丽莎老师讲机器人之人工智能的三生三世（一）

AI最基本的几个模块：计算机视觉、语音识别、自然语言处理、决策规划系统。
一、计算机视觉的发展历史
计算机视觉的历史可以追溯到1966年，人工智能学家Minsky在给学生布置的作业中，要求学生通过编写一个程序让计算机告诉我们它通过摄像头看到了什么，这也被认为是计算机视觉最早的任务描述。
到了七八十年代，随着现代电子计算机的出现，计算机视觉技术也初步萌芽。人们开始尝试让计算机回答出它看到了什么东西，于是首先想到的是从人类看东西的方法中获得借鉴。
借鉴之一是当时人们普遍认为，人类能看到并理解事物，是因为人类通过两只眼睛可以立体地观察事物。因此要想让计算机理解它所看到的图像，必须先将事物的三维结构从二维的图像中恢复出来，这就是所谓的“三维重构”的方法。
借鉴之二是人们认为人之所以能识别出一个苹果，是因为人们已经知道了苹果的先验知识，比如苹果是红色的、圆的、表面光滑的，如果给机器也建立一个这样的知识库，让机器将看到的图像与库里的储备知识进行匹配，是否可以让机器识别乃至理解它所看到的东西呢，这是所谓的“先验知识库”的方法。
这一阶段的应用主要是一些光学字符识别、工件识别、显微/航空图片的识别等等。
到了九十年代，计算机视觉技术取得了更大的发展，也开始广泛应用于工业领域。一方面原因是CPU、DSP等图像处理硬件技术有了飞速进步；另一方面是人们也开始尝试不同的算法，包括统计方法和局部特征描述符的引入。
在“先验知识库”的方法中，事物的形状、颜色、表面纹理等特征是受到视角和观察环境所影响的，在不同角度、不同光线、不同遮挡的情况下会产生变化。
因此，人们找到了一种方法，通过局部特征的识别来判断事物，通过对事物建立一个局部特征索引，即使视角或观察环境发生变化，也能比较准确地匹配上。
进入21世纪，得益于互联网兴起和数码相机出现带来的海量数据，加之机器学习方法的广泛应用，计算机视觉发展迅速。以往许多基于规则的处理方式，都被机器学习所替代，自动从海量数据中总结归纳物体的特征，然后进行识别和判断。
这一阶段涌现出了非常多的应用，包括典型的相机人脸检测、安防人脸识别、车牌识别等等。
数据的积累还诞生了许多评测数据集，比如权威的人脸识别和人脸比对识别的平台——FDDB和LFW等，其中最有影响力的是ImageNet，包含1400万张已标注的图片，划分在上万个类别里。
到了2010年以后，借助于深度学习的力量，计算机视觉技术得到了爆发增长和产业化。通过深度神经网络，各类视觉相关任务的识别精度都得到了大幅提升。
在全球最权威的计算机视觉竞赛ILSVR（ImageNet Large Scale VisualRecognition Competition）上，千类物体识别Top-5错误率在2010年和2011年时分别为28.2%和25.8%，从2012年引入深度学习之后，后续4年分别为16.4%、11.7%、6.7%、3.7%，出现了显著突破。
由于效果的提升，计算机视觉技术的应用场景也快速扩展，除了在比较成熟的安防领域应用外，也有应用在金融领域的人脸识别身份验证、电商领域的商品拍照搜索、医疗领域的智能影像诊断、机器人/无人车上作为视觉输入系统等，包括许多有意思的场景：照片自动分类（图像识别+分类）、图像描述生成（图像识别+理解）等等。
二、语音技术的发展历史：
语言交流是人类最直接最简洁的交流方式。长久以来，让机器学会“听”和“说”，实现与人类间的无障碍交流一直是人工智能、人机交互领域的一大梦想。
早在电子计算机出现之前，人们就有了让机器识别语音的梦想。1920年生产的“Radio Rex”玩具狗可能是世界上最早的语音识别器，当有人喊“Rex”的时候，这只狗能够从底座上弹出来。
但实际上它所用到的技术并不是真正的语音识别，而是通过一个弹簧，这个弹簧在接收到500赫兹的声音时会自动释放，而500赫兹恰好是人们喊出“Rex”中元音的第一个共振峰。
第一个真正基于电子计算机的语音识别系统出现在1952年，AT&T贝尔实验室开发了一款名为Audrey的语音识别系统，能够识别10个英文数字，正确率高达98%。
70年代开始出现了大规模的语音识别研究，但当时的技术还处于萌芽阶段，停留在对孤立词、小词汇量句子的识别上。
上世纪80年代是技术取得突破的时代，一个重要原因是全球性的电传业务积累了大量文本，这些文本可作为机读语料用于模型的训练和统计。研究的重点也逐渐转向大词汇量、非特定人的连续语音识别。
那时最主要的变化来自用基于统计的思路替代传统基于匹配的思路，其中的一个关键进展是隐马尔科夫模型（HMM）的理论和应用都趋于完善。
