不久以后，AI驅(qū)動(dòng)的無(wú)人駕駛汽車(chē)將大規(guī)模上路。

但是無(wú)人駕駛車(chē)上路只是成功的一半。系統(tǒng)操作員還需要對(duì)上路的無(wú)人車(chē)軟件模型，車(chē)隊(duì)頻繁地部署升級(jí)。無(wú)人車(chē)不是幾個(gè)月才升級(jí)一次的手機(jī)小游戲，為了保證乘客安全，無(wú)人車(chē)的軟件必須定期升級(jí)。

很多汽車(chē)制造商認(rèn)為，他們面臨的最大的挑戰(zhàn)就是需要持續(xù)地對(duì)軟件模型進(jìn)行訓(xùn)練和升級(jí)。最終解決方案中，深度學(xué)習(xí)AI技術(shù)平臺(tái)，組織管理功能，甚至包括人類(lèi)都是其中各司其職的一部分。

距完全無(wú)人駕駛汽車(chē)的發(fā)布至少還需要5年左右。目前的無(wú)人車(chē)安全性還沒(méi)有達(dá)到大規(guī)模商用的標(biāo)準(zhǔn)。谷歌無(wú)人汽車(chē)還在犯錯(cuò)，比如它不明白為什么停車(chē)標(biāo)志下騎車(chē)的人坐著不動(dòng)，可以在高速上行駛的特斯拉Autopilot卻在當(dāng)?shù)亟值郎铣霈F(xiàn)故障。其實(shí)，需要解決的無(wú)人駕駛汽車(chē)的極端情況數(shù)不勝數(shù)，還有很多未發(fā)現(xiàn)或未考慮在內(nèi)的問(wèn)題。只有解決了足夠多的場(chǎng)景下可能出現(xiàn)的問(wèn)題后，無(wú)人駕駛汽車(chē)才能說(shuō)是“足夠安全”的。正如特斯拉最近發(fā)布的消息：

“無(wú)人車(chē)的正確率達(dá)到99%相對(duì)容易，但要達(dá)到99.9999%卻要困難的多，而這才是我們最終的目標(biāo)， 因?yàn)橐?0英里每秒行駛的車(chē)如果出現(xiàn)故障后果不堪設(shè)想。”

持續(xù)不斷的升級(jí)挑戰(zhàn)

雖不能達(dá)到100%的精準(zhǔn)度，但我們?nèi)砸^續(xù)嘗試，這正是在無(wú)人汽車(chē)大規(guī)模進(jìn)入市場(chǎng)后，持續(xù)對(duì)其“大腦”進(jìn)行升級(jí)將成為業(yè)界慣例的原因之一。同時(shí)，這也是新興科技與人類(lèi)強(qiáng)強(qiáng)聯(lián)合的用武之地。

想要理解為什么持續(xù)升級(jí)過(guò)程會(huì)帶來(lái)挑戰(zhàn)，以及科技和人類(lèi)如何合作，可以先了解一點(diǎn)無(wú)人汽車(chē)的工作模式，以及人類(lèi)“教”無(wú)人車(chē)駕駛的方法。假設(shè)現(xiàn)在是2025年，Hooli公司　的全無(wú)人汽車(chē)已經(jīng)商用了好幾年。在上百萬(wàn)已經(jīng)上路的Hooli無(wú)人汽車(chē)中，大概每輛汽車(chē)中都有一個(gè)機(jī)載計(jì)算機(jī)。

計(jì)算機(jī)將車(chē)載傳感器的信號(hào)作為輸入，并輸出汽車(chē)應(yīng)該采取的操作。計(jì)算機(jī)用一個(gè)高度精準(zhǔn)的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型編程而成，汽車(chē)可以高質(zhì)量地完全幾百種行為，比如遵守停車(chē)標(biāo)志，遇見(jiàn)黃燈減速，避免撞到十字路口的行人等等。但如上所述，Hooli希望定期升級(jí)模型以提高安全性，而他們希望的升級(jí)頻率是一周一次。

