時值全球自動化浪潮和中國制造2025的戰略布局，制造業對工業機器人的需求高漲，而投資者也將在高投資回報、更新快速的龐大市場的驅動下，下注機器人布局。相比于笨重、危險，僅適用于大型環境的傳統工業機器人，協作型機器人正在克服挑戰，顛覆產業。
以下為智能內參整理呈現的干貨：
COBOT打開百億市場
　　20世紀60年代初，德沃爾2000磅重的Unimate arm在通用汽車工廠安了家，這是第一個工業機器人，負責熱壓鑄金屬。Unimate arm可以抓握、焊接、鉆孔和噴灑，液壓臂的路徑使用磁鼓式硬盤驅動器進行編程。
　　再往前走五十年，機器人的定義有了翻天覆地的變化，現代機器人是可編程的網絡物理機器，當然，不包括汽車和空中無人機。
　　通常說的工業機器人是大型的籠式裝置，用來代替人類重復、危險的工作。而隨著智能手機的革命和自動駕駛汽車的發展，更小、更靈巧、成本更低的機器人進入了工廠。
　　這些重量較輕、成本較低的機器人可以配備傳感器，使它們能夠在工業環境中與人類協同工作，成為“COBOT”（協作機器人）。機器人可以執行特定的任務，如抓緊小物體、觀察，甚至學習處理“邊緣情況”（edge cases）。
　　盡管協作機器人僅占400億美元規模的工業機器人市場的很小一部分，但下一個十年將迅猛增長成為100億美元市場。
機器人的痛點和解法
　　從歷史上看，機器人行業在很大程度上一直困擾著一些問題：
1、視覺問題：允許機器人識別和導航物體（包括人）的視覺技術一直在緩慢改進，公司依靠籠子來保護人類，同時也就杜絕了近程操縱的可能。
2、靈巧性問題：機器人抓握和機械能力仍然有限。
3、低投資回報：昂貴的機器人價格加上低勞動力成本，阻礙了在農業和制造等領域廣泛普及機器人技術的需求。
　　下文將詳述COBOT（協作機器人）如何應對這些技術挑戰，并改變制造業、電子商務、農業和食品服務等產業的。
新的視覺技術
　　隨著機器人逐漸被應用于世界各地的工廠，研發視覺系統，使機器人可以識別物體，進行安全導航，被提上日程。
　　許多機器人的功能是在高度結構化的環境中，執行可重復的任務。因此，傳統的安全措施通常由一個籠子組成，簡單有效的避免了人類與機器人接觸產生的危險。但現在，變化正在發生。
　　近年來，視覺硬件（如激光雷達）已經變得更便宜、更有效，并且得到了更廣泛的應用。如今，許多初創公司都在使用基于新的視覺技術的協作機器人，它們裝載著傳感器，人類員工可以站在它身邊進行操控。
　　大約1996，有許多不同的形狀和大小的協作機器人被發明了出來，根據人類工作場所進行了設計。這種機器人容易重新編程，相對自治，力量上遠不如低技術型工業機器人。
　　協作機器人在小型工廠環境找到了“絕佳位置”，進行3D打印，制造醫療設備，或完成更多的認知任務，如倉庫訂單揀選等。在那里，人類員工也參與工作。
機器人的認知
　　教機器人適配環境（map）和操作物體，是一項艱巨的任務。有幸的是，谷歌的DeepMind和UC伯克利的一些研究進展已經成功證明了“一次性學習”（one-shot learning）的可行性，即協作機器人可以在沒有大量訓練數據的情況下識別新的對象。
　　未來的機器人可能只需要觀察人類員工的工作流程就能完成任務學習；或者操作者可以使用VR手勢進行編程（協變開創的方法），使機器人掌握工作方式。
　　雖然這項技術還有很長的路要走，但今天的技術已經足夠成熟到可以讓機器人和人類協同工作了。目前，協作機器人和它的麻吉AGVs（自動引導車輛/運輸機器人），已經成為制造業和倉庫環境的標準配置。
機器人可以很容易地完成重復的、可預測的任務。
　　但是對于結構化相對不明顯的任務，例如從一個隨機分類中挑選出一個項目，對應著很多更獨特的場景，就需要特別的算法。真正的協同工作情況下，運輸機器人就必須自主地“看到”人類員工的行動，并采取相應行動。
開發處理這些邊緣情況的算法成為了前沿的人工智能（AI）、計算機視覺和自動駕駛研究課題。

　　在人工智能和機器學習上，為90%的場景自動化路徑很容易——難的是最后的“一公里”。頂級風投A16Z的Benedict Evans指出，機器學習是要解決那種對機器來說很難，對人來說很容易的問題，或者說，是人們很難描述成計算機語言的問題。
　　隨著機器學習工具的廣泛普及，初創公司正注力于計算機視覺，以支持新一輪的機器人技術。
　　Veo Robotics的創立者是Rethink Robotics的前雇員，公司旨在用“人類級眼睛”改造笨重的機械臂。Osaso則由Peter Thiel、Elad Gil和Sean Parker等人創立，面向制藥和食品服務等行業開發機器人配套的視覺軟件。
靈巧性的追求
　　雖然機器人變得越來越普遍，但它們還沒有開發出我們所期待的智能或靈巧性，就像摩登家庭或終結者2想象的那樣。著名的機器人學家Hans Moravec在莫拉維克悖論中提出：
　　“讓計算機在智力測試或西洋跳棋上表現出成人水平的表現是比較容易的，在感知和移動性方面，很難或不可能賦予他們一歲人類的水平。”
　　換句話說，高級推理只需要很少的計算，但是低水平的感覺或運動技能需要巨大的計算資源。靈巧性是機器人學的一大挑戰，相對而言，改進硬件是更加有效的途徑。