人工智能的質(zhì)變

2023 年廣州車展，又是煙花繚亂的新車上市，想到半年前的上海車展，一樣的百花齊放，所有車企用盡辦法留住客戶的目光。

但是似乎這半年，似乎什么都沒有發(fā)生，層出不窮的產(chǎn)品，不斷新品被轉(zhuǎn)移的注意力和被迫加入價格戰(zhàn)的各大車企。

半年前的話題是什么？

新勢力會的我們?nèi)昃蛯W(xué)會了，我們會的新勢力永遠(yuǎn)學(xué)不會。

德國大眾看完國內(nèi)車企功能之后，火速解雇自家軟件公司 CEO。

年底百城，全國都能開城市 NOA。

可見即可說。

半年過去了，智能電動汽車的智能真的到來了嗎？多一個功能，多一種控制車的方式，就可以稱之為智能電動汽車變革了嗎？

很顯然不是，這些都只是智能汽車的表象變化。

所以廣州車展，車企宣傳的方式與上海車展幾乎沒有區(qū)別。

真正的智能，一定是從 AI 底層去思考。多一種交互方式不是真正的智能，就像人類，智慧是靠大腦決定的，而不是靠四肢。

很遺憾的是，很多車企強(qiáng)的是四肢的執(zhí)行，而不是大腦的智慧的演進(jìn)。

但是最近發(fā)布的極越 01 喊出的口號是「未來十年的車，都會有極越 01 的影子」。

那差異在什么地方，百度這么多年的 ALLIN AI， 又能給智能汽車提供什么能力？

如果我們希望真正的智能出現(xiàn)在汽車內(nèi)，車企們需要做什么？

在回答這個問題前，我想先探討下智能的定義，為什么人工智能 發(fā)展了這么多年，直到 ChatGPT-3.5 橫空出世，學(xué)術(shù)界才認(rèn)為 AI 步入爆發(fā)期。

01

人工智能的質(zhì)變

很多人會給出一個答案：大模型。

可惜的是，這個答案的定義本身就不夠清晰。什么是「大模型」，沒有一個準(zhǔn)確的定義。

我們可以給出一個模糊的定義：

我們通常所講的大模型，比如 ChatGPT，文心一言，所指的是大型語言模型（LLM，Large Language Model），也就是比較「大」的神經(jīng)網(wǎng)絡(luò)語言模型。

這個「大」主要指模型結(jié)構(gòu)容量大，結(jié)構(gòu)中的參數(shù)多，用于預(yù)訓(xùn)練大模型的數(shù)據(jù)量大。

一個大模型可以分三個層次：算法（模型結(jié)構(gòu)）、模型參數(shù)（數(shù)量和數(shù)值）、訓(xùn)練數(shù)據(jù)。

但是大是一個相對概念，并沒有一個標(biāo)準(zhǔn)的定義，而我們常說的以 ChatGPT 為代表的 LLM，也只是一個 Large Language Model 的模糊定義。

例如下圖中的模型參數(shù)，我們可以看到 GPT-3 的模型參數(shù)量已經(jīng)高達(dá)千億，但是 GPT-3 出現(xiàn)時，并沒有引發(fā)大量的關(guān)注，人們認(rèn)為這不過是一個巨量參數(shù)的模型罷了。

模型參數(shù)沒有策略地變大，其實(shí)沒有帶來真正的變化。

直到 GPT-3.5，在模型參數(shù)沒有顯著變化基礎(chǔ)上。

OpenAI 首次在 GPT-3 之上用人類反饋去微調(diào)模型，使得模型與人類期望相符。

團(tuán)隊尋找了許多具有較高認(rèn)知水平的標(biāo)注員，來保證人類反饋的合理性；并且根據(jù)人類標(biāo)注員的反饋訓(xùn)練了一個獎勵模型，基于這個反饋模型來讓數(shù)據(jù)的標(biāo)注更加趨近人類的感受。

