您当前的位置：全讯官网-0008全讯注册>>智伴机器人新闻>>媒体报道
- 来源：聊聊汽车那些事儿
- 作者：许良
- 发布时间：2018-05-27
- 500次浏览
作为一个从传统汽车行业转型到自动驾驶行业的人，我自认为对于人工智能也算有一点浅显的认识。曾经写过一篇万余字的科普文“听说你想了解人工智能？这篇文章教你从零基础成为深度学习高手，迄今为止，已经有两千多个赞了吧。今天想谈一谈对于人工智能的理解，
作为一个从传统汽车行业转型到自动驾驶行业的人，我自认为对于人工智能也算有一点浅显的认识。曾经写过一篇万余字的科普文“听说你想了解人工智能？这篇文章教你从零基础成为深度学习高手，迄今为止，已经有两千多个赞了吧。今天想谈一谈对于人工智能的理解，说一下中国玩家的机遇和突破口。
1、人工智能和区块链
最近两个最火的风口，人工智能和区块链。
《数学之美》的作者吴军老师曾经说过，人工智能改变的是生产力，区块链改善的是生产关系。之所以说人工智能改变的是生产力，其实就是人工智能，尤其是最近兴起的深度学习，通过大数据的赋能，可以做到以前机器做不到的事情，比如alphago的战胜围棋高手李世石。而区块链，本质上是通过技术（分布式存储和智能合约）达到可追溯，不可更改的技术目标，最终来解决信任的问题，从而实现去中心化来提升效率，所以本质上是通过改变生产关系来促进社会进步的。
因为这个社会越发达，越是陌生人社会。陌生人之间很难建立起信任，在重复博弈下就会形成防御机制和保护铠甲，而为了突破这种机制，社会上形成了很多复杂的机智来解决问题。比如在招聘时，为了防止候选人简历造假，往往需要投入大量的人力物力去进行背景调查。如果可以把自己的资料上传到区块链的话，你经历过的学校、单位能够在你的区块链上书写你的过往经历，你可以授权给你的潜在雇主去查看你的过往信息。
只要能保证你书写的内容是真实的（通过资质审核即可），那么由于区块链是不可更改的，那么自然也就不需要再走繁复的背调流程了。
2、人工智能，就是有多少人工，就有多智能
人工智能的兴起，并不全是某个科学家的一己之力的贡献（当然也少不了科学家的贡献），而是这取决于大环境的成熟。
人工智能=a+b+c。a指的是算法（algorithm），b指的是大数据（big data）,c指的是算力/芯片（computing）其中算法当然是一代代的科学家的艰苦卓绝的贡献。
大数据呢，指的是随着互联网的兴起，尤其是移动互联网的发展，数据越来越容易获取，尤其是图片、视频和语音数据，简直是海量的数据。算力/芯片指的是随着摩尔定律所指出的，芯片的运算力在成指数级的上升，但是成本却在快速下降，这三者缺一不可。事实上，当前的算法其实早在98年的时候yannlenet就提出来了，直到2012年其他条件（数据和芯片）都完善了，人工智能才突飞猛进。
其实人工智能在两个领域取得突破，一个是机器视觉（cv），还有一个是自然语言识别（nlp）和语音识别。有个段子说，所谓人工智能，指的就是有多少人工，就有多少智能。深度学习的本质其实是，用强相关性来代替因果性。
因为人工智能模型在训练的时候，需要大量的“标注”过的数据，而数据标注，就是指的“data labeling”,是个非常耗费人力物力的事情。数据量越大，越能避免”过拟合“的问题，训练得来的模型的精度也就越高。所以才会说：所谓人工智能，指的就是有多少人工，就有多少智能
3、人工智能，中国玩家的机会
这波浪潮下，肯定是硅谷做的最早，玩得最好。不过并不是说，中国企业就没有机会。
就像开复老师说的，中国互联网上有大量的数据（比美国多得多），而这些数据绝大多数掌握在中国互联网巨头里（bat），很容易形成ai巨头。别的不说，就拿我熟悉的无人驾驶行业而言，中国企业其实有很大的机会。
一方面是中国的驾驶场景和美国差别很大，这一点在国外开过车的人都会有深刻的感受。在美国高速公路上，可以一直非常顺畅的保持车速120公里，几乎不用踩刹车，一条路一直走就行。但是国内就不行了，需要一直变道，一直加速减速，为了躲避有些龟速的车辆，为了防止加塞等等。
这一点在本次gmic大会上，小鹏汽车的谷俊丽也提到了，“在美国写很多的自动驾驶逻辑，拿到了国内在障碍物种类居多，交通密度比西方要高一个量级，在这种场景下它面临的挑战也就大的多。在西方驾驶是以规则为主，这种情况下编程算法可操作性和简洁性会好很多。但是在亚洲，因为高人口密度导致的以交互为主的交通。这种情况下算法就意味着几乎是要重写。”
听过这样一个段子，国际上视觉识别做的最好的自动驾驶公司mobileye在给国内整车厂客户提供的服务的时候，是不支持红绿灯识别的。但是其实，在美国是支持红绿灯识别的。其背后的原因并不是对中美客户的区别对待，而是因为美国的红绿灯都比较规则，规定高度，固定形状的。
而中国则的红绿灯则“随意”的多，高度随意，位置随意，形状随意，有的是箭头，有的是圆灯，还有的是读秒的，奇奇怪怪。
而mobileye在参数训练的时候，是使用美国的“标准化”的数据进行训练的，到了中国之后就哭了“尼玛，不按照套路出牌啊！”
因为中国独特的场景，给了中国自动驾驶企业一道非常高的壁垒，所以momenta的创始人曹旭东才会说，“这是个好事，也是个坏事，坏事是实现难度特别大，好事就是一旦解决了中国自动驾驶场景的问题，那么其他国家的场景自然就不在话下了”。所以这就是为什么很多车型，到了国内部分adas的功能其实并不怎么好用，原因就是出现了“水土不服”的情况。所以，在推出部分自动驾驶功能的时候，务必得基于国内的场景去重新去做架构、设计算法，甚至是选择芯片。
谷俊丽在发言中提到“…所以我们认为自动驾驶这种产品要做到可用性，它必然的趋势一定是要强本地化，把这项技术、大数据从场景中抽取出来，能够尽量建立一个海量的、完备的、平衡的大数据。当然还不光光只是大，在这种大数据的场景下去训练跟优化算法。算法是由数据中来的，算法也会决定芯片的计算能力的需求。”
现在国内很多自动驾驶创业公司，在重点突破自动泊车这个场景。这其实这是一个蛮好的突破点。自动泊车很多车都有，但是大家都不愿用，为什么？因为成功率太低了，用户尝试两次失败后，就不会再去尝试了，只能沦落为一个“无用的摆设”，所以问题的关键在于提高成功率。而提高成功率的关键就在于本地化场景应用，这有可能是自动驾驶在乘用车第一个大规模落地的场景。
