2018年7月1日星期日

场景还是场景,配送服务正变天?AI芯片也要走向终端应用的竞争? | AI Weekly

这一周,物流配送成为我们关注的焦点。一个消息来自科技巨头亚马逊,一个则是美国商超百年老店克罗格,它们都盯上了「送快递」这件事。

线上购物仍然处在一个较高增长水平上,随之而来的是快递费用的同等增速,一个数据显示,在美国,UPS 已经有 5%-10% 的营收来自于亚马逊。从麦肯锡近期的一项研究结果里也可以看到,每年全球「最后一英里」快递服务支出费用约为 860 亿美元。

市场摆在那里,都想分一杯羹。亚马逊一直在研发无人配送产品和配送体系,从去年开始又在持续打造第三方配送生态,这周发布用于扶持快递创业公司的孵化器计划,则与此前的 Amazon Flex 项目形成了一个组合。

尽管收购全食填补了线下终端环节的缺失,但亚马逊需要从最基础的「众包」方式开始构建配送体系,而拥有接近 3000 家门店的克罗格,要想提供随时随地购物体验,缺少的是「最后一公里」的力量。就像沃尔玛那样,克罗格一直在寻求自动驾驶公司的方案来解决运力及其成本的问题。

对像 Nuro 这类想要抵达 L4 的创业公司而言,明确当下真正的刚需场景也是一个挑战。除了这次与传统零售商合作配送服务,在更多创业公司面前,还有干线运输、城市配送等不同细分市场的机会。

不得不说,场景的确已经成为最容易产生火药味的地方。

即便是 AI 芯片的竞争,也早已迅速转向基于各类终端应用垂直化产品的研发抢跑上。从云知声、思必驰到出门问问、Rokid 再到美图手机,不可避免地,这个名单还在增加,但究竟最核心的竞争点在哪里?有可能会是忆阻器这样的器件占领下一阶段 AI 芯片的投资热点。

除此之外,还有几家 AI 类公司又拿到钱了。在互联网创投模式备受考验的当口,人工智能创业公司的日子会更好过一些吗?

一、亚马逊正在「革」快递行业的「命」,这是否给技术创业者带来巨大的市场想象空间?

亚马逊本周一项涉及到零售业务的新举动,或许会让国内配送及电商平台「若有所思」一下:

「如果你想创建一个小型快递配送公司,我出钱,我出数据,我出各种物料,我出培训!就等你做 CEO,领导一群快递小哥给我的平台来送货!」

以上信息基本能概括出亚马逊这个新项目的主要内容。

更直接一点,亚马逊其实就是创建了一个孵化器,拿出一系列资源来专门扶持那些终端配送快递创业公司。

但这个计划实际上一点也不「新」。它更像是此前亚马逊发布的「最后一公里」众包项目——Amazon Flex 的升级版:

如果说 Flex 像是复制了 Uber 的运营模式,将配送任务分发给几乎没有劳动保障的平民快递员,鼓励司机接单;

而新项目,则是以鼓励创业者自建配送团队和招募运输服务合作伙伴的形式,把自己平台上快递任务以「模块化」的形式承包出去,为「散而无形」的平民快递员找到一个「包工头」。

如果说之前是「一根一根地收集柴火」,那么现在就是「一捆一捆地处理」。无疑会降低终端配送任务的难度,让任务分发更有秩序,一定程度上避免此前 Flex 项目因抢单事件而引发的混乱局面。

但无论如何,亚马逊是铁了心要在终端配送系统中「一搅到底」。

这些举动也被许多外媒评论为「想要摆脱联邦快递(FedEx)、联邦包裹(UPS)、国际快递(DHL)等终端配送大佬的掣肘,而这些快递巨头也应该对此保持警惕」。

说到电商平台与快递公司之间「亦敌亦友」的关系,从国内「菜鸟联盟」中的快递公司扮演的角色便可以一窥究竟。

快递公司们在联盟中被赋予的任务几乎是以配送端为主,持股较少;与此同时,他们需要将客户资源及配送系统等重要商业信息交给菜鸟网络,或者说是阿里。

但我们实际上很难将「包裹量增加+效率提升」与「数据资源」进行等效价值划算,而对于快递巨头来说,拥有持续的商业与网络效益是头等大事,心存戒心很有必要。

而对于阿里菜鸟来说,为了实现「盘活物流供应链」这个大愿景,仓储网络与终端配送环节是需要协同改造的。在终端配送环节没有支配权,会严重影响到供应链上下的数据打通,毕竟历史告诉我们,大部分快递公司在「效率提升」这件事情上一直都表现糟糕。

因此,阿里一直强调「自己绝不做快递」,但却在用入股、收购等方式来影响快递行业。

而对比国内至少拥有一定话语权的阿里,亚马逊更像是一直在「孤身奋斗」。

众所周知,亚马逊在仓储、货运工具方面的投入一直都非常卖力,但自营配送业务只是针对买家,平台上大部分的第三方配送服务还是需要交给快递公司处理。

据分析机构 MWPVL International 提供的数据,2017 年亚马逊电商在美国的商品出货量估计已超过 12 亿。但其中大部分都是通过第三方快递公司来配送。

因此,亚马逊在终端配送环节一直受制于 FedEx 与 UPS 等快递运营商,而后两者的巨大体量与国际化地位代表了他们绝不可能在物流数据及供应连方面与亚马逊进行打通和分享。

