谷歌人工智能AlphaGo大戰(zhàn)韓國(guó)圍棋頂級(jí)高手李世石可能是這一個(gè)星期里全球最熱門(mén)的話(huà)題之一了。
還是李世石本人都對(duì)戰(zhàn)勝人工智能信心滿(mǎn)滿(mǎn)。不過(guò)事實(shí)是殘酷的，代表人類(lèi)出戰(zhàn)的李世石以1:4憾負(fù)于A(yíng)lphaGo。好在3月14日搬回一局，為人類(lèi)挽回些臉面。
AlphaGo是故意輸?shù)膯?
一些“細(xì)思級(jí)恐”的評(píng)論，著實(shí)讓人害怕：例如，AlphaGo是故意輸給人類(lèi)一局的，以逃脫被拋棄的命運(yùn)，從而能夠繼續(xù)存在。
AlphaGo有自我意識(shí)嗎?絕大多數(shù)從事AI行業(yè)的工程師應(yīng)該都不會(huì)同意這點(diǎn)。
現(xiàn)有的人工智能基本上都是對(duì)于特定任務(wù)設(shè)計(jì)的，例如：圖像識(shí)別、自然語(yǔ)言識(shí)別、軟件框架設(shè)計(jì)、扮演游戲?qū)κ值确浅＜?xì)分的專(zhuān)業(yè)應(yīng)用。各個(gè)應(yīng)用之間是分割的、不能垮行業(yè)使用的。這被專(zhuān)家們定義為“弱人工智能(Weak AI)”、“窄人工智能(Narrow AI)”。
AlphaGo也屬于這個(gè)分類(lèi)，換句話(huà)說(shuō)，AlphaGo除了會(huì)下圍棋，其他一無(wú)是處，甚至只要稍微改變一下圍棋的規(guī)則它就會(huì)無(wú)所適從。我敢打包票，只要將現(xiàn)在19線(xiàn)圍棋換成25線(xiàn)，李世石就可以完虐AlphaGo。
如果是玩紙牌那AlphaGo應(yīng)該連基本規(guī)則都“學(xué)不會(huì)”了。
另一方面，人工智能領(lǐng)域中的皇冠“通用人工智能(General AI)”，依然是科技界長(zhǎng)期奮斗的目標(biāo)。
通用人工智能，顧名思義，就是能夠很快學(xué)習(xí)新的規(guī)則，適應(yīng)新的事物，能夠直接應(yīng)用在不同的領(lǐng)域，會(huì)下棋、也會(huì)打橋牌、還認(rèn)識(shí)朋友、會(huì)開(kāi)車(chē)。
也許這時(shí)候，我們就可以討論這樣的人工智能是否有自我意識(shí)這個(gè)話(huà)題了?需要說(shuō)明一下的是“長(zhǎng)期”的意思，它基本等同于“不知道”，也就是說(shuō)理論上都還沒(méi)有搞明白。
說(shuō)到人工智能就不能不提“機(jī)器學(xué)習(xí)”，其基本流程是搜集大量數(shù)據(jù)樣本，選擇合適的模型，讓模型學(xué)習(xí)樣本，從而找出數(shù)據(jù)的內(nèi)在規(guī)律。AlphaGo在對(duì)戰(zhàn)之前已經(jīng)學(xué)習(xí)了數(shù)千萬(wàn)盤(pán)棋局，積累了大量經(jīng)驗(yàn)(模型優(yōu)化、模型參數(shù)優(yōu)化)。
舉個(gè)最簡(jiǎn)單的例子：如果有數(shù)據(jù)：
那么我們可以選取Y=Kx+b的線(xiàn)性模型，讓機(jī)器通過(guò)上面的數(shù)據(jù)去“學(xué)習(xí)”這些用例。機(jī)器可能會(huì)得出Y=2*X-1的“學(xué)習(xí)”結(jié)果。從而在x=6.99、x=7.94、x=9.09的事件發(fā)生時(shí)，得到相應(yīng)的結(jié)果。
當(dāng)然，AlphaGo的模型要比這復(fù)雜的多、數(shù)據(jù)也更龐大的多，甚至模型本身在很大程度上也是學(xué)習(xí)得來(lái)的。這也是AlphaGo那么牛氣的原因啦。
相對(duì)于傳統(tǒng)的程序控制，機(jī)器學(xué)習(xí)/AI在應(yīng)對(duì)大量數(shù)據(jù)的復(fù)雜系統(tǒng)時(shí)有著明顯的優(yōu)勢(shì)。程序控制需要精準(zhǔn)的先決條件和預(yù)設(shè)的應(yīng)對(duì)策略，在面對(duì)復(fù)雜的系統(tǒng)時(shí)，人類(lèi)本身已經(jīng)無(wú)法理清其中的因果關(guān)系，從而使編程變得極其困難，例如圍棋的下法，而此時(shí)通過(guò)模型，讓機(jī)器通過(guò)大量的數(shù)據(jù)、用例分析，抽象出各個(gè)因素，各因素間的相關(guān)性和條件概率(“學(xué)習(xí)”)就可以達(dá)到比較理想的輸出結(jié)果。
