感测器与机器学习融合。

感测器是人类在构造模拟现实世界的虚拟现实当中的关键一环，它为我们提供了感知现实世界的关键资料。但是，随着感测器与机器学习技术的深度融合，感测器正在获得可以对资料进行解释和推理的智慧。Gideon Rosenblatt 介绍了感测器的发展与本质，让我们得以窥见感测器以及智慧的未来。原文标题是：The Nature of Sensors

感测器是人类用来增强感知和解释世界能力的技术。机器学习的革命正在变革著感测器，这些感测器让我们可以构建虚拟现实模型，而后者则赋予了我们塑造周围世界的巨大力量。

这种感测器技术与机器学习的融合在地球新兴的智慧变革中充当着关键的一层，因为感测器与机器学习之间不断加强的联络让我们能够增强感官知觉的元素。因此，感测器和机器学习的融合在人机智慧的融合中扮演着关键的角色。

感测器是做什么的？

我们不妨先从了解一点感测器是干什么的基础知识开始。感测器对讯号进行转换，也就是说它们将讯号从一种形式转换为另一种形式。这就是感测器有时被称为“转换器（transducer）” 的原因。例如，温度可以转换成电讯号，然后电讯号又可以转换成在我们厨房使用的数字温度计上的符号。

感测器帮助我们解释我们的物理环境。从这个意义上来说，感测器跟我们的感觉类似。我们的嗅觉已经演进了数十亿年，能够检测分子结构并将其转化为某些我们会跟特定气味（例如过熟的香蕉）关联起来的电化学讯号。我们的面板包含神经末梢，可将压力和温度讯号转换为触觉，正如我们的眼睛可将光线转换为视觉影象一样。通过感测器，我们利用工具来完成其中一些解释周围世界的工作。

感觉与感测器能力（Sensor-bility）

要想理解感测器在综合机器与人类智慧中所扮演的角色，区分一下实现感知技术的两种手段是有帮助的。一种情况下，实现的目标是增强我们的生物性感觉；另一种情况下，目标则是替代之。

望远镜增强我们的眼睛而不是取代之。望远镜增强了光讯号而不是将其转换为另一种型别的讯号。因此，我们能够用日常同样的视觉处理生物机制来理解被放大过的讯号。相反，温度计取代了我们面板上的热受体。传统温度计将触控的讯号转换为视觉讯号，让我们无需灼烧自己也能看到温度。

传统望远镜的讯号得到了提升，但是模式识别仍然跟我们视觉处理系统的人体生物学是一致的。这就是感觉增强。但是在温度计这里，讯号不再由我们面板神经末梢的生物机制来捕捉了。智慧数字温度计不仅仅捕捉讯号而且还通过嵌入在装置内的逻辑——或者模型处理模式识别过程。它就是这样将特定层面的分子振动解释为比方说华氏175℉，然后让你不用去猜鸡肉是不是煮熟了。这就是感觉替代。

感觉增强会收集和增强讯号，从而让我们的生理过程更容易地通过我们自己的大脑对其进行解释。而感觉替代则是收集讯号并将其转换——这是真正感测器的真正标志。

从感觉到感测器的转移

不妨设想有个东西，比如一只橡皮鸭。从它身上反射出去的光线被我们的的眼睛收集起来然后通过感觉的处理转化为电讯号。在所谓的感知的模式识别的过程中这些讯号会穿过我们大脑的视觉皮层。

而在感测器这里，这些过程变了。机器接管了生物感觉来捕获讯号，而在解释那些讯号时，合成模型则取代了生物感觉来对讯号进行转换。

在早期感测器里面，这种讯号转换仍然相对粗糙。老式温度计会将水银的运动对映为一系列的温度范围内（分别由Daniel Fahrenheit和Anders Celsius进行校准）。你可以把这种校准过程视为一个非常简单的将水银柱的伸缩与温度估算进行对映的模型。

