從表面上看，似乎全自動(dòng)駕駛汽車近在眼前。Waymo已經(jīng)開始在亞利桑那州特定的公共道路上測(cè)試汽車。特斯拉和其他效仿者也紛紛開始出售功能上有限制的自動(dòng)駕駛汽車，但如果有意外情況發(fā)生，這類汽車依然需要依靠司機(jī)進(jìn)行干預(yù)。最近幾起事故，有些是致命的，但是只要系統(tǒng)不斷改進(jìn)，從邏輯上說，我們距離沒有人為干預(yù)的自動(dòng)駕駛車輛不會(huì)太遠(yuǎn)了。
但是全自動(dòng)駕駛汽車的夢(mèng)想可能比我們想象中還要更加遙遠(yuǎn)。人工智能專家越來越擔(dān)心，距離自動(dòng)駕駛系統(tǒng)可以確保避免事故，可能需要數(shù)年甚至數(shù)十年。雖然自我訓(xùn)練系統(tǒng)可以應(yīng)對(duì)現(xiàn)實(shí)世界的混亂，但是紐約大學(xué)的GaryMarcus等專家則認(rèn)為重新審視這一問題不可避免，有人稱之為“人工智能的寒冬”。這種延遲可能會(huì)造成整整一代人都無法實(shí)現(xiàn)全自動(dòng)駕駛汽車，這會(huì)給那些依靠自動(dòng)駕駛技術(shù)的公司帶來災(zāi)難性的后果。
很容易理解為什么汽車公司對(duì)自動(dòng)駕駛持樂觀態(tài)度。
在過去的十年中，深度學(xué)習(xí)(一種使用分層機(jī)器學(xué)習(xí)算法，從海量數(shù)據(jù)集中提取結(jié)構(gòu)化信息的方法)已經(jīng)在人工智能和技術(shù)行業(yè)取得了驚人的進(jìn)展：它加強(qiáng)了Google搜索、Facebook的NewsFeed、將會(huì)話語音轉(zhuǎn)成文本的算法、還支持Go-playing系統(tǒng)。在互聯(lián)網(wǎng)之外，我們用機(jī)器學(xué)習(xí)檢測(cè)地震、預(yù)測(cè)心臟病，并通過攝像頭檢測(cè)行為，還有很多不計(jì)其數(shù)的創(chuàng)新。
但是深度學(xué)習(xí)需要大量的訓(xùn)練數(shù)據(jù)才能正常工作，幾乎需要涵蓋算法可能遭遇的所有情況。例如，Google圖片等系統(tǒng)非常善于識(shí)別動(dòng)物，只要有訓(xùn)練數(shù)據(jù)向他們展示每種動(dòng)物的樣子。Marcus稱這種任務(wù)為“插值”，即掃描所有被標(biāo)記為“豹貓”的圖像后，確定新圖片是否屬于同一組。
工程師可以根據(jù)數(shù)據(jù)的來源和結(jié)構(gòu)獲得創(chuàng)意，但是已有算法的范圍有嚴(yán)格的限制。除非已經(jīng)看過幾千張豹貓的圖片，否則即便是同一個(gè)算法也無法識(shí)別豹貓——即使這個(gè)算法已經(jīng)看過了家貓和美洲豹的圖片，且知道豹貓是介于兩者之間的東西。這個(gè)稱之為“通用化”的過程需要一套不同的技術(shù)。
長(zhǎng)期以來，研究人員以為他們已經(jīng)通過正確的算法提高了通用化技術(shù)，但是最近的研究表明，傳統(tǒng)的深度學(xué)習(xí)在實(shí)現(xiàn)通用化方面比我們想象的更糟。一項(xiàng)研究發(fā)現(xiàn)，傳統(tǒng)的深度學(xué)習(xí)系統(tǒng)甚至難以在一個(gè)視頻的不同幀上實(shí)現(xiàn)通用化，隨著背景輕微的變化，深度學(xué)習(xí)會(huì)將同一只北極熊錯(cuò)認(rèn)為狒狒、貓鼬或黃鼠狼。由于每個(gè)分類都匯總了數(shù)百個(gè)因素，因此即使是圖片微小的變化也可以徹底影響系統(tǒng)的判斷，這種現(xiàn)象被其他研究人員當(dāng)作對(duì)抗數(shù)據(jù)集使用。
Marcus指出聊天機(jī)器人熱潮就是最近炒作通用化問題的一個(gè)例子。
“我們承諾于2015年推出聊天機(jī)器人，”他說，“但是它們沒有什么幫助性，因?yàn)樗贿^是收集數(shù)據(jù)。”當(dāng)你在網(wǎng)上與人交談時(shí)，你不想重新討論早期的對(duì)話。你希望他們回應(yīng)你所說的話，利用更加廣泛的會(huì)話技巧來做獨(dú)特的回應(yīng)。深度學(xué)習(xí)無法建立那種聊天機(jī)器人。最初的炒作過后，各個(gè)公司就會(huì)對(duì)聊天機(jī)器人項(xiàng)目失去信心，很少有人仍在積極地開發(fā)。
這給特斯拉和其他自動(dòng)駕駛公司帶來一個(gè)可怕的問題：自動(dòng)駕駛汽車會(huì)像圖片搜索、語音識(shí)別和其他人工智能的成功一樣不斷提高嗎?它們會(huì)像聊天機(jī)器人一樣在通用化的問題上卡殼嗎?自動(dòng)駕駛技術(shù)是插值問題還是通用化問題?駕駛真的很難預(yù)測(cè)嗎?
