首頁熱門文章
從人工智能和自動駕駛汽車開始
發布時間：2018-08-14 分類：交通百科
當我女兒很小的時候，我們會去附近的操場，她會很高興地喜歡去蕩秋千和滑梯。有一天，天一直在下雨，我們還是到了操場，但是什么都玩不了。盡管如此，她還是注意到有一條小溪正在穿過操場，由草地上剩下的雨水驅動，這些雨水沿著現在形成的小溪流到街上去了。
她決定沿著這條小溪選定一個特定的地點，并開始用地上的小樹枝搭一座小橋，這似乎是一種很有創意的方式，把我們原本因雨而出的參觀操場變成了一件有趣的事情。我著迷地看著她試著把樹枝鉤在一起，然后在雨水匯成的小溪上把它們做成一個拱門。她現在還很小，完成這樣的任務似乎是一種精神上的壯舉，因為她必須弄清楚如何把樹枝纏繞在一起，如何試著把它們拱到水面上，而且這樣做的時候，不會掉進小溪里。
她按著自己的想法在實踐，但是原來的結構變得頂部沉重，并塌陷到溪流中，大部分樹枝都不見了。我想她可能會心煩意亂，或者至少站起來，厭惡地走開。相反，她思考著自己努力的結果，整整一分鐘，她看了看小溪，看了看樹枝，看了看操場四周，陷入了深深的沉思之中。我不知道她在想什么，但是她突然的行動起來，收集了一些在風暴中倒下的零散樹枝和落葉等。然后，她開始在那條小溪上再建一座橋。
看到她有毅力繼續她的探索，這是令人興奮的。她沒有放棄。她回顧了所發生的情況，并仔細分析了情況。她重新審視了可供她使用的資源。她重新計劃了下一步該做什么。她執行了她的計劃，對于一個小孩子來說，這些都是思考和正念的奇妙標志。正如你所能想象的，想到這是她成年后的前奏，我欣喜若狂。的確，這就是她的結果!
錨可以把我們壓垮
我為什么要講這個故事?有時候，我們需要重新開始，它可能是一個系統，您正在編寫的工作，它已經達到了一個點，似乎有一個死胡同?；蛘?，也許你有一個家庭項目，已經彎了形。你可以嘗試著繼續你開始的工作，但是有時候這比重新開始更糟糕。當你建立在已經開始的東西上時，你經常需要竭盡全力使新的東西適合你，你就會固守在已經做過的事情上。如果已經完成的方面不是很好，那么你可能會陷入之前的困境和困境。
無論是僅僅因為它的存在，或有時由于傳統，或出于任何原因，過去會導致我們的未來變得緊張。與此同時，另一些人來到這里，看到了一個新的未來，于是他們跳過了舊的方式。讓我們重新審視一下重新開始的整個概念，并將其重新引入人工智能領域。
在人工智能領域的早期，人們對所謂的專家系統(有時也被稱為基于知識的系統或基于規則的系統)大肆宣傳和狂熱，出現了一個完整的子行業，為知識獲取、知識編碼等提供自動化工具。當時的希望是，這是在建立真正的人工智能系統，可以顯示智能和智能行為的突破。盡管在那個時代取得了很多成就，但最終變得更加明顯的是，這并不能讓我們達到真正意義上的人工智能。
在專家系統的全盛時期，機器學習領域也有一些動作，人工神經網絡的應用剛剛開始從研究實驗室出來。大部分神經網絡都是作為原型建造的，它們的體積相對較小，只有幾層，神經元的數目最多可能有幾百個。數學性質仍在發展和探索中，構建神經網絡的工具往往使用起來笨拙和笨拙，這是人工智能領域中一個相當神秘的部分。
低成本處理器的大收斂，更高的性能處理，大數據集的現成存取，以及其他因素促使人工神經網絡重新獲得關注。事實上，它已經成為人工智能領域的寵兒，看上去令人印象深刻的壯舉涉及到視覺處理，用于做外語翻譯，在圍棋之類的比賽中獲勝等。
一般來說，大多數知情人士都會同意，這些人工神經網絡并不是一個突破，因為它還沒有被證明這種方法將引導我們進入真正的智能系統。
只是規模還是別的什么?
