深度学习的通用化应用还不成熟 ,汽车公司对自动驾驶持乐观态度

　　假定你信赖各大公司的CEO，那么感觉可能再过几个月全主动驾御轿车就要完结了。2015年，埃隆·马斯克猜想特斯拉将于2018年推出全主动驾御轿车，Google也是如此。Delphi和MobileEye计划将于2019年推出四级系统，Nutonomy计划于同年在新加坡街头布置数千辆无人驾御出租车。通用轿车将于2019年初步出产全主动驾御轿车，这种车辆没有方向盘，也无法让司机介入——这些猜想反面关系到的是资金的投入，这些公司纷乱下注赌软件的展开可以完结这些大肆的宣传。

　　从表面上看，如同全主动驾御轿车近在眼前。Waymo现已初步在亚利桑那州特定的公共路途上检验轿车。特斯拉和其他效法者也纷乱初步出售功用上有束缚的主动驾御轿车，但假定有意外情况发生，这类轿车仍然需求依托司机进行干与。最近几起事端，有些是丧命的，但是只需系统不断改进，从逻辑上说，我们距离没有人为干与的主动驾御车辆不会太远了。

　　但是全主动驾御轿车的希望可能比我们梦想中还要更加悠远。人工智能专家越来越担忧，距离主动驾御系统可以保证避免事端，可能需求数年甚至数十年。尽管自我操练系统可以应对实践世界的紊乱，但是纽约大学的Gary Marcus等专家则认为从头审视这一问题不可避免，有人称之为“人工智能的寒冬”。这种推迟可能会构成整整一代人都无法完结全主动驾御轿车，这会给那些依托主动驾御技术的公司带来灾难性的成果。

　　深度学习的通用化运用还不老到

　　很简略了解为什么轿车公司对主动驾御持乐观态度。

　　在以前的十年中，深度学习(一种运用分层机器学习算法，从海量数据集中提取结构化信息的方法)现已在人工智能和技术工作获得了惊人的发展：它加强了Google查找、Facebook的News Feed、将会话语音转成文本的算法、还支撑Go-playing系统。在互联网之外，我们用机器学习检测地震、猜想心脏病，并通过摄像头检测行为，还有许多不可胜数的立异。

　　但是深度学习需求很多的操练数据才华正常作业，几乎需求涵盖算法可能遭受的全部情况。例如，Google图片等系统非常长于辨认动物，只需有操练数据向他们展示每种动物的姿势。Marcus称这种任务为“插值”，即扫描全部被标记为“豹猫”的图像后，判定新图片是否归于同一组。

　　工程师可以根据数据的来历和结构获得构思，但是已有算法的范围有严峻的束缚。除非现已看过几千张豹猫的图片，不然即使是同一个算法也无法辨认豹猫——即使这个算法现已看过了家猫和美洲豹的图片，且知道豹猫是介于两者之间的东西。这个称之为“通用化”的进程需求一套不同的技术。

　　长期以来，研讨人员认为他们现现已过正确的算法前进了通用化技术，但是最近的研讨标明，传统的深度学习在完结通用化方面比我们梦想的更糟。一项研讨发现，传统的深度学习系统甚至难以在一个视频的不同帧上完结通用化，跟着布景细微的改动，深度学习会将同一只北极熊错认为狒狒、猫鼬或黄鼠狼。因为每个分类都汇总了数百个要素，因此即使是图片细微的改动也可以完全影响系统的判别，这种现象被其他研讨人员当作敌对数据集运用。

　　无人驾御轿车深陷困境

　　Marcus指出谈天机器人热潮就是最近炒作通用化问题的一个比方。

　　“我们承诺于2015年推出谈天机器人，”他说，“但是它们没有什么帮忙性，因为它不过是收集数据。”当你在网上与人扳话时，你不想从头谈论前期的对话。你希望他们回应你所说的话，运用更加广泛的会话技巧来做一起的回应。深度学习无法建立那种谈天机器人。开始的炒作往后，各个公司就会对谈天机器人项目失掉决心，很少有人仍在积极地开发。

　　这给特斯拉和其他主动驾御公司带来一个可怕的问题：主动驾御轿车会像图片查找、语音辨认和其他人工智能的成功相同不断前进吗?它们会像谈天机器人相同在通用化的问题上卡壳吗?主动驾御技术是插值问题仍是通用化问题?驾御真的很难猜想吗?