工业界也出现了广泛的应用，德州仪器研发了名为Speak& Spell语音学习机，语音识别服务商Speech Works成立，美国国防部高级研究计划局（DARPA）也赞助支持了一系列语音相关的项目。
90年代是语音识别基本成熟的时期，主流的高斯混合模型GMM-HMM框架逐渐趋于稳定，但识别效果与真正实用还有一定距离，语音识别研究的进展也逐渐趋缓。
由于80年代末、90年代初神经网络技术的热潮，神经网络技术也被用于语音识别，提出了多层感知器-隐马尔科夫模型（MLP-HMM）混合模型。但是性能上无法超越GMM-HMM框架。
突破的产生始于深度学习的出现。随着深度神经网络（DNN）被应用到语音的声学建模中，人们陆续在音素识别任务和大词汇量连续语音识别任务上取得突破。
基于GMM-HMM的语音识别框架被基于DNN-HMM的语音识别系统所替代，而随着系统的持续改进，又出现了深层卷积神经网络和引入长短时记忆模块（LSTM）的循环神经网络（RNN），识别效果得到了进一步提升，在许多（尤其是近场）语音识别任务上达到了可以进入人们日常生活的标准。
于是我们看到以Apple Siri为首的智能语音助手、以Echo为首的智能硬件入口等等。
而这些应用的普及，又进一步扩充了语料资源的收集渠道，为语言和声学模型的训练储备了丰富的燃料，使得构建大规模通用语言模型和声学模型成为可能。
三、自然语言处理的发展历史：
人类的日常社会活动中，语言交流是不同个体间信息交换和沟通的重要途径。因此，对机器而言，能否自然地与人类进行交流、理解人们表达的意思并作出合适的回应，被认为是衡量其智能程度的一个重要参照，自然语言处理也因此成为了绕不开的议题。
早在上世纪50年代，随着电子计算机的出现，出现了许多自然语言处理的任务需求，其中最典型的就是机器翻译。
当时存在两派不同的自然语言处理方法：基于规则方法的符号派和基于概率方法的随机派。受限于当时的数据和算力，随机派无法发挥出全部的功力，使得规则派的研究略占上风。
体现到翻译上，人们认为机器翻译的过程是在解读密码，试图通过查询词典来实现逐词翻译，这种方式产出的翻译效果不佳、难以实用。
当时的一些成果包括1959年宾夕法尼亚大学研制成功的TDAP系统（Transformation and Discourse Analysis Project，最早的、完整的英语自动剖析系统）、布朗美国英语语料库的建立等。
IBM-701计算机进行了世界上第一次机器翻译试验，将几个简单的俄语句子翻译成了英文。这之后苏联、英国、日本等国家也陆续进行了机器翻译试验。
1966年，美国科学院的语言自动处理咨询委员会（ALPAC），发布了一篇题为《语言与机器》的研究报告，报告全面否定了机器翻译的可行性，认为机器翻译不足以克服现有困难、投入实用。
这篇报告浇灭了之前的机器翻译热潮，许多国家开始消减在这方面的经费投入，许多相关研究被迫暂停，自然语言研究陷入低谷。
许多研究者痛定思痛，意识到两种语言间的差异不仅体现在词汇上，还体现在句法结构的差异上，为了提升译文的可读性，应该加强语言模型和语义分析的研究。
里程碑事件出现在1976 年，加拿大蒙特利尔大学与加拿大联邦政府翻译局联合开发了名为TAUM-METEO的机器翻译系统，提供天气预报服务。这个系统每小时可以翻译6-30万个词，每天可翻译1-2千篇气象资料，并能够通过电视、报纸立即公布。
在这之后，欧盟、日本也纷纷开始研究多语言机器翻译系统，但并未取得预期的成效。
到了90年代时，自然语言处理进入了发展繁荣期。随着计算机的计算速度和存储量大幅增加、大规模真实文本的积累产生，以及被互联网发展激发出的、以网页搜索为代表的基于自然语言的信息检索和抽取需求出现，人们对自然语言处理的热情空前高涨。
在传统基于规则的处理技术中，人们引入了更多数据驱动的统计方法，将自然语言处理的研究推向了一个新高度。除了机器翻译之外，网页搜索、语音交互、对话机器人等领域都有自然语言处理的功劳。
2010年以后，基于大数据和浅层、深层学习技术，自然语言处理的效果得到了进一步优化。机器翻译的效果进一步提升，出现了专门的智能翻译产品。对话交互能力被应用在客服机器人、智能助手等产品中。
这一时期的一个重要里程碑事件是IBM研发的Watson系统参加综艺问答节目Jeopardy。比赛中Watson没有联网，但依靠4TB磁盘内200万页结构化和非结构化的信息，Watson成功战胜人类选手取得冠军，向世界展现了自然语言处理技术所能达到的实力。
机器翻译方面，谷歌推出的神经网络机器翻译（GNMT）相比传统的基于词组的机器翻译（PBMT），英语到西班牙语的错误率下降了87%，英文到中文的错误率下降了58%，取得了非常强劲的提升。

