人工智能2.0提供复杂环境感知和系统决策解决方案

伴随人工智能进入2.0时代，人类追求自动驾驶的梦想迎来现实的曙光，业界敏锐捕捉机遇，寻找市场切入点，在引导消费中持续推进产品成熟和培育市场需求，也为自动驾驶发展迎来新机会。据美国CBInsight公司2016年7月报告，2011年至那时，谷歌、微软、Twitter、Intel、Apple等IT巨头收购了约140家AI领域的创业公司，2016年到2017年3月，规模较大的政府和企业投资规模共计超过1000亿美元。美国政府直接进行大规模投资，日本则集结车企和电子产品企业等业界合力投资，芯片企业、互联网企业、汽车企业、软件企业都在通过投资并购寻求发展机会，以推进自动驾驶相关产品开发应用。

一、人工智能2.0提供复杂环境感知和系统决策解决方案

人工智能技术经过起起伏伏但又规律性的发展变化，终于在云计算、大数据、物联网的推动下，信息通信技术与机器学习的完美结合推动人工智能迎来一个崭新的发展阶段，当前流行称谓“人工智能2.0”，其特点可从以下几个方面总结：

从技术背景来看，一是获取各种信息的终端设备广泛普及。根据国际电联《2017年全球网络安全指数》报告，2016年全球互联网用户达到35亿人，约占世界总人口的一半；到2020年，接入互联网的终端设备预计将达到120亿台。近几年物联网的快速发展也推动了大量传感器在生产领域和服务领域的广泛布局，为海量信息的获取提供了便捷收集渠道。二是处理和存储信息的能力大大提高。对大量非结构化和半结构化数据的分布式计算能力，突破运用非关系型的数据存储能力，数据仓库等技术的出现，为海量信息的处理提供了可行的途径。三是支撑快速运算的硬件和软件设施迅速发展。云资源管理技术，计算、存储和网络虚拟化技术，服务器技术和网络设备技术及数据中心设备技术都迅速跟进。

从学习方式来看，一是从单层芯片网络转向类脑神经网络，传统的机器学习方法只利用了一层芯片网络，在2.0时代，人工智能技术立足于神经网络，类似人类大脑，由一个个神经元组成，每个神经元和多个其他神经元连接，形成网状，单个神经元处理简单的问题，组合成分层的整体，解决复杂的问题，将复杂的输入数据抽象和简化。二是从标签学习转向机器学习，传统的人工智能依靠对事物进行特征定义转化为函数输入电脑，计算机根据输入函数形成的事物特征比对现实事物进行判断；在2.0时代，不用事先抽象定义编程输入，只需要直接输入大量客观事物的图片或者关键信息，计算机根据这些信息识别客观事物，实行准确加权、错误降权，这样经过足够多的尝试形成精确的判断能力，完善机器的自我学习。这两个因素形成了人工智能2.0时代机器的深度学习能力。

从应用场景来看，一是需要跨媒体感知和混合智能系统处理的场景，在2.0时代，类人与超人感知，信息的收集、传播和处理可以实现跨媒体的相互融合，聚集群体的混合智能决策系统，这是应用场景的需要，也是2.0时代逐步可以解决的。二是应用领域开始从专门领域向综合性领域转移，在越来越多的专门领域如翻译、下棋等，人工智能的博弈、识别、控制、预测中接近甚至超越人的能力；在智能城市、智能经济、智能制造、智能医疗、智能家居、智能驾驶等从众多综合性领域，人工智能2.0也逐步可以提供一些现实的解决方案。

二、自动驾驶实现的关键就是感知复杂环境并有效控制

自动驾驶的关键技术主要包括环境感知，行为决策，路径规划和运动控制四大部分。环境信息和车内信息的采集与处理是自动驾驶的准备阶段；依据感知系统获取的信息进行决策判断，给车辆下达相应的任务，确定合适的控制策略，这是自动驾驶的起始阶段；智能车辆有了行驶任务，根据获取的信息，按照一定的搜索算法，找出一条可通行的路径，进而实现智能车辆的自主导航，这是自动驾驶的核心环节；接下来就是控制车辆沿着期望的轨迹行驶，这是自动驾驶的结束阶段。按照自动化程度，各国对自动驾驶技术进行了分级，概括言之，大部分国家将自动驾驶大致分成四级，即驾驶辅助、部分自动化、有条件自动化、全自动化（我国分为驾驶辅助、部分自动驾驶、有条件自动驾驶、高度自动驾驶、完全自动驾驶五个级别）。

