《机器人产业“十三五”发展规划》或许将很快公之于众。中国机械工业联合会执行副会长、中国机器人产业联盟执行理事长兼秘书长宋晓刚告诉记者，其参与制定的《机器人产业“十三五”发展规划》初稿已经完成，目前已提交给工信部，处于修改完善阶段。
此前，在2015机器人世界杯产业峰会上，英特尔公司机器人创新中心总经理倪健安表了决心，其意欲抓住在中国掀起的机器人发展机遇，带领英特尔冲向这块“高地”。
而在“大众创业、万众创新”的热潮中，余凯也离开了自己一手创办的百度深度学习研究院，创建了地平线机器人科技公司。
浩浩荡荡的科技大军向机器人领域涌来。其中，也催生了许多前沿技术。
云+端构建万物智能
“如果两人买了一个同机型的机器人，出厂设置也一模一样。售出两个月后，这两个机器人都会带上各自的个性属性，成为两个完全不同性格的机器人。”余凯说。
他认为，机器人因其智能属性在经验的演化下走向了个性化。
而这种经验属性实际就是大数据。“大数据对于机器人而言，就是一种智能。”余凯说。移动互联网让每个人无时无刻不在产生数据，从而让万物互联走向了“万物智能”。而在万物智能的时代，余凯判断，网民将由人和机器人构成。
他认为，在未来，所有的消费类电子产品最终都会成为某种形式的机器人，从电灯、烤箱到汽车，机器人的形态不应该拘泥于“人”，而是所有可能与数据和云连接的“端”。
余凯指出，机器人各种形式的“端”主要处理感知任务，对物理信号进行实时处理和理解，然后产生控制。而“云”主要承载认知任务，依靠巨大的数据库处理“端”反馈回来的信息。
为什么要在端处理感知性和智能性任务?
余凯解释道，第一，实时性的要求，失之毫厘，谬以千里，尤其对于自动驾驶来说更是如此。第二，计算部署的便捷性，所有的数据如果都放在云上来处理，不一定是最便捷的，因为云都是同质化的服务器，只能满足通用化的需求，但是多样化的垂直任务需要专门的硬件处理，因此特定领域的计算任务应该放置在端处理。同时，降低带宽与保护用户隐私也要求前端如此。
万物互联和万物智能的趋势更值得注意，余凯总结，首先，所有设备会成为智能传感器。过去，大部分传感器把物理信号转化成数字信号，但智能传感器的前端将对基础数据进行深度处理和理解;第二，所有的设备将成为云和端结合的“大脑”，既要保持大型互联网公司在后端提供感知的智能处理，也要在前端构建感知能力，实现从信号、决策、感知到控制的实时处理能力;第三，所有的设备会从本地单一功能载体变成连接人到后端无边无际的互联网服务入口。
不会？主动问+自己学
如果说，万物智能为人类走向机器人的世界打下了“群众基础”，那么，如何让机器人从能力上更像人，则是机器人发展道路上一项“可望还应可即”的目标。
在2015中国人工智能大会的机器学习讨论环节中，北京大学信息科学技术学院智能科学系教授查红彬指出，机器实现人工智能需要深度学习，核心在于自主学习。自主学习的特征则包括根据自身发展需求，自动定义学习目标，并通过行为、动作等在环境当中获取数据。
“这个数据要靠机器自身获得，自主强调的不仅是知识，更是行为。”查红彬强调。
国际RoboCup(机器人世界杯)联合会前主席、国际人工智能联合会主席Manuela M·Veloso，在美国卡内基梅隆大学带领了一个研究机器人如何更好自主学习的项目。他们曾做过一个实验，研究如何让一群机器人通过各种障碍物到达指定地点并且完成指定任务。
“随着机器人的商用化，它们必须更好地进行互动，能够主动地寻求帮助，至少要保证90%的功能是自我完成的。”Manuela M·Veloso说。