丽莎老师讲机器人之人工智能与机会。

波士顿动力发布了两个新视频，第一个，是最新版Atlas机器人。继解锁后空翻技能后，在最新视频中，他已经可以适应户外地面环境，自由奔跑了！第二个视频里，主角是 SpotMini 机器狗。
波士顿动力演示了SpotMini小狗机器人如何通过自动导航在办公室和实验室中自由穿行，它能够以非常快速的反应速度避开障碍物，甚至会爬楼梯！
会奔跑和爬楼梯的机器人出现说明，波士顿动力离实现他们的长期目标——制造像真正的人和动物一样的机器人，已经不太远了。他们的产品，已可以在一些较为复杂的实际环境中执行任务了。
面对来势汹汹的时代变革，美国特斯拉创始人埃隆·马斯克再次大声疾呼：“我们需要万分警惕人工智能，它们比核武器更加危险！”
马斯克的担忧，的确不是空穴来风。现在，一切正在颠覆性地发展，令人措手不及！
1、美国IBM公司宣布：已成功研制出了量子计算机原型机，量子计算机商业化正在加速！
基于 20 量子比特的量子计算机，IBM公司将在年底向客户开放。
基于 50 量子比特的量子计算机原理样机，为今后 IBM Q 系统奠定基础。
要知道这是多么大的跨越：50量子比特的量子计算机，一步就能进行2的50次方运算，即一千万亿次计算。这也就是说，一台台式机电脑大小的量子计算机，或能达到今天最先进的中国天河一号超级计算机的计算能力。
以前看起来遥不可及的量子计算机，一下就逼近了人类的身边！照这个速度发展下去，量子计算机的神通将强劲得令人恐惧。
2、新一代互联网在全球的推广应用，将让以人与人链接为特征的互联网，转变为人与人、人与物、物与物链接三位一体的物联网，大数据井喷时代来临。
成千上万亿个设备，将通过传感器连接到物联网上，生产出海量的数据。有了这巨量的大数据，通过人工智能的分析和运用，我们身处的世界将发生不可预测的巨变！
一个人工智能时代，正以前所未有的速度和影响向我们迎面而来！
3
3对AI而言，它所需打败的对手，便是各类训练用AI，而它所放养的陶罐，则是整个互联网。
AI游走在巨大陶罐内，观察人类，并日夜不息地迭代进化。
牛津的学者，给出AI神魂健全时限：十年之内，AI将变得足够聪明，并消灭40%以上的职业。
如果说神魂健全的时间线尚显模糊，那么从硬件上判断，AI全面降临的速度可能更快。
未来学家认为，当我们用1000美元购买的电脑产品，能达到人脑的计算速度时，人工智能时代将全面到来。
1985年时，1000美元能买到人脑计算速度的万亿分之一，1995年变成了十亿分之一，2005年是百万分之一，而2015年已经是千分之一了。
按此速度，2025年，个人电脑便可和人脑运算速度匹敌。
4
人工智能的到来，不仅代表着产业的重大变革，同时也预示着我们更多的人未来或将无工可打。
长期从事重复性，单一性，可替代性很强工作的小伙伴，你们可要当心了，未来不只是优秀的人和你在竞争，更有不需要睡觉会自动学习的机器人和你竞争。
