。据国际机器人联盟（IFR）（www.ifr.org）的数据，2018年部署了近250万台工业机器人，且这个数字以每年超过40万台的速度增长。其中，工业，汽车和电气/电子行业占总部署的一半以上，金属和机械、塑料、化工和食品饮料也是重要用户。所有工业机器人中约有75％部署在中国、日本、美国、韩国和德国。机器人的迅速普及不仅限于工业领域，到2018年为止已部署了25万台“专业服务”机器人。这是惊人的增长，年增率超过60％。五分之二已部署的服务机器人被归类为自动导引车（AGV），主要用于物流和制造业。个人和家用机器人市场的增长速度相似（约为60％），目前包括约1,630万台机器人，用于吸尘、教育和研究等各种任务。48V和机器人48V已在许多应用中流行起来，部分因为该电压是通用的最高安全电压。与主电源供电的设备相比，这可使设计人员减少系统保护，并减小导体的尺寸（与12V供电产品相比），从而减少重量、成本和功率损耗。直接由48V供电的电机通常也较小，在机器人应用中，这支持更小和更轻的接头，从而提高机器能效、灵巧性和可靠性，同时减轻重量和成本。这进而为机器人应用开辟更多潜在的机会，以提高所有行业中流程的自动化。48V在当今许多应用中非常流行，包括汽车。在许多车载设备中，48V受欢迎程度迅速超过12V，在云计算中，48V配电用于服务器背板、散热风扇和其他电信相关应用。这种普遍性意味着48V电源的设备和子系统是普遍可用的，这为设计人员增加了选择范围，并以规模经济降低成本。图1：典型机器人的高级框图（包括电源系统）机器人是相当复杂的系统，根据应用和功能的不同，机器人将含许多功能元素，包括联接、图像感知、位置感测和电机控制。还有许多不同的电源子系统，包括AC-DC转换、电池管理、DC-DC转换、多相转换器、负载点（PoL）转换、线性调节和电机驱动器。这每一个领域都需要高能效的方案，以使机器人能够按照设计人员的预期进行工作。如果我们看汽车或云计算系统的类似功能框图，我们会发现与机器人框图有很多相似之处。这为从其他应用到机器人的交叉电源方案带来机会。例如，eFuse广泛用于云计算，以支持存储介质的热交换和冷却设备，如风扇。然而，在机器人应用中，同样的eFuse可以用来引入模块化，从而即使在操作过程中，机器人自身也能够根据手头的任务交换功能块（如工具块）。为48V机器人应用提供电源方案许多现代机器人应用都使用48V总线在系统周围传输电源。其损耗是典型的12V总线的1/16，或者允许使用更细更轻的电缆。在固定机器人安装中，48V将由市电电源产生，将包含功率因数校正（PFC）前端。无人机、护理助手等移动机器人将配备车载电池，定期从电源适配器充电。很少有半导体能够直接从48V开始工作，通常需要降至5V亚伏级水平。非隔离式PoL转换器在此发挥重要作用，将较高的电压转换为IC所需的电平。在某些情况下，使用中间总线转换器（IBC）来创建中间总线电压（通常为12V），该转换器与PoL转换器松散调节，将12V转换为IC供电电压。单级转换越趋成为首选，现在可以使用许多PoL转换器直接将48V电源轨转换为IC电源电压。如所有电源方案一样，机器人应用的电源架构需要高效、可靠，并提供高功率密度，以使机器人足够小巧、灵巧，从而很好地执行其功能。实现此目标的关键是选择合适的半导体以在机器人内形成各种电源功能。机器人电源应用的半导体方案安森美半导体是拥有应用专知并投资以提供各种器件和电源产品的公司典范，使设计人员能够为机器人应用设计高性能电源方案。几乎所有电源方案中最常用的器件之一是MOSFET。安森美半导体的广泛产品范围包括具有多种版本的“超级结”MOSFET，可用于不同的开关类型和应用。FAST器件在硬开关拓扑结构中提供高能效，而易驱动器件既适用于硬开关应用，又适用于软开关应用，可确保低电磁干扰（EMI）和降低电压尖峰。与MOSFET产品配套的是各种高压门极驱动器，支持微控制器或其他逻辑电路直接控制MOSFET。根据电路结构，可以使用简单的非隔离驱动器（例如安森美半导体的NCD570x系列），或者可能需要更精密的隔离方案或高边和低边驱动器。高度集成的方案如智能功率模块（IPM）和汽车电源模块（APM），带来了许多好处。通常，它们将集成多个MOSFET用于与必要的驱动器一起进行多相电机驱动。这些模块比分立方案提供更好的热性能，因为所有器件都贴装在同一基板上。它们还能够处理更高的电流水平，同时改善EMI，并提供比分立方案更小更轻的方案。除这些方案外，安森美半导体还为机器人电源应用提供完整的产品组合，包括eFuse、PFCIC、整流器、电流检测器和开关，用于提供辅助电源轨。配以安森美半导体业界最低功耗的蓝牙模块，用于通讯，以及各种图像传感器实现先进机器视觉。文章来源于网络

科学技术的发展，让我们在面对这次疫情时展现出史无前例的能力。我们看到10天建成火神山医院、无人机和测温仪在防疫工作中的应用，甚至轮式机器人也开始在医院协助医护人员开展工作。网络购物的发展带动了物流中心数量的增加，因而在物流中心处理许多繁重任务的轮式机器人的数量也随之增加。近段时间，我们越来越多的在银行、商场、酒店、超市看到人类友好型机器人。谁都没想到，这些轮式机器人要应对的下一个挑战——最后一公里交付，来的如此猝不及防。在少聚会、少旅行，不去或少去人员密集场所，乘坐公交地铁火车航班等全程戴口罩的倡议下。轮式机器人存在的意义凸显，这并不是高难度的工作，他们很快就会把药品、文件、外卖等送到办公室或病房。轮式机器人应用组合随着一些人认为是“伪装机器人”的轮式机器人的出现，让我们来看看目前业界使用的整个机器人组合：工业机器人（或机械臂）在工厂里可以处理焊接、码垛、分拣和升降等任务。它们通常位于地板、天花板或墙上的固定位置。它们由放置在底座或机械臂附近的控制器控制。虽然如机械臂等大型工业机器人已使用多年——主要应用于汽车工业中，但随着人类与机器人之间的合作机会不断增加，被称为cobots（协作机器人）的小型变种机器人正在显著进入市场。使用TI的毫米波或飞行时间(TOF)传感技术在拥挤不堪的物流中心实现精确的障碍物感测物流机器人可以用于仓库、配送中心、港口甚至校园。这些机器人能够取货，然后将其送到包装站，或者机器人可以把货物从一栋楼运到另一栋楼。这些机器人在特定的环境中移动，需要很多传感器来定位和绘制地图，也需要传感器来避免碰撞。接待机器人可以用于超市、机场和宾馆。这些机器人作为虚拟工作人员，来欢迎和引导客户/客人。库存机器人可以用于超市或库房，能够定期扫描货架，从而确保商店的产品永远不会短缺。工业机器人通常位于“封闭”环境中，出于安全原因，如果该环境有人类进入，会停止机器人的运行。但是限制人类/机器人协作，阻止了很多益处的实现。具有自主运行功能的机器人，可以支持人类与机器人安全高效地共存。