但今天的模型看起来已经非常不同。过去需要由人克服智力挑战的工作现在已经被机器自动化了。感测器在构建这些新模型并且将其投入使用方面发挥着关键作用。

用于训练机器学习的感测器

我们是通过机器学习来进行自动建模的，如果没有来自当今的感测器的大量资料的话，这项工作是不可能完成的。感测器对资料的自动捕捉正在掀起信息时代背后的资料海啸。

在模型构建时，感测器会对来自现实世界的资料进行取样，然后通过迭代反馈过程对模型进行“雕刻”。这个过程是通过生成初始算法模型，然后利用它来执行样本资料并检视模型与资料的接近程度来实现。大家称之为模型“训练”的过程相当于自动调整引数，通过每次的训练迭代，使得模型更接近样本资料的实际情况。

感测器技术的新常态与机器学习密不可分。感测器仍然要捕捉资料，但现在的讯号转换过程已经演变为模型构建。原始讯号就是原始资料，但是通过机器学习的训练过程，该讯号被转换成该资料中所代表的现实的算法表示。从某种意义上说，这是感测器一直都做的事情。温度计的校准其实就是将水银的分子振动转换为代表现实温度变数的模型。而利用当今的机器学习模型，这种讯号转换能够表现的现实已经变得复杂得多了。

人类利用由器学习支援的感测器拍摄的第一幅黑洞照片

应用机器智慧的感测器

我们已经了解了感测器是如何提供资料让机器学习可以训练模型的，接下来我们再看看在让这些模型工作方面感测器发挥了什么样的作用。这个应用机器学习的过程通常被称为推理，而推理也对感测器资料也非常依赖。

推理就是通过证据和论证得出想法或结论的过程

推理需要从环境中提取新资料，并将其提供给通过早期训练资料生成的模型。机器学习模型就是这么部署到实际应用中的。机器学习应用程序从受过训练的模型开始，然后利用该模型来理解新资料。在此，模型充当了某种算法推理的作用，而新资料就充当证据。应用程序应用该模型的推理，从而将新证据的讯号转化为某种结论。

为了解释得更具体一点，我们来举一个实际的例子。Google拥有强大的机器学习模型，因为这些模型已经过了大规模影象集的训练。这让我可以利用这些模型来进行推理。我可以将手机的摄像头对准一个咖啡杯，然后它不仅可以正确地推断出我面前的咖啡杯，能说出这是甲壳虫乐队的黄色潜水艇的图片。简而言之，我的手机中的摄像头感测器捕捉了光的讯号，而Google的机器视觉模型接着将之转换成一种新型的讯号——人类语言。

我们今天看到的是感测器在转换讯号中所发挥的转换作用越来越依赖于机器学习。比方说，如今相机市场的创新已经越来越不是光学上的进展，而是与机器学习模型方面的进步越来越相关。事实上，我们的手机现在已经部署了很多感测器，多到开始发挥着像Spock的三录仪（《星际迷航》里面的tricorder，具备感知、计算、记录三种用途）那样的作用。

感测器、模型以及智慧的未来

简而言之，感测器为训练机器学习模型提供资料，然后应用了这些模型。它们让我们从世界中捕捉资料并将其置入该物理现实的虚拟表示里。事实上，思考我们现在使用感测器资料构建的模型可以有一种方式，那就是它们正在为一个宏大的、新的，多维度的虚拟现实做出贡献。简而言之，感测器正在帮助人类将物理现实转化为虚拟现实。

就像机器学习接管了所谓的知觉的大脑的讯号转换功能一样，感测器承担了我们感觉器官的资料捕捉功能。那些简单模型，比如早期温度计中所嵌入的那种，仍然需要我们的解释来回答这样的问题：“这只鸡要加热到多高的温度我才可以吃？”而当今的感测器中所嵌入的机器学习模型越强大，其所接管的我们大脑的资料解释工作就会越多。这些感测器现在已经可以准确地告诉我们鸡肉什么时候可以吃，以及那艘颜色鲜艳的潜水艇的起源。

模型帮助我们将日常的定性体验转化为定量理解，从而帮助我们解释、预测和操纵我们周围的世界。感测器和新的机器学习模型使得人类能够扩充套件我们大脑的解释能力。它们帮助我们增强了自己的想象力，让我们超越自己的生理极限。因此，它们构成了新兴的综合机器和人类资讯处理以及地球的智慧未来的关键一层。