安防sense是什么意思，新科技的寒武纪Ai？
我们在报告中提出："人工智能将推动新一轮计算革命，而芯片行业作为产业最上游，是人工智能时代的开路先锋，也是人工智能产业发展初期率先启动、弹性最大的行业。信息时代产生了英特尔这样的千亿市值芯片巨头，拥有更大应用市场的人工智能时代必将孕育出更多的“英特尔”。在报告发布后短短一年多的时间内，先后发生了这样几件大事：
1、英伟达股价再度上涨超过4倍，继续领涨美国科技股；
2、2016年7月20日，软银宣布将以243亿英镑(约合320亿美元)收购英国芯片设计公司ARM；
3、2016年9月，英特尔收购视觉芯片公司movidius；
4、2017年3月，英特尔宣布以153亿美元收购Mobileye；
5、2017年8月，国内人工智能芯片明星公司寒武纪宣布A轮融资高达1亿美元，成为全球AI芯片领域首个独角兽。
芯片是下游IT产业的前瞻指标，近一年AI芯片的繁荣实际上正在向我们预示着人工智能产业未来空前广阔的市场。但由于AI芯片是一个非常前沿专业的领域，不少人仍然对这一领域有疑惑和误解，再加上近一年行业发生的巨大变化，我们试图在一年后再对这一领域的关键问题进行分析阐述。
我们在路演时首先提醒投资者关注的核心就是一定要明白现在大家讲的人工智能跟我们以往的传统计算机软件有什么差别，判断标准是它们解决的问题：
传统计算机软件解决的是确定问题，即可以通过固定的流程或者规律来描述(比如从1加到100)，通过编程交由计算机执行，那么我们设计计算机基础芯片CPU的核心目的是帮助我们一条一条有序的执行我们编译好的指令。所以IBM把传统的计算机时代又称为编程时代，新的计算机时代称为认知时代。
现在真正意义上的人工智能解决的是欠定问题，即这些问题难以用固定的流程或者规律描述，它的准确答案取决于我们对于这些问题的反应。典型的例子就是一个3-4岁的小朋友就可以很轻松从世间万物中认出狗或者猫，但传统计算机方法通过总结所有猫的固定特点来编程识别非常困难。而这一瓶颈恰被此轮以深度学习算法为代表的人工智能技术突破了。所谓深度学习，简单说就是用数学方法模拟人脑神经网络，用大量数据训练机器来模拟人脑学习过程，其本质是把传统算法问题转化为数据和计算问题。所以对底层基础芯片的要求也发生了根本性改变：人工智能芯片的设计目的不是为了执行指令，而是为了大量数据训练和应用的计算。
客观的讲，CPU拥有更好的通用性，几乎任何计算任务都可以分解为一条条指令让CPU完成。我们需要人工智能芯片并非CPU不能用，而是效率太差。深度学习对计算资源需求几乎是空前的，这一点我们从初代AlphaGo所需要的计算资源就可以看到，所以迫切需要一款适合的芯片能够高效计算深度学习任务，而GPU因为其极佳的并行计算特性恰逢其实。
数据来源：谷歌、百度
GPU的天然并行计算优势使得英伟达在人工智能时代如日中天，但我们可以非常肯定的预判：人工智能芯片市场不会被英伟达垄断。理由是人工智能芯片跟我们传统意义上的芯片有很大的不相同，它其实包括两个计算过程：
1、训练(Train)；
2、应用(Inference)。
实际上谷歌首先开始提出设计TPU芯片的目的时就指出了英伟达的GPU在训练阶段具有优势，但在执行阶段效率并不高。
数据来源：百度
此外人工智能芯片和传统计算芯片一样，同时还包括两大类市场：
1、数据中心为代表的后端市场；
2、广义终端市场。
传统计算机时代在数据中心服务器市场几乎垄断的英特尔，在智能终端市场一样不敌ARM。而如果我们关注英伟达近年来的财务报表，其真正意义上人工智能高增长的业务其实就只是数据中心业务。
图4：英伟达2016-2017年各季度不同细分市场营收(百万美元)及同比增速一览
数据来源：安信证券研究中心
数据来源：安信证券研究中心
数据中心领域：实际上英伟达同时满足四种应用需求并都具备垄断性优势的可能性不大，目前主要优势也只是在数据中心方面，但也面临谷歌TPU的强劲竞争，而这种竞争的核心将是生态的竞争：