根据著名期刊《国家科学评论》（NationalScienceReview）发表的研究成果，中国研究人员在国际上第一次实现了基于无人机的量子纠缠分发，填补了该领域的空白。据悉，南京大学祝世宁、谢臻达、龚彦晓团队历时两年多研发了这套无人机量子分发系统。在试验中，由一架八轴旋翼无人机搭载重约10公斤的量子通信系统，在几十米高空分别向100米外地面上的两个便携式地面站发射一对纠缠光子，均几乎完好抵达。测量结果显示，A、B两点光子纠缠态的贝尔不等式S值达到2.49，量子纠缠分发获得成功。另外，无人机搭载的纠缠光源净重只有468克，比传统技术下轻了一个数量级以上，但效率依然非常高，每秒可产生240万对纠缠光子。有评论指出，量子通信的“下一个最佳选择可能是相对便宜的无人机”。量子纠缠是一种奇异的量子力学现象，处于纠缠态的两个光子不论相距多远都存在一种关联，其中一个量子状态发生改变，另一个的状态会瞬时发生相应改变。文章来源网络

机甲战士终于来到了我们身边为了减轻重物搬运的压力，Sarcos机器人公司已经与达美航空公司开始进行合作。总部位于犹他州的机器人公司Sarcos正在开发一种机器人外骨骼，它将从根本上改变工地上的负重工作方式。正值CES的第一天，Sarcos宣布与达美航空公司(DeltaAirLines)合作，将他们的超级战衣带给航空人员。Sarcos的这款名为GuardianXO的套装本质上是一个工人穿的机器人。它使普通人能够用自然的身体运动举起并熟练地操作超过100磅的重物。多年来，电池的重量和容量限制了无缆全电动工业套装的潜力，但Sarcos的工程师们似乎已经用新颖的控制和电源管理技术解决了这个难题。我的最佳猜测是，宇航服是被动的，也就是说，它在静止时不消耗能量。这个简单的转变改变了机器人领域的游戏规则。多年来，笨重的机械手臂用大量的能量驱动关节来保持着单一的姿势。通过将耗电量降至几乎为零的情况下，利用最先进的电池和电源管理技术，Sarcos终于为普通人打造了一套毫无束缚的超级准备。为何说这是一个游戏规则的改变，想象一下这套装备不像一个动力辅助设备，更像一个叉车。通过承受这套服装和有效载荷的重量，外骨骼可以让员工在8小时内反复举起200磅的重量，而不会感到紧张或疲劳。最明显的应用是装载货物，这在航空业很常见。达美航空公司负责机场客户服务和货运的高级副总裁GarethJoyce表示:“我们应该感谢地球上最优秀的航空公司员工，来探索新兴技术是如何让我们的工作更安全、更容易的。”“这就是我们寻求与Sarcos合作的原因。”达美是第一家一线员工与Sarcos直接合作以确定GuardianXO的潜在操作用途的公司。去年11月，达美航空公司代表机场客户服务和货运部门参观了Sarcos的总部，了解它的运作情况，并探讨可穿戴机器人在日常工作中可能给他们带来的好处。GuardianXO被设计用于需要搬运和操作大型或笨拙物体的行业中，这些行业不容易通过标准的升降设备进行操作。达美依靠这件超级装备可以在货仓搬运货物、维修部件，或为地面支持设备提升重型机械和零件。达美航空计划于2020年第一季度在试点地区测试该技术，让员工有机会在真实环境中体验该技术，并就其功能提供额外的反馈。Sarcos首席执行官BenWolff表示:“我们寻找的是在技术应用方面明显处于领先地位的公司，它们有创新的历史，能够满足客户和员工的需求。达美航空是航空业的天然选择，在我们努力将这项技术用于商业部署的过程中，达美显然是很好的合作伙伴。”文章来源于网络

Bot3Zen-PVSLAM深度学习模块可以集成在各种移动机器人上，以提供室内地图，定位和无轨自动导航。Bot3作为业内顶尖的企业，具有领先的机器视觉深度学习方案。BOT3的VSLAM技术能够帮助机器人实现3D全面性记忆思考。通常，传统的机器人只能2D作业，一旦被抬起来或搬动，就会迷失方向，而BOT3运用自己的专利3D技术，可以使机器人就算被搬动或者移动后，也能继续完成任务并准确地回到原点。该模块可用于家用机器人，例如：家用环境中的RVC（机器人真空吸尘器）和智能机器人，或工业机器人，例如：制造，产品组装，军事和国防，仓库，物料搬运中的AGV（自动导引车）等，以及医院，旅馆，饭店等中的服务机器人。文章来源于网络

荷兰半导体设备供应商ASML表示，无论有无美国发放的极紫外光光刻机（EUV）销售许可证，ASML都希望对华继续供应半导体设备，并希望2020年增加其产品在中国市场的销售份额。据了解，在EUV光刻机领域，ASML是全球唯一能生产EUV的企业，美国一直反对这家荷兰企业与中国的芯片制造公司有过多的生意往来。据路透社报道，稍早前特朗普政府展开“强大攻势”，阻止荷兰向中国出售芯片制造技术。美国国务卿迈克·蓬佩奥正在游说荷兰政府，同时白宫官员向荷兰首相分享了一份机密情报报告。此前并未报道的高规格做法，表明了白宫对阻止中国获得制造世界上最快微处理器所需机器的重视程度。这也显示了美国政府在试图单方面阻止先进技术流入中国方面，很大程度上还难以得逞。本文转载自网络

近日，华为商城上架了一款mBot编程机器人，支持HUAWEIHiLink，原价549元，限时特惠499元。作为入门级的STEAM教育机器人，mBot让机器人编程学习和教学变得简单有趣。mBot已进入“美国CSTAK-12CS标准”《用mBot学编程：玩转无人驾驶汽车》课程。mBot采用模块化设计，各电子模块与主板接口之间以颜色区分，匹配相应的颜色就能接线，只需一把螺丝刀就开始搭建。通过配套游戏化学习app，mBot将编程知识点设计成一个个游戏关卡，引导孩子编程遥控mBot通关游戏，不断解锁不同的知识点，循序渐进地掌握编程技能。mBot拥有丰富的传感器，加上4个扩展接口，可外接100多种电子模块，还可以搭配丰富的扩展包和DIY平台上500多种零件，搭出多种创意形态，并在搭建中学习电子、机械原理和知识。mBot与HUAWEIHiLink结合后，拥有了更加智能的操控方式，打开手机“华为智慧生活”APP，就能实现多种操控。通过华为AI音箱、华为语音助手还可以对mBot进行语音控制。