有人工神經網絡方法的支持者說，我們只是還沒有達到規模，我們有一些看似大規模的神經網絡，涉及成千上萬的人工神經元。但是，據估計，人類大腦有1000億個神經元，以及大約100萬億個連接。目前還沒有人工神經網絡接近這一規模。許多人在問的問題是，如果我們真的能創造出同樣大小的人工神經網絡，我們是否會突然擁有一個正常運轉的大腦?
本質上，如果你有兩件東西大小差不多，一件是生物的化身，另一件是某種機器或自動化的化身，那么機器版本會和生物版本一樣有能力嗎?
我們不知道，但我們知道我們在人工神經網絡中模擬神經元的方式和在實際大腦中的生物實現方式是不一樣的，所以我們已經有了兩者之間的區別。據推測，僅憑事物的“力學”，人工的方法本身就很差，因此人們可能馬上懷疑單憑神經元數量和連接的絕對大小的有效性，以至于這種模擬方法不太可能達到同樣的頂峰。
即使我們可以得到相同的住房，那里面的東西呢?
事實上，人們相信人腦不僅僅是一桶神經元和連接，也許有某種預接線和預設置，使這個樂高的收集到一些特殊的東西，可以最終顯示的智慧。如果是這樣的話，我們需要以某種方式讓我們的人工版本變得更像那樣?；蛘?，我們可以希望也許有不止一種方法可以剝掉一只貓的皮，這意味著也許我們可以獲得智力，但這是通過一些其他的方法來實現的，而不是我們今天所知道的方法。
我們是不是已經被困在我們的生活方式中了?
對于今天的人工神經網絡，我們需要向他們展示有時數以百萬計的數據實例，以使他們對某件事形成模式。想要在照片中找到貓，首先將數以百萬計的貓照片輸入神經網絡進行訓練。然后你可能會得到一個好的“貓”圖像探測器。但是，這是有可能的，只要幾個像素的變化，你可以給訓練的神經網絡，其中包含一只貓的圖像，一個人會檢測到它，但神經網絡可能不會。
到目前為止，我們所知道的神經網絡是脆弱的，他們還需要大量的訓練數據樣本，他們的重點非常狹窄。
小孩子需要看上百萬張貓的圖片才能知道貓長什么樣嗎?別這么想。一個小孩怎么知道貓是什么樣子的，如果他們沒見過數百萬甚至數千只貓來模仿它們的樣子的話，他們怎么會知道貓是什么樣子的呢?不知何故，這個小孩完成了這樣一項壯舉，沒人知道是怎么回事。
很長一段時間以來，人們一直認為，當嬰兒出生時，人腦中并沒有包含任何東西，它幾乎缺乏我們所認為的知識。然后，當嬰兒遇到周圍的世界時，大腦就會吸收這些信息，并開始形成智力，以一種看似神奇的方式，嬰兒在智力上增長并成為一個孩子，而孩子在智力上逐漸增長并長大成人。
嬰兒的大腦真的是一張白紙嗎?它是否僅僅是一群空的神經元，然后隨著智力發酵過程的進行而形成的呢?
有些認知科學家會說，即使是最小的嬰兒也有某種形式的神經連接，為他們提供了一種與生俱來的能力來做一些事情，比如物體的表示，他們有一種用于計數目的近似數字感，他們有某種內置的幾何導航，他們有一些東西可以讓他們使用語言，等等。我們可能無法與一個嬰兒交流，因為他們的語言能力和運動技能不容易允許，但盡管如此，在大腦內部預接線，已經出了門，使人類在智力方面邁出了一大步。
這就好像我們確保了每一個人工神經網絡都有一個基本的結構和內容，這對于向前發展是必不可少的。就像一種自舉，這將是一種“與生俱來的”能力，并允許神經網絡超越一些狹隘的焦點，只能玩游戲圍棋或檢測貓的形象。但是，到目前為止，我們還沒有任何類似的東西。
然后，我又回到了我的故事，我的女兒如何看了看倒下的樹枝，并后退一步，重新思考如何解決手頭的問題。在機器學習領域，也許我們應該努力找出自舉的原因。在我們弄清楚之前，我們用神經網絡所做的其他事情，可能根本上不是這樣的。我們正試圖利用我們今天所知道的神經網絡結構，并在此基礎上走向智能。
也許，我們正在以一種需要重做的方式進行建設，是否有一種方法來發展固有的核心，一旦我們確定了這一點，我們想要完成的其他事情將是逐步的，并像許多多米諾骨牌一樣一個接一個地向我們走來?
