上海羊羽卓进出口贸易有限公司
人形机器人：进厂实训，开启智能制造新时代
人形机器人：进厂实训，开启智能制造新时代
---蔡壮（中国式三维哲学创始者） 2024 年 8 月作
“想象一下，在现代化的汽车工厂中，一个身形矫健的人形机器人优雅地穿梭在生产线间，动作精准且高效。这不再是科幻电影中的场景，而是正在发生的现实！优必选的人形机器人正走进工厂，开启智能制造的新篇章。它们是如何突破重重技术难关？又将如何改变汽车制造乃至整个工业领域？让我们一同走进这个充满创新与挑战的世界，探寻人形机器人从研发到应用的精彩之旅。
在安徽合肥蔚来工厂的总装车间里，一个身形灵活的人形机器人正迈着稳实的脚步，有条不紊地进行着汽车车门锁扣和安全带的质量检测工作。每一项检测结果都迅速且精准地上传至工厂的智能制造管理系统，这是优必选工业人形机器人进厂实训的生动场景。
不久前，优必选的人形机器人走进了这座汽车生产工厂，开始了与人类协作的新征程。这并非简单的一次尝试，而是意味着人形机器人迈出了从实验室走向真实生产环境的关键一步。
在如今的生产车间中，工业机械臂、焊接涂装机器人等各类工业机器人已屡见不鲜。然而，人形机器人的出现却带来了全新的可能性。传统的工业机器人虽然在特定的固定流程任务中表现出色，但在面对诸如柔性装配等复杂场景时，往往显得力不从心。它们的智能化程度相对较低，难以灵活应对多变的生产需求。
而人形机器人则专注于攻克传统工业机器人难以完成的任务。这并非易事，其背后涉及众多技术难题。以机器人的关节为例，最初研发人形机器人时，团队就曾因找不到合适的关节驱动器而苦恼不已。要知道，伺服驱动器作为机器人的关节驱动器，其重要性不言而喻。应用于人形机器人的大功率伺服驱动器零部件多达 50 至 100 种，小功率伺服驱动器的零件也有 40 至 80 种。
不过，通过持续不断的技术攻关，优必选成功实现了从小扭矩微型伺服驱动器到高爆发力大扭矩伺服驱动器的研发和商业化，并且将伺服驱动器零部件的国产化率从四成大幅提升至九成以上。这一突破为机器人的运动能力带来了质的飞跃。
就像谐波旋转伺服驱动器，它具有扭矩密度大、体积小、重量轻和响应速度快等优点。这使得人形机器人的胳膊和腿部更加小巧灵活，行走更加自如，在承担搬运、分拣等重载劳动时也能更加稳定。不仅如此，优必选还充分发挥了机器人可灵活拆卸的特点，对“手”“脚”等末端执行器进行了模块化设计。比如为机器人设计了仿人五指灵巧手和二指夹爪等不同的“手”，通过不同的连接方式，可以根据实际需要随时更换末端执行器。
但人形机器人要在汽车制造中发挥更大的作用，仅仅拥有灵活的“四肢”还远远不够，还需要具备聪慧的“大脑”。在安装汽车玻璃门密封条时，如何在视觉遮挡的情况下精准完成任务？如何通过数据支撑让人形机器人感知复杂的环境？这些都是亟待解决的问题。
为此，大数据、人工智能等领域的专业人才纷纷加入，针对工业制造场景，训练人形机器人的规划大模型，并通过优化算法策略来提升其性能。例如构建语义视觉导航技术，通过提取高层环境语义信息、组建空间拓扑关系等方式，增强人形机器人对环境和场景的理解能力。如此一来，人形机器人便能清楚地知道自己的任务，自主调度工作，在不同的车间执行各异的操作。
由于不同车企对人形机器人的需求各异，进厂实训就显得至关重要。车企为人形机器人提供了验证和测试的场景，借此可以采集数据、迭代算法，从而不断提升性能。优必选与东风柳汽、一汽大众青岛公司、吉利等汽车企业展开合作，围绕真实的制造场景更新迭代算法，取得了显著的成果。预计在今年内，第一批人形机器人就将交付，并在汽车制造车间正式上岗。
当前，中国在智能制造领域的发展可谓日新月异。智能制造技术在各行业的应用不断深化，工业互联网平台建设加速推进，数字化、网络化、智能化水平显著提升。同时，政府对智能制造的支持力度持续加大，出台了一系列鼓励政策和资金扶持措施，推动产业创新发展。众多企业也积极响应，加大研发投入，加快转型升级步伐。
人形机器人的应用场景十分广泛。在医疗领域，它们可以协助医护人员进行手术、康复治疗和日常护理；在物流仓储行业，能够完成货物搬运、分拣和库存管理；在家庭服务中，可进行家务劳动、陪伴照顾老人和儿童等。
在汽车制造领域，人形机器人的应用案例逐渐增多。比如，某汽车品牌的生产线上，人形机器人被用于汽车内饰的安装工作，其精准的操作确保了内饰部件的安装质量和效率。还有的企业利用人形机器人进行汽车零部件的质量检测，能够快速准确地识别缺陷产品。
人形机器人在工业制造领域的广泛应用，对劳动就业既有挑战也有机遇。一方面，可能会导致部分传统劳动密集型岗位的减少；但另一方面，也会催生新的就业机会，如机器人的研发、维护、编程以及相关的管理岗位。同时，这也促使劳动者提升自身技能，以适应与机器人协作的工作模式。