1、谷歌的人工智能系统TensorFlow生态趋于成熟。基本上任何线性代数矩阵计算任务都可以通过TensorFlow提供的工具来帮助用户组装，自动分配到各种计算设备(包括TPU设备)完成并行地执行运算。而底层计算需求的规整使得采用ASIC(专用定制设计)将极大提升芯片计算效率，全新的Cloud TPU计算能力惊人，而且同时针对机器学习的训练和应用两方面设计。四个处理芯片每秒可完成180 tflops计算任务。将 64 个 Cloud TPU 相互连接可组成谷歌称之为Pod的超级计算机，Pod将拥有11.5 petaflops的计算能力(1 petaflops为每秒进行1015次浮点运算)。
图6：数据流图中这些数据“线”可以代表传输多维数据数组，即“张量”(tensor)，张量从图中流过的直观图像是这个工具取名为“Tensorflow”的原因。
数据来源：谷歌
2、 Cloud TPU 将加入谷歌云计算平台，并整合进谷歌计算引擎(Google Compute Engine)，即普通用户在云端就可以调用这些世界上最领先的计算芯片来训练自己的人工智能任务。谷歌将为开发者们提供最好、最广泛的硬件选择，从CPU、到 GPU(包括 Nvidia 上周最新发布的 GPU 产品)、再到 TPU。
数据来源：谷歌
终端领域：对于终端市场来说，对芯片的功耗、面积、价格都有极为苛刻的要求，目前终端人工智能芯片主要是执行神经网络算法的功能，安防和自动驾驶是最大的两个市场。对于终端训练功能芯片目前尚不成熟，但可能是未来几年发展的重点，可以想象通过芯片不断进步使得谷歌大脑规模的神经网络嵌入在随身携带的手机里，将会带来怎样的产业变革。
虽然英伟达也针对终端市场推出了Jetson TX系列芯片，但价格、功耗等综合考量并不占据绝对优势，以Movidius为代表的新兴企业成为了业界新秀，这也不难解释英特尔为何先后收购了movidius和Mobileye两家公司，他们分别对应机器视觉和自动驾驶两个最大的终端市场。
第一，采用较为通用的处理器，如movidius、英伟达的Jetson系列芯片，通用性较好，能够运行各类神经网络算法，但价格相对较高，主要针对高端市场。就像当年 iPhone 5s 加入了M7协处理器，针对计算机视觉领域在一些终端设备上提供一块专门的低功耗处理芯片，在处理深度学习的问题时更加高效，可以针对卷积神经网络的训练特征从芯片级别进行优化，从而促进基于深度学习的计算机算法在终端设备上的普及。
这类芯片的代表就是刚刚被intel收购的Movidius公司，它们推出 Myriad 系列VPU(视觉处理器)平台可以用于3D感知及扫描建模的芯片，可以支持室内导航、360度全景视频处理等机器视觉应用，其视觉处理性能超出其它处理器平台十倍，功耗则低一个数量级，而尺寸和价格都仅为五分之一。Myriad 的第二代VPU采用全新的体系架构，提升性能达到二十倍，增强视觉处理能力使之成为新的VPU标杆。
图8：movidius架构，其中的关键在于加速深度学习算法的线性代数运算矩阵
数据来源：movidius
数据来源：movidius
第二，将已经训练好的较为通用的智能识别类算法直接固化为IP，嵌入到SOC芯片中，优点是因为是专用芯片(ASIC),量产后功耗、价格等都极具优势，但功能拓展性有限。例如在安防领域，商汤科技的SenseEmbed将深度学习人脸识别算法通过高性能计算极致优化，搭建底层算法最优解决方案，利用商汤科技自主研发的PPL、FastCV高性能异构并行计算组件库，能将复杂的深度学习算法集成在一张小小的芯片中，进行毫秒级识别速度。目前已支持海思Hi3519/Hi3516A/Hi3516D、飞思卡尔IMX6、ARMCortexA7等多款主流嵌入式芯片，将为硬件设备提供最优深度学习算法引擎。
3、人工智能芯片的形式是GPU、FPGA还是ASIC?