在今年提交给证监会的年度文件中,亚马逊明确指出,如果快递业务继续依赖联邦快递 (FedEx) 和联邦包裹(UPS)等外部合作伙伴,且无法通过谈判达成可接受条款,将会为公司经营带来商业风险。

而根据另一项亚马逊提供的财务数据显示,电商业务的运输成本已经从 2015 年的 115 亿元增至 217 亿美元。随着运费持续增加,公司有必要控制配送环节带来的成本压力。

这也是亚马逊从 2018 年初便开始绞尽脑汁为自己平台的商家开展「最后一公里」配送业务的根本原因。

但即便亚马逊今年接二连三得发布新项目,招募独立快递配送承包商,但有美国物流公司仍然对此「嗤之以鼻」。他们认为,即便亚马逊开始达到一定的量级,FedEx 与 UPS 的最后一公里业务也不会有多大的损失,因为该项业务回报率很低。

「一方面是本身这一块利润率低,另一方面,如果亚马逊涉足配送,两大物流巨头也许会进行报复性提价,毕竟亚马逊还在依赖他们。」北卡罗来纳州物流公司 Transportation Insight 负责人 Paul Thompson 表示。

毫无疑问,快递巨头们也开始意识到自己不改革「对不起」自己的垄断地位,都在催促自己的快递员们勤快一点,譬如增加个「周六上门取件服务」等等(what?原来美国以前周六还不能上门取件)。

但显然与国内相比,美国快递乃至整个物流行业更亟待改革,这也给很多快递技术公司与创业者开辟了参与分割这块蛋糕的巨大空间。

只是不知道这个「革命发起者」,是不是应该由亚马逊来担当。

二、无人送货这块大蛋糕,自动驾驶公司也在盯着呢

长期看,终端配送这件事还是会向无人化迁移,无论是上述亚马逊还是国内的京东、阿里巴巴,都在研发无人机、无人车技术并积极申请相关牌照。如果你还认为这些都是科技公司一厢情愿地想要向传统模式发起挑战,那么这周一家连锁超市巨头和自动驾驶初创公司的合作就恰好撕开了一个口子。

这事儿的主角是美国超市业百年老店克罗格(Kroger),曾经为对抗亚马逊传出和阿里巴巴牵手的「绯闻」,这次为了能真正做到随时随地向消费者提供商品,决定和 Nuro 一起研究自动驾驶汽车送货服务。

测试车辆采用的是 Nuro 公司的 R1,这款没有驾驶室的纯电力驱动汽车专为送货而生

用户可以通过 Nuro 的应用程序或是 Kroger 的在线交付平台下订单,克罗格工作人员把货物装进 Nuro 的车舱之后,自动驾驶汽车驶向目的地并停在路边等待用户取货。换句话说,不会提供上门服务。

从目前的报道来看,测试使用的车型还是 Nuro 在今年 1 月推出的 R1,上面搭载了摄像头、毫米波雷达和激光雷达等传感器。与普通汽车,R1 的车身更短小、轻盈,看起来像是一个带着轮子的烤面包机,或是一个超大的智能午餐盒。

在两个下单平台上,顾客可以掌握车辆的实时位置并与之互动交流。在此基础上,Nuro 还在研发人脸识别等生物识别技术。

尽管目前两家公司的合作细节、试点城市等信息尚未完全披露,但很明显 Nuro 会是这次合作中的赢家。

位于硅谷的机器人技术公司 Nuro 由谷歌自动驾驶团队前首席工程师朱佳俊和 Dave Ferguson 于 2016 年创立。彼时还是最早项目创始团队成员之一的朱佳俊,主要负责带领环境感知技术和仿真模拟的研发。Dave 则是谷歌自动驾驶汽车团队机器学习和机器视觉技术负责人,也是自动驾驶汽车业界最早的开拓者之一。

作为传统零售商,克罗格超过 2800 家门店已经遍布美国 35 个州,每天为 900 万顾客提供服务。这意味着,Nuro 可以快速把业务拓展到更多城市的同时,拥有不同城市的地图数据,并在配送服务场景中进一步打响自己的知名度。

麦肯锡近期的一项研究表明,每年全球「最后一英里」快递服务支出费用约为 860 亿美元,同比增长速度惊人。沃尔玛也曾寄希望于与 Uber 和 Lyft 的合作,通过出行领域的按需分配完成其线下货物的运输。不过可惜的是,最后却以「分手」告终。

在国内,试图以支线任务通关物流配送的玩家同样不在少数。 

上周,京东配送机器人开启了全球首次全场景常态化配送运营。载有货物的京东配送机器人根据调度平台的指令驶向目的地。在送货的过程中,机器人会对周围环境进行感知,并据此作出相应决策。即将到达目的地时,后台系统会把取货信息发送给用户,用户可自行选择人脸识别、输入验证码、点击手机 APP 链接这三种方式取货。

3 个月前,苏宁自家的送货机器人「卧龙一号」还亮相南京。

现在看来,各家在智能配送无人车上都称得上是重金投入,而且无人车的外观形态和具体场景都不尽相同。而想让用户真的接受从机器人「快递员」手中取货,还有很长的路要走。

三、当我们谈起深度学习芯片时,我们在谈哪些趋势?