展望未来，人形机器人的发展趋势将更加智能化、柔性化和个性化。随着技术的不断进步，它们的感知能力、决策能力和学习能力将进一步提升，能够更好地适应复杂多变的工作环境和任务需求。同时，人形机器人将与其他新兴技术如 5G、物联网等深度融合，实现更高效的协同工作。在设计上，也会更加注重满足不同行业和用户的个性化需求。
总之，人形机器人从实验室走进汽车工厂，是技术进步的体现，也是制造业转型升级的必然趋势。在未来的发展中，我们需要在充分发挥人形机器人优势的同时，妥善应对其带来的各种挑战，以实现产业的可持续发展和社会的和谐进步。相信在不久的将来，人形机器人将在更多的领域大放异彩，为人类创造更多的价值。
人工智能学习路线图
人工智能无处不在；我们在新闻、工作甚至与家人的对话中都会听到它。显然，人工智能将继续存在，并将在可预见的未来影响我们的生活。
如果您和我一样，我总是对新技术及其工作原理着迷，因此在本文中，我将介绍可用于从头开始学习 AI 的路线图。
什么是人工智能？为什么要学习它？
自 2022 年 ChatGPT 发布以来，人工智能一直备受关注。然而，人工智能本身作为一个概念已经存在很长时间了，其目前的形式可以追溯到 20 世纪 50 年代，当时神经网络诞生了。
最近的爆炸式增长可以归因于许多因素，例如计算资源的增加、可用数据的增加以及更高效的算法。无论出于何种原因，人工智能都将继续存在，我们应该习惯使用它。
我们现在提到的人工智能具体称为生成式人工智能（GenAI），它实际上是整个人工智能生态系统的一个相当小的子集，如下所示。
GenAI，顾名思义，是一种生成文本、图像、音频甚至代码等内容的算法。该领域的模型基于数百万行数据进行训练，可以拥有数十亿个参数，例如Meta 的 Llama 2 ，其唯一目标是根据所见或所训练的数据生成数据。
对于本文，我将假设GenAI = AI，因为这是大多数人感兴趣的。还有许多即插即用和无代码的 AI 解决方案，但我将带您了解一个路线图，它将教您 AI 如何“工作”，而不仅仅是如何使用它。
你可能会想，我为什么要学习人工智能？
人工智能仍处于起步阶段，因此还有很多东西需要探索和学习。所有大型科技公司现在都在研究如何使用人工智能，如果你拥有适当的知识和技能，你将在市场上拥有巨大的价值。
它与互联网类似，懂得如何使用它并创造事物的人做得很好并获得了成功。即使你认为人工智能是一个泡沫，这个领域也蕴藏着巨大的机遇。
基础数学知识
如果你真的想了解人工智能的工作原理，你需要了解一些数学知识。别担心；所需的数学知识不是博士学位或类似的水平。很多数学知识都是你在很多国家高中时学到的，只有少数几个主题被认为是本科水平。
您特别需要了解的三个主要领域是：
线性代数 ——了解矩阵的工作原理，矩阵在人工智能和机器学习中随处可见。微积分 ——了解人工智能如何使用梯度下降和反向传播等算法进行学习。统计学 ——了解数据和人工智能模型的概率输入和输出。人工智能所需的大部分数学知识与数据科学所需的数学知识相同，以下是您应该理解并获得直觉的关键事项：
矩阵和矩阵代数。分化及其工作原理，特别是部分分化。线性、逻辑和多项式回归。概率分布：正态分布、泊松分布、伽马分布和二项分布。我推荐的两本学习所有这些知识的最佳资源是《数据科学家实用统计学》 和《机器学习数学》 教科书。说实话，这是学习数据科学、机器学习和人工智能所有数学知识所需的唯一两本书。
技术技能
Python
Python 是人工智能的首选编程语言。许多人工智能和机器学习库都是用 Python 构建的，对于初学者来说，这是一种容易掌握的语言。
就 Python 语言本身而言，您应该了解：
变量、数据类型和数据结构（字典、列表、集合）For、While 循环和条件函数和类任何 Python 入门课程都会教你这些内容，因此请选择你喜欢的课程并开始学习。
在学习了 Python 语法基础知识之后，我会学习一些更针对数据科学和 AI 的包。
NumPy — 该库专为科学计算而设计，提供许多数学函数和矩阵支持。它用 C 语言开发，具有优化的计算能力，这对于处理大型模型和大数据特别有用。Pandas — 这是用于在 Python 中加载、操作和处理数据的首选库。它几乎适用于任何数据分析任务，并且易于使用。Matplotlib — 作为数据科学家，您必须将数据或结果可视化。Matplotlib 是 Python 中领先的可视化包，因为它具有广泛的功能。关于 IDE，有很多选择，但 Python 的三个主要 IDE 是VSCode 、PyCharm 或Jupyter Notebook 。我认为 Jupyter Notebook 是最适合初学者、易于绘制可视化效果的，也是构建机器学习模型的绝佳选择。