实际上这本身并不是一个问题，GPU、FPGA、ASIC无非是在通用性和性能两个标准的权衡下的选择。不只是人工智能，在很多传统芯片应用领域都是通用芯片、FPGA、AISIC共存的。
打个形象的比方，我们设计一款人工智能芯片就像设计一个某种功能的房子，那么我们有三种选择：
1、买一个已有的比较通用的房子，然后改变内部的软件设施来让这个房子达到我们需要的功能，优点是对于用户代价小，但肯定没法达到性能最大化，这就对应了通用型芯片；
2、买一个半成品的房子，我们可以随时改变房子里面的各个房间格局，优点是相对第一种房子性能肯定会更贴近我们需求，而且也保证了一定灵活性，如果需求有改变，可以随时再改变内部房间格局，这对应了FPGA芯片；
3、完全一块砖一块砖按自己需求重新搭建一个房子，这种肯定性能上最能贴近我们的需求，但是一次性投入太大，如果不是确定性需求需要冒风险，这就对应ASIC芯片。
所以我们可以不难理解为什么大部分创业公司都会采用英伟达GPU这类生态成熟的通用芯片，为什么在人工智能算法没有最终成熟需要不断改进时FPGA会出现在一些应用领域，而谷歌这类财大气粗自己需求量很大的公司自己用ASIC的TPU.
从对于机器学习算法的性能和功耗的角度来说：FPGA 可以开发出为机器学习算法专用的架构，但是 FPGA 本身的峰值性能较 GPU 要差很多。FPGA 和 GPU 哪个跑机器学习算法更强(平均性能更好)，完全取决于 FPGA 架构优化能否弥补峰值性能的劣势。
1、FPGA 实现的机器学习加速器在架构上可以根据特定应用优化所以比 GPU 有优势，但是 GPU 的运行速度(>1GHz) 相比 FPGA 有优势 (~200MHz)。所以，对于平均性能，看的就是 FPGA 加速器架构上的优势是否能弥补运行速度上的劣势。
数据来源：百度
2、功耗方面，虽然 GPU 的功耗(200W)远大于 FPGA 的功耗(10W)，但是如果要比较功耗应该比较在执行效率相同时需要的功耗。如果 FPGA 的架构优化能做到很好以致于一块 FPGA 的平均性能能接近一块 GPU，那么 FPGA 方案的总功耗远小于 GPU，散热问题可以大大减轻。反之，如果需要二十块 FPGA 才能实现一块 GPU 的平均性能，那么 FPGA 在功耗方面并没有优势。
而对于AISC芯片出现的领域一般会有下面几个特征：
1、市场需求成熟确定，比如谷歌自己的数据中心芯片需求量足以影响整个行业，干脆自己投入设计TPU，或者市场确定将成熟的下游巨大市场，比如安防领域。
2、涉及到国家战略，可以不惜代价建立自己的应用生态弯道超车，比如寒武纪深度学习处理器，其ASIC芯片已经流片量产。我们可以关注一个新闻：据科技部3月13日消息，科技部副部长李萌率队前往寒武纪芯片公司就人工智能领域技术和产业发展进行专题调研，创新发展司司长许倞、高新技术产业化司司长秦勇、中关村管委会主任郭洪参加调研和座谈。
不难解释为什么寒武纪A轮融资额就高达1亿多美元：一是ASIC芯片投入代价确实非常大风险也很大，但这种通用芯片一旦成功放量市场空间也是空前的；二是，人工智能确是我国芯片产业建立自主生态，弯道超车的机会，自然有国家战略层面的支持。
作为A股人工智能第一团队，能够看到寒武纪这样的国内顶尖人工智能芯片公司快速崛起，我们非常欣慰和兴奋，因为未来10年不仅是人工智能席卷一切的黄金10年，也是我国芯片产业的黄金10年！
智能门禁是什么？
很高兴为您解答！
