5月27日，備受關(guān)注的圍棋“人機(jī)大戰(zhàn)2.0”正式落下帷幕，最終柯潔以0:3負(fù)于人工智能AlphaGo，結(jié)局頗令人意外，卻又在很多人的意料之中——因?yàn)槿斯ぶ悄馨l(fā)展太快了。相比于2016年韓國(guó)棋手李世石挑戰(zhàn)的AlphaGo1.0版本，今年柯潔的挑戰(zhàn)對(duì)象升級(jí)到了2.0，新的程序一改最初大量學(xué)習(xí)人類(lèi)棋譜來(lái)提高棋藝的做法，而是可以自學(xué)并尋找規(guī)律，包括發(fā)掘出一些在人類(lèi)對(duì)戰(zhàn)中根本不可能使用的招數(shù)，再加上超強(qiáng)的計(jì)算能力，才最終贏得此次比賽，成為圍棋界的“上帝”。

事實(shí)上，除了圍棋領(lǐng)域，人工智能在醫(yī)療科技、智能家居、物聯(lián)網(wǎng)平臺(tái)、自動(dòng)駕駛等行業(yè)的應(yīng)用也正越來(lái)越廣泛，越來(lái)越深入。特別是自動(dòng)駕駛，作為未來(lái)汽車(chē)行業(yè)的一大趨勢(shì)，目前很多企業(yè)都在致力于應(yīng)用人工智能技術(shù)實(shí)現(xiàn)更高級(jí)別的自動(dòng)駕駛。在此過(guò)程中，人工智能逐漸被認(rèn)為是實(shí)現(xiàn)自動(dòng)駕駛汽車(chē)的關(guān)鍵所在，是推動(dòng)自動(dòng)駕駛商業(yè)化的核心。

盡管各方造車(chē)勢(shì)力已經(jīng)意識(shí)到了人工智能對(duì)于自動(dòng)駕駛的重要性，由于核心技術(shù)不成熟、相關(guān)法律法規(guī)不完善、缺乏專業(yè)人才等方面的原因，在通過(guò)人工智能推動(dòng)汽車(chē)自動(dòng)化、智能化這條路上，諸多車(chē)企和科技公司遲遲沒(méi)有大的進(jìn)展，很多仍停留在前期的摸索試驗(yàn)階段，難以大規(guī)模量產(chǎn)。

缺乏核心技術(shù)

如同自動(dòng)駕駛可以分級(jí)，人工智能也有等級(jí)之分。對(duì)于應(yīng)用于自動(dòng)駕駛的人工智能技術(shù)，目前普遍的意見(jiàn)是將其分為三級(jí)：弱人工智能、強(qiáng)人工智能和超人工智能，其中弱人工智能即我們今天看到的AlphaGo、Siri、微軟小娜，更多的是充當(dāng)人類(lèi)工具的角色，專注于且能解決特定領(lǐng)域的問(wèn)題；強(qiáng)人工智能為可以在一些領(lǐng)域勝任人類(lèi)大部分的工作，甚至具備自我意識(shí)；超要實(shí)人工智能則是比人類(lèi)還聰明的人工智能系統(tǒng)。而實(shí)現(xiàn)自動(dòng)駕駛，最少要達(dá)到強(qiáng)人工智能級(jí)別，無(wú)人駕駛則需要達(dá)到超人工智能級(jí)別——不僅要理解車(chē)內(nèi)人員的意圖，還要時(shí)刻觀察周邊車(chē)輛、行人等的運(yùn)動(dòng)狀態(tài)，并對(duì)他們的行為做出預(yù)測(cè)，制定好應(yīng)對(duì)措施，其難度遠(yuǎn)高于圍棋對(duì)弈。從這一點(diǎn)來(lái)看，目前的技術(shù)顯然還達(dá)不到要求。

眾所周知，通過(guò)人工智能實(shí)現(xiàn)自動(dòng)駕駛，相當(dāng)于“做”一個(gè)機(jī)器人代替人類(lèi)開(kāi)車(chē)，那么類(lèi)比人類(lèi)駕駛員，這個(gè)機(jī)器人也需要人類(lèi)的“眼睛”“大腦”和手腳。從這個(gè)層面來(lái)講，安裝在車(chē)上的各種傳感器，諸如攝像頭、激光雷達(dá)、毫米波雷達(dá)等就相當(dāng)于傳統(tǒng)駕駛員的“眼睛”，可以幫助自動(dòng)駕駛汽車(chē)“看”清周?chē)h(huán)境信息，采集路況信息；高效處理芯片相當(dāng)于“大腦”，用于進(jìn)行信息處理，對(duì)信息進(jìn)行分析，以獲得下一步?jīng)Q策的依據(jù)；最后則是根據(jù)結(jié)果對(duì)車(chē)輛進(jìn)行加速、減速、轉(zhuǎn)向等控制，實(shí)現(xiàn)同人類(lèi)一樣的駕駛水準(zhǔn)，甚至超過(guò)人類(lèi)駕駛水平，提升駕駛安全性。目前來(lái)看，在這四大層面，都存在相關(guān)的技術(shù)不足。