比如，德勤最新开发的财物机器人，一台可以顶替15个财务的工作；
随着更高的科技投入应用，荷兰、德国某些银行不约而同宣布裁员，以达到银行工作数码化、自动化。
就连艺术领域，一位来自意大利的机器人音乐家Teo，特长是钢琴演奏，还曾被国际钢琴大师郎朗称赞技法精湛。
机器人能够掌握的不仅仅是冷冰冰的数学思维，这是否说明，人类连情感这个专利也要失去了？
围棋、翻译、医疗、证券.......人类正在看着原本只属于自己的疆域一片片地被人工智能蚕食，大幅地沦陷.......
李开复预测，未来的人工智能革命在规模上将与工业革命旗鼓相当，甚至有可能带来远比工业革命更快速、更巨大的变革。
看到这里，许多人不禁忧心忡忡，如临大敌。
其实，任何一个行业，任何一个职业与人一样，都有他的生老病死。
固然，人工智能或许会让一些行业永久消失，但它解放了人类的创造力。当然，倘若你不去改变，就只能被社会淘汰，就只能失业。
真正的稳定是你在风暴之前就未雨绸缪，抓住机会学习，野蛮生长，而不是说燕雀处堂不知大厦之将倾，在你最好的年华，满足于优越感和舒适区。
5
毁灭和永生，几乎是人类对人工智能两大终极想象。即便这些太过遥远，仅从工具角度，人工智能依然有着双面性。
比如人工智能解读唇语，如果用在监控领域，那么我们或将迎来一个比《1984》更窒息的世界。
无论结局是忧是喜，我们都无力阻挡其发生。新时代的洪流已至，你我皆被裹挟其中。
我们能做的，只是在洪流中，尽量抓住一切带有想象和创造元素的稻草，尽量逃避被淹没的命运。
从今日起，尽量让自己的工作更多创造性内容，尽量掌握一门以想象力为核心的技能，尽量观察信息的风口，并不断迭代自己的认知储备。
旧职业的消亡，只是开始讯号，在新时代的巨震中，每个人都将被重新判断价值。

丽莎老师讲机器人之“潜龙三号”自主水下机器人。

中国科学院沈阳分院19日举行公众科学日活动，中国“潜龙三号”自主水下机器人首次公开展出。
“潜龙三号”由中国大洋矿产资源研究开发协会办公室立项，中科院沈阳自动化研究所作为技术总体单位，联合国家海洋局第二海洋研究所等共同研制，在2018年4月成功完成海试和试验性应用潜次。
据“潜龙三号”总设计师介绍，该水下机器人重约1.5吨，长约3.6米，整体造型像一条萌萌的小黄鱼，其头部为声呐探测器，中间鱼鳍可以转换方向，尾部是磁力探测系统，整体性能比“潜龙二号”有了不少提升。
“潜龙三号”以完成大洋申请矿区的多金属硫化物资源调查任务为主要目标，是一台具备微地貌测深侧扫声纳成图、温盐深剖面探测、甲烷探测、浊度探测、氧化还原电位探测、深海照相以及磁力探测等热液异常探测功能的4500米级自主潜水器。
该自主水下机器人在2018年4月以高分通过了海上现场试验验收，是中国“蛟龙探海”计划潜龙系列发展的又一里程碑，为中国“深海进入、深海探测、深海开发”增添了利器。