门禁系统在智能建筑领域的应用越来越广泛，它涉及电子、机械、光学、计算机、通讯，生物等诸多新技术，现在我结合自己的工作经验对传统门禁行业与智能门禁做个简单的分享，让大家对智能门禁的概念理解更为深刻：
一、传统门禁1、系统组成
门禁主要有门禁控制主机，读卡器，开门按钮，磁力锁等几个部件组成，非常简单；
2、门禁主机的基础架构
1）门禁控制器是门禁系统的核心部件,负责整个系统输入、输出信息的处理和存储，控制；读卡器主要负责读取卡片中数据读取；门锁做为整个门禁系统的执行部件，可根据门的材料、出门要求，选取不同的门锁。
2）门禁系统识别权限流程分为五步：
①平台软件编辑权限；
②权限下发至门禁控制器；
③刷卡时，卡号信息上传至门禁控制器；
④门禁控制器判断刷卡权限，合法则卡门，非法不开门；
⑤刷卡事件上传至管理平台；
3、部署实施
门禁部署实施步骤较为简单，参考下面的接线图，基本上门禁的原理很类似，接线方式也非常接近，看图纸去接基本上都会。
二、智能门禁在说说智能门禁，智能门禁和传统门禁原理上基本差不多，掌握了传统门禁在去做智能门禁的项目非常简单，稚能门禁在传统门禁基础上增加了一些新功能。
1、增加广告屏
支持广告屏幕，支持音频、视频、图片轮播等多媒体播放，增加收益；
2、开门方式
支持密码卡门、手机扫二维码、人脸识别、云视频对讲、远程开门等多种方式。
3、云门禁的概念
云门禁概念的诞生，方便用户利用互联网建立远程开门应用，比如远程开锁，微信扫一扫，云对讲等方式；
综上所述，智能门禁是传统门禁的概念演变而来的，技术原理相差不大的。如果觉的我的回答对你有帮助，请随手点赞，并关注，我会一直做智能化弱电行业的知识分享！
计算机视觉有多重要？
计算机视觉时代来临 谁抢先爆发？
计算机视觉是什么?计算机视觉是指计算机如何处理和理解图像，从Intel的RealSense到谷歌的Project Tango手机、微软Kinect体感器、三星Gear VR眼镜再到最新微软的Hololens，计算机视觉技术正渗透到手机、PC、机器人、无人机等你能想到的任何地方，是人工智能生态系统的重要组成部分。
英特尔连续两年在开发者大会上展示其实感技术RealSense，向PC制造商提供软件开发工具包和3D摄像头，好让PC拥有“感觉”。凭借RealSense技术，PC摄像头可以对周围环境进行3D扫描并学会很多东西，比如纵深。今年的IDF上，英特尔CEO科再奇更将“计算真实可感”作为此次大会的主题，从最新Tango手机到无人机的室内飞行，展示出RealSense实感技术的各种实际应用，遍及工业、机器人、消费电子等领域，让实感技术走进我们的日常生活。
Intel实感3D摄像头由三枚镜头组成，传统镜头、红外镜头和红外激光放映仪，也可以称之为深度摄像头。通过三枚镜头间的合作，发射并探测物体反射回来的红外线，来计算设备前方物体的深度。计算得到的数据，与英特尔实感动作跟踪软件配合，生成免触摸的、可以响应手部、臂部和头部运动及面部表情的虚拟界面。英特尔实感技术开辟了全新的游戏方式及体验。通过姿势控制以及交互式游戏体验，能带给游戏玩家身临其境，随心所欲的游戏操控。
由于Intel实感3D摄像头可以感知深度信息，您可以整体移除或替换视频聊天背景。英特尔和微软合作，将Skype*和Lync*上的视频呼叫功能更改为个性化的交互，使其可以支持更为引人入胜的虚拟会议。将呼叫者们的背景移除，或者统一移动到一个新的背景中，创造更方便生动的会议环境。如此可见，英特尔实感技术将虚拟场景与真实场景做到很好的结合，起到增强实感的作用。
