1樓：
可以很多還活著的工廠已經用了初級的演算法來實現自動和定製化的生產
專門問過一些老闆，最多的答案是，機器不用發工資，不會鬧，大概這個意思。
2樓：
完全可以，而且是未來的方向。舉個例子，完成讓機械手去端一杯水，在工業機械人等的應用中，是通過程式設計讓機械手去完成固定的幾個動作，操作固定工位規定位置的一些事件，這個是目前大規模應用的場景；可是如果想讓機械手像人一樣去識別隨便放在桌子上得一杯水，通過以前的程式設計方法去解決這個問題幾乎無法試下，而通過人工智慧，就「容易多了」人工智慧的核心是自主學習、不斷訓練和優化，機器手在不斷地學習的過程中，會確定用什麼樣的力道去拿起、如果識別水瓶在桌子的位置
這一過程有點像小孩兒學走路
3樓：
可以。人工智慧最大的用處就是用智慧型+機械做到八級鉗工能做到的，即智慧型取代匠心，讓人類在熟練度上浪費的時間被省略。
從這一點講，你的方向沒有問題，將來人工智慧在工業應用的方向最好就是大量替代熟練工人的作用，節省高階技工和熟練工人的培訓成本。
4樓：王佳吉
我覺得深度學習的演算法，僅僅用在物體識別上，不能和機械臂的特性結合起來，就浪費了。
我曾經這樣想過，讓乙個熟練工來訓練機械臂，經過千百遍的學習（足夠多的樣本），機械臂學習到了操作的過程，然後可以將人的過程重演出來。
說白了，就是免去了人工程式設計的過程，這也是機器學習最根本的初衷，只不過你不要僅僅把機器視覺作為乙個應用點，機械臂的感測器的特點就是力學方面的，而不是光學方面的，應該多想想怎麼把這些資料發揮出來。
5樓：T1在東京
當然可以，這也是 Industry 4.0 的發展方向。
將深度學習演算法應用到工業機械人上，拿來做商品或者零件分揀，大概可以分為「分類」和「撿起」兩步：
(1) 對商品或者零件進行「分類」
這個步驟非常適合使用深度學習，因為深度學習本質上就是用來做分類識別的。
(2) 將商品或者零件「成功撿起」
對於單個商品或者零件，要想將其成功撿起，關鍵是選擇合適的把持位置，通俗的將，就是機械人夾零件的哪個地方，可以使零件不下滑，從而成功地被撿起來。
比較典型的演算法，乙個是採用兩階段的深度學習演算法，第一階段通過小型的Neural Network，檢測出數個可以把持的位置，第二階段採用大型的Neural Network，對第一階段得到的各個把持位置候選進行評估，選擇最終的乙個把持位置。這種演算法的成功率大概能達到65%。
（上圖顯示了第乙個階段得到多個候選把持位置，第二階段得到最終把持位置）
另乙個是結合了深度學習和Heterogeneous Learning，將把持位置的資訊（width, height, x, y, θ）以及把持該位置時成功撿起零件的成功率「Graspability」用來訓練模型，模型如下：
下圖表示的是把持位置的資訊（width, height, x, y, θ）的定義，以及各把持位置對應的Graspability Label。
下圖是Positive和Negetive教師訊號的例子。
下圖是得到的最終把持位置，可以達到85%左右的成功率。
對於多個商品和零件堆積在一起的情形，除了把持位置的選擇，還需要選擇合適的抓取順序，即先抓取哪乙個零件，後抓取哪乙個零件，這時可以採用Reinforcement Learning演算法，最終可以達到約90%的成功率，和熟練工人的水平相當。
當然，要將這些成果大規模應用到工業流水線上，還需要考慮到正確率要求更高（一般是99.9%），以及速度要求更快等，目前許多改進就是圍繞滿足這兩點指標來進行的。
6樓：宅男魚某某
個人覺得不適合，因為。。。速度是個問題，工業上的產品對實時性要求很高，深度學習目前比較流行的幾個網路構，如alexnet,vgg,googlenet等，在英偉達titan上計算都不算快，應該說遠沒達到工業的實時要求，所以，等過幾年深度學習成熟一點或者硬體速度大幅飛躍後再用吧~~~不過個人覺得深度學習在工業界大幅推廣是遲早的事呢~~~現在研究DL的人太多了
7樓：Geng Young
當然可以，甚至直接從端到端搞 reinforcement learning 都沒問題，我們實驗室就有做這個。
參見End-to-End Training of Deep Visuomotor Policies: https://
9Deep reinforcement learning 最近非常火，很多實驗室都在搞這個。
8樓：
瀉妖首先回答，可以。
視覺是工業機械人的乙個重要的發展方向，其應用包括視覺標定，工件識別，自動避障等等。基於視覺的機械人定位、抓取等其實技術上已經比較成熟，而且已經有一部分應用。可以參考日本的Mujin的案例：
Mujin | Robot Intelligence for Industrial Automation
至於Deep Learning在工業機械人上的應用，Flood Sung已經提到了Google。個人感覺題主所提的需求在Deep Learning中的應用不是特別難，但是屬於比較實用的，希望近幾年會有大的突破。
9樓：
可以實現的，人工智慧深度學習的演算法不僅可以應用到工業的機械臂上，甚至有科研團隊嘗試在失去手臂患者的前臂中植入了電極，並通過20個觸點連線了3條主要的神經。通過對不同神經上不同觸點的刺激，讓截肢者產生真實的感覺。
什麼是人工智慧？人工智慧 機器學習 深度學習三者之間有什麼關係嗎？
祩徍徍 人工智慧是乙個很寬泛的概念，各種定義都有，機器學習是人工智慧的一種實現方法，深度學習是機器學習的一種實現方法，是在機器學習的基礎上建立起來的，深度學習最基本的形式就是神經網路。 王易諾 人工智慧 英語 artificial intelligence，縮寫為AI 是指由人製造出來的機器所表現出...
人工智慧和人工智慧深度學習是通過怎樣的原理實現的？
C飛花逐夢 人工智慧實際上是乙個很大的概念，而深度學習是其中的乙個重要分支，或者說是一種重要方法。實際上深度學習背後的神經網路概念很早就有提出，隨著算力的提高，以及BP等理論的提出，過去認為不太可行的做法現在變得可行了，深度學習近年來的大熱離不開這樣的背景，而深度學習的成功應用也一下子把AI再次推向...
關於人工智慧和演算法？
雲一朵 人工智慧發展需要演算法，演算法的優劣直接導致了人工智慧的水平高低。目前，掌握人工智慧領域中使用最廣泛的程式語言python。對於AI專案來說，演算法幾乎是靈魂。所以，在如何學好人工智慧的路上，想要立足人工智慧，在自我加強學習的同時也應該去開闊自己的視野，通過學習我們可以提高自己的實力。舉個人...