AI與超級(jí)汽車：Intel、高通 不同的自動(dòng)駕駛技術(shù)進(jìn)路

　　然而，到了第三級(jí)以上的自動(dòng)駕駛(副駕真人老司機(jī)在開車過程中基本可以打瞌睡不管自動(dòng)駕駛系統(tǒng))，人工智能想要真正接管汽車還有不少問題。目前人工智能中深度學(xué)習(xí)的原理是使用海量數(shù)據(jù)去訓(xùn)練網(wǎng)絡(luò)，深度學(xué)習(xí)網(wǎng)絡(luò)在訓(xùn)練后可以根據(jù)輸入數(shù)據(jù)做決策。然而，數(shù)據(jù)即使再大，也不可能覆蓋所有狀況，在很多意想不到的情況下算法可能出錯(cuò)。例如，就拿基于攝像頭的自動(dòng)駕駛來說，攝像頭首先獲取圖像數(shù)據(jù)，之后處理器在圖像上做分割，將背景與前景物體分割開，再識(shí)別前景中的道路，車道，活動(dòng)物體(包括其他汽車，自行車，行人)，估計(jì)這些物體與車的距離，并做駕駛決策。然而，無論是圖像分割，物體識(shí)別，還是距離估計(jì)，都可能出錯(cuò)，而且出錯(cuò)的地方往往意想不到。之前Tesla的自動(dòng)駕駛因?yàn)闆]能識(shí)別前方的白色大卡車而產(chǎn)生了車禍，據(jù)報(bào)道援引可能是算法把大卡車當(dāng)成了白云。這樣的錯(cuò)誤在人類看來不可思議，但是在基于深度學(xué)習(xí)的人工智能中卻非常有可能，只要訓(xùn)練數(shù)據(jù)中沒有包括這種情況就有機(jī)會(huì)犯這種錯(cuò)誤。然而，駕駛時(shí)路況千變?nèi)f化，訓(xùn)練數(shù)據(jù)理論上不可能覆蓋所有狀況，永遠(yuǎn)有這類落網(wǎng)之魚。即使統(tǒng)計(jì)學(xué)上的概率非常非常小，但是對(duì)于每個(gè)車主來說一旦發(fā)生了就是發(fā)生了。而且，一旦發(fā)生事故，如何界定法律責(zé)任也是一個(gè)問題，究竟是車廠的責(zé)任還是司機(jī)的責(zé)任，也是一個(gè)尚待解決的問題。

　　另外，這還牽涉到了車主對(duì)自動(dòng)駕駛的信任問題。雖然現(xiàn)在人工智能使用的深度學(xué)習(xí)網(wǎng)絡(luò)研究非?；馃?，但并不代表人們已經(jīng)理解了深度學(xué)習(xí)網(wǎng)絡(luò)。深度學(xué)習(xí)的基礎(chǔ)是統(tǒng)計(jì)學(xué)，網(wǎng)絡(luò)的效果好壞也是看測(cè)試數(shù)據(jù)集上的測(cè)試準(zhǔn)確率，因此人們不完全明白深度學(xué)習(xí)網(wǎng)絡(luò)的決策過程，一個(gè)典型的例子是AlphaGO對(duì)戰(zhàn)李世石的時(shí)候?qū)I(yè)棋手連連表示看不懂AlphaGO的思路，但是最后AlphaGO就是在一片“看不懂”中贏下了比賽。往好里說，這是神奇，是潛力無窮，往壞里說，這是不確定性大。Tesla的自動(dòng)駕駛汽車能高難度過彎卻會(huì)陰溝里翻船，將來自動(dòng)汽車也可能在完全不確定的地方出事故，讓車主不能完全信賴。說到底，這個(gè)信任問題的根源，還是因?yàn)槿斯ぶ悄茏詣?dòng)駕駛完全依賴于一個(gè)人類還不能完全理解的技術(shù)。

　　小結(jié)：Intel基于人工智能的自動(dòng)駕駛技術(shù)是想做一個(gè)和人一樣根據(jù)周圍環(huán)境做決策完成駕駛?cè)蝿?wù)的系統(tǒng)。Intel的技術(shù)可以快速搶占目前主流的0-3級(jí)自動(dòng)駕駛市場(chǎng)，但是在更高級(jí)的自動(dòng)駕駛(即自動(dòng)駕駛系統(tǒng)掌握車輛的更多主控權(quán))領(lǐng)域，光靠人工智能是不夠的。

　　那么，更高級(jí)的自動(dòng)駕駛市場(chǎng)要靠什么?要靠未來交通的基礎(chǔ)設(shè)施，即車聯(lián)網(wǎng)(V2V，V2X)。而這是Qualcomm與NXP更擅長(zhǎng)的。

　　Qualcomm：設(shè)計(jì)新型汽車自己就能開

　　Qualcomm的自動(dòng)駕駛思路與Intel完全不同。如果說Intel是計(jì)算機(jī)科學(xué)家的思路走人工智能，那么Qualcomm就是電子工程師的思路走自動(dòng)化控制，即車聯(lián)網(wǎng)。在車聯(lián)網(wǎng)時(shí)代，每輛車以及路上的交通設(shè)施都與網(wǎng)絡(luò)連接傳遞信息，這樣車可以根據(jù)從車聯(lián)網(wǎng)獲得的信息來做駕駛決策判斷，從而實(shí)現(xiàn)自動(dòng)駕駛。

