自動化設備機器學習開啟新模式，分布式機器人走進智能工廠從語音識別系統到自助停車等人工智能領域，“機器學習”的最新進展總能吸引大眾的眼球。 所謂機器學習，就是讓計算機在數據庫中搜索特定模型從而獲得新技能，以及讓自主機器人對所處環境建立行為模型。傳統機器學習方法，需要把訓練數據集中于某一臺機器或是單個數據中心里。 但是，這種建模在集群機器人協同工作中變得非常復雜。這些機器人可能集體搜集到很完美的、但對單個機器人毫無用處的模型。針對這一問題，有研究人員進行了一個實驗，在這個實驗中，研究人員運用了分布式運算方案，這一方案優于目前流行的將數據聚合在單個位置的標準算法。 “單個計算機需要從巨型批處理數據庫學習建模以處理難題，但在糟糕的處理方案出現時，它們通常會卡殼。如果小數據塊被單個計算機預先處理再整合，最后建立的模型則很少出現卡殼現象。”麻省理工學院航空航天專業畢業生特雷沃·坎貝爾在與導師喬納森·豪爾·理查德·科克馬克勞林教授共同寫的一篇論文中總結道。 為解海量決數據難題，谷歌等云服務巨頭還建設了規模龐大的云計算基礎設施，來對數據進行處理。現在，為利用移動設備上的人機交互來訓練模型，谷歌發明了一個新名詞——Federated Learning。谷歌表示，這會是機器學習的另一大未來發展方向。 什么是 Federated Learning？它的意思是“聯合學習”，即能使多臺智能手機以協作的形式，學習共享的預測模型。與此同時，所有的訓練數據保存在終端設備。這意味著在 Federated Learning的方式下，把數據保存在云端，不再是搞大規模機器學習的必要前提。 而同樣的數據處理難題也發生在深度學習領域。迄今為止的深度學習分析系統，都只能運行在單臺服務器上；用例僅僅是不能通過添加更多服務器來擴展而已，這背后有些深層次的原因。 不過這一切都成為了歷史。8月8日，IBM宣稱，已找到新的分布式深度學習軟件開發路線，不久之后深度學習負載分布式處理不再是夢。同日，IBM發布了其 Power AI 軟件貝塔版，供認知和AI開發者打造更準確的AI模型，發展更好的預測。該軟件將有助于縮短AI模型訓練時間，可從數天乃至數周，縮短至數小時。 隨著分布式機器學習、分布式深度學習的發展，分布式機器人開始走進智能工廠。分布式機器人控制系統可以減輕負擔，提升本地化設備運行效率，未來工廠中分布式機器人將會變得更加重要。 分布式機器人是一項具有挑戰性的工程，從AI的角度來說，工程師必需考慮機器人之間可以互相作用，機器人不是單獨作業，需要對周邊環境的變化作為反應。目前分布式機器人正處于初始階段，或許要經歷很長一段時間的發展，但總有一天它會成為智能工廠乃至智慧城市的重要組成部份。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
