人工智能与智能传感技术的兴起
2026-01-25 16:35:35 来源：麦姆斯咨询 评论：0 点击：
如今，人工智能（AI）与传感技术正共同经历一场双重变革。一方面，传感器数量迅速增长，例如现代相机和拍摄设备不断产生海量数据流；另一方面，AI的发展更为迅猛，正在悄然融入并不断汲取这些数据流。
从可穿戴健康监测设备到自主机器人，人工智能（AI）正在重塑传感器采集、解读以及对数据作出响应的方式。协同设计与基准评测是这些智能传感系统成功的关键。
美国宾夕法尼亚州立大学的Huanyu ‘Larry’ Cheng起初对其合作者提出使用AI分析传感器数据的想法持怀疑态度，后来却感到“惊叹”。他们开发了一种可拉伸的可穿戴传感器，用于采集接受过咽喉手术患者的振动信号和肌肉电信号。面对这些看似杂乱无章的数据，传统的数据分析方法无法从中评估患者的康复进展。
可拉伸传感器——咽喉贴片概览
在采纳了来自西安电子科技大学的Hongcheng Xu和Libo Gao的提议之后，Huanyu ‘Larry’ Cheng表示，他对AI能够“以一种高度有序的方式对信息进行分类”感到印象深刻。
经历过上述转变后，Huanyu ‘Larry’ Cheng对AI在医疗健康感知领域所展现的潜力充满期待，尤其看重其在数据分析方面的核心优势。他希望借助AI，将传感器数据的作用从评估人们当前的健康状态，进一步拓展到预测其未来健康走向。
如今，AI与传感技术正共同经历一场双重变革。一方面，传感器数量迅速增长，例如现代相机和拍摄设备不断产生海量数据流；另一方面，AI的发展更为迅猛，正在悄然融入并不断汲取这些数据流。
这些趋势正在重塑传感器领域的研究方向。据麦姆斯咨询报道，近日，英国自由撰稿人Andy Extance在Nature Sensors期刊上发表了题为“AI and the rise of intelligent sensing”的文章，基于对Huanyu ‘Larry’ Cheng以及另外六位处于AI与传感交叉前沿的顶尖研究人员的采访，探讨这两个学科如何协同推动未来技术的发展。他们的研究主要集中在三个方向上。
第一个方向是传感器数据分析。第二个重要方向是对产生数据的传感器与分析数据的AI进行同步优化。第三个重要方向是通过基准评测，对AI赋能的传感系统在性能与隐私方面进行合理评估。
沿着这三个方向推进，传感领域的研究人员有望在机器视觉、机器人、医疗健康和神经形态感知等应用中实现关键性突破，同时推动能够适配不同类型传感硬件的AI工具的开发，探索更加可持续的新技术实现路径。
传感器数据分析
在大多数智能传感应用中，所采用的AI类型与ChatGPT、Microsoft Copilot和Google Gemini等产品中最为人熟知的AI并不相同。这些大型语言模型（LLM）依赖自注意力机制，通过同时关注长文本序列中相邻词语的关系，来处理和理解每个词的含义。然而，传感器产生的数据点之间的关联方式并不像句子中的词语那样，因此，传感领域的AI往往基于在技术上早于大型语言模型出现的循环神经网络（RNN）。在语言处理中，RNN按词逐个处理序列；而在传感应用中，它们通常按数据点逐个处理一维序列数据。
在二维图像处理方面，卷积神经网络（CNN）是现代计算机视觉的基础。CNN通过随机初始化的二维滤波器在图像上横向和纵向扫描，从而提取局部空间特征。
目前，阿布扎比穆罕默德·本·扎耶德人工智能大学（Mohamed bin Zayed University of Artificial Intelligence）的Sami Haddadin正在利用“物理约束”来教授机器人完成操作任务。Haddadin表示，开发团队专用的AI技术是充分利用规模较小且获取成本较高的实验数据集的最佳方式。
