實(shí)現(xiàn)完全自主的無人駕駛還有多遠(yuǎn)

現(xiàn)如今，人工智能已經(jīng)在下圍棋方面勝出，可在駕駛汽車時(shí)，卻似乎比人類顯得笨拙。今年美國的一輛無人駕駛汽車在城市道路上做實(shí)驗(yàn)時(shí)，將一位橫穿馬路的行人撞倒。這起事故，也讓這一備受熱捧的新技術(shù)受到一些爭議。無人駕駛下一步該從哪些技術(shù)角度進(jìn)行完善，我國的無人駕駛技術(shù)近來有哪些進(jìn)展？日前，在由中國自動化學(xué)會主辦、西安交通大學(xué)承辦的2018中國自動化大會上，中國工程院院士鄭南寧對此進(jìn)行了解讀。

中國工程院院士、西安交通大學(xué)教授/人工智能與機(jī)器人研究所所長、中國自動化學(xué)會理事長 鄭南寧

下圍棋屬于邏輯推理腦力勞動，而駕駛汽車卻是感知、運(yùn)動等結(jié)合的腦力勞動。人類經(jīng)過駕校訓(xùn)練，相對容易就可以掌握這個技能，但是用機(jī)器實(shí)現(xiàn)它卻遇到了艱難挑戰(zhàn)。人工智能追求的長期目標(biāo)是使機(jī)器能像人類一樣感知世界和解決問題。對當(dāng)前人工智能而言，解決某些對人類來說屬于智力挑戰(zhàn)的問題相對簡單，但解決那些與真實(shí)物理世界發(fā)生交互的問題依然很困難，而無人駕駛恰恰屬于這類問題。

人類擅長感知預(yù)測 計(jì)算機(jī)擅長邏輯推理

這種情況在人工智能領(lǐng)域被稱為莫拉維克悖論?！八馕吨祟愑X得簡單的事情，計(jì)算機(jī)卻難做到，人類覺得難度大的事情，計(jì)算機(jī)卻完成得很輕松?！编嵞蠈幷f，早在20世紀(jì)80年代，人工智能研究者就發(fā)現(xiàn)了這個挑戰(zhàn)，對計(jì)算機(jī)而言實(shí)現(xiàn)邏輯推理等人類高級智慧只需要相對很少的計(jì)算能力，而實(shí)現(xiàn)感知、運(yùn)動等智慧行為卻需要巨大的計(jì)算能力。

這種情況是由二者的基本特性決定的。如果把人腦和計(jì)算機(jī)做一個比較，計(jì)算機(jī)顯然是在邏輯性、可重復(fù)性和規(guī)范性方面超過了人類，但是人類的大腦具有動態(tài)性、復(fù)雜性，還具有創(chuàng)造性和想象力?！叭祟愃季S是在記憶經(jīng)驗(yàn)和知識的基礎(chǔ)上進(jìn)行預(yù)測、模式分類以及學(xué)習(xí)的。特別要注意這個預(yù)測能力，每個人的大腦中都有預(yù)測的模型，所以說從本質(zhì)上來講，大腦就是一個預(yù)測的機(jī)器，而對于駕駛行為而言，預(yù)測能力非常重要?！编嵞蠈幷f：“但計(jì)算機(jī)要實(shí)現(xiàn)這種預(yù)測則非常困難。”

傳統(tǒng)人工智能的局限性

鄭院士提到，人類面臨的許多問題具有不確定性、脆弱性和開放性。當(dāng)下，人工智能的理論框架，是建立在演繹邏輯和語義描述的基礎(chǔ)方法之上，但我們不可能對人類社會的所有問題建模，因?yàn)檫@中間存在著條件問題，我們不可能把一個行為的所有條件都模擬出來，這是傳統(tǒng)人工智能的局限性。

