无人驾驶与“零原则”

电子说

1.2w人已加入

描述

生物界的寒武纪大爆发的成因到今天依然是个未解之谜。但可以肯定的是,在寒武纪大爆发时期出现的一项关键“技术”就是视力。在寒武纪时代以前,没有任何化石证明眼睛的存在,但在此之后却出现了多种视觉器官。无人驾驶汽车和有人驾驶汽车的区别之一,在于多了一双“眼睛”,但这双“眼睛”将颠覆万亿级传统汽车市场。

无人驾驶与“零原则”

“撼动传统行业的新兴科技都有一个共同特点:产品推出后,一项或者多项生产工作的成本将降到几乎为零。”哥伦比亚大学人工智能实验室主任利普森(Hod Lipson)教授在《无人驾驶》一书中写道,这个原理叫做“零原则”(Zero Principle)。

先来看一些符合零原则的历史先例,从蒸汽机开始。假如你是18世纪末英国的技术观察家,你会考虑对新兴的商用蒸汽机进行投资吗?如果你用零原则来衡量这个新产品的投资价值,就能马上看到它的潜力。

蒸汽机大幅降低了动力行业的机械成本,在发明蒸汽动力以前,工厂和磨坊的动力来源都受到直接、间接的现实操作限制。当商用蒸汽机被引入工业时,直接和间接的动力机械成本都被“蒸发”掉了,转变了制造流程,最终引发工业革命。

将近200年后,另一项产生深远影响的发明——计算机出现了。和蒸汽机一样,计算机影响了整个行业的发展,因为它降低了曾经十分昂贵的计算成本。

那么,今天的无人驾驶技术的发展是否会出现颠覆性的局面?

我们把零原则应用在无人驾驶的案例中,看看哪些直接或间接成本能减少,无人驾驶汽车能减少的最大经济、社会成本之一就是交通事故造成的伤害。

另外,能节省下驾驶的时间。对于普通人来说,花在驾驶上的时间是间接的机会成本。对于运输公司而言,人类司机的时间成本直接以薪酬的形式体现,是决定货物运输过程的主要因素。

最后,由于无人驾驶技术去掉了人为易发生事故的因素影响,汽车和货车车辆不再需要以“体型庞大”和“专为安全性而设计”的形象出现,同时无人驾驶还能降低燃油的消耗,催生丰富多样的车身和车型。

如果我们仔细梳理一下,会发现无人驾驶将四项核心成本减至接近零。

1、接近零伤害。驾驶是高风险行为,无人驾驶汽车能极大降低车祸的直接或间接成本,也减少了每年因交通事故住院的医疗成本(美国全年的医疗费用在180亿美元)。以及相关的工薪损失(每年330亿美元)。医疗、保险、器官捐献等收入与交通事故挂钩的行业将丧失部分收入来源。

2、接近零成本。无人驾驶汽车去除了一项客运或货运的成本:工资。货车司机的工资是运输货物、商品的一项重要成本。乘坐出租车的成本也和出租司机的工资有关。

3、接近零耗时。无人驾驶汽车将驾驶的时间减少至零。平均每天美国人花在驾驶上的时间是3小时,每年耗在交通拥堵上的时间是63小时。以前用于驾驶的时间可以用于工作或个人生活。

4、接近零尺寸。有人驾驶的车辆出于安全设计的限制,体型庞大沉重。无人驾驶汽车的事故可能性较小,因此车型更小,重量更轻。没有司机的货运车只需要与所运输的物品大小一致即可。

无人驾驶概念车

无人驾驶——人工智能寒武纪大爆发的开端

寒武纪大爆发是生物进化史上的重大事件,在此之前绝大部分主流的动物门尚未形成,只存在简单的生命形态;在此之后的几百万年中,生物多样性加速发展——开始出现多细胞机体,生命形态变得与我们今天所熟悉的动物王国非常类似。

寒武纪大爆发的成因到今天依然是个未解之谜。但可以肯定的是,在寒武纪大爆发时期出现的一项关键“技术”就是视力。在寒武纪时代以前,没有任何化石证明眼睛的存在,但在此之后却出现了多种视觉器官。

在寒武纪中后期的伯吉斯页岩中,出现了不同种类的眼睛,适应此前出现的多种器官形态——视觉敏锐度不同,光线敏感度不同,对波长、动态和色彩不同的识别能力。

我们无法确切知道视力是否在寒武纪的生物多样性出现中扮演了重要角色,但我们可以在此做一个假设:并非眼睛本身带来了多样性,而是其后的认知能力的发展。

区别于触觉、味觉和嗅觉,视觉信息是“高带宽”的,在空间分辨率和时间流中,导致数据率比其他感觉器官要高。因为数据是远距离的传感器,范围覆盖机器以外的广阔世界,需求新的场景分割认知器官,空间模型和对世界的了解。

提供视觉信息的机制控制了我们的大脑。数据显示,每只眼睛含有15亿的光传感器,而一只耳朵只含有3万个声音感觉神经。处理视觉信息的神经元占皮层的30%,而触觉和听觉的神经元分别只有8%和3%。

生物界的寒武纪大爆发与机器人的前景探索具有极高的相似性。DARPA计算机项目前负责人吉尔·普拉特(Gill Pratt),在2015年被任命为丰田公司自动驾驶汽车分部的领导时写道:

今天好几项前沿技术的发展正在机器人的多样性和能力发展范畴燃起一场大爆发。机器人依赖的许多基础硬件技术,尤其是计算能力、数据储存和交互能力,正在以幂次数量级的速度增长。两项新技术——云计算和深度学习将会影响上述基础技术在良性循环中进行爆炸性发展。