为了应对成本和能耗方面的挑战，传感器开发者可以采用TinyML（其中ML表示机器学习）。TinyML能够在成本和功耗远低于运行LLM的芯片上，运行现有神经网络结构的简化版本。这类模型可以直接在传感器端本地运行，在边缘端完成传感器数据处理，无需将数据发送至云端，尽管其功能相对受限。
Huanyu ‘Larry’ Cheng及其合作者展示了TinyML在数据分析中的潜力，他们利用TinyML对婴幼儿运动神经元相关疾病进行预测，并获得了具有足够统计可靠性的结果。研究团队使用可穿戴惯性测量单元（IMU）捕捉极其细微的运动。尽管样本量仅为23名婴儿，他们仍然能够通过定制化的TinyML模型对数据进行线性回归分析。Huanyu ‘Larry’ Cheng强调：“在传感器数据有限的情况下，AI依然能够综合提炼出关键信息。”
采用柔性无线IMU的智能稀疏传感器网络的系统设计与应用示意图
AI同样提升了低分辨率视觉数据的实用价值。例如，2017年，美国加州大学洛杉矶分校（UCLA）的Aydogan Ozcan及其团队利用CNN，在无需对显微镜本身进行其他改造的情况下，显著提高了显微成像的分辨率。他们使用组织样本的低分辨率和高分辨率图像对CNN进行训练。训练完成后，只需输入低分辨率图像，CNN便可输出对应的高分辨率版本。Ozcan表示，这种方法理论上可以用于提升“任何成像设备”的性能。
用于显微成像训练的深度神经网络示意图
与仅使用少量低分辨率图像的应用不同，机器视觉通常需要处理海量数据，依赖昂贵的硬件，并消耗大量能量。清华大学的Jianshi Tang指出，该类应用涵盖图像、红外、雷达和超声等多种传感器形式，所记录的数据量正呈指数级增长。这也带来了诸如图像从模拟信号向数字信号转换等环节引入的时延问题。为此，Tang及其同事提出了一种解决方案：利用光电忆阻器将光强、波长和偏振信息直接压缩为机器可解读的模式。受人类感知系统的启发，清华大学的研究人员计划将这些光电忆阻器直接与CNN集成。这类神经形态器件能够通过在网络边缘而非中心进行决策，显著降低系统延时和能耗。
视觉路径中的并行处理
在机器人领域，将人工智能（AI）与传感器技术相结合，可以构建能够感知、理解并与环境交互的智能系统。瑞士洛桑联邦理工学院（EPFL）的Aude Billard主要关注传感器如何辅助这类机器人系统的控制。她的团队研究的是软体机器人，这类机器人具有柔性和可变形特性，通常更多依赖触觉传感器而非视觉传感器。
触觉传感器产生数据的速度比视觉高出两个数量级。同时，尽管压力传感器本身具有很高的精度，其输出值仍可能随着温度变化等因素而偏离原有标定值。针对这一问题，Aude Billard指出有两种应对方式：“要么停止使用传感器，等待有人设计出更好的器件；要么尝试通过对随时间变化的漂移进行建模，来理解并修正这些数据。”
随着AI技术逐渐具备建模复杂非线性效应的能力，研究者们选择了后者。这显著提升了触觉传感器的准确性和可靠性。Aude Billard回忆道，当她在2000年左右开始使用长短期记忆网络（LSTM）时，这类模型就已经能够预测触觉传感器的压力数值及其随时间变化的漂移趋势。
随着传感器与AI日益普及，利用持续学习等方法使既有系统适配新硬件将变得至关重要。Aude Billard指出，在尝试将算法适配于不同传感器时，必须将传感器所执行的基础感知功能与传感器生成的特定信息格式区分开。
协同设计与端到端优化
新加坡国立大学的Cecilia Laschi指出，通过精心设计软体机器人的形态以及其触觉与应变传感器的布局，可以显著减少所需的计算处理量。甚至有可能构建完全不含电子元件的机器人，其机械结构和传感装置由流体驱动。在这一过程中，AI可以通过进化算法发挥作用，对机器人的形态进行变异与选择。Cecilia Laschi表示：“经过若干代进化之后，就能找到最优设计。”
