卡本的困境是一个行业技术向前推进的自然状态，探路的人永远比走路的人艰辛，同样的，如果这个探路者找到一条新路，他就有机会收获最大的价值。
在莫回的概念里，卡本所面临的障碍基本上都是工程技术障碍，理论障碍非常少，人类展大现在这个阶段，生活服务机器人实际上在各个主要的基础理论领域已经成熟，无非是在工程技术上存在大量的难题。
做个简单的类比，内燃机的理论模型很早就已经建立起来了，但是后面一代代的内燃机不断的更新换代，技术不断向前推进，实际上并不是理论上获得了什么突破，只不过是内燃机的工程技术上日臻完善。
如果我们抛开材料技术等周边学科的进步，单独谈论内燃机的技术进步，就会现它的进步在原理上并没有脱离最初的理论模型，无非是热效率的不断提高，功率的不断提高，这些进去都是工程技术上的进步。
现在在机器人领域面临的就是这个问题，主要领域的理论技术已经不是障碍，现在只是需要进行工程技术上的突破，理论上可行了，还必须要在工程上实现它。
现在机器人卡壳的几个关键领域，图像识别、语音识别、人工智能、定位与导航，准确来说也谈不上卡壳，只不过现有技术实现效果不佳。
就好像早期的蒸汽机，压力不行、密封不行、传动不行、机械结构也不成，导致整体效率非常低下，只能在矿井里负责排水，应用场景和市场接受度受到非常大的限制。
现在的机器人也是这个状态，整体来看，每个领域的都有技术能够用上，但是性能都不咋地，组合起来的整体就显得更差，往往挺昂贵的东西，但是真正用起来就是一时新鲜，应用性和工作效率很差。
说白了，现在的生活服务类机器人，有太多领域需要加强，这些领域的技术太低，导致机器人整体的应用性能始终提不上去。
不过有个好处就是，所有相关技术都有，不至于说出现一个暂时完全无法解决的技术空白领域，有没有的问题已经解决，现在正在解决好不好的问题。
比如图像识别技术，这个技术很早就有，从这个技术延伸出来很多相关的应用技术，比如百度的搜图，比如人脸识别，比如三维重建等等，都是从这个技术延伸出来的。
库卡面对的是标准化可设计场景，而卡本面对的是随机不可控场景，并且突事件很多，所以相对来说，卡本面对的技术难度要远高于库卡。只不过库卡倾向于精度和效率，卡本倾向于可用性和智能性。
卡本的收购成本并不高，并且它算是在生活服务机器人领域走的最远的，莫回拿下卡本的一个主要的考虑是尝试利用极本加研进程。
目前极本的运算能力是常的，智能性也还不错，虽然未必是最强的，至少在各大实验室研的ai中算是第一梯队的。
极本对卡本可能提供的帮助应该在模拟和排错上，比如图像识别，想要获得一个应用效果比较好的图像识别技术，关键就在算法和无监督自我学习的智能性上。
莫回采取的是笨方法，当卡本被收购之后，让卡本团队在图像识别领域提供一个演进模型，这个模型实际上是一个训练模型，通过海量样本进行人工智能的训练和学习。同时让他们提供图像识别领域所有可能的算法，无论这个算法有效性如何。
莫回依托上帝之手可调用的资源相当多，他不仅要求卡本提供，还联系了很多在这个领域进行研究的科研和商业机构，让他们提供类似的东西。
莫回做的事情实际上是尽量将这个领域的算法穷举，同时将这个领域的研究方法穷举，然后利用海量的样本让极本进行无穷比对和组合。
严格来说他这不算是科研，他是利用极本的计算力优势，不停的排列组合，穷举所有可能性，在其中找到可能的道路。
这个方法虽然很笨，但是在某型领域确实能够起到效果，实际上大数据提取出来的各种规律和关联性，都是利用各种算法，通过类似的方式，寻找隐藏的或然关系的。理论上来说某些科研也类同于穷举，白炽灯的明其实就是穷举所有可能材料，最终选中了钨。
极本的第一次科研是在阿朱这个人工智能的帮助下磕磕绊绊进行的，好在极本的运算度非常快，技术瞬间就会给出结果，无论面对多大的样本库。
所以莫回的科研进度很快，他能够在一天只能调整数十次计算模型，不断试错不断碰撞，寻找可能正确的道路。
以图像识别技术为磨刀石，莫回不断的磨砺极本进行科研的应用办法，不断的调整，不断的尝试，在持续的互动调整中，极本慢慢将其强性能挥出来。
当极本的科研方法基本有了雏形的时候，一个应用性能已经差强人意的图像识别出炉了。它的算法是极本通过无数次推衍和演化之后形成的，它的智能模块经过数以亿记的图片和视频的训练，已经拥有足够的适应性。
这个图像识别技术很快给到卡本团队进行了应用性测试，结果现它已经能够通过照片和视频识别家庭中大多数常用物品，能够分辨宠物，能够辨别移动物体。
做到这一点，实际上在视觉识别模块上，已经差不多能够满足生活机器人的需求了，后面需要做的就是基于这个技术，延展其他功能，比如距离判断，路径规划，自身定位等等。
对于莫回来说，最大的收获不是这个图像识别技术，而是为了研这个技术的过程中，极本摸索出来的科研模式和方法。
有了第一步就好，莫回将其程序化，变成一款带着自学习能力，拥有相当智能性的全新模块——科研1.o(未完待续。)