①符號化人工智能的局限性：對于一個可解的問題，通常的解決方法是抽象出一個精確的數(shù)學(xué)意義上的解析式數(shù)學(xué)模型（抽象不出，即歸納為不可解問題）。然后對已建立的數(shù)學(xué)模型設(shè)計(jì)出確定的算法，但確定的算法往往在面對復(fù)雜的現(xiàn)實(shí)世界中，具有測不準(zhǔn)和不完備等缺陷。圖靈意義下可計(jì)算問題都是可遞歸的（“可遞歸的”都是有序的）,而實(shí)際中存在大量的開放性、動態(tài)性和脆弱性問題。

②深度神經(jīng)網(wǎng)絡(luò)的局限性：CNN算法在實(shí)際應(yīng)用中，往往會過度依靠訓(xùn)練數(shù)據(jù)，缺乏推理和對因果關(guān)系的表達(dá)能力，而大量的人工智能問題需要給出處理對象間的關(guān)聯(lián)、因果以及控制關(guān)系。深度神經(jīng)網(wǎng)絡(luò)依靠于指令驅(qū)動或數(shù)據(jù)驅(qū)動，其存儲架構(gòu)無法進(jìn)行高效的圖數(shù)據(jù)索引和存儲，而在一些應(yīng)用中需要基于事件驅(qū)動的計(jì)算。深度神經(jīng)網(wǎng)絡(luò)也無法在計(jì)算過程中實(shí)現(xiàn)有效的注意機(jī)制（計(jì)算負(fù)載與資源分配），而選擇性注意機(jī)制是構(gòu)成高級AI的基本核心。

讓機(jī)器像人一樣對物理世界直觀理解

人腦對于非認(rèn)知因素的理解更多地來自于直覺，并受到經(jīng)驗(yàn)和長期知識積累的影響，這些因素在人對物理環(huán)境理解與行為交互、非完整信息處理等問題中有著極其重要的作用。而且人類的學(xué)習(xí)是一種與事物互動的過程，人類認(rèn)知過程中的特征概念形成往往是建立在語義解釋的基礎(chǔ)上；人類依賴對事物的觀察（或顯著性特征的注意）在大腦中建立不同的內(nèi)部分析模型，并利用這些模型來推測事物的變化，或是從過去的事件預(yù)測未來。

而機(jī)器學(xué)習(xí)中的特征提取及預(yù)測模型與人類認(rèn)知過程中的特征概念形成及其內(nèi)部分析模型是完全不同的，為使機(jī)器學(xué)習(xí)模型產(chǎn)生人類的認(rèn)知結(jié)果，需要其所學(xué)特征在一定程度上符合神經(jīng)生理學(xué)實(shí)驗(yàn)結(jié)果，同時(shí)要使特征具有數(shù)學(xué)和語義的解釋性。此外，大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的可塑性，以及人腦在非認(rèn)知因素和認(rèn)知功能之間的相互作用，它們是形式化方法難以、甚至不能描述的。因此，鄭南寧院士提出：“我們需要從腦認(rèn)知機(jī)理和神經(jīng)科學(xué)獲得靈感和啟發(fā)，發(fā)展新的AI計(jì)算模型與架構(gòu)，讓機(jī)器具備對物理世界最基本的感知與反應(yīng)，即使機(jī)器具有“常識”推理的能力，從而實(shí)現(xiàn)更加健壯的人工智能系統(tǒng)?！?/p>

需要建造一種更加健壯的人工智能，需要腦認(rèn)知和神經(jīng)科學(xué)的啟發(fā)。計(jì)算機(jī)和人類大腦是對問題求解的物質(zhì)基礎(chǔ)。在智力和計(jì)算能力方面，計(jì)算機(jī)遠(yuǎn)遠(yuǎn)超過了人類，但是人類面對的大部分問題都是開放的、動態(tài)的、復(fù)雜的，大腦在處理這種問題時(shí)表現(xiàn)出的想象和創(chuàng)造，還有對復(fù)雜問題的分析和描述，是傳統(tǒng)人工智能的方法所不能企及的，我們只能夠從人類大腦的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中去獲得構(gòu)造新的人工智能的因素。