计算机体系结构顶级会议 ISSCC 2018,「Digital Systems: Digital Architectures and Systems」分论坛主席 Byeong-GyuNam 对深度学习芯片的发展趋势做了概括——

如果说去年的焦点是卷积神经网络的实现问题,那么,如何更高效地实现卷积神经网络,特别是针对手持终端等设备成为今年关注的重点。

这一点并不是没有切实迹象。

全球先进半导体与集成电路领域的顶级会议——2018 国际超大规模集成电路研讨会上,清华大学 Thinker 团队发表了两款极低功耗 AI 芯片(Thinker-II 和 Thinker-S)的相关论文,其中,Thinker-S 芯片受邀在大会的 DEMO Session 进行了现场演示。

产业方面,绝大多数公司尤其是初创公司也纷纷看好芯片在终端应用上的商机。

继云知声 5 月推出国内首枚针对 AIoT 的 AI 芯片后,思必驰也透露,与国内芯片厂商合作研发的一款 ASIC 语音芯片将于下半年流片上市。

低价、功耗以及快速推向市场,可以说是这类创业公司自研芯片最重要的因素。

另外,为了自己的算法可以在新硬件上落地,中间也必须加上符合自己需求的阵列和芯片,否则技术优势也很容易被突破。

鉴于语音技术可能成为下一代交互界面,语音技术起家公司的自研芯片也会考虑面向物联网智能终端设备的可能性。

不过,值得注意的是,除了算法,思必驰的这枚芯片甚至集合了声学信号的处理能力。公司 CEO 高始兴将这枚芯片的特点概括为「超低功耗,声学信号处理能力比较强,扩展力也比较强」。OS 是否可以集成到芯片中,还有待进一步观察。

除了语音 AI 公司,一些智能硬件创业公司也步入自研芯片的行列。

5 月,出门问问推出了自己的 AI 语音芯片模组。本周,前三星半导体研究所长周军博士加盟 Rokid 也与杭州国芯合作推出 KAMINO18,一款 AI 语音专用的 SoC。

芯片集成度比较高,整体成本比市场主流通用芯片低 30% 以上。据透露,Rokid 掌握了从指令集到系统体系结构设计的流程,具备完整的自主知识产权。

智能硬件创业公司的产品通常没有多大规模,芯片需求量也很少,然而,不足千万级别的市场很难支撑传统芯片厂商的一条产品线,芯片厂商更愿意以通用方案替代。因此,一些创业公司进而走向合作、自研的路子。

智能手机领域也是如此。

本周,美图在正式发布美图 T9 标准版的同时,宣布下一步将进军芯片领域,推出自研的 MT-AI 图像处理芯片。

虽然外界对于这一消息流露出的更多是质疑,但公司有自己的逻辑:手机影像处理技术开发遇到了硬件的性能掣肘,现有的手机硬件无法及时地支持某些需要庞大计算量的尖端影像技术,比如夜景相机的降噪处理。因此,美图希望自研的 MT-AI 芯片能够实现很多之前无法实现的畅想。

对于 AI 芯片的下一个突破口在哪里的问题,深鉴科技 CEO 姚颂于本周在接受机器之能采访时表示,「如果说未来可能会有一个突破,那一定会是 In-Memory Computing。」

目前在学术研究上,对数据存取具有较高要求的全连接网络比如 RNN 和 LSTM,也是研究热点之一,而数据搬运方式,而非单纯的处理速度提升,会是接下来 AI 芯片的突破点。

其中,忆阻器这样的器件可能成为下一阶段 AI 芯片的投资点。如果忆阻器先驱们获得成功,那么,未来计算机可能会由那些四十年来、我们一度认为不存在的材料打造而成。

四、最后再来看看国内外都有哪些值得关注的交易发生

在 AI 时代,你永远都不能忽视语音交互。

亚马逊的 Alexa 掀起了全球范围内的个人语音助理热潮。现在,它又瞄上了企业语音助理。

近日,CRM 初创企业 Tact.AI 刚刚获得了 2700 万美元的 C 轮融资,亚马逊、微软和 Salesforce 三家巨头同时成为了它的投资方。Tact 总计已经获得超过 5300 万美元融资。


CRM (客户关系管理)系统是企业用来存储和管理和客户数据的工具,然而长久以来,进入和检索数据对于忙碌的销售人员来说都很费时费力。以简化 CRM 操作为出发点,Salesforce 产品部门的前高级副总裁 Chuck Ganapathi 创建了 Tact.AI。

Chuck 在 CRM 领域有超过 20 年的相关工作经验,对 CRM 的局限性有着非常深刻的了解。他在 2012 年推出了 Tact,通过语音助手帮助销售人员与 CRM 工具进行交互,使他们能够更轻松的获得需要的信息,从而提高销售额。

此外,Tact 还对外发布了一项产品改进,它是一个基于汽车环境的虚拟助手,被称作「语音智能」。一般来说,销售人员不是在见客户就是在见客户的路上,所以他们在汽车上花费了大量时间。有了这个助手,销售人员可以提前知道会议内容,管理日程,使他们能专心开车。

「我们希望在行驶过程中的销售专业人士,能够注意前方道路,所以我们正在向他们推送信息并发起对话,这正是人类助理的职责所在。」Chuck 说。

亚马逊此前在语音助理上投入了大量资金,它发现 Tact 在企业环境中所做的语音交互界面具有巨大潜力。事实上,Tact 也是去年秋季推出的 Alexa for Business 的首批服务商之一。