1月6日，据外媒报道，美国创业公司AgilityRobotics宣布其双足机器人Digit现已开售，这是一款可以应用在物流行业（包括上下楼梯）的双足机器人产品。Digit外观与一个成年人类似，可以借助自带传感器进行半自动导航，其手臂可以搬动18kg的箱子，该公司表示，Digit可以应用于多种行业，包括物流、仓储、工业环境等等。在官方公布的宣传视频中，Digit可以在无人干涉的环境下自行选定搬动箱子，随后在工作人员的操作下进行移动。公司CEO表示，Digit的价格尚未确定，但“低至6位数”（10-99万美元），每小时成本约合25美元。汽车公司福特已经先行购买了2部Digit用来与无人驾驶车辆组合测试，看看能否解决配送最后一公里的问题。该公司表示Digit首批出货仅有6台，2020年大致会有20-30台，2021年可能会翻一番。虽然Digit还面临着很多疑问，但AgilityRobotics还是走出了第一歩，成为了首家正式开售的双足机器人公司，如果真的得到大规模普及，相比快递小哥们的岗位可能就会受到影响了。文章来源于网络

2019年是人工智能的一年，“AI”收获了前所未有的声量。这一年，也是百度AI的一年，产业智能化加速推进，“AI”落地各行各业。作为人工智能领域领军者，百度不仅关注实验室里的人工智能技术的创新升级，更关注走出实验室的人工智能在各个产业领域的渗透落地。站在年关，回顾2019整年，百度AI大展拳脚，在农业、工业、金融、零售、交通等行业和领域落地生根，遍地开花，与各行各业上演着一出出有“AI”的故事。舌尖上的AI，百度赋能京东方植物工厂发力农业智能化老百姓的生活离不开吃，你有没有想过，你的一日三餐，可能也和AI有关。位于北京大兴区庞各庄的京东方植物工厂是一所占地面积达4160平方米的现代化农业种植基地。然而在实现植物工厂的精细化管理过程中，人和植物必须捆绑在一起，双方几乎寸步不离，这就对人的精力和专业度都提出了很高的要求。如何能把农业专家的经验快速地规模化复制，京东方植物工厂以及整个农业生产行业都在找寻破解的路径。京东方植物工厂选择寻求百度AI的帮助。借助百度AI技术的赋能，京东方植物工厂探索出AI植物工厂智能无土栽培解决方案。该方案，基于百度大脑视觉技术及深度学习算法，构建了无土栽培作物的克重识别模型，实现了对异常蔬菜生长状态的识别及报警的功能，同时还能够针对蔬菜生长进行状态预测，达成科学种植、提升产量的效果。此外还有，基于EasyDL目标检测模型的虫情智能预警、基于环境数据模型的大棚智能环控系统等，这些AI技术让水培农业进入可复制、可推广的数字化管理时代，也让我们的一日三餐与AI有了交集。百度AI的＂火眼金睛＂，赋能大恒图像打造质检＂中国方案＂既然连植物栽培都能用到AI，工业就更能被AI赋能了，尤其是在工业质检领域。“我们的质检要做的是在厚度仅十几毫米的电池隔膜上找出所有微小缺陷，如果没有检测出来，就很可能使得新能源汽车的电池在使用过程中出现问题，甚至自燃。”这不仅是大恒图像这家老牌高科技企业的担忧和职责，也同样是众多从事工业质检的企业面临的难点。传统的人眼检测已越来越难以满足精密的质检，那么谁还可以充当工业质检中的“火眼金睛”呢？大恒图像选择与百度合作，用AI充当检测电池隔膜的火眼金睛。大恒图像在了解到百度飞桨（PaddlePaddle）在工业质检领域的落地案例，以及面向工业级应用的端到端解决方案图像分割库（PaddleSeg）后，开始基于飞桨研发新能源汽车电池隔膜质检模型，最终研制出基于飞桨的产品外观质检模型研发与部署的质检一体机。如今，在大恒图像的车间里，这样的情景成为常态：一条设备流水线上正在检测着新能源汽车电池的重要组成部分——膜，基于百度飞桨的AI算法能实时发现超过30％以上传统机器质检不能发现的微小缺陷。此外，依靠AI，大恒图像获得了产业出海优势，让国际市场深刻体会到了工业制造的＂中国方案＂。“数字人”小浦诞生记，百度AI落地金融行业见识了AI的“火眼金睛”，不妨再体验一把AI化身员工为你办银行卡。这可不是什么科幻电影，其实这样的体验开始于以下这段对话。“Hi，数字人，欢迎你来参加我们的大会，你可以先介绍一下你自己吗？”“您好，初次见面，可以先叫我小浦。”这是百度创始人、董事长兼首席执行官李彦宏和金融数字人“小浦”，在2019百度AI开发者大会现场的对话，也是由百度智能云与浦发银行联合打造的业内首个“金融数字人”的首次公开亮相。这位“金融数字人”小浦，正是基于人工智能、感知技术、数据驱动等技术孕育而生。百度智能云全程参与了“数字人”模块系统集成、技术优化以及实施把控与支持，攻破种种难题，实现了虚拟人物绘制、数字人像AI驱动引擎、多模融合感知引擎，以及数字人对话与应用系统四大技术的创新，才让“数字人”从理想构想走进现实。小浦的诞生，为金融服务构造了一个具有智能感知、自然交互和精准分析决策能力的数字世界的“人”，将成为国内首个银行“虚拟员工”，为客户提供私人订制的服务，开启金融服务新模式。也许以后为你办卡的就是这位颜值爆棚、双商在线、拥有专业金融技能的数字人小浦了！百度AI进军气象，让“天意”不再难测天气预报在众多领域都发挥着重要作用，往大了说，人们根据天气安排农务、规避气象灾害；往小了说，每个人出门前是否需要带伞、添衣，都跟天气预报脱不了关系。而随着社会生产事项的增多、人们活动范围的扩大，传统天气预报的精确度已难以满足社会需求，同时受限于数学、物理学等学科发展，精准度提升迎来瓶颈。如何突破这一瓶颈？百度联合重庆市气象局共建的“智能天气”系统给出了答案—用AI预测天意。