智能机器人市场规模2021年将达336亿美元

全球智能机器人的市场规模预计在2021年将成长至336亿美元，而亚洲将是成长最多的地区。近年各国都不约而同将机器人视为战略产业，某种程度甚至可以是一种综合国力的展现，各领域的领导厂商都积极投入并发展当中。

机器人无疑已成为下一个科技明日之星，全球各国无不积极推动机器人产业，而近期人工智能与深度学习等技术发展热度增温，更成为推动智能机器人发展的重要动能。根据工研院IEK研究报告预估，全球智能机器人的市场规模预计在2021年将成长至336亿美元，而亚洲将是成长最多的地区。

根据财团法人精密机械研究发展中心的定义，智能机器人可透过传感器感知环境，并藉由程序化处达成智能化理解，最后反应出所需动作，以执行各种生产活动、提供服务或与人互动。它是集合各种技术于一体的平台，包含机械、控制自动化、电子、电机、影像、光学、通讯、软件与安全系统等相关技术与应用，其中软硬件整合技术至为重要。本课程深入探讨智慧机器人产业前景，并剖析关键技术、零组件与软硬件架构。

根据资策会MIC研究数据显示（图1），2015年四大应用领域机器人市场规模合计约269亿美元，其中以工业机器人110亿美元比重最高，但到了2025年整体市场规模将扩大到669亿美元，尽管市场规模还是以工业机器人的244亿美元最大，但商业用机器人与个人用机器人2000∼2025年复合成长率（CAGR）分别为11.6％与17.4％，资策会MIC产业分析师张佳蕙（图2）指出，尤其是2015年以后，这两类应用成长更为显著，服务型应用市场当中，有许多过去未导入机器人的新兴领域，带动其成长潜力。

图1　2000∼2025年全球各应用领域机器人产业规模   数据源：BCG，2014；资策会MIC，2016/1

图2　资策会MIC产业分析师张佳蕙指出，2015年以后，服务型应用市场，有许多过去未导入机器人的新兴领域，带动其成长潜力。

日本软件银行近年大举进军机器人领域，一连串的动作引发市场关注，张佳蕙说，包括2012年收购法国人形机器人公司Aldebaran RoboTIcs，其2014年推出的人形机器人Pepper陆续与IBM Watson、Microsoft Azure合作。Softbank提出以沟通为基础提供家庭及商业应用的愿景，Pepper被设定为「希望能被爱」的机器人，透过互动沟通了解家中成员，成为家中的一份子；并在人工智能的基础下，让Pepper协助企业产品的营销，在家庭兼具娱乐及学习效果。此外，目前较知名已投入市场的服务型机器人还有Leka与Savioke。

近年各国都不约而同将机器人视为战略产业，日本发展机器人已久，2015年日本政府设立机器人革命倡议协议会，推动机器人产业的发展；韩国则是由产业通商资源部主导，每五年制定基本计划，目标是在2022年成为机器人活用的国家，生产规模达25兆韩圜；美国则是从2011年开始，由美国国家科学基金会（NSF）主导，发展能够安全与人协同工作的机器人技术。目前韩国以家用机器人为发展主力，美国则是在救灾国防领先各国，张佳蕙建议，家庭应用与公共应用各国布局已深，商业应用近期兴起，台湾可以伺机切入。

深度学习、语音识别等技术在近年有显著的发展，也因此促成服务型机器人产业与应用的兴起，机器人从过去单向沟通执行命令，进化到可以理解语意响应对话内容，应用服务为机器人后续发展重点。机器人应用情境多元，在不同场合必须结合各领域专业知识及对用户需求的了解，因此厂商应透过开放平台，加快机器人在各领域的应用。

深度学习这个名词因为2016年人工智能AlphaGo连败南韩棋王，机器首度成功挑战人脑，并在围棋这个普遍被认为难度最高的博弈活动中，一时又被世界大众所关心。而AlphaGo的深度学习核心就是类神经网络技术，早在1943年，Warren McCulloch以及Walter Pitts首次提出神经元的数学模型，之后到了1958年，心理学家Rosenblatt提出了感知器（Perceptron）的概念，在前者神经元的结构中加入了训练修正参数的机制，这时类神经网络的基本学理架构算是完成。类神经网络的神经元其实是从前端收集到各种讯号（类似神经的树突），然后将各个讯号根据权重加权后加总，再透过活化函数转换成新讯号传送出去（类似神经元的轴突）。

相关技术架构其实早在1970年代就已经完成了，数据决策技术长尹相志（图3）表示，深度学习其实就是类神经网络的另一种说法，其成功来自于更深入理解人类大脑的运作。卷积神经网络（ConvoluTIonal Neural Network）协助机器发展真正的视觉，其中的两大原则为：局部感知与权重共享。让机器可以从碎片特征理解整体意义，进而找出特征的群聚性，不断分层细化的分析，无论是多细微的特征：只要不化成灰，都能抽取特征。

图3　数据决策技术长尹相志表示，深度学习技术架构1970年代就完成了，其成功来自于更深入理解人类大脑的运作。

其中，图形辨识是其中的重点，在过往的认知中，中央处理器（CPU）与绘图处理器（GPU）处理不同的运算功能，单就图形辨识的深度学习功能来说，GPU的效能是CPU的百至千倍，尹相志进一步表示，透过深度学习，机器甚至可以将原本马赛克图案的照片效果移除还原。不过，在语音与文字的辨识上，中文对于机器还是很大的挑战，中文词汇超过百万，无须约定成俗即可创造新字以及赋予词性，还有很多中英、中日、中韩夹杂的词汇，诸如：蓝瘦、香菇、94狂等。

机器人产业前景受到各方瞩目，尤其深度学习、人工智能成为各大厂布局下一波企业发展的方向，包括脸书（Facebook）、微软（Microsoft）、谷歌（Google）与亚马逊（Amazon）。这些企业的共通点就是都透过产品、服务与消费者互动，并累积了多年的初级数据，未来人工智能与深度学习说穿了都是大量资料搜集、整理并分类、标注（Tag）使这些初级数据变成信息，最后再透过强大的处理器快速搜寻与反应的结果。

从这样的架构来观察，硕网信息总经理邱仁钿（图4）认为，四大厂之间FB的数据结构化程度最高，因为每个用户上传文章或图片时，已经将内容整理过，图片分辨率高甚至照片中的人物也直接标注了，未来FB要藉由这些数据做进一步整理或利用时，可以花费最少的时间，或进行更高质量的整理。目前世界上有80%的数据数据是非结构化的，认知运算能够提升并简化学习过程。

图4 硕网信息总经理邱仁钿认为，目前世界上有80%的数据数据是非结构化的，认知运算能够提升并简化学习过程。

因此，机器人要降低错误率重点就在数据的完整性与结构化，邱仁钿进一步解释，深度学习的应用历程从底层的类神经网络运算、大量数据分析、发现规则/自动归类、产生媒合/推荐策略、记录用户行为、回馈到模型/提升准确率，最终就是要提升数据质量并产生自我学习修正机制。