　　现在可能还为时过早。Marcus说：“无人驾御轿车就像一个我们不知道答案的科学实验。”我们从未完结过这个等级的主动驾御，所以我们不知道它是什么类型的任务。在某种程度上，它需求辨认了解的方针，遵守规则，现有的技术应该可以担任。但是Marcus担忧，事端多发情况下的驾御可能比业界招认的还要凌乱。“新情况的出现，对深度学习来说并不是一件积德行善。”

　　我们的实验数据来自公共事端陈说，每个陈说都供应了一些不寻常的难题。2016年特斯拉的那场事端中，Model S轿车因为遭到拖车的高度和太阳光反射的影响，全速撞上了一辆白色半挂车的尾部，本年3月，Uber的一辆主动驾御轿车事端撞死了一名推着自行车横穿马路(违反交通规则)的女士。根据美国国家运送安全委员会的陈说，Uber的软件在做其猜想时，首先将这位女士误认为不明物体，继而错认为一辆自行车，终究确认为一辆自行车。特斯拉在加利福尼亚州的一次事端中，Model X在碰击发生之前突然转向障碍物并提速，原因至今不清楚。

　　每次事端看似都是一个极点的比方，工程师无法对这类的工作提前作出猜想。但是几乎每次事端都触及某种无法猜想的情况，假定没有通用化的才华，那么主动驾御车辆不得不在每次遇到这些景象的时分，当作第一次来处理。成果将是一连串的意外事端，且跟着时间的展开，这些事端次数不会减少，风险系数也不会下降。关于持怀疑态度的人来说，《无手动操作陈说》的改动标明这种情况还将继续，且将坚持必定的稳定水平。

　　Drive.AI创始人Andrew Ng是前百度的高管，也是该工作最著名的推动者之一，他认为问题不在于建立完美的驾御系统，而在于练习旁观者猜想主动驾御车辆的行为。换句话说，我们可认为轿车供应安全的路途。作为一个不可猜想事例的比方，我问他是否认为现代系统可以处理行人玩弹跳杆的行人，即使它们曾经从未见过。Ng跟我说：“我认为许多主动驾御车辆团队可以处理在人行横道上玩弹跳杆的行人。话虽如此，在高速公路上玩弹跳杆是非常风险的。”

　　他说：“我们应该和政府协作，要求合法并得到人们的谅解，而不是通过人工智能来处理弹跳杆的问题。安全驾御不仅仅与人工智能技术的质量有关。”

　　人们应下降对主动驾御轿车的希望

　　深度学习不是仅有的人工智能技术，许多公司现已在探求代替计划。尽管这些技术在业界遭到严密保护(单从最近Waymo申述Uber就能看出来)，但是许多公司现已转向根据规则的人工智能，这是一种较老的技术，可以让工程师将特定的行为或逻辑写死到其他自导系统中。它没有通过研讨数据来编写自我行为的才华(而深度学习恰恰是因为这种才华引起了注重)，但是它可以让这些公司避免一些深度学习的局限性。因为深度学习对根柢感知任务的影响仍然非常深化，因此很难说工程师怎样才华成功地检测出潜在的差错。

　　身为Lyft董事会的风险资本家Ann Miura-Ko标明，她认为问题的一部分是对主动驾御轿车自身的高度希望，所以我们将无法全主动视为一种失利。 Miura-Ko说：“希望它们从零级一跃到五级不等于技术的失利，更像是不应有的希望。我认为全部这些细微的前进都对迈向全主动驾御有着特别的意义。”

　　不过，我们还不清楚主动驾御轿车还要在现在的困境里继续多久。像特斯拉的主动驾御轿车等半主动的产品也满意智能，可以处理大多数的情况，但是假定发生不可猜想的情况，仍然需求人为干与。

　　当出现问题时，很难判别是轿车仍是司机的问题。关于一些谈论家来说，即使犯错不能完全归咎于机器，这种混合驾御也不如人类驾御员安全。根据兰德公司一项研讨估量，主动驾御车辆必须在不出现任何去世工作的情况下，跋涉够2.75亿英里才华证明它们和人类驾御员相同安全。特斯拉的主动驾御轿车出现第一次去世工作时的跋涉路程数大约为1.3亿英里，远远低于标准。

　　但是，运用深度学习控制车辆怎样发觉物体并抉择应对，前进事端发生率比看起来更难。杜克大学教授Mary Cummings标明：“这不是一个简略的孤立问题，”他指本年早些时分Uber事端导致一名行人罹难。“这起行人去世工作中的感知抉择计划周期是彼此相关的。因为感知的迷糊导致了差错抉择(不做处理)，而且因为它从感知器上得到了太多的差错警报，所以导致没有刹车。”

　　起事端导致Uber暂停了夏天的主动驾御车作业，对其他公司计划的推出是一个不祥之兆。在整个业界内，各大公司正在竞相抢夺更多数据来处理问题，并假定具有最高路程数的公司将建立最健壮的系统。但是这些公司看到的是数据问题，而关于Marcus来说这是更难处理的问题。

　　Marcus说：“他们只是在运用他们希望可以成功的技术。他们依托大数据，这是他们赖以生存的根柢，但是没有任何根据可以抵达我们所需求的精确度。”