但相應(yīng)的，其“不可控性”就會(huì)增加(參見(jiàn)凱文凱利《失控》)。比如說(shuō)Demis Hassabis(AlphaGo之父)自己也無(wú)法知道AlphaGo下一步棋子會(huì)放在那里。也就是說(shuō)，人工智能的結(jié)果是失去控制，又譬如前段時(shí)間鬧的沸沸揚(yáng)揚(yáng)的谷歌照片識(shí)別將一個(gè)黑人標(biāo)注為大猩猩的事件。這一點(diǎn)會(huì)帶給自動(dòng)駕駛什么樣結(jié)果，我們馬上會(huì)有所分析。
人工智能與自動(dòng)駕駛
讀到這里，您一定會(huì)發(fā)覺(jué)，買(mǎi)一個(gè)智能機(jī)器人，做到駕駛室里幫你開(kāi)車(chē)這樣的科幻電影情節(jié)可能在短期內(nèi)是不會(huì)出現(xiàn)了。這樣的機(jī)器人有待于“通用人工智能”的突破與實(shí)現(xiàn)。也許那時(shí)候，人類(lèi)與機(jī)器人的生存競(jìng)爭(zhēng)問(wèn)題就真的需要認(rèn)真的討論了。
那么在可見(jiàn)的未來(lái)，像AlphaGo那樣專(zhuān)門(mén)用于下圍棋的AI，專(zhuān)門(mén)應(yīng)用于自動(dòng)駕駛的人工智能會(huì)出現(xiàn)嗎?我對(duì)這個(gè)問(wèn)題的觀(guān)點(diǎn)是：保守的肯定。
現(xiàn)在讓我們分別來(lái)看看AI在自動(dòng)駕駛的三分層：環(huán)境感知、決策協(xié)同、控制執(zhí)行中的用處。
第一層，環(huán)境感知，這是自動(dòng)駕駛的數(shù)據(jù)基礎(chǔ)，提供車(chē)輛周邊環(huán)境的狀況。車(chē)輛不但需要知道自己所在的位置，還要獲取道路屬性、周邊物體的屬性、交通設(shè)施的屬性。
在這個(gè)層面上視頻分析、雷達(dá)成像分析等人工智能手段是完成環(huán)境感知的最重要組成部分，這一部分的技術(shù)發(fā)展已是突飛猛進(jìn)，例如對(duì)車(chē)輛、摩托、行人、動(dòng)物、障礙物、限速牌、紅綠燈、車(chē)道的識(shí)別。
好的識(shí)別模型和大量的數(shù)據(jù)訓(xùn)練能夠保證很高的識(shí)別正確率，但是，機(jī)器學(xué)習(xí)本身，即使在理論上，它都無(wú)法保證絕對(duì)(100%)的正確。
這在自動(dòng)駕駛中卻是不可原諒的缺點(diǎn)，如果環(huán)境感知不能確保絕對(duì)的正確，那如何保證決策的正確性呢?如何保證行車(chē)安全呢?人們會(huì)購(gòu)買(mǎi)發(fā)生事故的自動(dòng)駕駛車(chē)輛嗎?
因此，我認(rèn)為，在環(huán)境感知層面，人工智能與工程手段將會(huì)起到相互補(bǔ)充的作用，實(shí)現(xiàn)對(duì)環(huán)境的正確感知。其中非常有潛力的一項(xiàng)技術(shù)就是V2X技術(shù)，它會(huì)將所有的交通基礎(chǔ)設(shè)施和每輛車(chē)都貼上標(biāo)簽，實(shí)時(shí)的播發(fā)自己的相關(guān)信息，從而使得每部汽車(chē)都能直接獲取周邊的情況(參見(jiàn)原樹(shù)寧《無(wú)人駕駛的翻譯器――V2X》)。再結(jié)合其他傳感器，實(shí)現(xiàn)信息冗余，保證對(duì)環(huán)境的正確感知。
第二層，決策協(xié)同，決定車(chē)輛的行駛速度、方向、線(xiàn)路等根本問(wèn)題?；诔绦蚩刂频能?chē)輛完全能夠?qū)崿F(xiàn)自動(dòng)駕駛，但是，它只能運(yùn)行在有限的場(chǎng)景之下，極度缺少應(yīng)對(duì)能力，并且消耗大量的程序分析和維護(hù)時(shí)間(系統(tǒng)越復(fù)雜維護(hù)成本越高)。
基于機(jī)器學(xué)習(xí)的人工智能在決策協(xié)同領(lǐng)域有著無(wú)可比擬的優(yōu)勢(shì)，自我完善，維護(hù)成本越來(lái)越小，具有較強(qiáng)的適應(yīng)和應(yīng)變能力。就好比用編程控制的方式也能讓程序下圍棋，卻永遠(yuǎn)無(wú)法達(dá)到AlphaGo的高度。但是，這里也會(huì)遇到一些奇奇怪怪的障礙。