現(xiàn)在可能還為時(shí)過早。Marcus說：“無人駕駛汽車就像一個(gè)我們不知道答案的科學(xué)實(shí)驗(yàn)。”我們從未實(shí)現(xiàn)過這個(gè)級(jí)別的自動(dòng)駕駛，所以我們不知道它是什么類型的任務(wù)。在某種程度上，它需要識(shí)別熟悉的對(duì)象，遵守規(guī)則，現(xiàn)有的技術(shù)應(yīng)該可以勝任。但是Marcus擔(dān)心，事故多發(fā)情況下的駕駛可能比業(yè)界承認(rèn)的還要復(fù)雜。“新情況的出現(xiàn)，對(duì)深度學(xué)習(xí)來說并不是一件好事。”
我們的實(shí)驗(yàn)數(shù)據(jù)來自公共事故報(bào)告，每個(gè)報(bào)告都提供了一些不尋常的難題。2016年特斯拉的那場(chǎng)車禍中，ModelS汽車由于受到拖車的高度和太陽光反射的影響，全速撞上了一輛白色半掛車的尾部，今年3月，Uber的一輛自動(dòng)駕駛汽車車禍撞死了一名推著自行車橫穿馬路(違反交通規(guī)則)的女士。根據(jù)美國(guó)國(guó)家運(yùn)輸安全委員會(huì)的報(bào)告，Uber的軟件在做其預(yù)測(cè)時(shí)，首先將這位女士誤認(rèn)為不明物體，繼而錯(cuò)認(rèn)為一輛自行車，最后確認(rèn)為一輛自行車。特斯拉在加利福尼亞州的一次車禍中，ModelX在撞擊發(fā)生之前突然轉(zhuǎn)向障礙物并提速，原因至今不清楚。
每次事故看似都是一個(gè)極端的例子，工程師無法對(duì)這類的事情提前作出預(yù)測(cè)。但是幾乎每次車禍都涉及某種無法預(yù)測(cè)的情況，如果沒有通用化的能力，那么自動(dòng)駕駛車輛不得不在每次遇到這些情形的時(shí)候，當(dāng)作第一次來處理。結(jié)果將是一連串的意外事故，且隨著時(shí)間的發(fā)展，這些事故次數(shù)不會(huì)減少，危險(xiǎn)系數(shù)也不會(huì)降低。對(duì)于持懷疑態(tài)度的人來說，《無手動(dòng)操作報(bào)告》的轉(zhuǎn)變表明這種情況還將繼續(xù)，且將維持一定的穩(wěn)定水平。
Drive.AI創(chuàng)始人AndrewNg是前百度的高管，也是該行業(yè)最著名的推動(dòng)者之一，他認(rèn)為問題不在于建立完美的駕駛系統(tǒng)，而在于培訓(xùn)旁觀者預(yù)測(cè)自動(dòng)駕駛車輛的行為。換句話說，我們可以為汽車提供安全的道路。作為一個(gè)不可預(yù)測(cè)案例的例子，我問他是否認(rèn)為現(xiàn)代系統(tǒng)可以處理行人玩彈跳桿的行人，即使它們以前從未見過。Ng跟我說：“我認(rèn)為很多自動(dòng)駕駛車輛團(tuán)隊(duì)可以處理在人行橫道上玩彈跳桿的行人。話雖如此，在高速公路上玩彈跳桿是非常危險(xiǎn)的。”
他說：“我們應(yīng)該和政府合作，要求合法并得到人們的體諒，而不是通過人工智能來解決彈跳桿的問題。安全駕駛不僅僅與人工智能技術(shù)的質(zhì)量有關(guān)。”