這里的核心是：

從訓(xùn)練的過程中，就保證模型正在往滿足人類偏好的方向進(jìn)行演進(jìn)。

這是從構(gòu)建過程中就產(chǎn)生的本質(zhì)變革，不僅是大量書籍，也包括大量人類的反饋。

就像一個學(xué)生，學(xué)習(xí)了大量書本知識之后，還需要在社會中進(jìn)行歷練，才能真正成長為一個有價值的角色。

這是催生 ChatGPT 產(chǎn)生人工智能質(zhì)變的關(guān)鍵鑰匙。

巨量數(shù)據(jù)訓(xùn)練的模型讓 ChatGPT-3.5 產(chǎn)生了足夠的歸因和推理能力，甚至擁有自我決策的能力。

早期參加一個 AI 論壇時，一位業(yè)界大牛舉了很好的例子：

如果你問 ChatGPT，找出下面的不同的一項：狗，卷心菜，恐龍。

它可以給出自己答案。

卷心菜：蔬菜和動物的區(qū)別；

恐龍：已滅絕生物的區(qū)別。

這是 AI 的質(zhì)變時刻，擁有了自己的決策和歸因能力。

探討完 AI 的變革，我們將目光回到汽車上，什么代表著汽車智能的質(zhì)變？

02

汽車智能的模樣

傳統(tǒng)的汽車是基于按鍵進(jìn)行操作的，以人類的思考為核心，擁有外化的執(zhí)行能力，例如按下一個鍵空調(diào)會打開，可以打開車窗。

這是以服從和執(zhí)行為基礎(chǔ)的人機(jī)交互方式，并不具備任何的決策和理解能力。

現(xiàn)在大部分智能汽車，依然遵循著這種邏輯，無非是將實(shí)體按鍵整合到屏幕上，并沒有產(chǎn)生實(shí)質(zhì)的變化，因?yàn)椴⒉痪邆錄Q策和理解能力。

那汽車智能的質(zhì)變時刻是什么？

這個問題依然不好回答，我想起 OpenAI 最近剛剛推出的一款智能硬件 AI PIN。

這是由 OpenAI 提供技術(shù)支持的可穿戴設(shè)備，專為與大型語言模型交互而設(shè)計。

這款設(shè)備允許用戶通過說話，來撥打電話、發(fā)送短信和搜索信息，還擁有激光顯示屏，直接將手掌變成一個迷你屏幕。

「AI Pin 為人們提供了一個機(jī)會，可以隨身攜帶人工智能」

AI PIN 內(nèi)置的模型來自于 OpenAI，擁有與 ChatGPT 一樣的上下文理解能力，歸因能力。

為了讓人類與科技的關(guān)系真正超越屏幕，我們需要一些完全不同的東西?！笻umane 聯(lián)合創(chuàng)始人 Chaudhri 說道。

這款新硬件的未來似乎并不明朗，有質(zhì)疑也有支持，支持者認(rèn)為這就像第一代 Ipod，為智能手機(jī)變革奠定了基礎(chǔ)。

但是由此可見，以 AI 為核心的交互模式，不再局限在某個屏幕上的下一代智能硬件范式，幾乎成為共識。

硅谷的科技精英們，正在以此為信條，構(gòu)建以 AI 為核心的智能硬件。

如果我們現(xiàn)在將汽車作為一種硬件來看待，那么實(shí)際上，真正的智能汽車，也應(yīng)該遵循下一代智能硬件范式，以 AI 為核心。

真正理解用戶的意圖，并且通過用戶的行為推理出合適的操作，滿足用戶的需求。

AI 不是一種達(dá)成某個功能的手段，而是所有功能的底座。

那么如果以此為界，極越是否真的做了一些思考和變革？

03

極越的智能座艙變革

百度在智能化的長期投入幾乎都在極越上得到了體現(xiàn)，不論是 10 年之前，百度大范圍的科研投入放到自動駕駛；9 年前推出的小度；還是 6 年前，百度徹底轉(zhuǎn)型 AI 和人工智能；亦或是 4 年前，他們與國外同期搭建了學(xué)習(xí)型的文心大模型，以及兩年前文心一格等 AIGC 內(nèi)容生成應(yīng)用的出現(xiàn)，直到今年三月「文心一言」的橫空出世。

極越獲得了這些內(nèi)容的深度加持，極越承載的使命是將百度這些能力具象到真實(shí)世界，與用戶進(jìn)行真實(shí)的交互。

所以在車型設(shè)計之初，極越就確立了以 AI 為核心的理念，也喊出了汽車機(jī)器人的口號。

不只是屏幕

極越是第一批搭載最新高通 8295 芯片的車型，這是為了保證整個智能座艙大腦能在足夠的算力上運(yùn)行，也為了保證百度的智能生態(tài)應(yīng)用都能有機(jī)會在車上運(yùn)行。

這是基礎(chǔ)。

保證了算力基礎(chǔ)，再加上百度業(yè)界領(lǐng)先的智能化水平，那就到了執(zhí)行層面，如何讓智能座艙與用戶進(jìn)行更加順暢的交流和響應(yīng)。