确实,对机器人影响重大的基础技术正在飞速发展,这些技术使自动驾驶汽车的潜力和多样性成为可能,这背后有六大驱动力:

1、动力储存与效率的幂次增长

自动驾驶机器人需要动力的自动化;在过去的几十年中,电池技术不断进步。从1950年的铅酸电池到今天的聚合物理锂离子电池效能提高了两倍。

除了电池能力以外,机器人甚至能从效率的提高中获得更大的动力,例如发动机效率的提升。动力储存和效率的提升加速了自动驾驶系统整体性能的提高。性能更优的机器人可以花更多的时间做事情和学习,降低充电和获取动力的时间。

2、计算能力的幂次增长

正如摩尔定律所预测的,每一块钱所能购买的可用计算能力每18个月增加一倍。由于受到体积限制,最近几年的晶体管小型化发展速度下降,然而每单位美元能购买的计算能力却继续以其他方式来增长,如多核平行等。

对于需要处理数据流和实时决策的自动驾驶系统而言,计算能力真是至关重要。高速的处理能力能让机器人在机构化程度较低环境中顺利运行,更快地从经验中学习。

3、传感计算的幂次增长

从激光雷达发展到超声波,传感器变得更精确,速度更快,价格更低。所有维度中快速发展的传感器之一是相机。受到移动设备发展驱动,相机技术的性能和价钱都在以幂次数量级发展。

光学仪器和传感器在成本、大小、性能的发展使得多功能的相机可以媲美一个机器人。多重数据流带来更好的认知性能,因为人们可以从多个视点(例如,来自超立体视觉的深度感知和速度感知)获得更可靠的场景理解,同时在应对恶性破坏和暂时的传感盲区时,带来更高的鲁棒性(所谓“鲁棒性”,是指控制系统在一定(结构,大小)的参数摄动下,维持其它某些性能的特性)。

4、数据储存的幂次增长

数据储存能力正在以幂次数量级的速度不断增长。这些提高影响的不仅仅是每一块钱能购买多少储存字节,还影响了数据存储和检索的速度和可靠性,每次数据存储消耗的能量,数据的物理重量。当机器人能高效地在本地储存大量数据,它们能回忆并重复利用以前的经验,从过去储存的经历中学习新的知识。

5、交互宽带的幂次增长

几十年前,信息传送不仅速度慢、技术困难、价格昂贵,而且效果不佳。今天我们通过卫星以太字节为单位的信息量,丝毫不会怀疑信息是否能完整到达目的地。长距离的交互能力与可靠程度,以及允许机器人相互之间分享数据和本地结果分析,催生了联合分享智能技术,就是所谓的云机器人。

未来几年5G技术应用落地将极大推动无人驾驶发展。可以说,非5G网络环境下的无人驾驶都称不上真正意义上的无人驾驶。

因为无人驾驶依靠的最核心技术是高精地图。而高精地图需要实时更新,通过传感器、摄像头采集到的信息通过通讯手段(比如5G网络)与云端做交互,能使得地图更加智能。基于智能地图信息的路径规划,通行效率更高。

而且高精地图的数据量巨大,达到Gbit/公里级别或以上,以尽量少的时间完成更新,需要超高速带宽。

6、幂次增长之王——算法

在计算机科学和电子工程师中流传着一种说法,无论硬件工程师取得什么样的进步,软件工程师都能马上“废了”它们。

举个例子,我们用算法来解微分方程。这一类的数学算法对任何需要进行预测和动态控制的机器人来说,都是关键的因素。1945-1985年间,执行这类基础任务的算法以每年3万点的系数在增长,或者平均29%的增长率。

在“数据为王”的今天,数据科学家离不开算法的使用。2017年,著名的资料探勘信息网站KDnuggets策划了十大算法调查,数据显示,与用于数据分析/数据挖掘的2011年投票算法相比,Boosting算法同比增长40%,文本挖掘同比增长30%,回归算法同比增长16%。

近日,地平线创始人兼 CEO 余凯博士也在《AI芯片卡位战:谁赢得自动驾驶处理器,谁就赢得了AI时代》一文中写到:应用场景决定算法,算法定义芯片,软硬件协同设计,这就是 AI 时代的新摩尔定律。谁理解了应用场景并掌握了算法,谁就掌握了核心优势。

写在最后

从多细胞进化出视觉感知细胞,花了500万年;从视觉感知细胞进化到智人花了5亿年。如果依照这个时间做类比,感知器花了50年时间从20世纪50年代的“无视力机器人”发展而来,也许要花上500年的时间,人工智能才能发展到人类水平相当的自我意识觉醒。硬件进化的这股发展趋势,可是算法的进化遵循其自身的间隔发展特点。

不过,无论是2020年还是2500年,相比于人类的进化历史来说,都太快了。

人类一直以来都倾心追求制造出有生命的活物,古时候的炼金术士用尽各种办法,赋予泥石流生命的气息。历史上出现各种神秘的处方,多年以后,炼金术士被他们的现代“追求者”——机器人学家所取代。今天,研究机器人的专家拥有更好的工具、更深层的理解力和稍微充裕一些的资金。最终,我们依然在不停尝试,把生命的气息带给毫无生命特征的机器。

打开APP阅读更多精彩内容
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉

全部0条评论

快来发表一下你的评论吧 !

×
20
完善资料,
赚取积分