优必选双足机器人明年推出 机器人将遍地跑？
编者按：依托深度学习，人工智能迎来了又一次的科技浪潮，AI也由此成为2016年科技最热词汇之一。聚焦今年热点，媒体智能推出「AI+」系列报道，关注人工智能领域从技术到投资、产品、应用等多链条发展，寻找AI与多行业结合的关键人物以及产生一系列化学反应。本文为系列报道第6期，「智能菌」采访了优必选CEO周剑、人工智能首席科学家陶大程、人形机器人首席科学家赵明国。三位高管从战略、技术、研发、市场等方向详细阐述了优必选的发展策略以及未来商业布局。
12月14日，人工智能和人形机器人研发公司优必选在北京举办了战略发布会。正式宣布悉尼大学教授陶大程加盟公司任人工智能首席科学家，清华大学赵明国教授担任公司人形机器人首席科学家。
主打人形服务机器人，将于亚马逊合推LYNX
会上，优必选CEO周剑对公司的产品进行了梳理。首先是Alpha机器人，目前已经推出第二代，具备语音聊天、办公助手、天气预报、常识传达、儿童陪伴、智能控制的功能，同时Alpha还具备开放系统。Alpha机器人曾经在今年2月的央视春晚上亮相，成为明星机器人。第二款产品是Jimu教育机器人，优必选在今年7月与苹果达成合作，Jimu Robot教育机器人登陆苹果全球零售店，主要用来编程教学。
除此之外，优必选还宣布与亚马逊达成合作，共同开发基于Alexa助手的LYNX机器人，周剑称未来LYNX将替代Echo为更多的用户服务。优必选还与曼城足球俱乐部等公司合作，未来将制作球星、影视大片的机器人衍生产品。另外，周剑还在会上透露，优必选明年将推出一款B端的商用机器人产品。
机器人将取代手机？未来的商业模式是什么
周剑称，人机交互发展的趋势是反馈延迟低、命令要去模糊化、输入内容便携话和多样化、输出内容多样化和真实化。未来的消费级智能终端演进趋势，应该是从PC到手机，再到机器人的形态。而现有的终端，只能获取用户零碎的画像，不能定义用户全部的画像，在商业服务变现的过程中也不准确。周剑认为，被动的交互未来都会被主动交互所取代。
那么，谁才能定义你的全部画像？周剑认为目前也许只有你的家人。而让人形服务机器人成为家庭一员的基础是取得家庭成员的信任，而未来的人形服务机器人将在运动控制和人工智能上将无限接近人。
周剑表示，优必选希望打造基于垂直服务场景的机器人商业闭环，机器人主动进行数据收集，然后上传到云数据平台，经过大数据分析，构建完整用户画像，再推动数据商业化。
机器人将步入快速发展期？优必选明年推双足机器人
据悉，优必选成立于2012年3月，当时的主要业务是做伺服舵机，先后接受了数家投资机构的投资。据周剑在会上介绍，优必选2013年获得比亚迪联合创始人夏佐全等人天使轮投资；2015年启明创投、科大讯飞先后投资优必选2000万美元；2016年获得鼎辉资本领头、中信证券、金石创投等跟投的B轮投资，估值达到10亿美元。周剑透露，优必选今年的销售额已经达到3亿元人民币，预计明年这一数字可以达到10-15亿元人民币。
在采访中，周剑为优必选制定出了未来三年详细的发展规划。在未来三年，优必选将成立X-Lab实验室；完成微型伺服舵机、大扭矩高爆发力伺服舵机的商业化研发；推出商业化面向市场的双足家庭服务机器人；并且在2019年要推出人形家庭服务机器人操作系统，预计销售额将达到51.4亿元。（小羿）
以下为周剑、陶大程、赵明国受访实录（经智能菌整理）：
图：左 赵明国、中 周剑、右 陶大程
关于产品和研发
问：目前来看机器人的成本还是比较高的，包括研发成本等等。现在如果这个机器人要落地，一方面需要成本，一方面还需要市场的吸引力，优必选是如何实现的？
