电子发烧友App
从AI技术演化的角度来看，深度学习算法为核心的“智能化”实际上并不是真正意义上的智能，而是基于大数据和深度学习算法在“动态规划”原则下对统计意义上“最优解”的达成。
“人类创造技术的节奏正在加速，技术的力量也正以指数级的速度在增长。指数级的增长是具有迷惑性的，它始于极微小的增长，随后又以不可思议的速度爆炸式地增长——如果一个人没有仔细留意它的发展趋势，这种增长将是完全出乎意料的。”
被誉为《Inc.》杂志称为“托马斯·爱迪生的法定继承人”的雷·库兹韦尔（Ray Kurzweil）在《奇点临近》一书中这样写道。这位拥有13项荣誉博士头衔的世界领先的发明家，为人们描绘了未来人工智能社会图景。
雷·库兹韦尔认为，由于摩尔定律的存在，技术会呈指数级增长，而人类社会也将在2045年到达人工智能的奇点，其次，基于生物形态的人类实质上只不过是一套高度复杂神经网络下的一个算法系统，未来必将被更高级的算法系统替代。
“盲目的乐观可能是最致命的大规模杀伤性武器。”皮埃罗？斯加鲁菲认为：“人工智能并不是一个新概念，它起源于1956年或更久之前，只不过，过去由于计算机处理系统还不够强大，人工智能并没有得到长足快速的发展。”
从现实中人工智能的应用的程度来看，目前AI无人驾驶领域的进展似乎也印证了皮埃罗？斯加鲁菲的观点。回顾人类历史重大变革节点不难发现，无论是蒸汽机的改良还是内燃机的发明，出行领域一直都是先进技术应用的最前沿。
追本溯源，近年来无人驾驶技术的爆发的技术基础也源自于2006由Hinton在深度学习领域的革命性成果，由此基于神经网络的深度学习算法得以在计算机视觉、语音识别、以及计算机行为决策方面深度应用，从而构成了无人驾驶软体层面的技术基础，而在实现无人驾驶的工程应用上，已经不存在较大的技术障碍，因而，无人驾驶的天花板依旧在于基于深度学习的AI技术的局限性。
而另一方面，基于AI技术的L4级别的自动驾驶已经开始进入商业化阶段。目前，google Waymo、特斯拉AutoPilot、百度Apollo以及通用Cruise均已实现L4级别的自动驾驶。
无人驾驶的阿喀琉斯之踵
2016年的美国，一辆自动行驶中的特斯拉Models撞上了一辆白色拖挂货车，致使驾驶员死亡，这是第一例无人驾驶车祸致死的案例。
事后，有专业人士据车祸地点的环境分析后指出，在强光直射下，依赖摄像头的图像识别系统失效，未能及时检测出前方正在穿过道路行驶的白色货车，同时由于毫米波雷达位置较低，而一般的毫米波雷达垂直视角在±5°以内，导致当Tesla靠近拖挂卡车侧面时，雷达波束从下侧穿过了卡车，导致漏检，从而致使事故发生。车祸发生后，特斯拉改进了无人驾驶系统，并修改了官网关于AutoPilot的释义。
实际上，安全问题确实是无人驾驶技术全面落地的阿喀琉斯之踵。以深度学习算法为核心的AI技术构筑的无人驾驶系统至今尚未真正解决由“计算机理解偏差”而带来的驾驶安全性的问题。
从AI技术演化的角度来看，深度学习算法为核心的“智能化”实际上并不是真正意义上的智能，而是基于大数据和深度学习算法在“动态规划”原则下对统计意义上“最优解”的达成。因此，当下要想解决无人驾驶的安全性问题，必须在这个框架下将“不安全”的可能性降低到一个低于人类车祸概率的红线之下，才具备无人驾驶走进千家万户的“接受底线”。
今年五月，在宁波举行的第六届中国机器人峰会上，中国工程院院士郑南宁发表了主题为《直觉性AI与无人驾驶》的演讲。郑南宁院士提出，在算法模型下，建立覆盖全部的场景模型是不可能的，但“构造一个基于认知构建的类人自主驾驶，使AI自主驾驶具有类人的决策机制，则能应对高动态和强随机性的交通场景变化。
在小编看来，基于人类思维决策机制建立算法模型，使AI具有类人的“意识”以当前的技术条件还无法达成，一方面，人类的决策往往通过自身多方面的经验达成，而并非固定的在驾驶场景下形成单一的决策机制，另一方面，在大多数人的决策过程中，感性因素常常会占主导地位，而算法决策则是百分百的理性决策，而在某些特定情况下理性决策往往不是“最优选择”。