Ozcan也在设计过程中充分利用AI，以不断拓展传感器性能的边界。他将这一理念称为端到端设计，即对传感器与AI进行协同优化。与进化算法不同，Ozcan团队采用了一种称为决策树学习的机器学习方法。该方法能够在庞大的设计空间中进行探索，并识别最优配置，通过逐步裁剪设计中的各个部分，以判断哪些因素对性能最为关键。Ozcan表示：“要实现大规模部署，传感器必须易于使用、易于制造且具备成本优势。借助决策树学习，可以去除那些并非必要的设计元素，删除对结果影响不大的分支。”
Haddadin团队将AI与真实世界测试相结合，提出了一种称为“人工物理进化”的方法。其AI合成系统CREATOR会首先生成机器人和/或传感器的设计方案，随后制造这些设计，再利用记录的数据生成下一轮设计。当前，该团队正利用这一方法开发新型机器人指尖结构，并结合进化机制筛选最优方案。他们正在探索采用柔性硅基材料的不同指尖表面几何形态，并集成磁性压力和应变传感器。Haddadin解释道：“唯有可测量可理解的事物才能被模拟，更优的传感器赋能更精确的模拟，而人工智能既能提升模拟精度，又能推动传感器升级。”
基准评测与透明度
适配性（fitness）这一概念为应对不同传感器性能之间的量化比较提供了新的契机。Haddadin团队近期发布了“机器人之树”，用于在不依赖具体硬件形式的情况下，对机器人能力进行映射。该体系基于包括力传感在内的可量化基准指标，对工业机器人在任务执行性能方面进行排序，从而形成一个客观、开放的排行榜。其中，不同机器人在不同应用场景中的适配性存在差异。
机器人之树
美国弗吉尼亚大学（University of Virginia，夏洛茨维尔）的Mona Sloane及其合作者提出了一种类似的框架，用于审视AI传感系统的风险。这在一定程度上是因为，随着视觉系统的日益普及，隐私与安全问题正变得愈发突出。不过，AI也可以通过在本地处理数据来降低敏感信息被暴露的风险。Mona Sloane指出：“我们目前关于AI风险（包括隐私）的许多分析方法，往往从数据和模型出发，却忽略了数据最初是在何种具体感知条件下产生的。”
传感器从被动模拟探测器到智能物联网（IoT）和机器学习系统的演变时间线
Mona Sloane及其同事认为，评估体系应当纳入诸如传感器自身特性（这些特性塑造并限制了其使用方式），以及使传感器具备商业可行性的经济实践和社会框架等因素。Mona Sloane表示：“如果能够做出这样的调整，我们实际上可以更早地暴露隐私风险，而不是等到问题已经出现并被用户标记之后才加以应对。”
迈向变革性智能传感技术
AI赋能的传感系统所面临的挑战横跨多个尺度。在全球层面，这项技术必须以公平且可持续的方式服务社会；在研究群体之间，科学家需要找到实现系统间鲁棒基准评测与可比性的方法。这些高层目标将为解决具体技术问题提供安全且可靠的框架。在此基础上，开发者能够应对所面临的诸多数据挑战，包括通过同步设计传感器及其配套算法来加以克服。
因此，Huanyu ‘Larry’ Cheng指出，尽管当前研究人员的重点仍集中在对现有技术的优化上，但随着人工智能与传感器的进一步深度融合，变革性的智能传感技术进展终将出现。他补充道，超越对既有技术的渐进式改进，或许能够带来“某种非凡的成果”。
原文链接：https://doi.org/10.1038/s44460-025-00011-1
延伸阅读：
上一篇：面向未来机器人嗅觉的先进电子鼻
下一篇：综述：基于生物电信号的人体健康监测