共享單車下半場，日漸迎來尾聲了。此前，筆者獨家獲悉，酷騎單車致信員工稱，目前公司資金確實非常緊張，甚至可能會影響到公司的正常運營，讓員工自愿選擇去留。

繼重慶的悟空單車沒搞幾個月就宣布倒閉后，又一家共享單車面臨資金困局。尤其是酷騎單車被指出現押金“退款難”問題，部分用戶無法在平臺承諾的7天內收到退款，且客服無人接聽。更有公司前員工向記者爆料，酷騎單車和P2P公司共用財務，員工自己都偷退押金。

除了酷騎單車，陷入資金困局的還有小鳴單車。因8月以來小鳴單車退還押金的消費者投訴激增，廣州市消委會發出調查函督促企業盡快實現押金“即還即退”。從共享單車屢被曝出資金困境來看，市場即將迎來終局的信號釋放的愈加明顯。

6月底，ofo創始人戴威表態，ofo在2018年能實現海內外全面盈利；前兩日，ofo投資人朱嘯虎便在復旦首席經濟學家論壇上放言，“摩拜和ofo合并才能盈利”。這恰恰說明，面對共享單車目前兩極爭霸帶來的巨額投入，投資人無法看到短期內盈利的可能性，因此希望走回網約車的老路，通過摩拜和ofo合并，最大限度地占據市場份額，從而持續放大規模效應，尋求通過降低邊際成本等路徑獲取其他收益。

ofo和摩拜尚屬業內龍頭，對于二三梯隊成員來說，前路更加艱辛。據不完全統計，截至2017年7月，全國共有共享單車運營企業近70家，累計投放車輛超過1600萬輛。這意味著除了摩拜和ofo，剩下60多家第二、第三梯隊共享單車企業的日子更難過，畢竟它們無法獲得摩拜和ofo如此多的融資，也不具備與之相對應的市場投放量。而隨著各地對于共享單車投放設置限制性條款，以及一二線城市的需求量飽和，第二、第三梯隊共享單車企業不可能像摩拜和ofo一樣，再通過高速擴張的故事來吸引投資人。

尋回網約車的老路，并非不可能，但步子卻賣得有點大。

相比網約車可以做社會化車輛的增量，共享單車最大的問題在于，只能靠自己投放，這是典型的重資產運營。一旦融資無法支撐，資金鏈很容易斷裂。不久前，已經上市的永安行砍掉共享單車業務逾六成股權，對于這次出讓股權的原因，永安行明確表態稱，是對共享單車業務不看好。永安行半退出共享單車市場，以及悟空單車倒閉、酷騎單車爆出資金危機，是共享單車市場洗牌的印證。

不過，對于用戶而言，最擔憂的還是押金及其他權益可能因此受到損害。

正因如此，對于這場市場洗牌，監管層需要保持足夠敏感性。比如，對所有共享單車企業構建信息聯動機制，有必要提上日程了。

尤其是用戶押金方面，雖然之前已有北京、天津、深圳、成都、上海、南京、濟南、海口8個城市先后發布了征求意見稿或管理辦法，要求共享單車“押金”由第三方監管，但從意見稿、管理辦法到實際執行之間存有不短的時間差。在如今已成紅海的共享單車市場，時間關乎著生死，更關乎用戶權益。

如何制定完善的信息聯動機制，并盡快落地，真正讓共享單車的用戶押金管理規范化，是監管亟待解決的下一問題。

當前，共享單車進入政策出臺密集期，資金放量、用戶放量所帶來的野蠻生長時代一去不復返。面臨接下來或將出現的共享單車倒閉潮，相關部門要加緊細化監管規則，做好防火墻，如此才能倒逼行業發展趨于規范，走向理性。

人工智能+專家+高性能計算>頂級專家

其中“人工智能”就是搜索技術、剪枝技術，高性能計算就是那些芯片，專家是加入深藍小組的一些國際象棋大師級棋手。所以，這件事意義非凡，這是人類歷史上第一次人工智能在復雜博弈問題上戰勝人類。在這一點上，深藍的貢獻超過了阿爾法狗。

下面就到圍棋了，看一下阿爾法狗是怎么做的。兩個所謂的“大腦”就是兩個神經網絡。這樣一說其實又容易給我們造成一些誤區，好像阿爾法狗技術跟以前的人工智能博弈沒有關系，其實不是的。

這兩個網絡在理論上都是我前面跟各位介紹的決策論模型中的東西，都是馬爾可夫決策里面的東西。但是它是有創新的，通過引進機器學習技術，直接學習Policynetwork和Valuenetwork，繞過了概率轉移函數，直接學出了回報函數，根本不去學概率轉移矩陣。

也就是說，現在阿爾法狗也還是學不了概率轉移矩陣，所以它繞過去了。但新聞報道里沒有人說這個事，說的都是深度學習。其實深度學習技術支撐了阿爾法狗的理論創新。

我們分析人工智能獲得成功的領域，發現都有一些共同的特征，一個是確定性的，比如下棋就是確定的，一個子落在哪里不能含糊。還有一個是規則化，下棋一定是有明確規則的。第三，環境也是結構化的。在這三個條件成立的場景中，人工智能已經可以超過人。但三個條件之一不成立，人工智能就不行了。

當然我們也得留一個尾巴，做阿爾法狗的公司是不是有一些沒有公布的東西，而那些東西能夠超越這三個要求，超越固定性、規則性和結構化的局限仍然可以戰勝人類？如果有這樣的技術，那是非常強大的，同時也就變得非常危險。但目前我們看到的已經公開的技術是無法超越的，現有成果是在這三個條件下的科技創新。

