据国外媒体报道，任何考虑过拓展业务或建立网络的人都应该熟悉所谓的“网络效应”。例如，越多的买家和卖家使用易贝这样的平台，它就越有用。数据网络效应是一种动态效应。随着这项服务的使用越来越多，它实际上有助于改善服务本身。例如，随着训练数据的增加，机器学习模型通常会变得更加准确。
无人驾驶汽车和其他智能机器人依靠传感器产生越来越多高度可变的数据。这些数据用于建立更好的人工智能模型，并且机器人依靠这些模型做出实时决策，并在真实环境中导航。作为今天的智能，机器人从核心来看，传感器和人工智能的融合正在产生一个良性的反馈回路，或者我们所说的“机器人网络效应”。我们目前在“机器人网络效应的临界点的边缘，这将大大加速。机器人技术的发展。
人工智能发展迅速。
为了理解机器人为什么说它是AI的下一个前沿？我们需要退一步，先了解AI是如何进化的。近几年发展起来的机器智能系统可以使用大量的数据，这在90年代中期是不存在的，当时互联网还处于初级阶段。随着存储和计算技术的发展，快速、廉价地存储和处理大量数据成为可能。但是这些项目的提升并不能说明AI的快速发展。
开源机器学习库和框架扮演着一个安静但同样重要的角色。15年前，科学计算框架Torch在BSD开源许可下发布时，包含了深度学习、多层感知器、支持向量机、K近邻等许多数据科学家常用的算法。
最近，TensorFlow和PyTorch等开源项目为这个共享知识库做出了宝贵的贡献，帮助不同背景的软件工程师开发新的模型和应用程序。领域专家需要大量数据来创建和训练这些模型。大型企业有很大的优势，因为他们可以利用现有的数据网络效应。
传感器数据和处理能力
激光雷达传感器从20世纪60年代初就已经存在，在地理、考古、林业、大气研究、国防等领域都有应用。近年来，激光雷达已经成为无人导航的首选传感器。谷歌(微博)无人驾驶车上的激光雷达传感器每秒可以产生750MB的数据，8个车载计算机视觉摄像头每秒可以产生另外1.8GB的数据。所有这些数据都必须实时处理，但集中式计算(云)对于实时高速操作来说还不够快。为了解决这个瓶颈，我们开始发展边缘计算。而在机器人在车身上，我们使用车载计算。
目前，大多数无人驾驶汽车的解决方案是使用两个车载“盒子”，每个盒子都配备了英特尔至强E5 CPU和4到8个英伟达K80 GPU加速器。在最大性能下，这消耗超过5000瓦的电力。最近的硬件创新，如Nvidia的新驱动程序PX Pegasus，可以支持每秒320万亿次计算操作，并开始更有效地解决这一瓶颈。
人工智能突破
我们处理传感器数据和同时融合各种数据的能力将继续促进智能化。机器人的演变。为了使这种传感器融合实时发生，我们需要将机器学习和深度学习模型放入边缘计算。当然，分布式AI增加了对分布式处理器的需求。
幸运的是，机器学习和深度学习计算的效率越来越高。比如Graphcore的智能处理单元(IPU)和Google的张量处理单元(TPU)的成本在降低，神经网络的性能在大规模加速。
在其他领域，IBM正在开发模仿大脑解剖的神经形态芯片。它的原型使用了100万个神经元，每个神经元有256个突触。这个系统特别适合于解释感觉数据，因为它被设计成模仿人脑对感觉数据的解释和分析。所有这些来自传感器的数据显示，我们在“机器人在网络效应的边缘，这种改变将会对AI、机器人技术及其各种应用有很大的影响。
新的数据世界
"机器人“网络效应”将使新技术和新机器不仅能更快地处理更多的数据，还能扩展数据的类型。新的传感器将能够检测和捕捉我们可能根本没有考虑过的数据，因为人类的感知是有限的。机器和智能设备将为云和邻近的代理贡献丰富的数据，通知决策，增强协调，并在持续的模型改进中发挥重要作用。
这些进步比许多人意识到的要快得多。例如，Aromyx使用受体和先进的机器学习模型来建立一个传感器系统和一个数字捕捉、索引和搜索气味和味道数据的平台。应该公司EssenceChip是一种一次性传感器，当人的鼻子或舌头闻到或尝到食物或饮料时，它可以输出相同的生化信号。开放式仿生学正在发展。机器人假肢，它依靠从嵌入臂套的传感器收集的触觉数据来控制手掌和手指的运动。这种无创设计利用机器学习模型将电极上的精细肌肉张力转化为仿生手的复杂运动响应。
传感器数据将有助于推动AI的发展。人工智能系统还将扩展我们处理数据的能力，并发现这些数据的创造性用途。在其他方面，这将激发新的机器人形态因子可以收集更广泛的数据模式。随着我们以新的方式“看到”我们能力的进化，日常世界正迅速成为技术发现的下一个伟大前沿。