為簡(jiǎn)單起見(jiàn)，假設(shè)Hooli只想提升一項(xiàng)汽車(chē)行為的性能——變換車(chē)道。Hooli的無(wú)人汽車(chē)每周都要執(zhí)行1億多次變換車(chē)道的操作，在此期間汽車(chē)會(huì)搜集附近汽車(chē)的地理空間信息并據(jù)此作出操作抉擇。而附近汽車(chē)的地理空間信息由車(chē)載攝像機(jī)所拍攝圖片的3D“包圍盒”顯示出來(lái)。

人工介入

深度學(xué)習(xí)模型計(jì)算出的某些包圍盒難免會(huì)有瑕疵，而這些錯(cuò)誤可能會(huì)導(dǎo)致災(zāi)難。比如，如果模型估計(jì)旁邊那輛15英尺的汽車(chē)只有10英尺長(zhǎng)，無(wú)人駕駛汽車(chē)就會(huì)變換車(chē)道并撞到這輛車(chē)的保險(xiǎn)杠，導(dǎo)致車(chē)禍甚至是人員傷亡。幸運(yùn)的是，這種災(zāi)難可以通過(guò)人類(lèi)的介入而避免。人類(lèi)能夠檢查模型得出的邊界框，發(fā)現(xiàn)任何錯(cuò)誤都可以重新繪制，不斷糾正的過(guò)程中車(chē)載模型就能夠不斷升級(jí)。

當(dāng)然，讓人類(lèi)每周檢查1億個(gè)變換車(chē)道的視頻并不實(shí)際，幸運(yùn)的是，Hooli有一個(gè)更簡(jiǎn)單的辦法。產(chǎn)生包圍盒的深度模型有不同的置信度，低置信度通常會(huì)產(chǎn)生不準(zhǔn)確的邊界框，因此如果Hooli的員工只觀看低置信度的邊界框，也能合理地確保能夠找到無(wú)人車(chē)最嚴(yán)重的故障。

比如，Hooli　讓員工觀看的含邊界框的視頻的置信度低于30%。結(jié)果顯示滿足這一標(biāo)準(zhǔn)的視頻只有5000，這明顯比1億個(gè)視頻更好追溯。假設(shè)對(duì)一個(gè)視頻的邊界框進(jìn)行檢查和糾正（如果必要的話）需要一分鐘，那么5000個(gè)視頻則可以由100個(gè)人在一個(gè)小時(shí)內(nèi)完成，那么Hooli　每周就有足夠的時(shí)間升級(jí)深度學(xué)習(xí)模型。

改正了錯(cuò)誤的邊界框，升級(jí)后的圖像可以饋入訓(xùn)練過(guò)程，并生成升級(jí)后的模型。為了檢驗(yàn)升級(jí)后模型的性能是否優(yōu)于升級(jí)前模型，Hooli　分別用驗(yàn)證數(shù)據(jù)集對(duì)兩個(gè)模型進(jìn)行檢驗(yàn)（比如，含有人類(lèi)驗(yàn)證后的邊界框的共計(jì)一個(gè)小時(shí)的視頻），并比較兩個(gè)模型預(yù)測(cè)的邊界框與人類(lèi)驗(yàn)證后的邊界框的整體“貼近度”。然后將提升后的模型部署到1百萬(wàn)輛Hooli　汽車(chē)中，這與現(xiàn)在的特斯拉的軟件升級(jí)有點(diǎn)像。

很多人擔(dān)心AI會(huì)不會(huì)讓所有事物自動(dòng)化，偷走人類(lèi)工作，甚至將人類(lèi)趕下臺(tái)等。深度學(xué)習(xí)等科技帶來(lái)了無(wú)人駕駛的巨大進(jìn)步，但仍然需要人的大量參與才能識(shí)別無(wú)人駕駛系統(tǒng)的故障，研發(fā)并管理更改故障的流程，這或許讓人稍感寬慰。簡(jiǎn)而言之，讓汽車(chē)學(xué)習(xí)思考還是需要人類(lèi)出馬。

注：本文作者Naveen Rao是　Nervana Systems　的CEO，同時(shí)也是一位神經(jīng)學(xué)家和處理器架構(gòu)師，一直致力于研發(fā)電腦模擬人腦的方法。