周剑：我们在驱动和运动的布局一直是优必选与生俱来的优势。在这个过程当中，科大讯飞成为了我们的股东，未来的语音可能更多的与其合作。但是就像陶大程老师讲的，人类70%、80%的日常信息是用到视觉的。所以我们在2015年年初就跟陶大程老师开始合作，视觉我们主要抓在自己的手上，驱动和运动也是一直在自己的手上。我们认为人工智能应该找到落地的东西，目前我们认为应该是机器人。其实我们把握的是一个本质。
市场吸引力方面，比如说我们做两条腿走路，假设推出了“钢铁侠”的机器人，如果你喜欢这个IP的话，你可能会乐于购买，因为IP衍生品销售量占的量比较大。这个本身就是一个吸引力。从另外STEAM的教育也是非常清晰，教育无论是从校内、还是校外，在全球都是非常大的市常我们讲某个品牌的积木，也是做教育的，但是在教育里面使用到真正机器人的技术，比如说伺服舵机、控制、以及各种传感，要么价格很贵，要么就很难真正的落地。这个是我们最本质的优势。
另外Echo已经证明了，在某些家庭里面，美国很多家庭主妇在家里负责厨房，听歌，买东西，叫Uber，叫披萨，这个在弱人工智能期待是必须要经历。但是，我更希望它是一个人形机器人，这是我们跟亚马逊的共识。
问：我想问陶大程教授，现在优必选对于研发的力度非常大，以后会不会在形式上会有一些更多的创新？
陶大程：我觉得未来优必选在这个方面肯定是会大量投入，因为我们知道研究过程是非常漫长的，首先第一个可能要先有很好的研究成果。通常很多东西都是在大学诞生的，谷歌实际上最早也是在斯坦福诞生的，最后转换成了产业的结构，最后对世界产生了影响。
我想对于机器人和AI来说更是如此，因为很多东西实际上你要让它立刻落地，走入家庭生活，影响我们的一些日常生活，我觉得是有很多困难的。所以，第一步实际上还是应该在基本学术上进行突破。
因为有公司的研究院，所以能够尽快的知道学界第一手的结果，尽快进行整合，有效的推动未来的产品。
问：伺服舵机是优必选的核心技术，这个核心技术的壁垒有多高？
周剑：伺服舵机核心的优势门槛。首先我觉得世界上所有的东西都没有一个完完整整绝对的门槛，我认为的技术优势，或者是技术门槛就是时间门槛。这个是确定无疑的。比如说我们中国人制造战斗机的时候，很多技术迟早能够做出来的，只是时间问题。在伺服舵机方面我们发现了奇怪的现象，有很多人做机器人，但是很多人都没有做驱动关节这块，他们是做的一个*或者怎么样。做驱动，做伺服舵机的人不见得做机器人。
有三类机器人，一类是给无人机、航模等提供舵机的，包括云台。第二是集成机器人，这个企业特别多。还有一种是迎难而上，自己先把核心部件攻克下来的，我觉得优必选是第三类机器人。所以说我认为我们是占了一个先机和优势，还有很多算法在里面。但是我们并不认为这是一个绝对绝对的门槛高到别人进不来的优势，这个是时间都可以做的。但是我们先产业化了。
我们可以看到各种所谓叫做机器人的产品，我们可以看到很多产品。中国的工业其实也是在集成，在细分领域，做垂直领域细分的内容。但是真正在又做市场，又在啃技术骨头结合在一起的企业也不多。这个是优必选较大的优势。
问：优必选主要的机器人是关于家庭类，或者教育类，其他方面的机器人是不是有拓展？
陶大程：实际上最终我们的目标是实现完成人形机器人，比如说我们短期目标是实现完成人形机器人，比如说我们一个短期的目标是实现ASIMO这样的机器人。长期目标可能要突破ASIMO这样的状态，可能不一定有真人的皮肤和肌肉,但是形态、行为方式跟人可以说是非常接近的，甚至是跟人一样的。所以，最终的形态是说，首先初期来说除了像Alpha机器人，我们还会针对一些特殊场景有一些考虑。最终目标实现达到完全的人形化。
问：想请教一下两位教授，我刚才注意到发布会上有一个细节，我们渴了想喝水，机器人跑到厨房里面把水拿过来，我感觉这里面会用到环境感知，自主识别，机器控制的技术，这个功能大概什么时候实现？我们的技术已经到了什么样的水平？对物体的识别和抓取大概范围能够做到多广，不限于水杯，比如说拿一个快递，这些都到了什么程度？