機器人應用的新需求

既然是有條件的，在這些條件下，這些新的智能技術能不能用來滿足機器人應用的新的需求？舉幾個例子。一個是家庭服務機器人，這張圖是服務機器人的比賽，現在服務機器人還沒有在家庭里應用。

這張圖里有一個人在家里摔倒了，你不知道摔在什么地方，沒有夾具把他夾住的，機器人要去找，要觀察他是不是真的倒了，倒的是一個人還是一條狗。找到以后先通過對話詢問，你感覺好不好？是自己累了在地上躺著休息休息，還是需要我幫助？如果需要幫助，需要什么幫助？是需要拿藥，還是抱起來？抱起來現在還不容易做到。

這個比賽顯然跟工業機器人完全不一樣，環境沒有精確化，環境中的對象都得靠機器人自己去感知，而且是變化的，比如人每次摔倒的位置可能都不一樣。所以家庭應用真的是挺難的，但確實是人類所需要的。

還有一個更難一點的應用，即救援機器人，救援比在家庭里提供服務更復雜。

你執行了一個動作，這個動作的結果是什么？你事先是不知道的，沒有辦法確定的。很多復雜的環境因素決定了行動的結果。這就是所謂的“不確定性”。當前國際人工智能最大的挑戰就在于不確定性問題。救援就是不確定性問題的一個非常好的例子。

精確性-靈巧性譜系

這張圖中，工業機器人具有最大的精確性，最少的靈巧性。再看手術機器人，它和工業機器人不是同類，卻也很成功，為什么？因為手術機器人也是主要靠精確性的，靈巧性很少。手術前醫生為患者打麻藥，再捆皮帶，確?；颊咴谑中g過程中不會亂動，而且很多手術機器人是人來操作的，這樣就多了一些靈巧性。

最右邊是家庭服務機器人，需要很大的靈巧性。在它的右邊是救援機器人，救援機器人我都沒畫到圖里。農業機器人比家庭機器人需要的靈巧性要少一些，精確性稍微多一些。這樣一看，農業機器人的投資方向非常好。

因為農作物在播種前可以對田地做一些安排，所以農業生y產其實是一個半結構化環境，因此農業機器人難度是比較低的。智能制造需要更多的精確性，相對少一點的靈巧性。智能制造精確性和靈巧性都需要的比較多，所以比農業機器人還要更難一點。

最有意思的是中間的自主無人駕駛汽車，出來兩條線，左邊一條線需要比較多的精確性，這代表自主駕駛的理想狀態，包括兩個方面的要求。一個是路況和所有的交通標識，要求自動駕駛所需要的交通標識都能夠被無人車傳感器得到。

另一個是周圍其他的車輛和行人都遵守交規。這兩個條件都滿足了，無人車是很簡單的，現在的技術就能實現。但實際上這兩個條件很難滿足，特別是在中國，不遵守交規的太多了，有的地方交通標識也不是很清晰，有的被破壞了。這就是現實狀態，需要很大的靈巧性（靈敏性、靈活性）。所以在中國做全自主無人車是非常了不起的。

機器人新應用挑戰

傳統機器人依靠精確性，新的人工智能依賴確定性。我們面臨新的應用，需要用靈巧性處理不確定性。這是新的應用需求對我們提出的主要挑戰。我們如果能在技術上對這種挑戰想出一些好的辦法，或者在工程上想出好的辦法，那就可以滿足新的應用需求。

需求是“家”，技術是“回家”的路。新的應用和老的應用是什么關系？老的應用相當于我們過去的“家”，新的應用相當于我們有了一個新“家”。但是人都有路徑依賴性，我們不自覺的就會往老路上走。所以，現在大部分機器人的研發都是立足于精確性技術途徑的。我理解這是一種路徑依賴性。

針對我們面臨的挑戰，中科大發展了一套靈巧性技術。這里用一個例子加以說明。

假設想讓機器人給我送一杯水，放桌邊，離我越近越好。但是，由于存在感知誤差和操作誤差，在誤差區域內是不能放東西的，那我們就不在那個區域放。所以在很多應用里，特別是在很多新的應用里，是不需要太精確的，有些危險的區域避開就行了。

我們提出了一個框架：全局有一個粗略模型，機器人先按照粗略模型做一個全局決策，在執行全局決策的過程中根據任務需要進行局部觀察，對全局的決策做局部調整，這樣就不需要對桌面形狀、邊緣做精確的度量和建模，就能完成靈巧操作。

我們做過一個實驗，用可佳機器人來操作微波爐，加熱食品，整個過程都是機器人獨立完成的，現在世界上還沒有第二個團隊完整實現過。這個實驗和背后的技術體系也得過不少獎。最近我們提出了一個新的框架，將精確性和靈巧性相結合，再加上局部的深度強化學習。我們用新的框架重新開發了系統，開發效率大大提升了。

總結

當前我們所處的歷史階段，一個是工業機器人大規模的應用，已經成功了半個世紀。二是人工智能研究了半個世紀，現在也有一些新的發展，特別是以深度學習為代表的新技術達到了非常高的水平。

新的應用需求要處理不確定性，處理不完全信息，具體表現為非結構化環境，這些需求和現有技術比較還是有一點差距的。不是說深度學習出來了以后，馬上就能解決我們所有實際問題，其實不能完全解決。但是，如果我們轉到靈巧性，轉到以靈巧性為核心的技術體系，現有的很多技術可以組合起來，那就能達到很好的效果。

更多資訊請關注工業機器人頻道