目前Intel实感3D摄像头有三款可选，面向2合1、笔记本电脑、一体机的F200，位于正面，有效距离在0.2～1.2米，仅限室内;面向平板、2合1的R100/R200，位于背面，室内多至3～4米。近距离深度摄像头用于手势识别，远距离深度摄像头用于环境感知和建模，业内相关人士预测，未来99%的AR设备和50%以上的VR设备将配备深度摄像头。
据ABI Research称，预计虚拟现实设备在未来五年将会迅速增长，其间年复合增长幅度为106%，到2020年总发货量将达到4300万件，累计出货量将超过1亿台。由于该领域充满市场想象力，全球科技业巨头都不惜花费大量资金来布局。最著名的收购来自苹果3.6亿美元收购Kinect一代的技术供应商PrimeSense，而VR巨头Oculus(它本身也是被Facebook以20亿美元收购)近期已经连续收购5家计算视觉领域的创业公司。Intel的RealSense实感摄像头也是收购多家相关领域公司以后的结果，微软则在Kinect二代产品中抛弃了PrimeSense的技术方案(也造成了PrimeSense被苹果收购的结果)，收购了Canesta公司并使用该公司的ToF技术方案，同时还收购了3DV系统公司做动作识别。谷歌则通过开发Tango项目来切入该领域，由于它直接针对移动设备，技术难度甚至更高，它所采用的计算视觉专用处理器也已经成为欧美半导体创业的最新热点。在本次IDF上，谷歌和Intel宣布合作开发相关技术，将该领域的热度炒到高潮。
正是巨头的积极布局，使得相关领域的创业和投资活动开始热闹起来。来自上海的图漾科技便是国内实时景深技术开发的代表，该团队成员在深度摄像头硬件和算法上有超过五年的经验和技术积累。图漾创始人费浙平表示，随着技术的快速发展，深度摄像头的应用早已突破游戏领域，机器人室内定位和导航与安防领域的行为模式预警开始进入商业化阶段。
目前，实现深度探测的主流技术主要有三种，(单目)结构光、双目可见光(可配合红外补光)和飞行时间法(ToF)三种。英特尔实感摄像头采用的是第一种技术，通过向检测空间内投射经过编码的激光光斑阵列，对空间进行标定并辅助计算三维空间位置。而图漾科技则创造性的采用“结构光+双目摄像头”的技术方式实现景深计算，它的优势在于有更好的环境适应能力与可靠性，提供更高的深度图质量，同时规避了PrimeSense的专利，目前图漾团队的关键创新和技术内容已经申请了多项发明专利。
由于图漾的技术优势和应用前景，目前图漾开发的产品样机已经交付首批客户。随着业内最大的技术供应商PrimeSense被苹果收购，今年将停止所有对外授权和供货，急需深度摄像头的厂商需要寻找替代方案。由于该技术门槛极高，能够找到的技术供应商非常有限，而图漾的独立技术供应商身份，使得他们的深度摄像头成为很好的替代技术方案。费浙平笑言，”客户对我们产品的需求非常饥渴。我们现在最大的挑战就是扩充各类资源、加快产品研发速度，尽快跟上客户的需求。”
来源：集微网 由大比特资讯收集整理
【技术】利用深度神经网络和计算机视觉分析脸部表情
辨别脸部表情和情绪是人类社会互动早期阶段中一项基本且非常重要的技能。人类可以观察一个人的脸部，并且快速识别常见的情绪：怒、喜、惊、厌、悲、恐。将这一技能传达给机器是一项复杂的任务。研究人员经过几十年的工程设计，试图编写出能够准确识别一项特征的计算机程序，但仍必须不断地反复尝试，才能识别出仅有细微差别的特征。
那么，如果不对机器进行编程，而是直接教机器精确地识别情绪，这样是否可行呢?