首先，感知技術(shù)。

目前，應(yīng)用于自動(dòng)駕駛開(kāi)發(fā)的傳感器主要有攝像頭和雷達(dá)兩種，其中雷達(dá)又可分為激光雷達(dá)、毫米波雷達(dá)和超聲波雷達(dá)，除此之外還有剛剛嶄露頭角的生物傳感器。這些傳感器從功能上來(lái)講，各有各的長(zhǎng)處，如攝像頭分辨率高、速度快、成本低，激光雷達(dá)探測(cè)范圍廣、探測(cè)精度高，毫米波雷達(dá)識(shí)別精度高、性能穩(wěn)定。但單獨(dú)使用時(shí)它們的缺點(diǎn)也很明顯，像激光雷達(dá)在雨雪霧等極端天氣下性能較差、價(jià)格高，毫米波雷達(dá)對(duì)周邊所有障礙物無(wú)法進(jìn)行精準(zhǔn)的建模、無(wú)法感知行人，超聲波雷達(dá)抗干擾能力稍差、作用距離短……幾乎每一種都有缺陷。

在此背景下，現(xiàn)在一些企業(yè)想到了將不同種類(lèi)的傳感器進(jìn)行組合使用，如“攝像頭+毫米波雷達(dá)+超聲波傳感器”組合，或者“超聲波雷達(dá)+毫米波雷達(dá)+激光雷達(dá)+攝像頭”組合方案，效果的確比使用單一傳感器要好，但成本往往也更高，用在量產(chǎn)車(chē)上根本不現(xiàn)實(shí)。

其次，數(shù)據(jù)瓶頸。

對(duì)人機(jī)圍棋大戰(zhàn)有了解的人都知道，AlphaGo在學(xué)習(xí)圍棋技能時(shí)，通過(guò)大量數(shù)據(jù)分析學(xué)習(xí)了3000多萬(wàn)步職業(yè)棋手棋譜,理解什么才算合規(guī)的下法，并通過(guò)增強(qiáng)學(xué)習(xí)的方法自我博弈,尋找比基礎(chǔ)棋譜更好的棋路，才終于有了今天的成就。而最近剛剛出了詩(shī)集的微軟小冰，其現(xiàn)代詩(shī)創(chuàng)作能力，也是通過(guò)對(duì)1920年后519位現(xiàn)代詩(shī)人的上千首詩(shī)反復(fù)學(xué)習(xí)（術(shù)語(yǔ)稱為迭代）10,000次達(dá)成的?？梢哉f(shuō)，一旦離開(kāi)了這些數(shù)據(jù)，人工智能根本無(wú)法在圍棋領(lǐng)域“稱帝”、出詩(shī)集。

那么，自動(dòng)駕駛汽車(chē)同樣如此，如果希望汽車(chē)能夠擁有同人類(lèi)一樣的駕駛水平，也必須從汽車(chē)駕駛的情境中提取海量的數(shù)據(jù)，并根據(jù)不同的場(chǎng)景對(duì)這些數(shù)據(jù)進(jìn)行分類(lèi)，供人工智能進(jìn)行學(xué)習(xí)。如此一來(lái)，且不說(shuō)真實(shí)世界中車(chē)輛行駛的工況復(fù)雜多樣，遠(yuǎn)超AlphaGo和小冰用來(lái)學(xué)習(xí)的數(shù)據(jù)，即使能夠收集完全，也需要花費(fèi)很長(zhǎng)的時(shí)間——業(yè)界普遍認(rèn)為，自動(dòng)駕駛汽車(chē)需要測(cè)試數(shù)億至數(shù)千億公里，才能驗(yàn)證它們?cè)跍p少交通事故方面的可靠性。更何況就算花很長(zhǎng)時(shí)間收集了大量的數(shù)據(jù)，也難以覆蓋所有的狀況。此外，這些數(shù)據(jù)后期的分類(lèi)標(biāo)定、數(shù)據(jù)質(zhì)量以及算法，也還存著在很多的不確定因素，足以影響行車(chē)安全。