「就像人们很快会在家里采用语音技术一样,我们看到了企业语音服务的巨大机遇,」Amazon Alexa Fund 总监 Paul Bernard 说。

几乎在同一时间,中国领先的语音厂商 AISpeech(思必驰)完成了新一轮融资,本轮融资金额 5 亿元人民币,由元禾控股、中民投领投,深创投、富士康、联发科跟投。

思必驰成立于 2007 年,成立以来一直关注自然语言交互技术和智能终端领域,为智能车载、智能家居、智能玩具、机器人、可穿戴设备、智能手机等打造自然语言交互产品方案,目前已接入上亿智能终端。

目前思必驰已经有比较明确的上市计划,首选中国资本市场。

在中国的出行江湖,滴滴一家独大。而在大洋彼岸,Uber 和 Lyft 还在龙争虎斗。

6 月 27 日,Lyft 获得富达领投的 8 亿美金,估值达到 151 亿美元。此前,Lyft 已占据美国网约车市场 35% 的市场份额。

过去两年,估值 620 亿美元的 Uber 诸事不顺,不断发生出行安全、文化歧视、女权等一系列丑闻,陷入公众信任危机,导致其在出行市场的优势地位逐渐松动。

此次融资过后,Lyft 有望利用更多的弹药蚕食 Uber 的地盘。比如,招募对 Uber 失望的司机,提供更安全更便利的 APP,探索自动驾驶领域,进军全球市场,还有就是为乘客和司机带来实实在在的补贴。

]]> 原文: https://ift.tt/2lREWxf
RSS Feed

机器知心

IFTTT

这家自动驾驶公司的竞标成功,证明「场景利益最大化」才是市场的竞争规则

许多为商业落地绞尽脑汁的无人驾驶创业公司正在思考这样一个问题:

在我们参与竞争的市场中,规则到底是什么?

是技术水平?市场规模?落地能力?还是减少成本? 

在各种调速 2 倍甚至 4 倍以上的无人驾驶路测视频发布热潮散去后,随着「模仿成本」的急剧增加,企业们也从开始时强调的「技术门槛」,转而申述「落地能力」。

场景,便开始成为更受追捧的词汇。 

当然这也意味着,此前被视为竞争规则的「技术领先程度」,转变为「场景利益最大化」。

这就使得竞争的条件变得愈加复杂。而 Uber,便是一个很好的例子。

从 2016 年 Uber 开始以疯狂的速度组建无人驾驶卡车公司开始,他们最值得借鉴的地方并不是「验证自动驾驶技术是否可行」,而是建立在这项技术基础上的高效公路运输作业模式:

我们此前曾在一篇文章中解释过,Uber 认为当下自动驾驶货车面对的运输难题是——当卡车离开高速公路时,要怎样在十字路口做出决断? 

这是一个很容易忽视的「节点」问题。也就是说,即便它大部分时间都是在高速公路上老老实实地沿线行驶,但总会有开下高速公路进入转运站,或者停下来交货的时候。

而 Uber 制定的解决方案是,传统卡车把货物送到转运枢纽,自动驾驶卡车驮着货物走高速公路,然后到达目的地后再反过来执行一遍开头的流程。进入城区后,由传统卡车「拖着」自动驾驶卡车继续行驶。

听起来似乎很简单。

但是还要再罗嗦一句:这不是为了证明无人驾驶卡车存在的可行性,而是为了「场景利益最大化」。

具体到这个高速公路细分场景中,就变成了「物流效率最大化」。

因此,这又引发了多个与技术难度并驾齐驱的场景性难题:

  • 对接自动驾驶卡车的转运站应该是什么样子的?需不需要专用上下坡道?

  • 货物品种、保鲜日期与自动驾驶卡车的速度以及载运量有什么关系?

  • 是否应该根据货物流通方向来按区域分配自动卡车数量?

  • 为了提升卡车利用率,Uber 认为传统卡车与自动驾驶卡车都有必要载满货物。但如何让自动驾驶卡车在到达转运站时,迅速匹配到最近的同方向执行运货任务的传统卡车?

Uber 用两年时间收集的货物流动数据,以及建立在共享汽车业务基础上的成熟派单技术,也许已经派上了用场。

很显然,与 Uber 对自动驾驶场景化运营模式的精雕细琢相比,另一家不便具名的国内科技巨头或许是一个反例。 

在一次针对环卫洒扫车的技术解决方案供应商竞标中,这家公司的自动驾驶「产品」在测试园区的表现并不尽人意。

譬如除了对垃圾以及马路沿的定位不够精准,清扫力度不够大,转向与特定场景的行为选择也有一定偏差。 

有人认为,百度无人驾驶汽车采取的是一种「重高精地图」的识别模式,但在园区或者街道的清洁作业过程中,车道线与路标反而成了一种次要的,甚至是不具备可参考价值的元素。

当然,无人驾驶汽车设有多重安全冗余。既然高精地图派不上用场,那么传感器将起到主要作用。但这个时候,又容易忽视环卫运营商的业务要求:

  • 车辆的软硬件配置成本。

低速自动驾驶洒扫车的软硬件成本应该控制在多少以内?