人工智能不需要数值预报所依赖的数学、热力学、动力学公式，只需要把以往天气数据放进AI模型里训练，就能发现数据的关联性，实现对未来的预判。可以说，人工智能与天气预报是“天作之合”。重庆气象局借助百度大数据、云计算、人工智能等技术，重构气象监测、预报、预警和气象服务等气象核心业务系统，联合共建了智能气象。自2018年重庆市气象局与百度智能云达成合作起，一年多的时间里双方取得了突出的成果：在天气预报上，0－2小时的“短临预报”准确率提升40％，2019年几次冰雹、雷暴大风强对流天气的预报命中率达到100％，同时气象预警信息的发布时间从2小时缩短到了9分钟，更精准有效地防灾救灾。智能小编上线码字，百度AI推动传媒变革2019年9月19日，这注定是一个值得被所有人类小编记住的日子。这一天，百度与人民日报联合成立“人工智能媒体实验室”，标志着AI小编正式上线“抢饭碗”。百度与人民日报联合成立的人工智能媒体实验室，将基于百度大脑的核心能力，支持与满足媒体工作中的关键操作性需求。利用百度成熟的语音、图像、自然语言处理、知识图谱等AI技术，为人民日报打造一个智能化“编辑团队”，辅助媒体的新闻生产，提升编辑的生产效率。“成立人工智能媒体实验室，就是要把人工智能技术在媒体全领域应用，从内容建设、算法推荐，扩大到智能化平台的搭建。“百度董事长兼CEO李彦宏表示，“相信人工智能与媒体的融合创新，将有助于权威媒体平台构建全媒体传播格局，不断提升传播力、引导力、公信力、影响力。”百度AI搞运营，赋能商场智慧零售栽培、质检、编辑……这也只是百度AI小试牛刀，其实神通广大的AI还能帮商超搞运营。随着电子商务的扩张发展，零售业已经存在的线下客流减少、购物体验同质化、地域限制明显等问题日渐凸显，如何在电子商务的围攻中站稳脚跟，杭州湖滨银泰in77商场显得尤为急切，利用人脸识别技术，优化零售运营已成为必需。通过使用百度人脸识别技术和人脸采集摄像头等技能，杭州湖滨银泰in77商场的运营效率得到极大的提升。同时借助百度AI技术还帮助商场后台进行实时的场内会员数据分析，为调整商场门店布局提供有力支撑。在使用过程中，实现了3900毫秒的人脸识别速度，准确率高达99．9％以上，轻松实现智能化的商场运营，大大降低了企业的运营成本。独占半边天，百度Apollo拿下全国150张路测牌照百度AI不止在产业领域落地开花，更是落地到人们的日常出行、家居、休闲娱乐等生活领域。不信你看，百度Apollo自动驾驶车队正向我们驶来。长沙45张、北京5张、武汉15张、沧州30张……南下北上，百度Apollo的版图持续扩大。截止目前，百度Apollo已取得自动驾驶路测牌照总数达150张，占国内全部获批自动驾驶路测牌照一半以上，其中80张牌照已经允许载人测试。150张自动驾驶牌照，拉开了百度Apollo自动驾驶开跑街头的序幕。序幕拉开，好戏开场。今年9月底，首批45辆百度Apollo与一汽红旗联合研发的“红旗EV”Robotaxi车队在长沙部分已开放测试路段，正式开始投入试运营。并向普通长沙市民开放试乘体验，登录Apollo官网即可申请成为种子用户，开始体验人生第一次的自动驾驶的出租车服务。未来出行，也许你招手打到的出租车，将是一辆自动驾驶车，带给你新的速度与激情。小度开启智能生活新篇章回到家庭生活场景，AI同样恭候多时。2019年，国内智能音箱出货量迎来大爆发，百度旗下人工智能助手—小度智能音箱以更智能的交互体验、更丰富的影音娱乐和更广泛的家居生态布局，始终占据行业头部地位。随着小度智能音箱进入千家万户，智能的家居生活正在上演。查天气、定闹钟、听音乐、问答百科，你只需开口，小度即刻应答；或者关灯、开加湿器、开空调，你无需动手，一声小度，都会给你安排的明明白白；又或儿童教育、作业辅导、远程看护，小度特有的儿童模式让家长更安心，孩子更开心。搞出饮茶新花样，国内首个“AI”茶馆落地如果AI走进人们的休闲娱乐中，又会给我们带来什么新花样呢？百度大脑联合老舍茶馆共同打造的国内首个“AI茶馆”，给我们展示了传统休闲方式的新花样。当AI技术与中国千年传统文化相遇，会碰撞出怎样的新奇体验？在借助百度EasyDL定制化训练和服务平台打造的“茗茶秋毫”体验区，你可与AI技术一同PK辨茶水平。此外，百度基于UNIT对话生成引擎制作了“无中声有”空间，让你可以在这里真切的感受到京城中颇具盛名的“吆喝文化”……在这家加了百度AI“Buff”的茶馆中，人们可以体验到服务周到的“AI小二”和“AI迎宾”、才气十足的“AI写诗”、聪慧过人的“AI辨茶”、京味儿十足的“AI吆喝”。用AI技术连接家和希望当AI走进生活，不止带来便捷，更带着温暖而来。百度于2016年底推出的“AI寻人”公益服务，借助人脸识别技术，通过搭建智能平台，让求助者更快地找回走失亲人。这意味着，只需用一部手机、一张照片，就可以快速进行AI寻人，帮助更多需要帮助的寻亲家庭。“DoBetter，科技为更好！”百度AI一直在行动。目前，百度已与民政部全国救助寻亲网、公安部打拐办、宝贝回家、中国反邪教网等多家机构建立合作，并推出“百度AI寻人”智能小程序，截至目前，已累计完成接近40万次人脸对比，成功帮助9000多个走失者与家庭重新团聚。AI寻人正在帮助更多走失的人重获家庭的温暖，也让更多人感受到AI的温度。回首过去，2019年，百度AI始终行进在路上，落地产业实践，赋能农业将专家经验数字化、赋能工业提高质检效率与精度、赋能金融开拓服务新模式；落地日常生活，出行更便捷、家居更智能、公益更有爱，AI落地各行各业，EveryoneCanAI。展望未来，2020年，百度AI将继续前行，助推AI工业化，引领产业智能化。