为了节省 AI 模型开发的时间，我建议安装Anaconda 。它包括 Python、Jupyter Notebook 和大多数必要的软件包。
如果你有更多时间，我建议学习一些git 和GitHub进行版本控制，以及应用程序编程接口 （API ） 的基础知识，以便在你想要构建 AI 应用程序时使用。
SQL
在从事 AI 项目时，您可能需要使用一些 SQL，即所谓的数据语言。幸运的是，SQL 比 Python 更容易学习，您可以在很短的时间内变得非常熟练。
以下是您应该可以轻松做的事情：
SELECT * FROM (standard query)ALTER, INSERT, CREATE (modify tables)GROUP BY, ORDER BY WHERE, AND, OR, BETWEEN, IN, HAVING (filter tables)AVG, COUNT, MIN, MAX, SUM (aggregate functions)DATEADD, DATEDIFF, DATEPART (date and time functions)CASE (basically if-else statement in other languages)FULL JOIN, LEFT JOIN, RIGHT JOIN, INNER JOIN, UNION (all the types of joins)关于资源，我推荐W3Schools 和Tutorialspoint ，我在学习 SQL 时用过它们。它们完全免费，而且确实涵盖了基础知识。
神经网络与机器学习
正如我们在之前的图表中看到的，GenAI 属于机器学习的范畴，因此在直接深入研究 GenAI 算法之前，值得学习一些机器学习。
机器学习分为两类：
监督学习 ——我们有目标标签来训练模型。无监督学习 ——没有目标标签。还有一种称为半监督学习的 东西，但是我们暂时不担心它。
下图说明了这种划分以及每个类别中的一些算法。
学习机器学习的最佳课程是Andrew Ng 在 Coursera 上的机器学习专项课程。它涵盖了机器学习中所有最基本概念的 AZ，我强烈推荐它。我在 2020 年学习人工智能和数据科学时参加了这门课程！
您真正需要了解的一个特定算法是神经网络，这是当前所有人工智能和深度学习所基于的。
对于神经网络，你需要了解以下概念：
前向和后向传播激活函数和非线性梯度下降算法神经网络架构如果可以的话，了解神经网络的计算和方程式是值得的，因为它将建立深刻的直觉。数学其实并不复杂，所以不要回避。
要在 Python 中使用机器学习，我建议学习以下软件包并使用它们做一些项目。
Sci-Kit Learn—— 最流行、使用最广泛的构建常规机器学习模型的库。PyTorch—— 最流行的构建和训练神经网络的库，是人工智能背后的骨干算法。TensorFlow—— 谷歌创建的另一个神经网络和深度学习库XGBoost—— 最常用的梯度提升树算法库，特别适用于数字监督学习问题。人工智能算法
在学习了机器学习和神经网络的基础知识之后，我们现在可以深入研究人工智能及其相关算法的当前“前沿”。
直到最近，人工智能领域仍由两种主要模型主导：
卷积神经网络 (CNN) — 用于计算机视觉任务，例如识别和分类图像。循环神经网络 (RNN) — 用于基于序列的数据，如时间序列和自然语言。然而，2017 年发表了一篇名为《Attention Is All You Need》 的论文，介绍了 Transformer 架构和模型，该模型从此取代了 CNN 和 RNN。
来源：《Attention Attention Is All You Need》论文。
如今，人工智能领域毫无疑问地被 transformer 所统治，它是我们现在日常使用的 ChatGPT 和 DALL-E 等大型语言模型 (LLM) 的骨干。
Transformer 是推动这场“人工智能革命”的最先进的算法，因此，到目前为止，它们是你在这份路线图中应该学习和理解的最重要的东西。
首先，我会选修吴恩达的《深度学习专业化》（https://www.coursera.org/specializations/deep-learning） 课程。这是机器学习专业化的后续课程，将教授您需要了解的有关深度学习、CNN 和 RNN 的所有知识，这些知识对于理解和构建 Transformer 背后的背景至关重要。