在电影《机械公敌》（又名《我，机器人》）中，由威尔史密斯主演的戴尔·史普纳在一场车祸中与一位小女孩一同掉入水中，而在人工智能机器人经过计算后选择就起生产率更高的戴尔·史普纳而放弃了小女孩的生命，而假如现实中发生类似的事件，作为人类的救援人员显然会优先选择拯救女孩，因为这才人性约束下的“最优解”。
“AI安全陷阱”下，AI驾驶技术的“奇点”
放眼未来，无人驾驶必定在未来某一个时刻全面应用至出行领域，届时，现有交通规则甚至道路形态或将出现新的变化。而从无人驾驶的初步应用到无人驾驶时代的来临之间，人们将长期处于一个“人类+AI驾驶”的混合出行时代。而在这个过程中，相应的法律法规也必须与之相适应。
如果说安全问题是AI无人驾驶落地的“入场券”那么，无人驾驶与现有交通体系及规则的适应则是一场AI与人类直接的“博弈”。
从本质上看，AI无人驾驶的演进过程，是一个在以提高出现便捷性与安全性的前提下，人类逐渐将出行部分逐渐交给AI负责的过程，在这一过程中，人类在出行领域保留主导权的同时，将出行安全与操控权交付至AI，以实现对人力的解放。
在这一过程中，作为博弈其中一方的人类又有着十分矛盾的心理。一方面，人们希望通过AI来解放人力，来获得出行体验的“舒适性”，另一方面，人们又担心现有技术条件下，AI的决策会带来安全风险和道德风险。因此，无人驾驶的落地不止是技术层面的落地，也是公众认可度和无人驾驶交通法规等层面系统化适应。
在决策层面上，基于深度学习的AI将在很长的一段时间内不会出现“类人”的决策模型，因而，人们可以预期的AI无人驾驶，实质上是低安全风险下的交通辅助工具，从这个意义上来讲，AI无人驾驶的进步反而会增加人类驾驶者陷入“AI安全陷阱”：一方面“非人”的AI并不能真正给与驾驶者安全的保障，另一方，日益进步的AI无人驾驶技术会增加驾驶者的“惰性”从而造成潜在安全风险。
在小编看来，无人驾驶跨越“AI安全陷阱”的关键在于是否能够准确判断AI无人驾驶技术进化的奇点，而判断无人驾驶是否达到技术奇点的原则可以从两个方面去考虑：一、AI完全具有作为“人”的分析决策能力（也就是实现独立思考的人工智能）;二、基于深度学习的AI无人驾驶在实际道路行驶中的事故率要远远低于人类驾驶。
其次，从现实的层面来看，软体程序是AI技术不可或缺的构成，在联网状态下，获得车辆控制权的AI也更容易受到网络黑客的攻击，因此，除行驶安全外，网络安全问题也是无人驾驶真正落地需要解决的问题。
那么，真正的无人驾驶落地还需要多久？
从AI技术的发展来看，自2006年深度学习领域取得突破以来，基于神经网络的深度学习快速发展，大数据、深度学习算法与算力成为AI领域的三大核心技术，就目前而言，AI技术三要素中的算力依然依靠强大的计算机作为物流支持，但随着摩尔定律的失效，传统半导体产业逐渐迎来技术瓶颈，AI技术进步或将面临新的停滞。
摩尔定律的失效，意味着在现有尺寸下，计算机算力也面临着物理瓶颈，而AI技术的增长又需要大量算力的支持，由此可以预见的是，AI技术增长将陷入新的困境期，同时，AI技术发展的停滞也将进一步限制在无人驾驶领域AI技术的应用。
在现有AI技术以及其成长空间下，未来，无人驾驶的落地将不可避免的分为两个阶段，即封闭场景下的商业化落地，以及作为驾驶辅助功能的商业化落地，而要想真正的实现智能无人驾驶，还有很长的路要走。
结语：
雷·库兹韦尔的《奇点临近》让人们感叹人工智能时代似乎近在咫尺，但也正如他在书中所写：“人们总是高估短期内能达到的目标，却容易低估那些需要较长时间才能达到的目标。”也许，真正的人工智能对人类社会影响之深远我们还知之甚少，但人们也应对于如今AI的现实应用给予更加理性的认知，而这也是AI技术得以长盛不衰的关键所在。
工商网监
评论