2020是如此科幻的年份，步入2020年，仿佛回到久违的未来。科技浪潮新十年开启，蓄势已久的智能革命将迎来颠覆性的技术变局。达摩院今天发布2020十大科技趋势，希望与你共同见证那些期待已久或从未料想的变化，并且循着技术演进的曲线，找到我们的来处和去向。趋势一、人工智能从感知智能向认知智能演进人工智能已经在“听、说、看”等感知智能领域已经达到或超越了人类水准，但在需要外部知识、逻辑推理或者领域迁移的认知智能领域还处于初级阶段。认知智能将从认知心理学、脑科学及人类社会历史中汲取灵感，并结合跨领域知识图谱、因果推理、持续学习等技术，建立稳定获取和表达知识的有效机制，让知识能够被机器理解和运用，实现从感知智能到认知智能的关键突破。趋势二、计算存储一体化突破AI算力瓶颈冯诺伊曼架构的存储和计算分离，已经不适合数据驱动的人工智能应用需求。频繁的数据搬运导致的算力瓶颈以及功耗瓶颈已经成为对更先进算法探索的限制因素。类似于脑神经结构的存内计算架构将数据存储单元和计算单元融合为一体，能显著减少数据搬运，极大提高计算并行度和能效。计算存储一体化在硬件架构方面的革新，将突破AI算力瓶颈。趋势三、工业互联网的超融合5G、IoT设备、云计算、边缘计算的迅速发展将推动工业互联网的超融合，实现工控系统、通信系统和信息化系统的智能化融合。制造企业将实现设备自动化、搬送自动化和排产自动化，进而实现柔性制造，同时工厂上下游制造产线能实时调整和协同。这将大幅提升工厂的生产效率及企业的盈利能力。对产值数十万亿乃至数百万亿的工业产业而言，提高5%-10%的效率，就会产生数万亿人民币的价值。趋势四、机器间大规模协作成为可能传统单体智能无法满足大规模智能设备的实时感知、决策。物联网协同感知技术、5G通信技术的发展将实现多个智能体之间的协同——机器彼此合作、相互竞争共同完成目标任务。多智能体协同带来的群体智能将进一步放大智能系统的价值：大规模智能交通灯调度将实现动态实时调整，仓储机器人协作完成货物分拣的高效协作，无人驾驶车可以感知全局路况，群体无人机协同将高效打通最后一公里配送。趋势五、模块化降低芯片设计门槛传统芯片设计模式无法高效应对快速迭代、定制化与碎片化的芯片需求。以RISC-V为代表的开放指令集及其相应的开源SoC芯片设计、高级抽象硬件描述语言和基于IP的模板化芯片设计方法，推动了芯片敏捷设计方法与开源芯片生态的快速发展。此外，基于芯粒（chiplet）的模块化设计方法用先进封装的方式将不同功能“芯片模块”封装在一起，可以跳过流片快速定制出一个符合应用需求的芯片，进一步加快了芯片的交付。趋势六、规模化生产级区块链应用将走入大众区块链BaaS(BlockchainasaService)服务将进一步降低企业应用区块链技术的门槛，专为区块链设计的端、云、链各类固化核心算法的硬件芯片等也将应运而生，实现物理世界资产与链上资产的锚定，进一步拓展价值互联网的边界、实现万链互联。未来将涌现大批创新区块链应用场景以及跨行业、跨生态的多维协作，日活千万以上的规模化生产级区块链应用将会走入大众。趋势七、量子计算进入攻坚期2019年“量子霸权”之争让量子计算在再次成为世界科技焦点。超导量子计算芯片的成果，增强了行业对超导路线及对大规模量子计算实现步伐的乐观预期。2020年量子计算领域将会经历投入进一步增大、竞争激化、产业化加速和生态更加丰富的阶段。作为两个最关键的技术里程碑，容错量子计算和演示实用量子优势将是量子计算实用化的转折点。未来几年内，真正达到其中任何一个都将是十分艰巨的任务，量子计算将进入技术攻坚期。趋势八、新材料推动半导体器件革新在摩尔定律放缓以及算力和存储需求爆发的双重压力下，以硅为主体的经典晶体管很难维持半导体产业的持续发展，各大半导体厂商对于3纳米以下的芯片走向都没有明确的答案。新材料将通过全新物理机制实现全新的逻辑、存储及互联概念和器件，推动半导体产业的革新。例如，拓扑绝缘体、二维超导材料等能够实现无损耗的电子和自旋输运，可以成为全新的高性能逻辑和互联器件的基础；新型磁性材料和新型阻变材料能够带来高性能磁性存储器如SOT-MRAM和阻变存储器。趋势九、保护数据隐私的AI技术将加速落地数据流通所产生的合规成本越来越高。使用AI技术保护数据隐私正在成为新的技术热点，其能够在保证各方数据安全和隐私的同时，联合使用方实现特定计算，解决数据孤岛以及数据共享可信程度低的问题，实现数据的价值。趋势十、云成为IT技术创新的中心随着云技术的深入发展，云已经远远超过IT基础设施的范畴，渐渐演变成所有IT技术创新的中心。云已经贯穿新型芯片、新型数据库、自驱动自适应的网络、大数据、AI、物联网、区块链、量子计算整个IT技术链路，同时又衍生了无服务器计算、云原生软件架构、软硬一体化设计、智能自动化运维等全新的技术模式，云正在重新定义IT的一切。广义的云，正在源源不断地将新的IT技术变成触手可及的服务，成为整个数字经济的基础设施。