接下来，我建议观看Andrej Karpathy（特斯拉前人工智能高级总监）制作的LLM 简介视频，以了解有关 LLM 及其训练方法的更多信息（https://www.youtube.com/watch?v=zjkBMFhNj_g&t=3065s）。
然后，在 YouTube 上学习 Karpathy 的神经网络：Zero to Hero（https://www.youtube.com/playlist?list=PLAqhIrjkxbuWI23v9cThsA9GvCAUhRvKZ） 课程。课程一开始进展很慢，需要从头开始构建神经网络。不过，在最后一个视频中，他教你构建自己的生成式预训练 Transformers (GPT)！
在人工智能领域还有许多其他值得了解的概念：
词嵌入和向量数据库。带有人类反馈的强化学习（RLHF）。检索增强生成 (RAG)。LLM精细化和及时工程。AWS 和 GCP 等云系统可用于扩展和部署您的 AI 应用程序。这个领域发展如此之快，很难在本文中列出所有内容。不过，上述主题是通用的，所以我建议你在了解了 Transformer 的基础知识后再学习它们。
Build, Build, Build
就像生活中的任何事情一样，要想做得好，就必须不断练习。正如著名企业家和投资者Naval Ravikant 所说
这不是 10,000 小时，而是 10,000 次迭代。
因此，在掌握了所有这些知识之后，开始使用人工智能开展一个项目吧。只要你开始，项目是什么其实并不重要。
一些可以尝试甚至复制的想法是：
语言翻译应用程序电子邮件、社交媒体等垃圾邮件检测器个人生产力工具只需谷歌搜索“AI项目”，然后选择一个你喜欢的项目。
有两种工具可以非常轻松地构建 AI，特别是 LLM 应用程序，我强烈建议您使用它们。
LangChain — 一个帮助您使用大型语言模型的框架。它使使用最先进的模型开发应用程序变得非常容易。HuggingFace—— 这个社区和 Python 包允许您使用计算机视觉、语言建模和强化学习中最先进的模型。有了这些，你就能快速制作原型，这实际上很不可思议。然后，你可以在 AWS 等云系统上启动，然后，你的 AI 项目就出来了！
总结与思考
我希望这份路线图能让您很好地了解学习 AI 所需遵循的步骤。如果我要列出您需要的每一点知识，那么这篇文章就太详尽了，但我希望这份路线图能为您指明正确的方向，并为您提供有用的资源，供您在整个旅程中使用。
相关问答
智能制造系统 都有哪些特征?你好,智能制造系统具有以下特征:1.自动化:智能制造系统具备自动化生产能力,能够自动完成各种生产任务,减少人力投入,提高生产效率。2.智能化:智能制造...
智能制造 工程师证书怎么考?智能制造工程师证书的考试流程因国家、地区和认证机构的不同而有所差异。以下是一般情况下的考试流程:1.了解考试要求:首先,你需要了解你所在国家或地区的智...
智能制造 的内涵是什么?智能制造源于人工智能的研究和应用。其概念最早有由美国人赖特和布恩于1988年提出。1991年,日美欧国际合作研究计划又提出智能制造系统概念。然而,限于当时的技...
智能制造 由智能制造技术和 智能制造系统 组成?智能制造由智能制造技术和智能制造系统,智能制造人才及应用组成智能制造由智能制造技术和智能制造系统,智能制造人才及应用组成
智能制造 和智能建造的区别?区别:一、定义不同:传统制造模式由于工厂内部的设备是来自不同品牌的供应商,设备数据标准不统一,造成数据采集并上传到不同的数据库,只能做单点的分析,而...
制造 业 智能制造 用什么 系统 ?随着工业4.0时代的来临,系统化、数字化、智能化、数据化已经成为中国制造业变革的总体方向。智能制造系统,将互联网、云计算、大数据、移动应用等新技术与产品...
中专 智能制造 装备技术学什么?主要学习智能产品设计制造、智能装备故障诊断、维护维修,智能工厂系统运行、管理及系统集成等。培养能够胜任智能制造系统分析、设计、集成、运营的学科知识...
智能制造 专业排名前十?智能制造专业排名第一北京电子科技学院,北京电子科技学院,位于北京市市,作为全国培养信息安全和办公自动化专门人才的普通高等学校,学校的前身是1947年8月,...
智能制造 工程，数学物理要成绩好的吗?智能制造工程专业智能制造工程是普通高等学校本科专业,属于机械类专业。本专业培养掌握机械、自动化、智能化等智能制造相关学科基础知识及应用能力,能够从事...
智能制造 专业研究生好考吗?能制造考研也是不容易的,由于近几年考研人数的大量增加,就业形势严峻,也增加了智能制造工程专业考研的人数增加,这也无形当中增加了考研的难度,特别是考取98...
