这样的人工智能其实并不具备类似人类的“意识” ， 现在发展的人工智能短期内也无需担心机器“觉醒”的问题 。仅仅是基于大量的数据总结归纳 ， 形成机器独有的一套逻辑 。“喂”给机器的数据要多 ， 但也不能过量 ， 超量的数据可能会让系统过拟合 ， 反而影响了性能 。
自动驾驶汽车是怎么学会看路的？
说了这么多 ， 还没有回到最初的问题 ， 自动驾驶汽车是如何认路的？
很显然 ， 如今的自动驾驶汽车也是基于卷积神经网络开发的人工智能系统 ， 包含了感知-决策-规划-控制等 ， 其中首要的便是感知 ， 也就是我们说的看路 。自动驾驶需要看到并认识前方的道路和路上的潜在障碍物才能够执行后续的操作 。
训练负责自动驾驶的算法 ， 同样需要海量的相关数据作为支撑 。我们之前多次讨论过关于自动驾驶纯视觉路线和多传感器融合路线的优劣 ， 不过对于算法的训练 ， 照片和视频显然是最为易得也最容易进行标记的数据 。大家可以想象一下对激光雷达甚至毫米波雷达这种并非人类正常感知的数据进行标记有多复杂 。这也是为什么 ， 即便是多传感器融合路线 ， 摄像头依旧是感知硬件中的YYDS了 。
在我们普通人的认知中 ， 人工智能必然是十分高科技的一个行业 。其中一部分工种当然是 ， 但这也是一个劳动密集型的产业 。“喂”给自动驾驶算法的数据并非随便从网上批量下载就可以 ， 需要有大量的测试人员进行专业的数据采集 ， 还需要有海量的标注员对图片进行标记 ， 对照片中的行人、路障等等障碍物进行标记 ， 之后才能够“喂”给算法进行深度学习 。
这样的模式不仅吃力 ， 并且精度缓慢 。于是人们又想到了让机器对机器进行训练 ， 被称为“无监督学习算法” 。在获得一定数量的数据后 ， 机器就可以完成对常规数据的自行标记 ， 再用机器标记的数据训练更多的人工智能算法 ， 这也帮助了如今人工智能的飞速进步 。
而人们不得不面对的另一个难题是自动驾驶的“长尾效应” ， 自动驾驶日常训练中获得的大量数据已经解决了日常常见的绝大多数头部场景中的潜在风险 ， 但那些不受重视的突发场景极为罕见 ， 但种类繁多 ， 日常中很难采集到足够的数据样本对自动驾驶进行训练 ， 但因此累计的总量也已经对自动驾驶的安全性构成了很大的威胁 。
以特斯拉为例 ， 在2021年“AI DAY”上 ， 特斯拉介绍了一些罕见场景 ， 例如一起前方卡车卷起的风雪遮挡前方车辆的极端案例 。为了解决这一现实中并不多见 ， 但发生时会异常危险的事件 ， 特斯拉利用超级计算机模拟更多的类似场景多神经网络进行了大量训练 。特斯拉日常解决的这类“长尾”场景远不是个例 。马斯克介绍说 ， 他们会模拟各种能想到的罕见案例 ， 甚至包括了“城市道路出现悠哉散步的麋鹿” ， 乃至“飞碟坠落”这种完全不可能发生的奇特危险 。
但另一个难题是如何发现这类罕见场景 ， 特斯拉在AI DAY上透露 ， 特斯拉搜集在Autopilot驾驶时 ， 驾驶员突然介入改为人工驾驶的场景 ， 这类场景普遍是自动驾驶目前尚不能完全解决意外情况 。特斯拉会利用超级计算机分析这个视频案例 ， 找出驾驶员中断Autopilot的原因 。又或者司机在高速路上突然刹车、堵车时有人插队、雷达与摄像头判断结果不一致、车辆发生事故/险些发生事故等等 ， 将这些具体的案例 ， 交给超级计算机来分析处理 ， 然后重复前文提到的模拟同类场景训练 。
结语
【汽车技术型是什么意思「车辆技术性能是什么意思」】从二十世纪五十年代人工智能概念被提出 ， 历经七十余年 ， 经历了三起两落的发展 ， 人工智能终于取得了长足的进步 。自动驾驶是人工智能应用的热门场景之一 。当然人工智能目前尚不完善 ， 自动驾驶也难免遭遇一些尴尬 ， 但其实现方式决定了这就是一条需要不断积累、试错的历程 。科技从来不是一蹴而就的 ， 也就是在这些尴尬的失误帮助下 ， 才能不断成长 。（文：太平洋汽车网 郭睿）
推荐阅读
- 一切有为法,应作如是观到底是什么意思 一切有为法应作如是观是什么意思
- 椰青的药用价值与禁忌是什么 椰青的药用价值与禁忌
- 静以修身是什么文言句式
- 方凯晓晗乔煜是什么电视剧的人物?
- 冰晶体是什么
- 属兔的是什么年份，兔年份对照表
- 每年4月5日是什么节日中国 每年的4月5日是什么节日
- 你是什么星座 土情话
- 锂电子电池的工作原理是什么 锂硫电池的工作原理是什么
- 晚的音序和音节是什么