赵明国：您提到的两个功能现在都可以做得到，但是只能做到比较单一。第二，做到以后付出的成本是多少。基本上要考虑的因素是付出的代价和达到的功能，整个服务机器人除了语音对话和交流之外，最近三年一定会在手机上先落实，然后再到运用部分，所以我们提前布局这块工作。关于手机这部分，其实它要和手机的硬件控制本身，和视觉，和其他的触觉都整合在一起，但是最终不是一下子把所有问题都做才落地，最急切的功能要先做到，然后在个过程当中不断叠加，一个是成本问题，一个是真正痛点问题的把握。
基本功能达到了，我们就可以不断迭代，真正产生一个符合需求的产品。我觉得两到三年，我们抓取一定能到位，只不过这个时候抓的是矿泉水，但是还不能抓一个香蕉，或者熟透的香蕉，或者腐烂的香蕉都能够抓取，这个很难，可能要到很久，再过几年。
陶大程：我觉得是这样，我看到赵教授这么强的信心，三年里实现抓取的任务，我觉得赵教授实现的时候，视觉这块一定跟上。总的来说，现在人脸识别这个方向，对于家庭成员是没有太多问题的，可以做到。包括，家庭成员的亲戚、朋友，我觉得能够做到很有效的状态，包括速度，包括精度来说都可以基本达到人的这样一种程度，但是不仅仅是人脸识别，比如说你的父亲，兄弟姐妹，可能也许你还没有完全看他的脸，只是看到他身体的某一个部分，就知道他是谁。实际上对于从家庭成员认人不仅仅是全部的。
然后物体的检测、识别。这个东西总的来说，女孩子的化妆品一大堆瓶子，哪个是抹脸的，哪个是抹脖子的，机器人识别也不是不可能的。我可以识别清楚这个是干什么的，那个是干什么的。
我们在精细化分类这块，我们的技术也是可以实现的。包括物体的检测，从速度的角度来说，精度也说，还是跟世界好最好的结果没有本质的区别。有的时候他好，有的时候我们好，根据很多场景，很多任务，包括获取的数据源有很多关系。还有您刚才说的家里定位导航，视觉技术。这个里面的问题非常的复杂，包括图像的语义分割，我要知道这个场景相互到底是什么，我要知道这个像素在实际的三维场景当中对应的距离是多少。
还有，包括一些特征点的获取，稳定一些特征的提取方式，牵扯的领域。我们的目标也是让机器人未来像人一样实现正常的定位，我觉得这个路不算遥远，但是投资的量却需要非常大的支持。两条腿走路，我们要尽快投入到研发之中，使得我们的技术尽快的转换成有效的，可以落地的产品。
关于市场和营收
问：刚才您在发布会上提到明年的销售额预期大概是10亿到15亿元，如何在一年之内做到三到五倍的增长，您能说一下优必选现在的的收入来源是什么吗？硬件收入占比是多少？明年的预期是多少？
周剑：优必选一直在保持快速的增长。2014年是190万人民币，2015年达到了5000万，今年是3亿，近几年一直是五到六倍增长。明年1月，亚马逊和优必选会共同发布机器人，按照亚马逊和我们的预期都认为这是个很广阔的市常亚马逊当时Echo卖了几百万台，双方的合作是我们重要的收入增长和来源之一。
总体来讲，2017年我们的来源主要来源于四块，第一是刚才提到的与亚马逊合作的LYNX机器人，第二是来自于IP产品的来源，第三就是苹果JIMU STEAM机器人，第四是To B的Cruzr机器人，包括在银行、商超、海关、安防监控等领域也是可以预期的。当然还有我们推出的Alpha2，这四块到五块的增长，我觉得能够实现2017年收入的预期。
问：海外市场，您预计今年和明年海外的占比是什么样的？
周剑：海内、海外销售的比例，我目前从全球布局。北美会有4000家店、欧洲会有2000家店，国内有2000家店，北美大概占40%左右，欧洲和中国各占到20%-25%，其他市场是10%-15%。
问：优必选的伺服舵机有没有服务的收入？未来会不会开放给其他企业使用，优必选收取服务费？