每种计算方法都会招致一些安全挑战，机器学习(ML)也不例外。幸运的是，这一领域的人工智能(AI)的漏洞在相当大的程度上是可预测的。但遗憾的是，漏洞并不是很容易发现。当考虑到涉及庞大的数据量、这些数据的细粒度以及机器学习随着时间推移而成长和改进的事实时，其中就蕴涵着这些挑战。机器学习根据人类无法感知的模式处理数据，这既是优点又是漏洞。人工智能的每个领域都带来高效率、高质量和常常史无前例的创新。例如在制造过程中，人工智能使问题易于发现和纠正，基于人工智能的安全方法可以保护所涉及的过程。机器学习通过训练算法进行“学习”，确定某种情况的可能结果，同时通过深度学习（DL，人工智能的另一个子集），算法能够让软件自我训练以执行任务。在这种情况下，多层神经网络会接触到数百万的数据点，模拟人脑的能力来识别模式并对信息进行分类和澄清。机器学习中的漏洞回到当前的问题。机器学习是否为黑客攻击工业系统打开了方便之门？答案是，没有什么是万无一失的，尤其是快速发展的技术。也就是说，有些机器学习/深度学习系统设计精湛，有些则设计欠佳，因此有些系统比另一些系统更容易受到黑客攻击。Gartner预测，到2025年，机器学习将成为每种安全解决方案的一部分。与此同时，需要处理的安全漏洞则会倍增。这方面的有效例子包括，Google通过机器学习阻止了大约99%的垃圾邮件。据说，IBM的Watson在2017年阻止了针对温布尔登网球赛的2亿次网络攻击。机器学习算法在保护基于云的平台和分析可疑活动（包括登录和其他异常）方面发挥着重要作用。最常用的攻击模式是一种对抗技术，即试图通过恶意输入侵入模型，从而使模型出错。当新输入包含微妙但恶意制作的数据时，模型将表现不佳，但模型的统计性能可能不会受到损害。通过以下方式，也能对机器学习模型进行攻击：损害完整性是其中之一。如果机器学习模型没有过滤掉一个或多个反面案例，让反面案例潜入系统，那么就可能会被黑入。开展试探性攻击，通过输入记录值了解模型预测。诱发型攻击会改变训练数据和模型。传送到系统的输入记录可能有潜入的不当记录，也有可能有被阻止进入的有效记录。如果不当输入被放过，那就是完整性攻击；攻击者可以定期进入，系统可能会将不当输入标记为有效输入。当训练模型所用的数据是攻击者的数据，而有效输入被系统过滤掉时，发生的就是可用性攻击。在这种情况下，合法记录可能被删除。虽然犯罪活动确实在加大对机器学习的攻击力度，但这并不像听起来那么容易。幸运的是，在运用高级技术来增强安全性之前，可以从一些非常简单的地方着手保护系统。例如，系统软件如果已过时，且未下载可用补丁，就会更容易受到攻击。强大的凭据和多因素身份验证都很重要。此外，不能使用简单的用户名/密码，网络应采取更安全的措施。从何处着手为了帮助开发人工智能应用，有如下套件可用：SeeedTechnology的NVIDIAJetsonNano开发套件能满足深度学习、计算机视觉、GPU计算和多媒体处理之类AI工作负载的性能需求（图1）。它可以让用户针对图像分类、对象检测、分割、语音处理之类的应用运行AI框架和模型。最后，通过它可以简单地连接各种传感器以支持多样化的AI应用。图1：JetsonNano套件受SeeedTechnology的JetPack支持，其中包括用于AI应用的板级支持包、Linux操作系统、NVIDIACUDA、cuDNN和TensorRT软件库。（图片来源：Seeed）Adafruit和Digi-Key最近推出了BrainCraftEDGEBADGE嵌入式评估板（图2），它通过运行TensorFlowLite迷你版本的小型微控制器将机器学习扩展到边缘。这种信用卡大小的评估板（如图2所示）内置Microchip的ATSAMD51J19微控制器，带有512KB闪存和192KBRAM。该套件包括用于语音识别的内置麦克风输入，以及带有演示程序的Arduino库，用以识别各种单词对和手势。图2：此Supercon徽章也可以用作铭牌，利用CircuitPython进行编程。它是一种USB驱动器，不需要IDE即可显示名称、二维码或其他信息。（图片来源：Adafruit）最后，诸如STMicroelectronics的LSM6DOX之类高级传感器加上机器学习内核、有限状态机和高级数字功能，大大增强了该公司的STM32微处理器系列，使其能够满足AI功能的性能和精度要求。未来趋势如今已经有基于云的计算模型包括了通过认知计算、自动机器学习、机器学习模型管理、机器学习模型服务和基于GPU的计算提供的机器学习平台。但是，当考虑到机器学习和深度学习应用需要大量数据时，很明显，头条新闻充斥着越来越多的云黑客攻击事件。在将涉及AI/ML的敏感数据移至云端时，公司要谨慎对待。真正保护敏感数据所需的安全策略以及控制黑客入侵的方法，不一定像它们需要的那样值得信赖。物联网会产生令人难以置信的大量数据。启动AI、自动化、机器学习等所需的数据，尤其是在混合有遗留数据的情况下，绝对必须是适合应用的合适数据。以下是开发人员在实现AI/ML时应采取步骤简表：知晓并理解现有数据差距了解哪些工作流程将受到潜在AI项目的影响确保全公司接受既有的并经过沟通的最终计划，知晓每个人如何参与该过程抓住技术和机会，而不是着手削减成本从数据清理开始，检测、更正、删除损坏或不准确的记录总结人工智能和机器学习需要高质量的数据驱动算法和决策。人工智能、机器学习和深度学习可能会在某个时候对大多数公司的未来产生重大影响。机器学习算法已经成为检测基于文件的恶意软件和阻止恶意软件的主要方法。此外，算法还能判断哪些应用不安全，并将其与生产系统隔离。人工智能还被用于金融服务、医疗健康和保险中，以保护极其敏感的数据。的确，我们会迷惑于人工智能/机器学习的概念。若能充分发挥其潜力，它将是一个了不起的工具。实施前务必确保在公司内部已经有大量相关知识积累，或者让云或实施合作伙伴带领您顺利通过黑客雷区。

虽然在很多科幻电影中，全息投影几乎成了标配，主人公随便在空中一挥手，各种影像资料手到擒来。不过受到技术本身的限制，我们生活中真正的全息投影产品并没有几个。于是就有公司开始琢磨了，我们先搞个准全息总可以吧。于是就有人发明了一个准全息投影仪，他号称是世界上第一块桌面及全息显示方案。可以实现在空中绘画的功能，你就可以把空气当成画纸随意涂鸦。他就是Holovect。HolovectMkII是一个独立的激光立体显示系统，它适合安装在实验室的工作台或桌面上，并可以和3D打印机或者单个教学器械及宣传设备配套使用，其是第一个商用的激光类桌面，能够用光在空中绘制3D物体。Holovect成像不是全息图，而是投影到被修改的空气中的矢量图像（即）。这种区别是由于以下事实：全息图是包含关于物体的三维信息；然而，由于Holovect成像包含三维信息并且是空中自由浮动的对象，所以它们当然是全息的。它们是真正的3-D投影。那么它的工作原理是怎样的呢？原理很简单。在大多数情况下，当光在两种不同的媒介之间传播时，你会看到三种不同的效果：折射（弯曲）、反射或扩散。这种不同的效果取决于材料的不同“折射率”（RI）。这方面的典型例子就是海市蜃楼现象，当一部分空气具有和其周围环境不同的折射率时，会造成光线弯曲，然后以意想不到的方式反射出去，就会发生海市蜃楼，往往由于不同地区的温度或压强存在差异，所以也会发生这种情况。现在有了Holovect技术，我们知道了如何在空间箱形截面控制空气，然后精确修改特定区域内RI，来折射和反射激光束。这种修改引出了“反照率”概念，它被定义为在物体表面反射的入射光的比例，也是被修改的和未被修改的空气边界处的折射率。因此，通过同时控制激光束的目标和修改后的空气柱的位置，计算机可以在三维空间中的任何地方放置一个体积像素或体素的光。然后通过保持从物体A点到B点的激光束，绘制3D向量属性的线条有序排列，就形成了一个全息矢量图。HolovectMkII能够每秒绘制50次一个完整的图像。3D打印的提前可视化及应用在以前，HolovectMkII可用于STL格式的CAD模型可视化。这可以通过两种方式完成：导入STL文件并将其转换为矢量格式，或者直接可视化。第一种依据可视化，转换STL会形成立体线框投影，而直接将STL模型可视化可将模型切成层状，这可以理想地在打印前检查可能存在的制造误差和修改中空部分的内部结构。在进行长时间打印之前，这种预视容量能力通过节省时间和打印材料，提高了3D打印设计和制造效率。该技术还可以应用在其他方面。比如，通过3D扫描仪获取可视化3D数据或进行计算机断层扫描；商业上应用包括广告和品牌营销。