实验中，她故意设定机器人必须通过电梯才能到达指定地点，可是之前机器人并不知道如何乘坐电梯。“能否帮我按一下按钮?帮我把电梯门抵住，不要让门关住?”机器人不仅能主动寻求帮助，也在学习中得到了许多新技能。
Manuela M·Veloso介绍，通过自主学习与寻求帮助机制的植入，让人与机器人的对话帮助它们完成更多任务，目前该研究小组已积累了数千种不同类型的任务。
中国科学技术大学机器人实验室主任、中国RoboCup委员会主席陈小平也指出，在机器人的自主学习中，要学会根据目标搜集相关资料，比如，它在接到使用微波炉加热爆米花的任务后，可以迅速联网下载微波炉使用手册获得这项技能。
但是，机器人有不同的类型，不可能通过一个机器人完成所有任务，不同国家的机器人有着不同需求，并面临语言的差别。因此，Manuela M·Veloso建议应建立起一个平台，鼓励机器人信息共享。
待解的技术之问
除了前沿技术大趋势，机器人在“进化成人”的道路上，也不可避免在技术爆炸的漩涡中留下需要人们不断探索的待解之题。
人工智能技术包括什么?什么是人工智能的核心内容?抛开自然语言理解、图像视频识别、搜索算法、知识工程外，人工智能技术还有什么?
在“机器学习与模式识别”讨论环节，中科院自动化所研究员宗成庆提出了以上问题。
机器学习在不到10年的时间里，迁移学习、增强学习、概率图模型、深度学习等相继被热捧。而之前每一种学习方法的研究都持续不过2～3年。
“无论哪一种统计学习方法都是建立在大规模测试样本之上的模型，难以做到举一反三。现在机器学习是在向正确的方向发展吗?”宗成庆追问。
“在自然语言处理中，很多问题都被转化为分类问题或者序列标注问题。但不同的问题使用相同的解决方法，自然不会得到很好的处理结果。图像、视频分析作为模式识别最基础性的问题，在边界分割、模式匹配、检索等方面取得了若干优秀成果，但在多大程度上体现了‘智能’，尚不可知。” 宗成庆说。
深度学习方法与人工神经网络方法在数学计算上有没有本质区别?机器要真正实现从“处理”到“理解”的出路何在?简单的技术集成是否会成为“智能系统”?宗成庆表示，仍有太多的技术问题需要人们继续关注。
最后，宗成庆感叹并总结道：“人工智能的技术变化非常快，有的被冷落后由于硬件性能改变而再次被推向波峰，甚至经历多次轮回。如何在热闹中把握‘冷和热’的平衡，既保持冷静的头脑又坚守自己的学术理想，值得探讨。”
人人皆可参与人工智能
人工智能可以通过语音、图像，还有对产品的推介和交互，帮助人们理解个体，同时可以利用不同的场景来达到学习的功能。
比如，可以通过人与人之间的连接、社交网络的分析，对文章的内容以及公众号、大众点评等数据分析来建立一种新的知识，分析对象的特征、喜好、社会关系等信息会形成一个巨大的知识图谱，有了知识图谱以后，人工智能的载体就能对用户提供服务的推荐，帮助用户智能个性化的搜索，进行知识的传播或智慧的整合，形成所谓的群体智能。
例如，移动视觉的搜索能提供不同场景的识别，深度学习又可提供基于朋友圈的用户模型的建立，有了这个用户模型，我们知道微信推出了非常有意思的广告方式，使得大家把广告和朋友圈上面的图片发布有机融合在一起，变成一个非常有意思的事情。
另外，常见的漂流瓶是一种已有的基于人和人之间的问答模式，比如，带一个问题扔一个瓶子，这个瓶子如果有人捡到并回答它的话，这两个人的关系就建立起来了。现在可利用这样一种功能来补充知识，不断把机器人回答不了的问题，用瓶子的形式扔到海洋问题库里，知道的人就可以回答这个问题，以此不断增加机器人知识的覆盖面。