　　車聯(lián)網(wǎng)包括車與車之間的通訊，也包括車與其他設(shè)施之間的通訊。車與車之間的通訊可以讓每輛車都掌握附近車的信息，例如距離，時(shí)速等等。這一方面可以避免交通事故，另一方面也可以增加駕駛效率。例如，現(xiàn)在在開車的時(shí)候大家都會(huì)與前車保持足夠的車距防止前車突然剎車，有了車聯(lián)網(wǎng)之后前車剎車的第一時(shí)間你的車就會(huì)知道并且同步減速，這樣即使車之間的間距很小也問題不大。這個(gè)技術(shù)目前已經(jīng)用在了NXP給卡車車隊(duì)開發(fā)的系統(tǒng)中，在這樣的車隊(duì)里每一輛車的駕駛過程都是同步的，從而可以省去不少因?yàn)榧铀贉p速的浪費(fèi)的汽油。車與其他設(shè)施之間的通訊也非常有用，例如車輛可以與路牌通訊知道目前的限速。

　　舉個(gè)例子來說明Intel和Qualcomm技術(shù)的不同思路。下雨天的時(shí)候，純粹基于人工智能的自動(dòng)駕駛?cè)菀壮鰡栴}，因?yàn)檐嚨婪指罹€在下雨天的時(shí)候很模糊，人類都看不清楚，人工智能使用機(jī)器視覺也一樣看不清楚，所以無法很好地識(shí)別車道，可能會(huì)開著開著就開到其他道上去了。車聯(lián)網(wǎng)的思路就不同，識(shí)別車道壓根不是靠機(jī)器視覺，而是可以靠道路的基礎(chǔ)設(shè)施建設(shè)使道路交通智能化。例如，可以在車道的分割線上安裝射頻標(biāo)簽，汽車靠與這些射頻標(biāo)簽通訊就可以知道自己有沒有行駛在道路中央，甚至還可以獲得前方道路是否有彎之類的信息來幫助駕駛。顯然，這樣的方案不會(huì)受到天氣的影響。

　　從上面的例子還可以看出兩種方案的其他不同點(diǎn)。首先，不同于之前說到人工智能技術(shù)很多時(shí)候連研究人員都無法理解，Qualcomm使用的車聯(lián)網(wǎng)中每一個(gè)技術(shù)細(xì)節(jié)(主要是無線通訊)都已經(jīng)被工程師們完全理解，因此不會(huì)出現(xiàn)人工智能在不可思議的地方出錯(cuò)的問題，也不存在訓(xùn)練數(shù)據(jù)不夠的問題。甚至在車聯(lián)網(wǎng)信號(hào)狀況不好的時(shí)候，汽車也能及時(shí)提醒司機(jī)及時(shí)接管，但是人工智能方案卻未必能實(shí)現(xiàn)這一點(diǎn)。其次，Intel的自動(dòng)駕駛技術(shù)只是做局部?jī)?yōu)化，只管一輛車;而Qualcomm的車聯(lián)網(wǎng)則是有可以做全局優(yōu)化的潛力，既然所有車都聯(lián)網(wǎng)了那么交通也可以根據(jù)車流做優(yōu)化疏導(dǎo)，例如交通燈會(huì)根據(jù)車流來調(diào)整紅燈和綠燈的時(shí)間。Qualcomm車聯(lián)網(wǎng)方案會(huì)給汽車駕駛帶來更大的飛躍。人類開車的時(shí)候是通過眼睛看前方的路況以及車距，頭腦根據(jù)這些信息來做判斷并控制汽車。Intel的人工智能駕駛是使用傳感器代替人類眼睛，使用處理器代替人類大腦，但是人類眼睛會(huì)看錯(cuò)，判斷會(huì)失誤，人工智能一樣也會(huì)犯這樣的錯(cuò)誤。Qualcomm的車聯(lián)網(wǎng)方案根本就不需要眼睛，因?yàn)榈缆泛蛙囕v的實(shí)時(shí)信息已經(jīng)通過網(wǎng)絡(luò)傳遞給車輛，所以就不會(huì)有“看錯(cuò)”的問題。

　　當(dāng)然，Qualcomm的車聯(lián)網(wǎng)也有一個(gè)很大的問題，就是需要把車聯(lián)網(wǎng)的基礎(chǔ)設(shè)施都建好了才能完全發(fā)揮出所有潛力，相較之下Intel的人工智能駕駛則與基礎(chǔ)設(shè)施沒有任何關(guān)系。事實(shí)上，車聯(lián)網(wǎng)與人工智能自動(dòng)駕駛并不互相矛盾，相反是相輔相成的。在第0-3級(jí)自動(dòng)駕駛中，人工智能即可勝任;但是到了更高級(jí)的自動(dòng)駕駛，必須同時(shí)結(jié)合兩種方案才行。