在AI大潮之下，很多事情都应用上了AI，包括无人自动驾驶、诊断疾病和寻找系外行星等等。前不久更有科学家以AI帮助学者破译古希腊文字。不过这些听上去距离我们都有点远，有点好高大上的感觉。而前不久在国外，终于有人以AI做了件比较接地气，或者说有趣的事情，那就是利用AI来分类乐高积木。当我们看到一堆积木时，只要能够看到一个完整的积木块，我们的大脑就会知道以后应该怎样从各个不同的角度或者不同的背景下识别出这些积木块，甚至连一两岁的小孩子在通过几次尝试后都会知道例如2×1红色积木块、4×1绿色积木块和那些小链子积木之间的差异。这个由大神DanielWest所设计的乐高分拣机原理就是如此。通过使用在Rebrickable等积木网站上的海量Lego积木3D模型，他可以对这个分拣机的AI神经网络进行数据训练。有了这些3D模型，只需要加上几张积木的实物图片就可以完成整个训练。那么大家猜猜这个乐高分拣机的部件是由甚么组成的呢?当然也是由它分拣的对象–乐高所组成啦！整个分拣机由1万多块乐高积木、6个乐高引擎以及9个伺服电机所组成。满载积木的输送带要分拣乐高积木的话，只需要把这些积木倒进漏斗中，分拣机通过一条输送带把积木从分拣箱中拖出来，并送进一个由乐高马达驱动振动平台上，以振动来防上积木堆在一起。乐高马达驱动的振动平台接下来摄影机会实时拍下这些积木的影像并传送到分拣机上的一个树莓派计算机上进行处理。处理过后的影像会发送到附近一部装有AI分拣程序的计算机上让其进行分析。在得到结果后反馈后，输送带上的不同小闸门会把积木引导到所属的箱子中。分拣机上的树莓派计算机其实DanielWest在几年前已经开始着手这个项目，并且希望在未来可以为此撰写一篇学术论文。目前他没有打算公布建造这个分拣机的方法，但是他愿意把所用的AI程序免费分享出去。可能会有人觉得把AI应用到这些看似没甚么用的方面是浪费时间，但说不定这可以启发出科学家的某些想法呢?

博世SoundSee将深度学习与移动麦克风阵列相结合，以在ISS发生问题之前识别出问题我们都在电影中看到过这样的情节，比方说在一艘潜艇或宇宙飞船上，聪明“绝顶”的总工程师会突然表情肃穆地竖起耳朵，听着嗡嗡的背景声说“恩，有地方出了点问题”。博世希望通过教育一台计算机学会在现实生活中做到通过声音识别故障，他们一直到国际空间站中测试这个技术。考虑到通过非语音声音传输的数据量，人类在利用声音信息方面做得非常差。我们非常擅长在相对较短的时间范围内对声音（尤其是新出现的声音或者响亮的声音）做出反应，但是除此之外，我们的大脑还擅长将大多数已经持续进行了一段时间的声音归类为“背景音”，然后忽略掉它们。计算机具有具有我们人类通常都缺乏的耐心，似乎在这方面做得要好得多，但是，目前大多数声音算法开发人员的重点一直放在对离散声音事件（例如检测烟雾警报或玻璃被打破的智能家居设备）的处理上，对于长期持续的声音模式的使用很少。我们不是电影角色那样的“装逼犯”，为何也应该关心声音的模式是如何随时间变化的呢？原因很简单，因为我们的日常生活中充满着很多机器，它们通常会发出很大的噪音，同时又时不时地造成昂贵的损坏，那么我们应该关心的是，发出的声音中是否包含着机器即将损坏的序曲？举个例子吧，现在，我在听洗衣机发出的一些奇怪的声音，我并不是太清楚这些奇怪的声音是否表示洗衣机不正常，更重要的是，我并不知道洗衣机上次运行时是否也发出了相同的怪异声音，这样就很难发现问题了。反之，如果我能发现洗衣机和以前发出的奇怪声音不一样，那么这可能预示着我这台机器遇到了一个新出现的问题，这样我就可以通过廉价的预防性维护来解决这个问题，而不是靠发生故障后进行昂贵的维修来解决这个问题。博世这家德国公司制造的大量零件广泛应用在您的汽车、家用电器、电动工具、工业系统以及许多其它物品中，该公司正在试图弄清楚它们如何利用深度学习来识别并跟踪机器随时间推移产生的噪音。他们的想法是，通过识别声音中的细微变化，以在故障问题发生之前发出警告。有一个应用场景对这个技术很感兴趣：宇航员在国际空间站（ISS）的生命轨道中四处游荡，通过声音对即将引发的故障发出警报是一个很有用的功能。SoundSee定向麦克风阵列是博世为NASA的Astrobee机器人提供的有效负载，我们之前曾对此进行了广泛的介绍。Astrobee上个月刚刚在国际空间站上进行了首次自动飞行，在检查并校准机器人后，SoundSee将部署在Astrobee的一个模块化有效载荷舱中。安装完成后，它将执行各种任务，既可以在Astrobee开展业务时被动录制音频，也可以录制特定系统的针对性的音频。SoundSee的首要任务之一是对国际空间站进行声强检查，这是一项相当乏味的工作，宇航员目前每几个月就要花大约两个小时的时间来做这件事情。在理想情况下，博世的SoundSee和Astrobee机器人将能够自动执行这个任务。但是，更有趣的任务（尤其是对地球应用而言）是对设备的声音进行监控，监听环境控制和生命支持系统（ECLSS）以及带有隔振和稳定功能的跑步机（TVIS）等系统发出的噪音。SoundSee利用麦克风阵列记录的音频将被发送回博世公司，研究人员将使用深度音频分析技术过滤掉背景噪音以及机器人本身的噪音，以期能够分离出由特定系统产生的声音。通过使用在地球上的等效系统中训练的深度学习算法，博世希望SoundSee能够提供所监控系统的运行方式的“内部快照”，或者根据具体情况判定出系统无法正常工作，这时宇航员需要花费大量的时间进行维修。博世首席研究员兼SoundSee项目负责人SamDas解释说：“我们正在研究无需监督的异常检测算法，并且我们已经开发了一些基于深度学习的方法，可以检测机器运行特性的逐渐变化或突然变化。虽然SoundSee无法预测所有事情，但是它建立了一道防线，通过跟踪系统对正常动力模型的缓慢偏离，它能告诉我们，'嘿，您应该去检查一下了。当然，它给出的可能是一个错误的警报，但是这不会抹煞我们的系统接受训练以侦听可疑行为的意义。这些微妙的长期模式和变化可以为我们提供有关系统降级的令人惊讶的丰富信息。我们的最终目标是，能够在任何其他感测功能识别故障之前检测到它们。”Das说，你可以把SoundSee视为类似于一个通过训练样本来分析某人行走状况的视觉系统。首先，您需要按照正常的步行步态训练系统，然后，您将训练该系统识别出有人跌倒，最后，这个系统将能够识别出人被绊倒，慢慢地再识别出肌肉痉挛，最终的目标将是这样一个系统，它可以对您说：“您的一块肌肉看起来可能刚刚有些蠕动，您最好放松一下！”之所以将SoundSee系统放在移动机器人上，而不是使用固定的分布式麦克风阵列，是因为它能够将本地化的信息与音频数据结合起来，Das说，音频数据提供了更多有用的数据。Das说，“移动平台意味着您可以采集局部的声音来源。现在，我们可以融合来自不同地点的音频中的信息，沿着运动轨迹汇总这些信息，然后通过创建环境的声音图来进一步发挥作用。”这个概念也可以扩展到在地球端的操作上，Das认为，SoundSee技术在地球上的第一个潜在应用是充满了移动机器人的仓库环境。“该实验的许多功能可以立即应用在一个需要地面机器人四处走动的生产车间或仓库中，你可以为每台机器部署一套SoundSee，然后您就拥有了一个监控物理基础设施的虚拟检查器。”从长远来看，这种技术的应用领域很明显（汽车），尤其这个技术来自于全球最大的汽车零部件供应商-博世。您的汽车中可能会部署一个类似SoundSee的系统，该系统已经接受过算法培训，可以监控汽车的正常运转训，这将帮助预测维护需求，并准确识别出新出现的机械问题，几乎可以肯定的是，在您自己听不到声音之前或者通过其它方式发现问题之前，这个系统就能提前发现故障。“声音可以为您提供有关环境的更多信息，”Das说。“从房屋中的HVAC系统到汽车中的引擎，都可以通过音频的模式显示机器的运行状态及其功能运行状况。我们唯一要做的就是聆听。”版权声明：电路城原创编译，翻译自IEEE，转载请注明出处！