深度学习(deep learning)技术对于降低计算机视觉(computer vision)识别和分类的错误率展现出巨大的优势。在嵌入式系统中实施深度神经网络(见图1)有助于机器透过视觉解读脸部表情，并达到类似人类的准确度。
图1：深度神经网络的简单例子
神经网络可经由训练而识别出模式，而且如果它拥有输入输出层以及至少一个隐藏的中间层，则被认为具有“深度”识别能力。每个节点从上一层中多个节点的加权输入值而计算出来。这些加权值可经过调整而执行特别的影像识别任务。这称为神经网络训练过程。
例如，为了训练深度神经网络识别面带开心笑脸的照片，我们向其展示开心的图片作为输入层上的原始数据(影像像素)。由于知道结果是开心，网络就会识别图片中的模式，并调整节点加权，尽可能地减少开心类别图片的错误。每个显示出开心表情并带有批注的新图片都有助于优化图片权重。藉由充份的输入信息与训练，网络可以摄入不带标记的图片，并且准确地分析和识别与开心表情相对应的模式。
深度神经网络需要大量的运算能力，用于计算所有这些互连节点的加权值。此外，数据存储器和高效的数据移动也很重要。卷积神经网络(CNN)(见图2)是目前针对视觉实施深度神经网络中实现效率最高的先进技术。CNN之所以效率更高，原因是这些网络能够重复使用图片间的大量权重数据。它们利用数据的二维(2D)输入结构减少重复运算。
*图2：用于脸部分析的卷积神经网络架构(示意图) *
实施用于脸部分析的CNN需要两个独特且互相独立的阶段。第一个是训练阶段，第二个是部署阶段。
训练阶段(见图3)需要一种深度学习架构——例如，Caffe或TensorFlow——它采用中央处理器(CPU)和绘图处理器(GPU)进行训练计算，并提供架构使用知识。这些架构通常提供可用作起点的CNN图形范例。深度学习架构可对图形进行微调。为了实现尽可能最佳的精确度，可以增加、移除或修改分层。
图3：CNN训练阶段
在训练阶段的一个最大挑战是寻找标记正确的数据集，以对网络进行训练。深度网络的精确度高度依赖于训练数据的分布和质量。脸部分析必须考虑的多个选项是来自“脸部表情识别挑战赛”(FREC)的情感标注数据集和来自VicarVision (VV)的多标注私有数据集。
针对实时嵌入式设计，部署阶段(见图4)可实施在嵌入式视觉处理器上，例如带有可编程CNN引擎的Synopsys DesignWare EV6x嵌入式视觉处理器。嵌入式视觉处理器是均衡性能和小面积以及更低功耗关系的最佳选择。
图4：CNN部署阶段
虽然标量单元和向量单元都采用C和OpenCL C(用于实现向量化)进行编程设计，但CNN引擎不必手动编程设计。来自训练阶段的最终图形和权重(系数)可以传送到CNN映射工具中，而嵌入式视觉处理器的CNN引擎则可经由配置而随时用于执行脸部分析。
从摄影机和影像传感器撷取的影像或视讯画面被馈送至嵌入式视觉处理器。在照明条件或者脸部姿态有显着变化的识别场景中，CNN比较难以处理，因此，影像的预处理可以使脸部更加统一。先进的嵌入式视觉处理器的异质架构和CNN能让CNN引擎对影像进行分类，而向量单元则会对下
一个影像进行预处理——光线校正、影像缩放、平面旋转等，而标量单元则处理决策(即如何处理CNN检测结果)。
影像分辨率、画面更新率、图层数和预期的精确度都要考虑所需的平行乘积累加数量和性能要求。Synopsys带有CNN的EV6x嵌入式视觉处理器采用28nm工艺技术，以800MHz的速率执行，同时提供高达880MAC的性能。
一旦CNN经过配置和训练而具备检测情感的能力，它就可以更轻松地进行重新配置，进而处理脸部分析任务，例如确定年龄范围、识别性别或种族，并且分辨发型或是否戴眼镜。
总结
可在嵌入式视觉处理器上执行的CNN开辟了视觉处理的新领域。很快地，我们周围将会充斥着能够解读情感的电子产品，例如侦测开心情绪的玩具，以及能经由识别脸部表情而确定学生理解情况的电子教师。深度学习、嵌入式视觉处理和高性能CNN的结合将很快地让这一愿景成为现实。
本文由大比特资讯收集整理(www.big-bit.com)
2017年会是智能机器人崛起的时代吗？
分享我写的一篇文章吧！
美国国际消费电子展(CES 2017)是全球消费电子行业的风向标。每年都会吸引全球各个科技领域的公司。每个公司都希望通过这几天的产品展示，向全世界传递自己的创新能力。本文盘点一下CES2017出现的典型消费级服务机器人产品，试着剖析中国消费级智能服务机器人产业的崛起机会。
