lswcap
2017 年，特斯拉宣布了每周生产 5,000 辆 Model 3 的目标。尽管存在担忧，但埃隆·马斯克发誓，机器人装配线将成为加快生产和降低成本的一种方式。截至 2018 年第四季度，一年半之后，特斯拉的出货量为 91,000 辆。然而，生产单元数量的增加并不能通过埃隆·马斯克最初提出的自动化流水线的想法来解决。
至于为什么自动化不起作用，Elon Musk 指出了一个挑战。机器人视觉（想想计算机视觉）。换句话说，控制装配线上的机器人将什么视为对象以确定其行为的软件。不幸的是，当时装配线上的机器人无法处理车架之间的复杂性，以及螺栓和螺母之类的东西是否指向意想不到的方向。每当这个问题发生时，装配线就会停止。最终，只有在众多装配过程中将机器人替换为人类后，解决问题才变得容易得多。
计算机视觉，可以称为机器人视觉的统称，也可以看作是人工智能技术与创新应用的边界，涵盖无处不在的各个行业。这方面取得的进展令人印象深刻。实现埃隆马斯克的汽车装配线所必需的要素也开始浮出水面。关键是计算机和机器人必须能够可靠地处理大多数意外事件，例如现实世界中发生的螺栓和螺母。
2012 年，当 CNN（卷积神经网络）被应用时，计算机视觉达到了一个转折点。直到 2012 年，计算机视觉解决方案只是尝试用数学方法描述图像特征和手动定义算法的规则集。这些由人类选择并结合计算机视觉研究来指定要识别的对象，例如自行车、商店和人脸。
但随着机器学习和人工神经网络技术的兴起，这一切都发生了变化。可以使用大量学习数据开发一种算法，可以自动读取和学习图像特征。这样做的真正影响是，首先，解决方案更加强大，其次，创建卓越的解决方案已经开始依赖于高质量的大规模学习数据。
如今，生成对抗网络 (GAN) 等新方法可以显着减少开发高质量计算机视觉模型所需的训练数据量以及收集它们所需的时间或精力。通过这种方式，人工智能可以更快地以更高的速度识别异常。人类可以评估这些异常并重新考虑他们的解决方案。
这种新方法在适用性、鲁棒性和可靠性方面正在迅速扩展计算机视觉领域。它不仅将解决埃隆马斯克所面临的生产挑战，而且还将在许多重要应用中突破界限。
示例包括生产自动化、面部检测、医学成像、驾驶员辅助或自动化、农业和房地产信息。考虑到这些进步，终有一天埃隆·马斯克的想法本身不再是错误的。可能只是这样的愿景提前一两年太早了。人工智能、计算机视觉和机器人都在接近准确性、可靠性和效率的转折点。
Add comment