在全球市场部门使用“人工智能”一词之前，它曾经使人联想到某种机器人。波士顿动力公司是机器人技术领域最著名的公司之一，这在很大程度上要归功于其正在运行的机器人的病毒视频。但是该公司并没有发表太多言论，因此我们抓住了机会在上周的WebSummit2019上与BostonDynamics首席执行官MarcRaibert坐下来。Raibert参加了会议，讨论了BostonDynamics当前关注的三种机器人，他按时间对它们进行了分类：今天(Spot)，明天(Handle)和未来(Atlas)。在我们的采访中，他还讨论了当前客户，潜在的应用程序，人工智能，模拟，当然还有那些病毒视频。今天：现货对于Raibert而言，“今天”指的是一段持续到明年左右的时间段。Spot是当今的“机器人”，因为它已经在交付给早期采用者。实际上，它只出货了大约六个星期。波士顿动力公司希望Spot成为平台-Raibert多次将其称为“机器人的Android”。Raibert说，重约60磅的Spot“不是最终用途的应用程序机器人”。用户可以添加硬件负载，也可以添加通过Spot的API与Spot交互的软件。实际上，Raibert参加WebSummit的主要目的是激发与会者开发Spot的硬件和软件。波士顿动力公司拥有用于Spot的机械臂，频谱收音机，相机和激光雷达，但其他公司也在开发自己的传感器。

能够对患者的肌肉活动进行追踪监视，并将数据反应出来以供用药参考的“膏药”大小的机器人已经被顺利开发的研究论文于2014年3月30日发表在了科学杂志《自然.纳米技术》（NatureNanotechnology）上。图片说明：研究人员为了证明只有2毫米的纳米电子“膏药”多么轻盈而将其与羽毛进行落下对比试验。虽说现在医学界已经发明出了用于检测患有癫痫和帕金森疾病造成的“运动障碍”并进行监视的随身穿戴式机器，但是这些机器有个致命的缺点就是缺乏柔软性。这给患者的生活以及病情的分析造成不便。而此次由韩国和美国组成的国际研究小组共同开发的、可以贴在皮肤上使用的最新技术成果乍一看会给人感觉像是一块“膏药”。但其实实在在是使用了新型“纳米技术”来检测患者行动的机器人。由于这个机器是由原子及分子大小的微小原材料制作的，所以很好地解决了传统普通材料难以弯曲的问题。这个“膏药型”机器人可以在完全不影响患者的情况下手机和保存医疗数据，并将这一数据源源不断地提供给机器以此来分析和对症下药选择合适的药剂。这样技术的开发过去一直是科学家长年的梦想。在此之前，类似这样机器的开发受到了诸多的困难挑战和限制：搭载和储存机器提供的数据需要一个容量极大的电子记忆装置、耗电量高、通过皮肤给药的作用并不存在等理论干扰。对病人活动进行监视不仅仅能有效追踪了解病情的最新发展，还有利于提高治疗效果。但是由于过去的机器均是坚硬的电子物体，因此非常容易坏掉，所以根本不适合贴在皮肤上使用。将来将完全实现“无线”但是此次研究小组采用了纳米技术来解决了这一问题，开发出了厚度仅为为1毫米、伸缩自如灵活的机器。根据论文显示，现在这一发明虽说仍然处在试作品测试阶段，但是其多层的超薄纳米薄膜和纳米粒子构成是其独一无二的强大竞争优势。研究小组在论文的重点总结陈述中表示：“研究小组使用了纳米硅运动传感器薄膜以及无挥发性记忆卡、以及用热致动器将纳米金打入、添加了药剂的二氧化硅颗粒。”论文表示，将其贴到患者的手腕部位就能够测定和记录肌肉的活动情况。当内部的极薄的加热器感应到数据之后就会加热，将装在纳米粒子中的药剂释放出来。纳米硅运动传感器薄膜中的温度感应器会在这个过程中仔细检测皮肤温度以防给药期间造成皮肤灼伤。“这个纳米硅运动传感器薄膜客服了之前开发出来的可穿戴设备的缺陷，能够提高规范性、数据以及临床诊断的准确性和有效性。这是其开发出来的最大意义所在。”论文的执笔者们说道。韩国.纳米粒子研究中心（CenterforNanoparticleResearch）的Dae-HyeongKim表示，这一机器在现阶段还需要与外部电脑的微处理器进行连接。可以将其利用手表搭载并利用细小的电缆与机器进行连接。在接受AFP记者采访时还表示，将来目标是让其能够实现完全独立自动化，“将来预计将开发出无线版的商品”。相关阅读：全球十大实用智能机器人Rex：机器人的大脑不仅仅是玩具：用机器人生产的多旋翼直升机Flexbot[图]每秒7.8英寸日本研发用于桥梁检测的BIREM爬墙机器人[图]德大学研究人员正在打造能够像蜜蜂一样“思考”的小机器人[图]8秒摘一枚草莓日本公司展示售价$5万的采摘机器人可双脚行走、用手抓物的树莓派机器人“RAPIRO”亮相用Intel微电脑做的机器人

通过pcDuino连接linkerjoystick，摇杆控制舵机摄像头。这个应用的简单思路就是先通过pcDuino的AD口读取模拟信号，再软件模拟脉冲信号，驱动舵机运动。所以我需要先写出舵机摄像头的驱动程序代码，在pcDuino上编译运行成功后，这样才可以实现软件模拟脉冲信号，驱动舵机的运动。这里是pcDuino连接实物后的操作效果pcDuino上控制视频监控机器人：