丽莎老师讲机器人之中小学加入人工智能课程。

去年，国务院印发《新一代人工智能发展规划》，明确指出人工智能成为国际竞争的新焦点，应逐步开展全民智能教育项目，在中小学阶段设置人工智能相关课程、逐步推广编程教育、建设人工智能学科，培养复合型人才，形成我国人工智能人才高地。
今年4月，全球第一本人工智能教材，终于要进入中国高中生的课堂。
这本教材由华东师范大学出版社和商务印书馆共同出版，现在已经选了全国各地40所高中作为首批人工智能教育实验基地学校试点。
近日，深圳乐智机器人，与百度云智学院，以及北京大学、北京师范大学、华东师范大学共同推出《百度中小学人工智能课程》。课程预计5月将在北京、上海、河南、湖南等地试点校开设试点课程，9月将正式落地开课。
在这些人工智能教材背后，是一个国家级的大战略：人工智能，要从娃娃抓起！
人工智能，听起来非常高大上的内容，甚至很多大学生都不一定能掌握，中小学生怎么学得会呢？
给中小学生进行人工智能课程的学习，更重要的是一种科普，学习人工智能的基本概念和原理，不会在以后一提到算法、机器学习、深度学习、识别和语音合成等概念就一脸茫然。
同时，课程能用游戏化教学、图形化编程、人工智能互动体验等方式来提高课程接受度，让抽象的内容体验化，用更快乐的方式让孩子去接受新鲜事物。

丽莎老师讲机器人之宝马引入机器人后，零裁员还要多雇5000人！

近两年AI技术发展迅猛，不少人陷入了“被机器取代”的恐慌。只要有企业传出裁员消息，就会被过度解读，最近流传的“京东要裁掉8万员工”就是个例子。
不可否认，机器的效率是惊人的。如果非要PK，人类一定会输的底裤都不剩。但是，人类和机器的关系真的是对立的吗？
全球最大的汽车零配件公司德国博世，在引入机器人生产零部件后，没有裁员不说，反而多雇佣了20000人做质检工作。
宝马公司在南卡罗来纳州的工厂引入自动化生产后，汽车产量翻了一番，员工数量也从4,200名增加到10,000名。
芬兰著名剪刀制造商Fiskars AB，使用自动化技术后产量飙升，员工数量也从4515变成了8560人。工人们再也不用在2700度高温的炉子上手工锻造刀片，只需在安全的工作环境中做号质量检查。
机器负责高效率地生产，人类负责质检把关。人机协作大幅提高工作效率，产量得以快速增长的同时，就业岗位自然会更多。
这一原理同样适用于其它工种，如编辑。每天累死累活地更新几十篇文章后，上司说内容不够丰富、老板说更新频率太低、用户说满足不了阅读需求......一肚子委屈没处说。
但要是有了引入能自动搭建内容频道、同时追踪数千个数据源、并且能7*24小时实时更新的Giiso编辑机器人后，上司、老板和用户的要求根本不是事。内容生产全部交给它，编辑只需要做好内容审核工作就OK了！
谁说机器人一定会带来失业？它们可能会为大家换份更棒的工作呢。