人工智能汽車重新啟動
這和人工智能汽車有什么關系?
我們追求的是開發人工智能汽車的傳統方法，同時我們也在追求一種“離群”的概念，即我們可能真正達到真正的人工智能汽車的唯一途徑是通過一種更激進的方法來做到這一點。
讓我們假設，所有的汽車制造商和技術公司都試圖創造人工智能來實現真正的5級自動駕駛汽車，但并不能完全做到這一點。正如我們今天所知，我們一直在推動現有的機器學習方法，我們不斷推出越來越快的處理器，但我們并沒有達到真正的水平5。真正的5級是一輛自動駕駛汽車，能做人類能做的任何駕駛，不需要任何人為干預。
也許我們會有一輛5級的自動駕駛汽車，它相當不錯，而且似乎涵蓋了人類駕駛員所能做的大部分事情，但并不是所有人類駕駛員都能做到的事。我們大家都到了不能再往前走的地步了。我們最終擁有了自動駕駛汽車，它可以處理95%的駕駛任務，而剩下的5%仍然是剩余的部分。當我們意識到我們不能得到最后的5%，我們都同意人工智能汽車需要被分割成自己的車道，并被視為主題公園乘坐，或采取其他保護措施。
作為一個總體框架，人工智能汽車涉及以下幾個主要方面：
1、傳感器數據采集。
2、傳感器融合。
3、虛擬世界模型。
4、人工智能行動計劃更新。
5、汽車控制命令。
就傳感器數據收集而言，這似乎是一種主要的物理感知任務，它可以與人類的感官能力相提并論。然而，當我們人類用眼睛看東西，用耳朵聽聲音時，就涉及到了心理過程。因此，即使是以一種簡單易懂的外圍設備的方式，大腦的處理過程也會開始發揮作用。嬰兒的大腦是否已經預先連接好，以便更好地利用外圍設備，并將其整合到思維的其他大腦處理過程中呢?。
對于大多數人工智能汽車，感應器除了收集原始數據，有時只做一些小的活動，如壓縮或轉換，并沒有多大的作用。當傳感器融合發生時，從無數傳感器收集到的數據需要相互比較，并用來創建某種統一的指示，說明在自動駕駛汽車之外的世界正在發生什么事情。然后，這被輸入到一個虛擬世界模型中，這個模型跟蹤自動駕駛汽車在哪里，它試圖去哪里，以及其他方面的信息。人工智能的行動計劃然后被更新或設計，最終人工智能指示自動駕駛汽車采取某種形式的行動。
如果你帶一個十幾歲的孩子去教他們開車，他們是否需要千千萬萬次的駕駛旅程才能知道如何駕駛一輛車?沒有。他們往往能在心理上很容易地掌握駕駛任務的性質，這就變得更加努力地協調他們的身體來完成駕駛任務，而較少涉及到駕駛任務的精神方面的問題。-。
傳統的開發人工智能汽車的方法是采取一張白板，并試圖使其成為可以駕駛汽車的東西。如果沒有人類大腦所具有的與生俱來的能力，我們可能會走上錯誤的道路。我們可能需要首先解決先天的問題，一旦這發生了，分層駕駛汽車可能是相對容易的，并使我們達到100%的目標。
這樣，也許我們需要重新開始，首先解決固有的能力問題，然后再做自動駕駛汽車方面的工作。不過，這可能意味著我們不會馬上看到自動駕駛汽車，我們可能都會感到氣餒，因為它不會為想要擁有自動駕駛汽車這一問題提供立即的解決方案。目前，我們都被困在用樹枝搭建一座橋的過程中，如果這座橋不夠堅固，不能真正發揮作用，我們可能需要再看看周圍，而不是先解決先天的能力問題。順便說一句，任何破解先天能力密碼的人，都有可能獲得諾貝爾獎，并打開人工智能的大門，我們想象有一天我們都希望看到人工智能的出現。