深度學(xué)習(xí)不是唯一的人工智能技術(shù)，許多公司已經(jīng)在探索代替方案。雖然這些技術(shù)在業(yè)界受到嚴(yán)密保護(hù)(單從最近Waymo起訴Uber就能看出來)，但是許多公司已經(jīng)轉(zhuǎn)向基于規(guī)則的人工智能，這是一種較老的技術(shù)，可以讓工程師將特定的行為或邏輯寫死到其他自導(dǎo)系統(tǒng)中。它沒有通過研究數(shù)據(jù)來編寫自我行為的能力(而深度學(xué)習(xí)恰恰是因?yàn)檫@種能力引起了關(guān)注)，但是它可以讓這些公司避免一些深度學(xué)習(xí)的局限性。由于深度學(xué)習(xí)對(duì)基本感知任務(wù)的影響仍然非常深刻，因此很難說工程師如何才能成功地檢測(cè)出潛在的錯(cuò)誤。
身為L(zhǎng)yft董事會(huì)的風(fēng)險(xiǎn)資本家AnnMiura-Ko表示，她認(rèn)為問題的一部分是對(duì)自動(dòng)駕駛汽車本身的高度期望，所以大家將無法全自動(dòng)視為一種失敗。Miura-Ko說：“希望它們從零級(jí)一躍到五級(jí)不等于技術(shù)的失敗，更像是不應(yīng)有的期望。我認(rèn)為所有這些微小的進(jìn)步都對(duì)邁向全自動(dòng)駕駛有著非凡的意義。”
不過，我們還不清楚自動(dòng)駕駛汽車還要在目前的困境里持續(xù)多久。像特斯拉的自動(dòng)駕駛汽車等半自動(dòng)的產(chǎn)品也足夠智能，可以處理大多數(shù)的情況，但是如果發(fā)生不可預(yù)測(cè)的情況，仍然需要人為干預(yù)。
當(dāng)出現(xiàn)問題時(shí)，很難判斷是汽車還是司機(jī)的問題。對(duì)于一些評(píng)論家來說，即使出錯(cuò)不能完全歸咎于機(jī)器，這種混合駕駛也不如人類駕駛員安全。根據(jù)蘭德公司一項(xiàng)研究估計(jì)，自動(dòng)駕駛車輛必須在不出現(xiàn)任何死亡事件的情況下，行駛夠2.75億英里才能證明它們和人類駕駛員一樣安全。特斯拉的自動(dòng)駕駛汽車出現(xiàn)第一次死亡事件時(shí)的行駛里程數(shù)大約為1.3億英里，遠(yuǎn)遠(yuǎn)低于標(biāo)準(zhǔn)。
但是，利用深度學(xué)習(xí)控制車輛如何覺察物體并決定應(yīng)對(duì)，提高事故發(fā)生率比看起來更難。杜克大學(xué)教授MaryCummings表示：“這不是一個(gè)簡(jiǎn)單的孤立問題，”他指今年早些時(shí)候Uber車禍導(dǎo)致一名行人遇難。“這起行人死亡事件中的感知決策周期是相互關(guān)聯(lián)的。由于感知的模糊導(dǎo)致了錯(cuò)誤決定(不做處理)，而且因?yàn)樗鼜母兄魃系玫搅颂嗟腻e(cuò)誤警報(bào)，所以導(dǎo)致沒有剎車。”
起車禍導(dǎo)致Uber暫停了夏季的自動(dòng)駕駛車工作，對(duì)其他公司計(jì)劃的推出是一個(gè)不祥之兆。在整個(gè)業(yè)界內(nèi)，各大公司正在競(jìng)相爭(zhēng)取更多數(shù)據(jù)來解決問題，并假設(shè)擁有最高里程數(shù)的公司將建立最強(qiáng)大的系統(tǒng)。但是這些公司看到的是數(shù)據(jù)問題，而對(duì)于Marcus來說這是更難解決的問題。
Marcus說：“他們只是在使用他們希望能夠成功的技術(shù)。他們依靠大數(shù)據(jù)，這是他們賴以生存的根本，但是沒有任何證據(jù)可以達(dá)到我們所需要的精確度。”
京公網(wǎng)安備 11010502049343號(hào)