極越的邏輯是：既然以 AI 為核心，那么就可以從「自然交流」出發(fā)，讓汽車從傳統(tǒng)的生產(chǎn)生活工具。

這里面有個核心點(diǎn)，如何構(gòu)建一個「合理」的人機(jī)交互系統(tǒng)。

托起這套系統(tǒng)有兩個點(diǎn)，一個是外化的硬件；另一個是底層軟件。

硬件好理解，而軟件就比較有有意思，這里講的不是應(yīng)用層，而是算法層，想要人機(jī)達(dá)到「自然交流」，首先要做到「全場景」。

以語言能力舉例，現(xiàn)在座艙語言大部分都是基于在線語言模型，但如果是無網(wǎng)絡(luò)狀態(tài)下語音的使用會大打折扣，而極越的本地離線語音模型。

一般來講，語音識別系統(tǒng)由幾個部分組成：將音頻片段（通常為 10 毫秒幀）映射到音素的聲學(xué)模型、將音素連接起來形成單詞的發(fā)聲模型，以及一個表達(dá)給定模型的語言模型。

在早期系統(tǒng)，這些組件是相對獨(dú)立優(yōu)化的。

2014 年左右，谷歌研究人員開始專注于訓(xùn)練單個神經(jīng)網(wǎng)絡(luò)，將輸入音頻波形直接映射到輸出句子。

通過在給定一系列音頻特征的情況下生成一系列單詞或字形來學(xué)習(xí)模型，這種 sequence-to-sequence 的方法促使了 attention-based 和 listen-attend-spell（LAS）模型的誕生。

雖然這些模型在準(zhǔn)確性方面表現(xiàn)出極大的前景，但它們通常會檢查整個輸入序列，并且在輸入時不允許輸出，這是實(shí)時語音轉(zhuǎn)錄的必要特征。

同時，一種稱為 connectionist temporal classification（CTC）的技術(shù)有助于減少當(dāng)時識別系統(tǒng)的延時問題。

這對于后來創(chuàng)建 RNN-T 架構(gòu)是一次重要的里程碑，也被看作是 CTC 技術(shù)的一次泛化。

CTC 其全稱為 Connectionist Temporal Classfication，由 Graves 等人于 2006 年提出，用于訓(xùn)練 RNN 以解決時序可變的序列問題，它可用于在線手寫識別或識別語音音頻中音素等任務(wù)。

發(fā)展到如今，CTC 早已不是新名詞，它在工業(yè)界的應(yīng)用十分成熟，到了 2021 年 例如，在百度早在 2019 年公布的在線語音模型在 CTC 的基礎(chǔ)上還融合了 Attention。

與谷歌關(guān)注移動端推斷不同，百度的語音識別更關(guān)注在線的實(shí)時推斷，他們提出了一種名為「流式多級的截斷注意力（SMLTA）」模型。

SMLTA 模型最核心的概念是利用 CTC 模型的尖峰對連續(xù)音頻流做截斷，然后在每個截斷的小語音片段上進(jìn)行注意力建模。

這種模型利用了截斷多級注意力對長句建模的優(yōu)勢，同時也解決了 CTC 模型的插入或刪除錯誤對注意力模型的影響。

此外，它采用的是一種局部注意力機(jī)制，因此能做到實(shí)時在線推斷。

百度的 SMLTA 主要用于在線語音識別，但通過對 Deep Peak 2 模型的大量工程優(yōu)化，它也能提供離線語音識別。

而離線語音模型主要解決了兩個重要問題：「通信網(wǎng)絡(luò)的延遲」和「固有的不可靠性」。

因此，為什么極越 01 可以做語音變道？

核心是，8295 + 免喚醒 + 識別速度足夠快。

所以極越 01 幾乎取消了所有的實(shí)體按鍵，以語音作為交互方式，就像與副駕的自然交流一樣。

直接通過語音告訴 Simo 你要做的事情。例如副駕可以說需要開門，此時只有前方右邊車門會被打開，這在其他車型上是難以看到的。

實(shí)體按鍵帶來的直接反饋，極越的語音助手真的能夠完全取代嗎？

基于大模型帶來的強(qiáng)大的語音理解能力，我認(rèn)為極越 01 做到了。

不僅如此，極越拓寬了語音伙伴的陪伴范圍，不僅僅在座艙內(nèi)，也在座艙外。

通過聲紋識別之后，用戶可以在車外要求打開車門，這里面比較有意思的是泊車，極越的能力是：泊車時如果有行人擋住車輛進(jìn)退路線，視覺感知到后也會車外語音和行人說「正在泊車，請讓一讓」。