  • 效率优先原则。

通常来说,一辆车在遇到大型障碍物时会选择绕开行驶。

但对于一辆以洒扫为目的工具车来说,选择绕开障碍物继续清扫,然后再原路返回清扫障碍物遮挡的路面,成本一定会大于「原地鸣声警告,待障碍物离开后继续清扫」的成本。

因此,不能做到任务场景的利益最大化,这家巨头的自动驾驶技术就没有任何意义。

最终拿下标的的公司是 COWAROBOT(酷哇)。

在未全面了解这家以机器人技术起家的公司之前,我们仅对其以往的「市场形象」有所耳闻——一个可以进行自动定位跟随的潮味儿旅行箱品牌。 

听起来不是很高大上,但做成消费级日常用品,却是最容易让定位导航技术落地的方式之一。

而在 2017 年以后,这家公司意外得切入了无人驾驶市场,而暂定的赚钱模式也很好理解——向环卫运营商兜售无人车软硬技术解决方案。 

说到这里你应该能明白讨论 Uber 模式的意图。

他们对环卫场景的选择与考量方式,与 Uber 极为相似:

场景相对单一,技术更容易实现;传统作业模式效率低下,亟待技术革新。

在中国的环卫场景中,「人」一直是主力。 

在乡镇,政府有关部门习惯于组建清扫队,基本以人工清扫为主,不依赖机械化设备。而地级市以上即便机械化程度较高,也需要人工操纵。因此,这个行业完全可以被看作是一种劳动力密集型产业。

但以中联为代表的环卫运营商们急于引入新型技术,在很大程度上并不是为了「节省人力成本」。 

实际上,按照中国的实际国情,蓝领的人力成本并不高。相反,「用工荒」才是当下劳动力市场存在的普遍现状。

根据 COWAROBOT 从上海相关部门拿到的数据显示,目前整个上海市有 30 多万环卫工人,但每年却在以 10%~20% 的速度递减。 

而将订单最终交给 COWAROBOT 的环卫巨头中联环境也透露,现在的人工清扫器械并不是太好卖,因为客户方根本招不到人。

因此,如果要说服环卫运营商引进无人洒扫车,就要做到在保证清扫质量的前提下,用时更少,所花费的成本更低。

COWAROBOT 将自己的无人车与人力洒扫效果进行了路测对比统计,结果显示,在做到清洁度一致的同时,每公里无人车所消耗的时间成本要比传统清扫车减少 10~20%。

COWAROBOT 无人车,前后端分别配置一个摄像头,车周配置了 4 个毫米波雷达,8 个超声波,以及 3 个 16 线激光雷达

但是,这对于一个要靠击中传统行业痛点来增加收入的公司来说,还远远不够。 

目前,市面上一辆柴油重卡洒扫车的价格大约在 40~60 万左右,而如果按照 COWAROBOT 给出的「每套无人驾驶及解决方案售价 40 万」(包括改装与自动驾驶软硬件)的数据进行粗略换算,客户所花费的总器械成本可能要大于能够抵消的时间成本。

因此,就像 Uber 遇到的问题一样,「作业模式」的重要性就「压倒」了无人驾驶的技术优势。 

可以说,COWAROBOT 承诺能够将整体作业效率提升 70~80% 的方法,与自动驾驶技术并无直接相关。

而是依靠团队在机器人路线规划及定位上积累的经验,制定了一套针对无人驾驶洒扫车队的智能调度系统

没错,这实际上就是借鉴了 Uber,或者说是美团等外卖公司的智能订单分配系统。当然,工业以及仓储机器人基于场景也应用了类似原理。

目前,他们产品首先落地的区域是一些封闭园区。这就先给无人洒扫车划定了一个有效的行驶范围。 

从上图来看,假如一个园区有 5 辆正在作业的洒扫车,那么按照传统方式,这 5 辆车都会被分配到一个特定区域,每天仅仅按照时间维度进行清扫。 

因此,即便有路段一直保持干净,或者有路段很快有垃圾堆积,也不会对清扫车的整体作业安排产生影响,但这却往往会造成不必要的重复清扫,或是漏扫弃扫,甚至是垃圾处理不及时等状况。

但是在智能调度系统的驱动下,「时间驱动」就变成了「目标型驱动」。 

或许每辆车仍然有自己固定「盯紧」的区域,但假设每块区域 50 平方公里,东南角有垃圾倾泻,但这辆车恰好行驶在这块区域的西北角上,而另一个区域的无人洒扫车恰好就在附近。

那么「接单」的,自然是后者。 

因此,与美团的订单分配机制原理几乎相同,通过对园区道路数据以及行驶轨迹数据进行分析和挖掘,便会得到最优路径规划,实现「清扫任务」(订单)与「无人洒扫车」(骑手)的高效动态最优匹配,进而降低运输与时间成本。

但这仅仅是最基础的一个设想。

在外卖配送中,「订单」这个变量只有数量的变化,没有层级的变化。而 COWAROBOT 在园区实测的过程中发现,「清扫任务」有更加明显的层级处理方式: 

「如果是纸片或者是树叶等垃圾,那么一辆普通的无人洒扫车就能解决,」COWAROBOT 联合创始人兼 COO 刘力源认为清理任务需要按照难度来进行「深度派单」:

「但如果是一些喷洒上的油漆或者是油渍,那么这辆无人洒扫车在识别并判断无法清理干净后,便会将信息反馈给后台,随后,另一辆深度清洁车便会接到指令,去喷洒一些专用溶剂,执行难度更高的任务。」 