周剑：伺服舵机作为人形机器人核心的零部件，目前主要是我们的产能完全满足公司现有机器人产品，不排除未来如果说全球机器人市场爆发，伺服舵机会销售给其他公司，或打包销售给其他公司。
关于AI与未来发展
问：人工智能和机器人在无缝重合，包括机器人控制这块，您觉得什么样的功能能够一步一步成熟，这些功能落地的顺序是怎么样的？
陶大程：我们可以看到现在Alpha1S，实际上机器控制部分就桌面型机器人而言已经是非常稳定了的。Alpha2实际上继承了Alpha1稳定的性能，根据伺服舵机能够完成一些更为复杂的动作。现在在Alpha2上还会装有一些传感器，这些传感器在人工智能方面，比如说认识家庭成员，跟家庭成员做一些简单的互动，完成一些功能。所以说，后面关键主要是应用于家庭场景，针对不同的场景逐步去实现人工智能，这个事情可能会发生的比我们想象的更快。所以我觉得大家可以期待未来一两年的产品，可以看到很多很有意思人工智能的元素在我们产品上。
赵明国：机器人运动这块一定要先有良好的平台，所以我觉得落地的顺序应该是齐头并进，既要把大型的伺服舵机实现，另外相应的系统，相应的软件也要同步发展。但是最开始一定要把伺服舵机落实下来，然后整体的运算是所有算法为基础，对于大型机器人是这样的。
周剑：我补充一下，就像人一样，人从小生下来首先要具备关节和运动的躯干，有了躯干也不一定会有很强的运动能力。回到赵老师的话，首先伺服舵机的落地商业化这是提供了一个好的平台。在这个平台上提供一个好的算法，同时AI在齐头并进。否则的话的，就像一个人长得特别瘦，他可能长大没有任何运动能力，或者只会走路，基本不会打篮球、游泳。但是，换句话说，如果一个人的躯干不行，你再怎么培养他的运动、控制能力也是不行的，这个是相辅相成的。
问：人工智能对于产业的颠覆到底在什么样一个点可以出现？比如说以车辆为例，到底是超过我们一般人，还是需要超过舒马赫这个级别的才可以是一个颠覆？
陶大程：我个人做深度学习已经很长时间了，很早年以前叫做神经网络，没有什么太多新的东西，可能就是卷积神经网络。就像刚才我提到了，几十年以前Kunihiko Fukishima(福岛邦彦)教授就已经提出了新知机模型。后来纽约大学的Yann LeCun教授推出了卷积神经网络。但是，当时由于计算等等一些问题没有得到太好的发展。
因为我们都知道神经网络最大的问题是什么呢？很容易陷入到局部积值上，在没有大量数据进行training的时候，这个网络效果可能不会太好。
比如说我们今天在座的记者，男记者都是短头发，女记者都是长头发，我出去不能说长头发都是女的，短头发都是男的。实际上深度学习是一个潮流，但是并不代表我们应该放弃原始的学习。我认为统计学习和深度学习未来必将有机的结合在一起，在不同的方面解决我们的需求，是我们对机器学习一个基本的看法。
除了机器学习的本身，实际上背后还有很多的数学理论，通过来说工程师做一件事情的时候可能不会想这个到底是怎么样，我马上把它做出来。数学家就会很着急告诉他，你先等等，我们首先第一步要证明这个解的存在性。工程师就觉得我们随便找一个实施就行。所以说在我们要想推动神经网络的发展，或者推动机器学习的发展，或者推动深入学习的发展。
实际上我们首先要有很多的基础理论，其次要借鉴不同学科的结果，实际上是借鉴我们对大脑的理解。我们对大脑的理解是非常粗浅的。深度学习实际上也可以说这个状态沿袭了层级结构。我们已经看到了突破性的成果，实际上有很多，人在学习的过程当中实际上从简单到复杂，比如说一个小朋友，5岁的小朋友一上来我说我们来讲讲什么是微积分。大多数的小朋友还是要从1+1等于2开始，直到高等代数，这是一个过程。所以说，实际上机器学习也是一个过程，我们在做试验，还有一些分析的时候发现，如果你是渐进性的推动会有一些好处。