這個功能很容易被理解成「炫技」，但為了炫技在車上增加幾個外擴(kuò)揚(yáng)聲器，以及讓工程團(tuán)隊花絕對的時間去開發(fā)，這在整個汽車行業(yè)成本控制都趨于極限的條件下，顯然不合理。

那答案就顯而易見了，外部語音提醒在低速泊車場景里有其真實(shí)的安全冗余。

低速泊車場景和高速行車不同，除了目前是兩套技術(shù)棧，還有就是場景不同帶來的行車策略區(qū)別，低速場景里的參與者和復(fù)雜度往往并不低，對于感知識別和車控精度要求甚至更高，特別是盲區(qū)范圍和數(shù)量更多。

而且將語音同智駕做融合要涉及底層開發(fā)，我們都是知道極越 01 是浩瀚平臺上的產(chǎn)品，夏一平說過，浩瀚為我們提供了一個強(qiáng)有力的四肢，但極越自己定義了大腦，這個大腦具體是指，從底層自研的電子電氣架構(gòu)到域控能力一體化，再到先進(jìn)算法所組成的智能化能力。???????????

這套架構(gòu)還進(jìn)一步打通了智駕域和座艙域，實(shí)現(xiàn)了高速和低速泊車環(huán)境下的語音指令功能。?????????????

比如，PPA 開啟時可以通過語音實(shí)現(xiàn)變道指令，泊車時可以通過輔助駕駛的感知系統(tǒng)，實(shí)現(xiàn)對外部行人的識別。???????

簡單說就是，智駕域要給智艙域控制器發(fā)一個信號，說有個人在泊車行車路線上，讓系統(tǒng)通過語音去跟這個人交互，說讓他讓一讓。

此時，這個人讓行之后繼續(xù)給車輛 AVP以及環(huán)視感知指令去做泊車。

其實(shí)就一句話：實(shí)現(xiàn)「正在泊車，請讓一讓」這句話，是需要很多工程能力的，同時它是一套安全策略。

極越后期還會 OTA 更多與車外交流的能力。

當(dāng)產(chǎn)品的核心不再是簡單加上一些屏幕，減少一些按鍵，而是對整個交互方式進(jìn)行重新思考時，才會有新的座艙體驗(yàn)。

04

智能化的想象

極越邁出了以 AI 為核心的第一步，那么未來還會有哪些可能的變革？

目前智能座艙還在一種無序的狀態(tài)，每個廠商都有自己的理解，每個廠商都有著一個自己的產(chǎn)品形態(tài)，實(shí)質(zhì)是沒有構(gòu)建出一種新的產(chǎn)品體系，像是大爆炸前的混沌宇宙。

如果我們希望我們的智能化伙伴能夠真正理解我們的需求，那么就需要更多與它們交流的時間和場合；就像我們希望交到一個真實(shí)的朋友，那么我們需要更多時間與他相處，更多真實(shí)情感的交流。

這種全天候的陪伴，極越開始做了。

通過小度上車，SIMO 可以與小度共享同一個主人，共享主人的偏好，更能理解用戶的需求。

打通 SIMO 與智能家居的的互聯(lián)互通。

例如：停好車之后自動打開家里的空調(diào)，上電梯之后，車輛自動開到電梯口來接你，通過小度與家里人直接對話。

這些普通的新勢力是無法完成的，整個家居生態(tài)它們并不滿足，目前看華為、小米、極越更加完整，也擁有更多未來的拓展的可能性。

什么是智能汽車的未來？

最近人工智能圈有一個熱詞：具身智能。

有別于傳統(tǒng)的人工智能概念（如 ChatGPT），強(qiáng)調(diào)具有真實(shí)世界的物理實(shí)體，但也有別于傳統(tǒng)機(jī)器人行業(yè)，強(qiáng)調(diào)具有足夠的自我決策和歸因能力。

當(dāng)我看到極越 2022 年將汽車機(jī)器人作為主要宣傳方向時，我知道極越不將自己局限在一個汽車概念上，而是擁有足夠的智能化能力，只是汽車作為物理形態(tài)的一種產(chǎn)品。

這與 2023 剛流行的具身智能的概念不謀而合，是一種全新的產(chǎn)品定義方式。

我們可以期待一下，跳脫出汽車概念的極越，在人工智能變革的當(dāng)下，還能帶給我們哪些驚喜？