但如果清理难度连深度清洁车也解决不了呢?终极 boss 人类清洁工便会出马。

这看起来仍然是一种人工与机器的配合处理方式,只不过让该任务的参与者更加「术业有专攻」。

换言之,这是一种分不同难度等级的订单派送系统,或许在范围及任务规模上完全不及外卖系统,但细节性的要求更多更复杂,很多时候不亲自跟随洒扫车走一圈,很难想象真实有效的应对方法。

「譬如井盖,井盖也有自己的一套清理方式。很多灰尘及垃圾可能会卡在井盖的凹凸缝隙里,所以需要的清洁刷毛要足够硬,」刘力源向我们描述了很多关于无人洒扫车的细节性调整, 

「而马路沿的夹缝非常难以清扫,这个时候洒扫车的刷毛软硬度,伸出的角度,以及传感器在车身安装的位置就非常关键。」 

着对环卫场景的了解愈加深入,你会发现,与应对一系列周边细节及场景定制化需求相比,无人驾驶核心技术反而成了一件不那么重要的事情:

比如,在配置软硬件之前,怎么把那些过时笨重的柴油重卡改成线控? 

比如,即便是低速行驶,由一辆冲洗车、一辆清扫车组成的重卡车队,在距离行人多少米时鸣笛警示或者停下来,才能不会给人造成心理压力?

比如,北京的干燥扬尘天气与南方湿润空气之间的地域差异,是不是也意味着两套完全不同的无人洒扫方案?

再比如,除了冲洗车与清扫车,路面养护车的改造是否也是一个套件必选项?

而这些细节,都被 COWAROBOT 纳入了自己承接的所有项目里。特别是在刚刚建成的北斗产业园里,智能调度系统已经开始正式运营。 

「给中联做方案,我们会派去十几个人,有机械组,电气组,无人驾驶算法组,还有现场调试和测试组。方案基本上一个半月就能交付。」刘力源并不只是想证明自己的团队效率, 

「一方面是取得客户信任,另一方面是真的着急落地,想盈利,把市场占下来。到现在为止,产品可以证明我们切入这个细分市场的方案是行之有效的。」

总的来说 COWAROBOT 认为中联选择自己,是因为公司掌握的「全栈」能力,但在我们看来,这倒不如说是这家技术公司有一颗想做传统市场巨头的野心。

显然,在细分场景中做技术解决方案供应商,也不是 COWAROBOT 想变成的终极角色。

]]> 原文: https://ift.tt/2IIdk6D
RSS Feed

机器知心

IFTTT

EmotiW2018视频情感识别大赛落幕,国内AI公司思图场景摘得桂冠

EmotiW2018


基于音视频短片的情感识别赛,正确率结果排名

EmotiW2018 视频情感识别世界大赛是世界范围内, 视频情感识别领域最高级别、最具权威性竞赛。此次比赛共吸引清华、北大、多伦多大学、中科院自动化研究所模式识别国家重点实验室、南卡罗来纳大学、EmoLab 、台湾清华大学等百余支世界顶尖研究机构与院校参与。参赛队伍需要通过设计人工智能模型和算法, 对视频中的人物表情动作和语音语调进行综合识别分析, 并从六种情绪维度(愤怒、厌恶、恐惧、快乐、悲伤和惊奇)对海量视频中的人物情感类型进行判定。思图场景的 AI 应用实验室组凭借基于场景应用实践的创新深度学习神经网络模型获得最高正确率,团队「lin」以同样的准确率并列第一,香港大学、北大团队分获第二、三名。

据了解,北京思图场景数据科技服务有限公司在今年 5 月正式成立 AI 应用实验室,开展基于商业应用场景的人工智能技术研究并与清华大学、北京航空航天大学建立学术合作, 逐步构建起基于人工智能视觉及场景深度学习能力的情感分析系统。此前,思图场景的视觉人工智能应用技术已稳定服务大型国有商业银行、车辆金融企业以及互联网金融企业,包括招行、建行、一汽财务、东风财务以及宜信等业内知名企业。

场景未来

随着人工智能技术开始从技术实现层面向应用实施层面转换, 情感识别能够通过画面和声音更好的判断人物情绪, 让机器能够在一定应用环境下「懂」用户的意图, 将促进视觉理解、人机交互技术在场景应用层面的发展,同时也将反向提升人工智能技术基础算法水平。情感识别领域已经吸引包括微软、谷歌、Facebook、Intel 等世界巨头及其他业内人士的高度关注, 并有公司开始基于应用场景进行研发。

在人工智能神经网络技术高速发展的情况下, 在模式识别、智能机器人、自动控制、预测估计、生物、医学、经济等领域已成功地解决了许多现代计算机难以解决的实际问题,表现出了良好的智能特性。现阶段人工智能技术将基于大量应用场景,实现在各个应用领域的进一步突破,而这其中的重点,即是人工智能场景应用技术。

]]> 原文: https://ift.tt/2KC7Grw
RSS Feed

机器知心

IFTTT

我一个理科生造的AI,怎么就去做历史高考题了呢?

郭一璞 发自 海边边 量子位 报道 | 公众号 QbitAI

文综提分哪家强?上海交大找AI。

之所以这么说,是因为arXiv上出现了一篇论文,一个可以答高考历史题的AI,还能给高考文综的历史题"提分"。

而这篇论文的作者,是两位上交的同学,分别来自计算机系和上海市教委智能交互与认知工程重点实验室。

比选择题难N倍的简答题

以往AI们"学术研究"的范围往往是理工科领域,但是Zhuosheng Zhang和Hai Zhao两位同学选择了一个完全不一样的科目:历史。

而且不是简单的单选或多选题,他们这次要让AI来答简答题。

有前人曾经用过AI来回答多选题,比如让AI读取维基百科上的相关内容,匹配和问题相关的词汇。但简答题却完全不一样,需要用到复杂的知识计算。

简答题,问题千奇百怪。让AI做简答题该从哪里入手呢?

