在工業機器人市場化的過程中，最困難的兩點是降低成本和提升易用性。后者比前者更難。然而隨著深度學習算法在機器人中應用的越來越多，這個兩個問題都得到了不同程度的解決。未來，深度學習驅動下的更小更聰明的機器人會接管機器人市場。

　　深度學習是目前在視覺、語音、醫療診斷和其他領域中應用表現最好的機器學習算法，它也可能對機器人產業產生深遠的影響。即便在制造業中，機器人已經被廣泛使用，但是它們依然有造價昂貴、編程困難的問題。對于大部分業務來說，機器人還排不上用場。

　　在2015年，全球范圍內的工業機器人銷售量僅為250000左右，這個數量是大型計算機銷售峰值的十倍。相比之下，去年服務器和PC的銷售總量分別大約為1000萬臺和3億臺。很明顯，機器人產業還處于起步，它需要在成本和易用性上有很大的提升才能真正的走向主流市場。

　　機器人的成本曲線正在下降。ARK估計工業機器人的成本在未來十年內會下降一半，跌至大約10萬美元一臺。同時，一臺與人協作的新品種機器人的價格大約3萬美元。今天像軟銀的Pepper這種銷售助理機器人的成本大約為1萬美元，還包括服務費。更安全更敏捷，這個新品機器人不需要安全籠、重型設備或者專業編程。根據ABBRobotics的信息，一臺工業機器人的安裝程序部分只占總成本（TCO）的三分之一。由于機器人制造商從電子工業（如攝像頭、處理器和感應器）中添加了很多部件，我們認為工業機器人的成本應該會接近消費電子品的價格。

　　在工業機器人中，提升易用性這一點比降低成本更難。工業機器人需要使用工業控制系統進行精確的編程，要將任務打散放進一系列動作和六個維度中。這些機器人沒有從經驗中學習的能力，它們只能依靠新程序來學習新任務，這種缺陷就限制了工業機器人在可預測的和明確的任務中的應用。

　　然而深度學習已經帶來了變革，它將機器人變成學習機器。不需要精確編程，機器人可以隨著時間的推移從數據和經驗中學習，并能執行多種任務。ARK相信在某種程度上，一個能抓取貨架上任何一個物品并將它放到箱子里的倉庫機器人會是很多業務的福音。但是，沒有深度學習最近的突破，識別和抓取各種形狀大小的物體幾乎是不可能的。

　　在亞馬遜的AMZN Picking Challenge的機器人抓取挑戰賽中，帶有攝像頭的基于視覺的機器人嘗試從一個貨架上隨機抓取一個物品放進箱子里。在2015年到2016年之間，贏得比賽的機器人性能提升了三倍，之前一個小時能抓取30個物體，現在是100個。2016年的比賽中，冠亞軍都將深度學習作為其視覺和抓取任務背后的核心算法。按照最近的性能提升速度來看，在抓取任務上，機器人兩年內就會超過人類。

　　圖片來源：Preferred Networks

　　ARK相信，給從事更加簡單、更可預測任務的機器人編程，深度學習是一個高效得多的辦法。據Prefferred Networks（一家私人機器人公司）透露，借助深度學習，機器人可以在八小時內掌握一項任務，而在過去，人類程序員要花費數天時間才能教會機器人完成相同的任務。當8臺機器人一同學習任務時，訓練時間可以縮短至1小時。因此，在訓練單獨一臺機器人時，深度學習的效率比人類程序員要高出五倍，而且平行訓練能夠將表現提升不止一個量級。

　　較之傳統機器人，采用將攝像頭和機器人視覺結合起來的機器人會更加便宜。因為傳統機器人沒有視覺，因此，工作量必須精確布置出來，還常常需要支持硬件，比如固定裝置。但是，擁有視覺的機器人會使用軟件并根據工作量進行調整，而不是反過來。他們還能根據新任務進行快速編程，按照傳統辦法，這需要花費大量成本進行重新安排。

　　機器人領域的重量級公司已經做出選擇。2015年，Fanuc，這家工業機器人制造商已經獲得Preferred Network6%的股權并計劃將運行深度學習的機器人納入不久的未來。ABB，這家瑞士機器人公司也投資了Vicarious，一家擁有深度學習技術的人工智能創業公司。深度學習

　　深度學習還能顯著擴大機器人目標市場，而傳統機器人僅囿于安全籠并從事高度程序化的重復性工作。深度學習驅動的協作機器人能夠運行于廣泛不同場景。因為他們可以學習新任務并在人類身邊安全運作，因此，我們認為機器人市場會像中小型市場開放，比如零售、農業，更別提家用了。

　　盡管我們相信工業機器人仍然是大規模制造業中的驅動力，但是，他們的單位體積會被新的、更加敏捷的機器人秒殺，就像大型機被工作站、個人電腦和智能手機秒殺一樣。其結果是，機器人的裝運量會提高10到100倍。許多新機器人可能與今天的機器人沒啥相似之處，就像智能手機與大型機完全不像。我們相信，深度學習驅動下的更小更聰明的機器人會接管機器人市場。