傳感器是人類用來增強感知和解釋世界能力的技術。機器學習的革命正在變革著傳感器，這些傳感器讓我們可以構建虛擬現實模型，而后者則賦予了我們塑造周圍世界的巨大力量。

　　這種傳感器技術與機器學習的融合在地球新興的智能變革中充當著關鍵的一層，因為傳感器與機器學習之間不斷加強的聯系讓我們能夠增強感官知覺的元素。因此，傳感器和機器學習的融合在人機智能的融合中扮演著關鍵的角色。

? ? 傳感器是做什么的？

　　我們不妨先從了解一點傳感器是干什么的基礎知識開始。傳感器對信號進行轉換，也就是說它們將信號從一種形式轉換為另一種形式。這就是傳感器有時被稱為“轉換器（transducer）” 的原因。例如，溫度可以轉換成電信號，然后電信號又可以轉換成在我們廚房使用的數字溫度計上的符號。

　　傳感器幫助我們解釋我們的物理環境。從這個意義上來說，傳感器跟我們的感覺類似。我們的嗅覺已經演進了數十億年，能夠檢測分子結構并將其轉化為某些我們會跟特定氣味（例如過熟的香蕉）關聯起來的電化學信號。我們的皮膚包含神經末梢，可將壓力和溫度信號轉換為觸覺，正如我們的眼睛可將光線轉換為視覺圖像一樣。通過傳感器，我們利用工具來完成其中一些解釋周圍世界的工作。

? ? 感覺與傳感器能力（Sensor-bility）

　　要想理解傳感器在綜合機器與人類智能中所扮演的角色，區分一下實現感知技術的兩種手段是有幫助的。一種情況下，實現的目標是增強我們的生物性感覺；另一種情況下，目標則是替代之。

　　望遠鏡增強我們的眼睛而不是取代之。望遠鏡增強了光信號而不是將其轉換為另一種類型的信號。因此，我們能夠用日常同樣的視覺處理生物機制來理解被放大過的信號。相反，溫度計取代了我們皮膚上的熱受體。傳統溫度計將觸摸的信號轉換為視覺信號，讓我們無需灼燒自己也能看到溫度。

　　傳統望遠鏡的信號得到了提升，但是模式識別仍然跟我們視覺處理系統的人體生物學是一致的。這就是感覺增強。但是在溫度計這里，信號不再由我們皮膚神經末梢的生物機制來捕捉了。智能數字溫度計不僅僅捕捉信號而且還通過嵌入在設備內的邏輯——或者模型處理模式識別過程。它就是這樣將特定層面的分子振動解釋為比方說華氏175℉，然后讓你不用去猜雞肉是不是煮熟了。這就是感覺替代。

　　感覺增強會收集和增強信號，從而讓我們的生理過程更容易地通過我們自己的大腦對其進行解釋。而感覺替代則是收集信號并將其轉換——這是真正傳感器的真正標志。

? ? 從感覺到傳感器的轉移

　　不妨設想有個東西，比如一只橡皮鴨。從它身上反射出去的光線被我們的的眼睛收集起來然后通過感覺的處理轉化為電信號。在所謂的感知的模式識別的過程中這些信號會穿過我們大腦的視覺皮層。

　　而在傳感器這里，這些過程變了。機器接管了生物感覺來捕獲信號，而在解釋那些信號時，合成模型則取代了生物感覺來對信號進行轉換。

　　在早期傳感器里面，這種信號轉換仍然相對粗糙。老式溫度計會將水銀的運動映射為一系列的溫度范圍內（分別由Daniel Fahrenheit和Anders Celsius進行校準）。你可以把這種校準過程視為一個非常簡單的將水銀柱的伸縮與溫度估算進行映射的模型。

　　但今天的模型看起來已經非常不同。過去需要由人克服智力挑戰的工作現在已經被機器自動化了。傳感器在構建這些新模型并且將其投入使用方面發揮著關鍵作用。

? ? 用于訓練機器學習的傳感器

　　我們是通過機器學習來進行自動建模的，如果沒有來自當今的傳感器的大量數據的話，這項工作是不可能完成的。傳感器對數據的自動捕捉正在掀起信息時代背后的數據海嘯。

　　在模型構建時，傳感器會對來自現實世界的數據進行采樣，然后通過迭代反饋過程對模型進行“雕刻”。這個過程是通過生成初始算法模型，然后利用它來運行樣本數據并查看模型與數據的接近程度來實現。大家稱之為模型“訓練”的過程相當于自動調整參數，通過每次的訓練迭代，使得模型更接近樣本數據的實際情況。