找到文科生的套路

其实高考的历史简答题是有"套路"的:题型只有五种,分别是背景、原因、主张、事实、意义。

背景

考察学生对某个历史时期相关社会背景知识的了解,如:

运用我们从古代诗文、戏曲、民间传说中已经学到的知识,举例说明中国古代自给自足的自然经济的状况。

原因

解释某些历史事件、社会现象的原因,如:

春秋战国时期是社会剧烈动荡的历史阶段,为什么在这样的时期会出现思想文化活跃的局面。

主张

把历史上思想家们的观点写出来,并加以分析归纳,如:

在启蒙运动中,众多的启蒙思想家的共性思想主张是什么? 他们之间有何继承和发展。

事实

通过讲述历史事实来分析问题,比如:

"农民可能充当一种极端保守的角色,也可能充当一种具有高度革命性的角色。" 试结合有关史实评析这一观点。

意义

分析历史事件有什么意义,这类题我们在中学历史和政治考卷上见过很多:

用历史唯物主义和辩证唯物主义的观点来分析古代雅典民主政治和罗马法发展的历程,了解它们对后世的作用和影响。

看明白了五类问题的题型,我们大概对高考的历史题有了一点清晰的认识。接下来,需要去四处找语料了。

请高中历史老师帮忙处理数据

历史是一门敏感的学科,尤其是高考历史,要是AI的"思想"出了偏差,可就需要接受再教育了。所以,我们只给AI投喂高中历史课本上的信息作为语料。

拿到历史课本后,作者找到了专家,根据课标要求的1929个知识点,提取出了教科书中的1929个文本片段。

然后,拿出珍藏的五三,挑出一定数量的真题,结合教科书中的文本,给这些题目分配对应的答案。

现在,我们得到了1929对带注释的问答,然后把这些问答等分为训练集和测试集两部分。

最终,我们得到了一个有一万多个字的数据集:

NTM+CGNN的模型

现在,有了数据集之后,关键来了:

要搭建一个什么样的模型,来接受这些数据的训练和检验,努力像个高中生一样来回答这些历史简答题呢?

这个模型的结构,主要包括两个部分,一个是合作门控神经网络(cooperative gated neural network, CGNN),另一个是神经图灵机(neural turing machine, NTM)。

整体如下图所示:

在整个模型中,合作门控神经网络(cooperative gated neural network, CGNN)用于特征表示和答案检索。

CGNN的具体工作过程如下图所示:

模型的另一部分神经图灵机(neural turing machine, NTM),用来拆解题目,打上各种各样的标签。

NTM的工作过程如下图所示:

打标签的具体效果,是下面这个样子:

问题为"分析人类生产力的进步与世界市场形成之间的关系,谈谈世界市场形成对人类生活方式有何影响。"

标点符号都被去掉了,而所有的词汇都被拆分成了一个一个的标签用不同深度的红色表示。

而这个问题的答案也被改为了标签:

答案第一条:"密切了国际交流,各国与各行业间生产的互补性增强,为世界市场的形成准备了物质条件。"

第二条"引起运输的技术革命,促进了国际间人口和资金的流动。"

提分成绩好,家长很放心

理科生搭建这样一个模型,能在文科生的考试里拿下几分?

虽说没正式参加高考,但他们用自己的测试集,检验了一下自己模型的成绩,和机器问答界的前辈们比拼了一下。

上图,就是它们的成绩单了。括号外边的,是每种算法自己取得的成绩;括号里,是这些算法在与打标签的NTM配合使用取得的成绩;加号,表示的是这些模型在NTM加持下提升了多少分。

从这份成绩单上,可以看出两点,

一是与前辈算法们相比,CGNN的确能取得更好的成绩。

二是在"标签法"的助力之下,每种旧算法的表现都得到了提升。

附:论文传送门

One-shot Learning for Question-Answering in Gaokao History Challenge

作者:Zhuosheng Zhang, Hai Zhao

发表于COLING 2018

arXiv:https://ift.tt/2yZGVsv

Github(数据集):https://ift.tt/2N9irAd

欢迎大家关注我们的专栏:量子位 - 知乎专栏

诚挚招聘

量子位正在招募编辑/记者,工作地点在北京中关村。期待有才气、有热情的同学加入我们!相关细节,请在量子位公众号(QbitAI)对话界面,回复"招聘"两个字。

量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态



via 量子位 - 知乎专栏 https://ift.tt/2tT6W6Z
RSS Feed

RSS5

IFTTT

我一个理科生造的AI,怎么就去做历史高考题了呢?