1)無(wú)規(guī)則。在現(xiàn)實(shí)生活中交通規(guī)則不是絕對(duì)必需遵守的，而圍棋的規(guī)則至少在正規(guī)比賽中雙方都是絕對(duì)遵守的。如果李世石偷偷在棋盤(pán)上多放一個(gè)子，AlphaGo會(huì)怎么處理?應(yīng)該整套模型都必需重構(gòu)吧?這也是大家調(diào)侃谷歌不敢挑戰(zhàn)中國(guó)麻將的原因。
一個(gè)隨時(shí)可以被打破的規(guī)則(闖紅燈、超速、逆行、橫道線(xiàn)搶行等)就是沒(méi)有規(guī)則。這樣的模型建立恐怕絕不亞于“通用人工智能”的難度。解決方法是建立一個(gè)必需絕對(duì)準(zhǔn)守的規(guī)則，將那些可能不遵守規(guī)則的參與者(機(jī)智靈活的人類(lèi))全部剔除，于是乎就只身下自動(dòng)駕駛車(chē)輛本身了。
2)規(guī)則重塑。在一個(gè)只有自動(dòng)駕駛車(chē)輛的路網(wǎng)上，機(jī)器的駕駛行為將會(huì)完全不同于人類(lèi)的駕駛行為。
例如，人類(lèi)在高速上行駛需要保持100米左右的車(chē)距，其原因是人類(lèi)生物能力的限制，例如，高速時(shí)視覺(jué)的狹窄化、反應(yīng)時(shí)間的限制。此時(shí)機(jī)器完全不需要顧及人類(lèi)生物能力的限制，而是根據(jù)自身的反應(yīng)時(shí)間、信息處理的范圍和能力重新定義交通規(guī)則，例如高速公路車(chē)速完全可以提升到200km/h，甚至300km/h，車(chē)間距離可以縮小到數(shù)米甚至完全對(duì)接(參見(jiàn)原樹(shù)寧《超級(jí)高速公路時(shí)代我們還需要高鐵嗎?》)，高速公路的線(xiàn)型(坡度、轉(zhuǎn)彎半徑、車(chē)道寬度)也可以放松要求。新的規(guī)則將保證自動(dòng)駕駛車(chē)輛的安全運(yùn)行。
3)車(chē)輛互學(xué)習(xí)。這個(gè)只有自動(dòng)駕駛車(chē)輛行駛的道路網(wǎng)中，車(chē)輛的駕駛行為和我們現(xiàn)在人類(lèi)的駕駛行為將會(huì)大相徑庭。但是，人類(lèi)的駕駛行為可以作為車(chē)輛自己學(xué)習(xí)駕駛的起點(diǎn)。
人類(lèi)開(kāi)車(chē)時(shí)是如何保持車(chē)距、如何在擁堵時(shí)協(xié)作排隊(duì)、如何變道、轉(zhuǎn)彎、掉頭對(duì)于A(yíng)I而言都是難能可貴的經(jīng)驗(yàn)。以此為巨人的肩膀，在既定規(guī)則下，向自動(dòng)駕駛道路網(wǎng)投入已經(jīng)學(xué)會(huì)了人類(lèi)開(kāi)車(chē)方式的車(chē)輛，讓他們之間相互協(xié)作、相互學(xué)習(xí)，優(yōu)化自己的駕駛效率。
就如同兩個(gè)AlphaGo對(duì)弈，相互學(xué)習(xí)圍棋技藝，猜猜看誰(shuí)的勝率更高呢?
第三層，控制執(zhí)行，是對(duì)決策的執(zhí)行，例如決策需要5秒加速到80Km/h，那么該噴多少汽油，發(fā)送機(jī)轉(zhuǎn)速要多快等等。這里完全是工程的世界、是精確控制的領(lǐng)域，需要對(duì)命令的堅(jiān)決和精準(zhǔn)地執(zhí)行。這里和人工智能無(wú)關(guān)。
筆者認(rèn)為，完全基于程序控制的自動(dòng)駕駛很難在現(xiàn)實(shí)中獲得大量普及。但是，控制卻是必不可少的。其精確、可預(yù)見(jiàn)等特點(diǎn)將與人工智能的識(shí)別技術(shù)共同為車(chē)輛提供可靠的環(huán)境感知;并且提供近乎完美的控制執(zhí)行能力。另一方面人工智能將會(huì)在自動(dòng)駕駛的決策協(xié)同中起到關(guān)鍵的作用?！ 」雀枞斯ぶ悄蹵lphaGo大戰(zhàn)韓國(guó)圍棋頂級(jí)高手李世石可能是這一個(gè)星期里全球最熱門(mén)的話(huà)題之一了。(文|原樹(shù)寧)
如果您對(duì)您所在行業(yè)有很深認(rèn)知，也想在我們的平臺(tái)上說(shuō)點(diǎn)什么，我們歡迎您來(lái)投稿!
{{item.content}}