　　傳感器技術的新常態與機器學習密不可分。傳感器仍然要捕捉數據，但現在的信號轉換過程已經演變為模型構建。原始信號就是原始數據，但是通過機器學習的訓練過程，該信號被轉換成該數據中所代表的現實的算法表示。從某種意義上說，這是傳感器一直都做的事情。溫度計的校準其實就是將水銀的分子振動轉換為代表現實溫度變量的模型。而利用當今的機器學習模型，這種信號轉換能夠表現的現實已經變得復雜得多了。

人類利用由機器學習支持的傳感器拍攝的第一幅黑洞照片

? ? 應用機器智能的傳感器

　　我們已經了解了傳感器是如何提供數據讓機器學習可以訓練模型的，接下來我們再看看在讓這些模型工作方面傳感器發揮了什么樣的作用。這個應用機器學習的過程通常被稱為推理，而推理也對傳感器數據也非常依賴。

　　推理就是通過證據和論證得出想法或結論的過程

　　推理需要從環境中提取新數據，并將其提供給通過早期訓練數據生成的模型。機器學習模型就是這么部署到實際應用中的。機器學習應用程序從受過訓練的模型開始，然后利用該模型來理解新數據。在此，模型充當了某種算法推理的作用，而新數據就充當證據。應用程序應用該模型的推理，從而將新證據的信號轉化為某種結論。

　　為了解釋得更具體一點，我們來舉一個實際的例子。Google擁有強大的機器學習模型，因為這些模型已經過了大規模圖像集的訓練。這讓我可以利用這些模型來進行推理。我可以將手機的攝像頭對準一個咖啡杯，然后它不僅可以正確地推斷出我面前的咖啡杯，能說出這是甲殼蟲樂隊的黃色潛水艇的圖片。簡而言之，我的手機中的攝像頭傳感器捕捉了光的信號，而Google的機器視覺模型接著將之轉換成一種新型的信號——人類語言。

　　我們今天看到的是傳感器在轉換信號中所發揮的轉換作用越來越依賴于機器學習。比方說，如今相機市場的創新已經越來越不是光學上的進展，而是與機器學習模型方面的進步越來越相關。事實上，我們的手機現在已經部署了很多傳感器，多到開始發揮著像Spock的三錄儀（《星際迷航》里面的tricorder，具備感知、計算、記錄三種用途）那樣的作用。

? ? 傳感器、模型以及智能的未來

　　簡而言之，傳感器為訓練機器學習模型提供數據，然后應用了這些模型。它們讓我們從世界中捕捉數據并將其置入該物理現實的虛擬表示里。事實上，思考我們現在使用傳感器數據構建的模型可以有一種方式，那就是它們正在為一個宏大的、新的，多維度的虛擬現實做出貢獻。簡而言之，傳感器正在幫助人類將物理現實轉化為虛擬現實。

　　就像機器學習接管了所謂的知覺的大腦的信號轉換功能一樣，傳感器承擔了我們感覺器官的數據捕捉功能。那些簡單模型，比如早期溫度計中所嵌入的那種，仍然需要我們的解釋來回答這樣的問題：“這只雞要加熱到多高的溫度我才可以吃？”而當今的傳感器中所嵌入的機器學習模型越強大，其所接管的我們大腦的數據解釋工作就會越多。這些傳感器現在已經可以準確地告訴我們雞肉什么時候可以吃，以及那艘顏色鮮艷的潛水艇的起源。

　　模型幫助我們將日常的定性體驗轉化為定量理解，從而幫助我們解釋、預測和操縱我們周圍的世界。傳感器和新的機器學習模型使得人類能夠擴展我們大腦的解釋能力。它們幫助我們增強了自己的想象力，讓我們超越自己的生理極限。因此，它們構成了新興的綜合機器和人類信息處理以及地球的智能未來的關鍵一層。