丽莎老师讲机器人之软体机器人。

提到机器人，恐怕人多人的印象都是冷冰冰、硬邦邦吧，但这种机器人并不能很好地适应日常生活需要。如今随着技术的不断进步，机器人越来越多的使用软体结构，它们采用纸质和硅橡胶制成，能够弯曲、扭转和抓起自身重量100多倍的物体。软体机器人的设计灵感是模仿人类的内部构造或昆虫的外形架构等，尤其是后者。
顾名思义，软体机器人的材料是软的，那么多软才算软体机器人呢？据专家介绍，硬度小于1GPa的材料为软体，这样的材料介于肌腱及ABS塑料之间。使用材料硬度大于1GPa的机器人则为传统的硬体机器人。
据经济日报-中国经济网科技频道调查发现，2011年哈佛大学就有教授发表论文，描述他使用硅胶材料只做了一个能爬行的四组机器人，这应该是最早的软体机器人。自此以后有不同机构和团体使用不同的材料和方法制作出符合软体机器人定义的设备。
随着3D打印的普及，如今的软体机器人已经发展到多材料应用的阶段了。现在人们可以将液态的响应材料加入到了硅胶材料当中，让它能够对外部的应力。接下来，软体机器人的材料将向智能材料发展，之后有可能发展到生物材料。未来的软体机器人将会使用集驱动、传感、变刚度、多功能的复合材料，而且将更好的接受控制。
在抓握和医疗康复领域大有作为
软体机器人有着很多应用场景，首先相对于传统机器人，它们更好的抓握物体。非软体机器人对需要抓握的物体有着很多的要求：形状、硬度、大小、放置方向等。而软体机器人在面对形状不等、大小不一的物体时，能发挥巨大的优势。
在医疗、康复和微创领域，软体机器人有很大的发展空间。几乎所有的微创手术都有对软体机器人的需求，但康复领域更是它们大展拳脚的领域。很多人在康复的过程中，身体的能力是受限制的，如果使用软体驱动器加强这些人受限制的肢体部分，就能帮助他们完成相应的动作。
产业尚不成熟 商业化仍需时间
目前，大部分软体机器人都还停留在实验室阶段，技术落地存在一定难度。目前机器人商业化主要在工业领域，而这一领域一般都采用力量较大的刚性机器人，一方面，刚性机器人在工业领域的技术积累时间较长，技术较成熟，可实现快速部署。
同时，刚性机器人生产的厂商也更多，售后服务体系相对完善。另一方面，软体机器人本身在材料和驱动方式上都有创新，有部分机器人采用的都是新型材料，而想要实现大规模应用，首先就要使其材料得到量产，而这些都需要机器人厂商自己去搭建。而且，现在绝大部分的软体机器人都是在商业领域，企业或是市场想要引进这项技术，还将面临着专利授权等一些列问题，不如原有方案来的简便。
那么，软体机器人的市场到底在哪呢？从优势上看，软体机器人更加的灵活，可通过细小的缝隙等。因此，软体机器人在国防方面将有重要作用，替代人类深入到核反应堆等一些列危险区域。另外一个软体机器人潜力较大的市场就是医疗行业，软体机器人可凭借其小巧和灵活的特点，帮助人类进行精密的血管、神经组织的手术，减少原来刚性机器人对人体的损伤。