智能服务机器人分为面向行业的服务机器人和面向家用的服务机器人。面向行业的服务机器人，叫商用智能服务机器人，面向的是B端的市场，例如面向医院的医疗手术机器人，面向商场的导购机器人；家用智能服务机器人，面向的是C端的市场，属于消费类电子产品。
服务机器人进入家庭将开启一个万亿级产业大市场，试想一下，每家都有一台机器人产品，这个产业的规模肯定不亚于汽车产业。家用智能服务机器人的争夺异常的激烈。可惜的是，除了家用扫地机器人、玩具机器人、消费级无人机出现了一定的存量市场以外，家用智能服务机器人的更大的蓝海市场还没有开启。各个公司都在黑暗中摸索着通往这片蓝海的航道。
技术瓶颈、消费者过高的期望值、应用场景的限制都是家用智能服务器人行业面临的重大挑战。本届 CES 上我们也看到非常多机器人厂商的努力以及很多有意思的机器人及应用场景。下面这张图是围绕家用场景出现的一些产品。
亚马逊Alexa语音助手成为CES 2017的主导者，福特、华为、LG，以及多家创业公司均推出了集成Alexa的家电、手机、汽车，以及其他数码产品。今年可能是你从戳屏幕或敲键盘全面转向语音控制的开端。苹果的Siri、微软小冰、谷歌助理、三星Viv都想成为你的聊天对象，但亚马逊Alexa是这些“助理”中最成功的。
LG Hub Robot采用了Alexa 的语音服务，除了播放音乐、预报天气等基本的功能之外，LG 的目的应该是想通过其连接其生态的家用电器，不过这些类 JIBO 的机器人已经有无数的厂商模仿跟进，LG 作为家电厂商能否结合自身的优势探索出高频次的应用场景也有待市场验证。
另外，LG 同时发布了草坪机器人及机场导航服务机器人，这都属于特定领域的专业服务机器人，只要能解决关键的问题，肯定不愁卖。
Segway Loomo，Segway Robot 此次 展示的Loomo 的“泊车助理”就是其联合宝马推出的二次开发的产品。Loomo 能够自主完成简单的任务，比如在园区、停车场等环境下做导航运动。值得一提的是，Segway Robot 的视觉方案基于 Intel RealSense 深度视觉技术，其导航和跟踪识别的产品效果目前在业界处于领先的位置。
优必选 Cruzr，这家国内智能服务机器人领域的“独角兽”公司，通过猴年春晚的 Alpha 机器人舞蹈被普通大众所知，Cruzr 是优必选在本届 CES 第一次推出面向 B 端的机器人产品，其创始人周剑也表示 Cruzr 主要从银行、商超、海关、安防监控等领域切入。
DJI 红色精灵4，大疆创新作为消费级无人机领域的世界巨头，中国的明星企业。本届CES 显得极为低调，给精灵4升级之外只是简单的为一些配件做了发布。消费级无人机的市场已经在大疆巨头掌控之下，挑战其地位的公司极力为自己的新品宣传，但已经无力回天，场外纷纷裁员。其它厂商只能寻找特殊应用场景，本次 CES 上出现的大量小众领域的无人机产品就是很好的说明。
Lego Boost，作为玩具领域的巨头，乐高推出了编程机器人。面向教育的编程机器人市场这两年异常火热。大量的初创公司看准了这个领域，做培训的、做比赛的、自主设计研发的公司层出不穷。编程机器人领域将成为机器人和玩具公司的重要战场。
从本届CES来看，2017年商用智能机器人将会出现一轮爆发；家用智能服务机器人还处于摸索之中，短期内巨大市场还没有出现。
CES 2017大量中国企业的出现，显示了中国企业在消费类电子产品领域的崛起。这几年，中国已经成为PC、智能手机、玩具等产品的主要生产国。在长三角和珠三角，形成了一个开放性的全球最大的消费类电子产品产业集群。大规模、开放性、复杂电子产品的生产，中国独步天下。去欧美大型超市转一转你将发现，超过10个零部件的产品，基本都来自中国，10个部件一下的产品，才能看到东南亚和印度的产品。
大疆创新的成功最重要的一点就是扎根深圳，借助了这个产业集群的力量。这也是中国智能服务机器人企业最大的优势。家用智能服务机器人这片蓝海的航道一旦找到，市场大规模爆发，无论哪个企业，都需要借助中国制造，让机器人进入千家万户。
一句话总结：商用智能服务机器人的市场将先于家用智能服务机器人爆发，服务机器人企业要善用中国电子产业集群的力量。
孔博论智能，包你能看懂。
关于【安防sense是什么意思】和【新科技的寒武纪Ai】的介绍到此就结束了，热烈欢迎大家留言讨论，我们会积极回复。感谢您的收藏与支持！
发表评论