专访吴甘沙：无人驾驶的商业化破局，与驭势科技的从1到10(2)
2017-05-26 编辑：
吴甘沙坦言，从Demo到实际场景的运营，其复杂度、机动性是上了一个台阶的。这就像从原来叶问对着咏春木人桩练习，到与少林18铜人对战，由静入动，在这种情况下，如何判断态势、评估他者（人或动态物体）的动机、预测其行为，并合理获得路权至关重要。
比如，老司机在开车时会根据前方车速快慢决定是否超车、并线，目前，驭势科技使用的是强化学习的方法模仿老司机，在100公里的时速下，可以在前车行驶过慢时进行打灯并线、超车、之后再并线回到原来车道。
但使用大数据驱动深度学习也有命门：即机器很可能会出现训练集中毒、偏差——人举着哑铃的图片作为数据输入，不断训练的结果是，机器会将这段举着哑铃的胳膊也当成哑铃的组成部分。
此外，深度学习最著名的命门，也是至今学术界和研发人员未解决的问题，就是人们并不明白系统是怎么工作的，其原理是一个黑盒子，不具有可解释性。这个选择为什么好、为什么差甚至一定程度上是随机的。
比如，Christian Szegedy等人曾在ICLR2014发表的论文中提出了对抗样本（Adversarial examples）的概念，即在数据集中通过故意添加细微的干扰所形成的输入样本，受干扰之后的输入导致模型以高置信度会得出一个错误的输出。在他们的论文中，他们发现包括卷积神经网络（Convolutional Neural Network, CNN）在内的深度学习模型对于对抗样本都具有极高的脆弱性。
我们人眼可以轻而易举识别出来的图像、物体，假以对抗样本，机器通过深度学习却完全识别不出来。
吴甘沙认为，在开放动态环境下的无人驾驶需要更强壮的AI，要建立这样一种AI，需要深度学习和强化学习两种打法结合。强化学习追求可解释的逻辑推理（理性思考）、强调常识、经验、可以积累的背景知识，同时辅以迁移学习的举一反三、基于贝叶斯的因果推理。
现在在开放道路无人驾驶做得最好的是谷歌Waymo，每5000千英里（合8000多公里）需要一次人类干预，特斯拉每3英里需要一次人类干预，而自动驾驶新秀Uber则每英里需要一次人类干预。但即使是做得最好的Waymo，也不及人类驾驶员的万分之一，人类驾驶员每9000万英里出一次小型事故。
一个很快的解决方案就是使用模拟、仿真，即基于大数据进行快速建模，模拟天气、光照、雨天等，用模拟、仿真+强化学习、以及生成性对抗网络（用于中和上文提到的对抗样本，进行降噪，贴出为真、为假的标签）作无人驾驶中的深度学习。
这几日柯洁在乌镇连连败给AlphaGo，人工智能将不可避免地成为无人驾驶领域的重要探索方向。驭势目前正在与国内外研究机构合作研发驾驶AI，国际著名Tier 1供应商博世也建立了自己的AI孵化器。
无人驾驶AlphaGo比肩人类驾驶员的那一天，或许就在不久后到来。
我是36氪汽车小组负责人卢姿伊，负责特斯拉、无人驾驶、新能源、车联网、出行及后市场，欢迎直接与我联系，微信：17701221940
相关阅读：
相关推荐：