丽莎老师讲机器人之火星将迎来第一架无人机。

美国航空航天宇航局（NASA）日前宣布，将在 2020 年发射「火星 2020」（Mars 2020）探测器，而这个探测器上将搭载一架无人机，来参与火星的探索工作。
早在 2013 年， NASA 的喷气推进实验室研发就开始研发这架无人机，据介绍这款无人机采用自了设计共轴双旋翼，机身大小与一个垒球相当，重量约为 1.8 kg。
火星无人机的项目负责人表示，由于火星的大气层比地球稀薄 100 倍左右，当无人机在火星表面低空飞行时，已经相当于在地球 10 万英尺（约 3 万米）的高度，而地球直升机的飞行极限高度大约为 4 万英尺（约 1.2 万米）。
为了在大气稀薄的火星上飞行，无人机的转速需要达到 3000 转 / 分钟，大约是地球上直升机的十倍。
此外这架无人机内置的太阳能电池将为机内的锂电池充电，同时在火星气温极低的夜晚为机器保温，这架无人机将和地面探测车联网互通，共同完成火星的探测工作。
按照 NASA 的计划，当「火星 2020」探测器抵达火星，会在火星找到一个合适的位置放在探测车和无人机，随后就将在火星执行第一次无人机飞行任务。
在首次飞行中，火星无人机将垂直爬升到 3 米高，并悬停 30 秒以测试飞行。
据介绍，火星无人机的飞行测试为期 30 天，预计能进行 5 次飞行任务，不过每次飞行持续的时间大约只有 90 秒，每次的飞行距离也不过几百米。
和地球上的无人机不同的是，由于火星与地球的距离较远，人类无法遥控火星无人机，也就是全得靠机器自己了，这也加大了研发的难度。NASA 表示这是一个「高风险高回报」的项目，可一旦成功将大大提高探索火星的效率。
此前 NASA 在火星上的探索工作主要由火星探测漫游者 (Mars Exploration Rover, MER) 的火星车来承担，但由于体型较大且运动速度较慢，还要穿越坑坑洼洼的火星地表，因此活动活动范围比较小。
而无人机能很好解决这个问题，让人类得以用上帝视角来观察火星。
其实 NASA 一直在推进火星探测用的飞行器，除了这次的火星无人机，前段时间还出资支持了一个蜜蜂机器人的项目，据悉这种叫做「Marsbees」（火星蜜蜂）的微型无人机也有望在火星进行探索任务。

丽莎老师讲机器人之机器人怎么“看见”？

人类通过眼睛来接受很多信息，然后通过视觉神经传递给大脑，由大脑进行工作，最后就“看到”了东西。看到这里，也许有些读者马上就会问：“机器人又是怎样‘看到’东西的？它们又没有脑袋！”
其实，机器人用不着把眼睛安在脑袋上，比如说，我们可以把机器人的眼睛安在它的“手掌”上。这是很有意思的。比如说吧，对于焊接机器人来说，它的工作是把金属零件安放在不同的位置上。
如果它的手掌上长上“眼睛”，那么，机器人就会看见，该在什么地方焊，应该怎样焊了。在一般的巧克力糖果厂，女工们坐在工作台的后面，运送糖块盒的流水线在它们面前缓缓移动。女工们每秒钟往盒里装两块糖。现在计划在生产流水线旁边安装两个不大的机械手和一台电视摄像机。
摄像机告知这两个机械手如何运用它们的“手指”包装巧克力糖。在这种情况下，机械手便具备了某种萌芽状态的“视觉”。不过这工作是极其简单的——黑色的巧克力糖块是放在浅色的背景上的。如果对这个机器人说：“请你去拿一束白色的百合花来。”它就束手无策了。

丽莎老师讲机器人之BBC权威预测：将被人工智能淘汰的35种职业（二）

NO13.工人，以及瓦匠、园丁、清洁工、司机、木匠、水管工等第一、第二产业的工作60%-80%

NO14.厨师73.4%

NO15.IT工程师58.3%

NO16.图书管理员51.9%

NO17.摄影师50.3%

NO18.演员、艺人37.4%

NO19.化妆师36.9%

NO20.写手、翻译32.7%

NO21.理发师32.7%

NO22.运动员28.3%

NO23.警察22.4%

NO24.程序员8.5%

NO25.记者8.4%

NO26.保姆8.0%

NO27.健身教练7.5%

NO28.艺术家 3.8%音乐家 4.5%科学家 6.2%

NO29.律师、法官3.5%

NO30.牙医、理疗师2.1%

NO31.建筑师1.8%

NO32.公关1.4%

NO33.心理医生0.7%

NO34.教师0.4%

NO35.酒店管理者0.4%

丽莎老师讲机器人之BBC权威预测：将被人工智能淘汰的35种职业（一）

NO1.电话推销员99.0%
NO2.打字员98.5%
NO3.计97.6%
NO4.保险业务员97.0%
NO5.银行职员96.8%
NO6.政府职员96.8%
NO7.接线员96.5%
NO8.前台95.6%
NO9.客服91.0%
NO10.人事89.7%
NO11.保安89.3%
NO12.房地产经纪人86%