郭一璞 发自 海边边 量子位 报道 | 公众号 QbitAI

文综提分哪家强?上海交大找AI。

之所以这么说,是因为arXiv上出现了一篇论文,一个可以答高考历史题的AI,还能给高考文综的历史题"提分"。

而这篇论文的作者,是两位上交的同学,分别来自计算机系和上海市教委智能交互与认知工程重点实验室。

比选择题难N倍的简答题

以往AI们"学术研究"的范围往往是理工科领域,但是Zhuosheng Zhang和Hai Zhao两位同学选择了一个完全不一样的科目:历史。

而且不是简单的单选或多选题,他们这次要让AI来答简答题。

有前人曾经用过AI来回答多选题,比如让AI读取维基百科上的相关内容,匹配和问题相关的词汇。但简答题却完全不一样,需要用到复杂的知识计算。

简答题,问题千奇百怪。让AI做简答题该从哪里入手呢?

找到文科生的套路

其实高考的历史简答题是有"套路"的:题型只有五种,分别是背景、原因、主张、事实、意义。

背景

考察学生对某个历史时期相关社会背景知识的了解,如:

运用我们从古代诗文、戏曲、民间传说中已经学到的知识,举例说明中国古代自给自足的自然经济的状况。

原因

解释某些历史事件、社会现象的原因,如:

春秋战国时期是社会剧烈动荡的历史阶段,为什么在这样的时期会出现思想文化活跃的局面。

主张

把历史上思想家们的观点写出来,并加以分析归纳,如:

在启蒙运动中,众多的启蒙思想家的共性思想主张是什么? 他们之间有何继承和发展。

事实

通过讲述历史事实来分析问题,比如:

"农民可能充当一种极端保守的角色,也可能充当一种具有高度革命性的角色。" 试结合有关史实评析这一观点。

意义

分析历史事件有什么意义,这类题我们在中学历史和政治考卷上见过很多:

用历史唯物主义和辩证唯物主义的观点来分析古代雅典民主政治和罗马法发展的历程,了解它们对后世的作用和影响。

看明白了五类问题的题型,我们大概对高考的历史题有了一点清晰的认识。接下来,需要去四处找语料了。

请高中历史老师帮忙处理数据

历史是一门敏感的学科,尤其是高考历史,要是AI的"思想"出了偏差,可就需要接受再教育了。所以,我们只给AI投喂高中历史课本上的信息作为语料。

拿到历史课本后,作者找到了专家,根据课标要求的1929个知识点,提取出了教科书中的1929个文本片段。

然后,拿出珍藏的五三,挑出一定数量的真题,结合教科书中的文本,给这些题目分配对应的答案。

现在,我们得到了1929对带注释的问答,然后把这些问答等分为训练集和测试集两部分。

最终,我们得到了一个有一万多个字的数据集:

NTM+CGNN的模型

现在,有了数据集之后,关键来了:

要搭建一个什么样的模型,来接受这些数据的训练和检验,努力像个高中生一样来回答这些历史简答题呢?

这个模型的结构,主要包括两个部分,一个是合作门控神经网络(cooperative gated neural network, CGNN),另一个是神经图灵机(neural turing machine, NTM)。

整体如下图所示:

在整个模型中,合作门控神经网络(cooperative gated neural network, CGNN)用于特征表示和答案检索。

CGNN的具体工作过程如下图所示:

模型的另一部分神经图灵机(neural turing machine, NTM),用来拆解题目,打上各种各样的标签。

NTM的工作过程如下图所示:

打标签的具体效果,是下面这个样子:

问题为"分析人类生产力的进步与世界市场形成之间的关系,谈谈世界市场形成对人类生活方式有何影响。"

标点符号都被去掉了,而所有的词汇都被拆分成了一个一个的标签用不同深度的红色表示。

而这个问题的答案也被改为了标签:

答案第一条:"密切了国际交流,各国与各行业间生产的互补性增强,为世界市场的形成准备了物质条件。"

第二条"引起运输的技术革命,促进了国际间人口和资金的流动。"

提分成绩好,家长很放心

理科生搭建这样一个模型,能在文科生的考试里拿下几分?

虽说没正式参加高考,但他们用自己的测试集,检验了一下自己模型的成绩,和机器问答界的前辈们比拼了一下。

上图,就是它们的成绩单了。括号外边的,是每种算法自己取得的成绩;括号里,是这些算法在与打标签的NTM配合使用取得的成绩;加号,表示的是这些模型在NTM加持下提升了多少分。

从这份成绩单上,可以看出两点,

一是与前辈算法们相比,CGNN的确能取得更好的成绩。

二是在"标签法"的助力之下,每种旧算法的表现都得到了提升。

附:论文传送门

One-shot Learning for Question-Answering in Gaokao History Challenge

作者:Zhuosheng Zhang, Hai Zhao

发表于COLING 2018

arXiv:https://ift.tt/2yZGVsv

Github(数据集):https://ift.tt/2N9irAd

欢迎大家关注我们的专栏:量子位 - 知乎专栏

诚挚招聘

量子位正在招募编辑/记者,工作地点在北京中关村。期待有才气、有热情的同学加入我们!相关细节,请在量子位公众号(QbitAI)对话界面,回复"招聘"两个字。

量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态



via 量子位 - 知乎专栏 https://ift.tt/2tT6W6Z
RSS Feed

RSS5

IFTTT

95 后开发者发布“摸鱼神器”;字节发布全球首个 25 秒 AI 视频- InfoQ每周精要No.877

「每周精要」 NO. 877 2025/04/26 头条 HEADLINE 95 后中国开发者刚刚发布"摸鱼神器",比 Manus 快 4 倍! 实测结果能否让打工人逆袭? 精选 SELECTED 数据挖掘技术在轨迹数据上的应用实践 本文介绍滴滴如...