随着人工智能和机器人技术越来越紧密地合作，随着2019年的结束，回顾过去一年的趋势成众人所期。

以下是几位人工智能和机器人高管的回顾：

1、 引入高负载的AMR是2019年的重大事件之一

2019年机器人技术的最大新闻是两个重大事件的结合——引入用于高负载材料的自动移动机器人，以及这些AMR的能力，甚至是那些致力于减轻负载的机器人，都可以从中感受到人工智能的进步。

创新的AI功能可提高路径规划和环境交互的效率。移动机器人无需像对所有障碍物一样做出反应，而是可以随时随地学习。例如，他们可以区分工人和叉车，并相应地调整其驾驶方式。

人工智能还使AMR可以在特定时间避开人流密集的区域，例如在定期用叉车运送和转移货物时，或者在有工作人员的人群时（例如在休息或换班期间）。在未来的几个月和几年中，我们肯定会看到将AI和机器人技术相结合的好处。

2、AI超越了炒作，被应用于各行各业中

2019年最大的趋势之一AI超越了炒作，并被实际应用于现实生活中。在过去的几年中，围绕AI的讨论非常活跃，但是我们需要降低噪音并开发可以在各个行业中实际实施的AI。

以零售/杂货业为例。这些公司是最早采用AI并大规模部署机器人的公司之一。像Badger Technologies这样的公司在与AI公司合作提供机器人方面一直处于领先地位，这些机器人可以部署到全国的超市中。

这些机器人可帮助执行诸如库存管理、提高商店安全性和提升客户体验等任务。我们已经看到越来越多的公司在考虑这些现实应用的情况下采用AI的例子。

3、深度神经网络（DNN）取得新进步

在实现深度神经网络（DNN）的新方法方面，我们已经看到了进步。人们可能没有意识到实际上有几种DNN的方法，将它们视为沿着频谱分布的神经网络的不同“阴影”。

诸如Lifelong-DNN（L-DNN）之类的新兴方法正在使行业朝着新的、更受大脑启发的方法发展，这些方法能够即时向AI算法添加新信息。这意味着您不必每次都想从头开始改善网络，而可以在实地部署时看到其优势和不足之处，继续对它进行渐进式培训。

尽管许多人认为这就是所有AI的工作原理，但实际上，开发支持持续学习而又无需完全重新培训的方法论，在业界实际上是一个真正的挑战。对于机器人技术而言，更重要的是，L-DNN无需服务器将学习转移到了计算边缘。这意味着对服务器进行ping训练的需求消失了。

4、机器学习和机器视觉不断得到改进

大型机器学习（尤其是深度学习）不断得到改进、更好地理解和生成语言以提供更好的对话界面，并且机器视觉的准确性更高以提供更好的机器人感知力。所有这些使机器人可以脱离笼子，与人类更轻松地互动，以解决复杂的问题。

5、相比感受到威胁，机器人更需要的是被信任

关于人工智能和机器人技术的最大误解之一是，一旦部署了人工智能，您就不必再碰它了。实际上，由于系统和过程总是在变化，所以事实恰恰相反。

相反，组织需要转变思维方式，超越今天才能取得成功。人工智能不断受到新兴用例或条件变化的挑战，因此机器人公司需要设计能够适应实时遇到的新现实场景的人工智能，而不是构建解决方案并假定它将永远工作。

与其他任何技术相比，人们继续感到人工智能和机器人技术的威胁更大。尽管由于技术的广泛应用和某种不透明的性质，我们可以理解这种“威胁”，但是有些人是在屏幕上看到或读到的故事所感受到的，这与当前现实大不相同。

我们距离设计一种能够独立思考并理解/展示情感以寻求对人类破坏的机器还差得很远。大多数基于AI的系统都经过培训，可以高效地执行少量任务，并从提供给它们的数据中学习。他们非常擅长处理大量数据并得出大量结论以选择最佳选择，并且在这个有限的领域中，它们通常比人类更好。

但是，这并没有使它们比决定在哪个域中使用机器或他们可以访问哪些数据集的人员更强大。与其他任何技术一样，我们仍然必须小心以确保不会被恶意人员利用机器人和AI。对AI的道德/偏见/ 信任必须成为中心舞台，而不是开发人员和研究人员的事后想法。随着AI在我们的日常生活中做出越来越多的决定，我们需要确保这些决定是公平的并且可以被信任。