再者，算法難題。

由于現(xiàn)實(shí)生活中的車(chē)輛行駛工況千變?nèi)f化，異常復(fù)雜，而自動(dòng)駕駛又是一項(xiàng)對(duì)準(zhǔn)確性要求比較高的操作，稍有不慎就會(huì)造成人員傷亡，因此要想盡可能地提升駕駛安全性，必須采集充分的數(shù)據(jù)，讓車(chē)輛對(duì)周?chē)h(huán)境有準(zhǔn)確的認(rèn)識(shí)，從而為下一步的控制執(zhí)行建立決策依據(jù)。在此背景下，傳統(tǒng)的算法已經(jīng)難以滿足自動(dòng)駕駛汽車(chē)的需求——因?yàn)殡y以達(dá)到深度學(xué)習(xí)的高精確度要求；面對(duì)非道路環(huán)境，傳統(tǒng)算法無(wú)法和數(shù)據(jù)庫(kù)中的道路信息匹配，可能會(huì)做出錯(cuò)誤的判斷。此外，在龐大的數(shù)據(jù)面前，傳統(tǒng)的計(jì)算能力會(huì)讓人工智能的訓(xùn)練學(xué)習(xí)過(guò)程將變得無(wú)比漫長(zhǎng)，甚至完全無(wú)法實(shí)現(xiàn)最基本的人工智能——數(shù)據(jù)量已經(jīng)超出了內(nèi)存和處理器的承載上限，從而極大地限制了人工智能在自動(dòng)駕駛領(lǐng)域的發(fā)展和應(yīng)用。

更重要的是，即便現(xiàn)如今的交通法規(guī)已經(jīng)如此完善，尚有大量不遵守交通規(guī)則的人，且他們規(guī)范交通法規(guī)的形式各不相同，常常令人出其不意，這種情況下，僅僅靠學(xué)習(xí)已有的工況很難應(yīng)對(duì)，而是需要打破原有判斷標(biāo)準(zhǔn)，對(duì)照陌生的突發(fā)情況重構(gòu)一套應(yīng)對(duì)方案，這就需要超人工智能提供技術(shù)支持。

最后，控制執(zhí)行。

自動(dòng)駕駛控制執(zhí)行與傳統(tǒng)汽車(chē)類(lèi)似，即對(duì)車(chē)輛進(jìn)行加速、減速、轉(zhuǎn)向等操作，作為上述所有步驟的最終執(zhí)行者，其執(zhí)行效果直接關(guān)系到自動(dòng)駕駛汽車(chē)能否準(zhǔn)確且實(shí)時(shí)地完成上層智能控制系統(tǒng)的控制指令，對(duì)于保證行車(chē)安全至關(guān)重要。但與傳統(tǒng)汽車(chē)不同的是，面向量產(chǎn)的自動(dòng)駕駛汽車(chē)必須對(duì)車(chē)輛的傳統(tǒng)執(zhí)行機(jī)構(gòu)進(jìn)行電子化改造，升級(jí)為具有外部控制協(xié)議接口的線控執(zhí)行部件系統(tǒng)，從而讓車(chē)輛按照計(jì)算得出的結(jié)果進(jìn)行更準(zhǔn)確的操作，因?yàn)樽詣?dòng)駕駛汽車(chē)上，最終控制車(chē)輛的不是“人”而是汽車(chē)本身。

然而現(xiàn)實(shí)卻是，對(duì)于這一在傳統(tǒng)汽車(chē)領(lǐng)域一直被眾多車(chē)企視為優(yōu)勢(shì)的技術(shù)，在自動(dòng)駕駛汽車(chē)領(lǐng)域，卻被少數(shù)幾家大型的零部件供應(yīng)商壟斷了，而且這些供應(yīng)商大都擁有自成體系的全套底盤(pán)控制系統(tǒng)，且大多不開(kāi)放，也在一定程度上制約了自動(dòng)駕駛汽車(chē)的發(fā)展。

而除了上述技術(shù)瓶頸，自動(dòng)駕駛安全問(wèn)題，特別是網(wǎng)絡(luò)安全也一直是困擾廣大車(chē)企的難題，尤其近期互聯(lián)網(wǎng)上爆發(fā)了全球性的勒索病毒攻擊事件后，更是給自動(dòng)駕駛網(wǎng)絡(luò)安全蒙上了一層陰影。還有法律法規(guī)缺失，包括前期支持自動(dòng)駕駛汽車(chē)研發(fā)的測(cè)試法規(guī)，國(guó)家針對(duì)自動(dòng)駕駛汽車(chē)的性能指南和測(cè)試標(biāo)準(zhǔn)，以及后期汽車(chē)上路后的法規(guī)要求，如交通事故責(zé)任劃分等，也是后一階段亟待解決的問(wèn)題。

更多資訊請(qǐng)關(guān)注自動(dòng)化軟件頻道