从当前媒体报道及相关报告提供的资料来看，为了率先推出无人驾驶汽车，企业们的竞赛越来越白热化，但完全自动驾驶汽车技术离成熟还有很远的路要走。2017年初，美国加州作为批复路测资质最多的城市，加利福尼亚州交通管理局（DMV）公布了一份报告，披露了谷歌、福特、特斯拉、通用、本田以及博世等在内的11家自动驾驶汽车研究公司的1年的路测数据，谷歌作为企业自报的领先水平代表企业，“脱离”频率为5128，也就是说每5128英里需要人工干预一次。根据麦肯锡最新报告，未来十年之内达不到全自动驾驶水平，规模商用更加任重道远。

总体上看，硬件的发展水平基本可以满足自动驾驶的需求，CPU和GPU也能提供足够的计算力，但对于软件系统来说，以下三个问题亟待解决：一是需要一个更好的人机交互界面，以协调与其他无人车之间的关系；二是需要建立更好的无人车决策机制，以协调多种情景，执行不同的任务，当前的2.0提供了可能，但成熟应用还需要长期自我学习训练。三是需要建立一个故障安全机制，即使在无人驾驶系统失效时也可以消除潜在危险。这是影响自动驾驶不断晋级的关键。

三、人工智能2.0和自动驾驶迎来了前所未有的契合点

人工智能2.0为自动驾驶执行控制训练学习提供条件。路面上行驶的车辆面临的情况复杂，变化快，稍有不慎就会造成人员伤亡，驾驶员在操作中需要高度专注。传统的算法面对复杂的道路环境，难以迅速做出反应，甚至误判；而且，传统的计算能力让人工智能的训练学习过程变得无比漫长，信息量已经超出了内存和处理器的承载上限；更加棘手的是，不遵守交通规则的突发情况，以及破坏性自然灾害常常存在。在这种情况下，基于神经网络的深度学习提供了解决问题的可能路径，通过人工智能对足够多交通状况的感知，形成自我学习和决定最优解决方案，为自动驾驶提供现实基础，这是人工智能2.0给自动驾驶带来的最大福音。

人工智能2.0为自动驾驶对环境全面感知提供支撑。目前，自动驾驶用来感知环境的信息收集装备主要有摄像头和雷达，摄像头分辨率、速度快、成本低，激光雷达探测范围广、探测精度高，毫米波雷达识别精度高、性能稳定，但抗极端气候和干扰能力差，如果布设多种类传感器组合使用，则成本太高。在这种困境下，人工智能2.0推动了各种智能传感器的发展和普及，这将推动各种传感设备技术的先进化和成熟化，同时也会降低自动驾驶收集外部环境信息的成本，为智能路径规划和自动控制提供精准信息，推动自动驾驶技术的成熟。

人工智能2.0为自动驾驶规避安全风险提供精准预警。在自动驾驶的低级阶段，也就是完全无人驾驶之前，对驾驶员状态进行监测并提供及时的预警也是辅助驾驶的一种重要应用场景，目前部分企业提供的自动驾驶就是基于这种思路。在这种场景下，取代传感知对驾驶员身体姿势，头部姿势，眨眼频率和时间，视线判别，疲劳状态，眼睛姿势，扫视，眨眼动态，认知复核，瞳孔直径和眼环微小扫视运动等的粗略感知，人工智能2.0提供了更加全面的信息收集，处理和反馈，通过深度学习更加精确地发出预警信息，以提高驾驶安全。

人工智能2.0为自动驾驶汽车供—产—销提供高效服务。从产品概念提出到模型建立、生产供应商匹配，再到产品试验测试，人类在参与中已经受到智慧限制的挑战，通过人工智能对热销车型、售后服务、车辆事故等更多数据的积累，调整设计参数、改进生产工艺、生产完美车型，这是人工智能为汽车制造带来的效率和艺术。对顾客消费偏好的海量数据分析，实现广告精准投放，扩大汽车销量；在汽车金融和汽车保险领域，车信数据等创新公司已经开始研发机器学习算法模型的应用，如在现有主流征信源，引入更多非主流数据源，降低汽车金融信贷风险等。

四、自动驾驶的持续快速发展还需突破重重障碍

对照人工智能2.0的特征及自动驾驶的关键技术，毋庸置疑，人工智能2.0给自动驾驶插上了一双可以高飞的翅膀，IHS指出，到2025年全球无人驾驶汽车销量将达60万辆，未来将以每年43%的速度持续增长，但是到底能飞多高，还有其他多方面因素的影响。比如各国法律是否允许自动驾驶汽车自由行使？自动驾驶事故的责任归属智能车开发公司还是车主？智能车能否对所有的极端特殊路况进行感知并实施合理的控制？消费者能否在可以接受的成本范围内实现事故率极少的安全驾驶？等等，类似法律、伦理和安全问题将是影响人工智能2.0和自动驾驶比翼双飞的重要因素。
       责任编辑：tzh