近期,工业和信息化部、教育部等十七部门印发《“机器人+”应用行动实施方案》,提出应深化重点领域“机器人+”应用,助力智能建造。其中,针对能源领域,方案特别提及应“研制基础设施建设、巡检、操作、维护、应急处置等机器人产品,推动企业突破复杂环境下的运动、感知、作业等关键技术”。
目前,我国基础设施建设进入全面快速发展阶段,与此同时,大量基础设施老化严重及管理技术落后等问题也得到了更多重视。基础设施的检测与维护不仅需要大量的资源,其中更有不少基建检测任务需要在高危环境中执行,例如,一直以来人类都需要通过搭乘直升机,才能对处于高空的高压电源线进行检修。因此,以智能机器人代替传统人力进行基建检测正成为基础设施运维的一大发展趋势。
对此,IEEE会士、香港中文大学信息工程系教授邢国良、IEEE 高级会员Eleanor Watson 、Paulo Drews Jr.以及IEEE会员Jayakrishnan Thrivikaman Nair分别分享了他们的相关专业见解。
检测机器人发展现状:尚处于起步阶段
虽然机器人技术在检测领域中有着广阔的应用前景,但在现阶段其实际应用场景仍非常有限。IEEE会员Jayakrishnan Thrivikaman Nair认为,在工厂及医院等工作任务较为明确或流程化的作业环境中,机器人的应用已经相对成熟。“然而,在一些对机器人有特定功能设计要求的极端复杂环境中,机器人的研究及实际应用仍任重道远。”
对此,IEEE会士、香港中文大学信息工程系教授邢国良解释道:“由于不同行业及不同检测任务的多样性与复杂性,检测型机器人还未存在通用的固定形态。然而,随着依赖运动控制、定位、传感器和致动器等关键技术的发展,我们很快就会看到高度可定制的、模块化的检测机器人方案。”
机器人检修:更全面、更精准、更高效
传统的基础设施检测任务高度依赖人工作业,存在作业量大、难度大、风险性高等问题,有时为确保安全作业人们还需要中止基础设施的正常运行。IEEE高级会员Eleanor Watson相信,在传感器与机器学习等创新新技术的支持下,更加智能的机器人应用将能帮助人类克服基建故障检修难题,化被动为主动。
“这些技术的创新发展将能很大程度提高机器人作业的自主性及检测工作的整体安全性,尤其在一些较为紧急的检测任务中,机器人能帮助我们在更短的时间内检测到更广泛的区域“她补充道,“例如,传感器融合技术能够将不同波长的电磁波拼接在一起,提供由不同信号检测出的更全面的信息;此外,无线电波的反向散射使得机器人在受遮挡的情况下仍可以检测到物体及其运动。” IEEE专家邢国良也对此表示认同:“在某些高度专业化的、较依赖于设备的行业,如金属疲劳检测,机器人能够做到更准确、更全面。”
未来发展:人机协同作业提升检测效能
那么,高速发展的检测机器人是否有可能完全取代人类呢?IEEE专家Eleanor Watson分析道:“人类在面对不同任务时的熟练度、灵活性,以及多任务的组织管理方面具有巨大的优势;而机器人则非常适合在非紧急情况下的较危险的环境中,执行较为常规且耗时的工作任务。”
因此,IEEE 高级会员Paulo Drews Jr.相信,更高效的检测任务应当由人机协同合作完成:通过机器人获取更全面的数据,再由人类对具体数据进行结果分析。
目前,人机协同作业模式也正在实际的检测工作中被不断地实践及应用,同时我们也可以期待,以惊人的速度不断革新的机器人技术将能在未来被更广泛地应用于基础设施的检测、维护、甚至建设工作中,成为我们城市更可持续发展建设中的可靠的技术力量。
好文章,需要你的鼓励
国际能源署发布的2025年世界能源展望报告显示,全球AI竞赛推动创纪录的石油、天然气、煤炭和核能消耗,加剧地缘政治紧张局势和气候危机。数据中心用电量预计到2035年将增长三倍,全球数据中心投资预计2025年达5800亿美元,超过全球石油供应投资的5400亿美元。报告呼吁采取新方法实现2050年净零排放目标。
维吉尼亚理工学院研究团队对58个大语言模型在单细胞生物学领域的应用进行了全面调查,将模型分为基础、文本桥接、空间多模态、表观遗传和智能代理五大类,涵盖细胞注释、轨迹预测、药物反应等八项核心任务。研究基于40多个公开数据集,建立了包含生物学理解、可解释性等十个维度的评估体系,为这个快速发展的交叉领域提供了首个系统性分析框架。
AMD首席执行官苏姿丰在纽约金融分析师日活动中表示,公司已准备好迎接AI浪潮并获得传统企业计算市场更多份额。AMD预计未来3-5年数据中心AI收入复合年增长率将超过80%,服务器CPU收入份额超过50%。公司2025年预期收入约340亿美元,其中数据中心业务160亿美元。MI400系列GPU采用2纳米工艺,Helios机架系统将提供强劲算力支持。
西湖大学王欢教授团队联合国际研究机构,针对AI推理模型内存消耗过大的问题,开发了RLKV技术框架。该技术通过强化学习识别推理模型中的关键"推理头",实现20-50%的内存缩减同时保持推理性能。研究发现推理头与检索头功能不同,前者负责维持逻辑连贯性。实验验证了技术在多个数学推理和编程任务中的有效性,为推理模型的大规模应用提供了现实可行的解决方案。