直覺推理、認(rèn)知推理和因果模型是構(gòu)建健壯的人工智能必須考慮的基本因素。那么如何來構(gòu)造一個具體的系統(tǒng)？鄭南寧院士認(rèn)為，構(gòu)造機(jī)器人需要三個基本要素：1．對環(huán)境中的所有對象進(jìn)行特征識別，并且進(jìn)行長期記憶；2．理出對象間的關(guān)系，并對它們相互間的作用進(jìn)行描述；3．基于想象力的行為模型，人在進(jìn)行具體行動之前，會想象其帶來的后果，但機(jī)器就需要分析物體之間的各種關(guān)系。

這三種要素是讓機(jī)器像人一樣理解物理世界的基礎(chǔ)。具有想象力的人工智能，就需要首先構(gòu)造一個內(nèi)部預(yù)測的模型，在行動之前預(yù)想到的結(jié)果，其次給出環(huán)境模型，提取有用信息，然后規(guī)劃想象行為，最大化任務(wù)效率（具有想象力的AI）。

用認(rèn)知解決無人駕駛

現(xiàn)在絕大多數(shù)自動駕駛采取了場景感知與定位，決策規(guī)劃與控制，這是一種簡單的 ADAS 形式，但我們要如何通過新的方法來解決這個問題？鄭南寧院士認(rèn)為，第一，要讓自動駕駛汽車像人一樣理解和記憶，就要具有記憶推理和經(jīng)驗(yàn)分析的技術(shù)；第二就，要構(gòu)建進(jìn)化發(fā)展的自動駕駛，其學(xué)習(xí)過程要像人類一樣熟能生巧。

人對變化是非常敏感的，可以提取交通場景中的顯著性變化。比如你在開車時(shí)，如果右前方突然來了一個騎自行車的人，你的注意力會轉(zhuǎn)移到騎車人的身上。在自動駕駛汽車上，鄭院士認(rèn)為要構(gòu)造一個選擇性的注意機(jī)制網(wǎng)絡(luò)，對數(shù)種圖像進(jìn)行理解，并根據(jù)內(nèi)部狀態(tài)的表示，忽略不相關(guān)的對象，選擇下一步要采取的動作。把場景感知和情境計(jì)算融合在一起。構(gòu)建一個模型，融合先進(jìn)知識概念，實(shí)現(xiàn)記憶學(xué)習(xí)。數(shù)據(jù)驅(qū)動轉(zhuǎn)變?yōu)槭录?qū)動，得出可行駛數(shù)據(jù)和不可行駛數(shù)據(jù)大的劃分。

無人駕駛沒那么快進(jìn)入生活

從對錯誤的容忍度來說，人工智能系統(tǒng)可以分成兩大類：一類犯了錯誤可以重來，另一類在統(tǒng)計(jì)意義上不能夠犯錯誤，無人駕駛屬于后者。

從這一現(xiàn)實(shí)來看，鄭南寧認(rèn)為當(dāng)前的無人駕駛技術(shù)主要面臨對環(huán)境的可靠感知、預(yù)行為理解、應(yīng)對意外等方面的難題。

“對環(huán)境的可靠感知，也就是說無論在任何路況和天氣狀況下，無人駕駛汽車都能準(zhǔn)確而周密地感知周圍環(huán)境?！编嵞蠈幷f，而預(yù)行為理解即對對方可能產(chǎn)生的行為進(jìn)行準(zhǔn)確的預(yù)估和判斷，另外還有就是對意外遭遇的處理，包括如何對交警的手勢作出反應(yīng)，如何應(yīng)對突然從路邊闖進(jìn)一個小孩等意外情況。“這樣的突發(fā)異常情況是無人駕駛必須要解決的，但目前還無法事先為這類場景編碼，也無法用簡單的基于規(guī)則的模型來應(yīng)對?！?/p>

鄭南寧表示，針對這些難題所開展的嘗試，需要把深度學(xué)習(xí)網(wǎng)絡(luò)、長短期記憶、選擇性注意機(jī)制以及提取知覺物體等技術(shù)，整合在基于認(rèn)知計(jì)算引擎的自主駕駛系統(tǒng)中，這是無人駕駛研究領(lǐng)域值得研究的方向。

他總結(jié)出了實(shí)現(xiàn)復(fù)雜路況中無人駕駛的四個核心技術(shù)：

1．如何在環(huán)境感知數(shù)據(jù)獲取與融合過程給出知覺物體的基本判斷，形成選擇注意的基本單元；

2．如何在注意的基礎(chǔ)上，將非完整的環(huán)境信息轉(zhuǎn)化為用于決策規(guī)劃的空間結(jié)構(gòu)信息；知覺編組能用最少的領(lǐng)域只是形成目標(biāo)假設(shè)；

3．如何在學(xué)習(xí)和知識集成的基礎(chǔ)上，實(shí)時(shí)處理行駛過程中的突發(fā)事件，即具有自學(xué)習(xí)功能

4．如何在環(huán)境交互和行為決策的基礎(chǔ)上，構(gòu)建無人駕駛的控制系統(tǒng)

在11月份由國家自然科學(xué)基金委員會組織的2018中國智能車未來挑戰(zhàn)賽上，西安交通大學(xué)研制的“先鋒號”智能汽車進(jìn)入高架道路后，平穩(wěn)匯入多輛有人駕駛車輛的自然車流。這輛無人駕駛實(shí)驗(yàn)車還在沒有GPS信號的情況下，在高架橋下的地面道路，由計(jì)算機(jī)自主駕駛通過了S形的彎道和各種路障。

盡管取得了這些進(jìn)展，但鄭南寧認(rèn)為對無人駕駛?cè)匀粦?yīng)該保持冷靜，并沒有那么快就進(jìn)入生活?！罢鎸?shí)的交通環(huán)境復(fù)雜多變，實(shí)現(xiàn)完全自主的無人駕駛是一個令人興奮卻又望而生畏的艱難挑戰(zhàn)?！?/p>

發(fā)現(xiàn)人工智能的突破點(diǎn)還需更多時(shí)間

那么，最終有沒有可能找到一種終極算法，能使某種智能不僅能完成單一的任務(wù)，還能具有非常強(qiáng)大的普遍適應(yīng)性能力，來解決無人駕駛等任務(wù)呢？

鄭南寧表示，未來需要從腦認(rèn)知和神經(jīng)科學(xué)研究中得到啟發(fā)，發(fā)展一種新的學(xué)習(xí)機(jī)器。

“將神經(jīng)科學(xué)和腦認(rèn)知作為新的機(jī)器學(xué)習(xí)算法和架構(gòu)的靈感來源，使用這些知識來幫助我們思考在人工智能系統(tǒng)中如何實(shí)現(xiàn)同樣的功能，是未來人工智能發(fā)展重要的研究方向之一?！编嵞蠈幷f，“我們需要更多時(shí)間來發(fā)現(xiàn)受腦認(rèn)知和神經(jīng)學(xué)科啟發(fā)的人工智能突破點(diǎn)在哪里，也需要多學(xué)科的實(shí)驗(yàn)科學(xué)家和理論科學(xué)家的合作?！?/p>

他同時(shí)提醒，面對近年來人工智能的熱潮，更應(yīng)該將基礎(chǔ)研究建立在嚴(yán)謹(jǐn)?shù)睦碚?、模型建造、?shí)驗(yàn)驗(yàn)證與分析的基礎(chǔ)上。

“如果讓社會的期望值過高，又沒有達(dá)到預(yù)期的目標(biāo)，它就有可能給學(xué)科發(fā)展帶來低潮，甚至是災(zāi)難性影響，使最初期望的目標(biāo)成為‘皇帝的新衣’。”鄭南寧說：“面對人工智能的研究與其在無人駕駛等領(lǐng)域的應(yīng)用熱潮，我們需要保持冷靜的思考，踏踏實(shí)實(shí)推進(jìn)基礎(chǔ)研究和實(shí)驗(yàn)驗(yàn)證?！?/p>