自動駕駛太難的因果

近日，特斯拉汽車的馬斯克說自動駕駛太難了，將現(xiàn)在的自動駕駛的人工智能（AI）責任推脫給學術界：“學術界沒有將AI變成真正的智能”。

一、現(xiàn)主流AI是炒作出來的

事實上，目前包括應用在自動駕駛的AI算法，占AI算法主流的深度學習算法不是學術界推出的，而是商業(yè)炒作出來的。多年前谷歌等國際大公司就看準應用深度學習算法需要無限的算力，大有賣他們GPU的商機，便大力制造本來深度學習在其中作不大的的機器人戰(zhàn)勝人類最高棋手等轟動新聞，大肆宣傳深度學習的威力，并投巨資建立起便于學習和可照貓畫虎地在簡單應用場景確實有效的深度學習的開源程序等開發(fā)環(huán)境，同時用多種方式和渠道大批量培訓出各層次的相關技術人員，最終將深度學習炒作成為充滿世界的讓一大批人頂拜的AI算法?？梢哉f，當今的中國人工智能也被深度學習深深的綁架?？匆幌略趪鴥?nèi)教學、科研、評獎、揭榜等等；在產(chǎn)業(yè)園、科技園、示范區(qū)、引導區(qū)處處都是在以深度學習為主，甚至在被獨尊。

  人工智能算法出現(xiàn)此種怪象有多種可能，最好的可能是有好的人工智能算法在國家尖端領域已在秘密研制和使用。最不好的可能是因深度學習受獨寵，好的人工智能算法一直在被排斥或封殺。

二、自動駕駛為何太難

如此被獨寵的深度學習的真實情況是什么樣呢？經(jīng)多年來實踐，已有許多專家、院士、技術人員指出深度學習是存在魯棒性差、不可解釋、有NP問題等較多缺陷，特別是還有致命的黑箱存在的大模型、大數(shù)據(jù)、大硬件的AI算法。因此，連深度學習的發(fā)明人Hinton教授都早在2017年因無法解決深度學習存在的嚴重的缺陷，公開宣布放棄深度學習，要推倒重來。但是，廣大的用戶并不了解詳情，不免遭受強大資本的作用和利益驅(qū)動的推廣單位和人員的蠱惑，大量在使用深度學習。

客觀講，深度學習在學術上比以專家?guī)鞛橹鞯纳弦淮鶤I是有進步的，特別是在人臉識別、語音識別等應用場景比較簡單、數(shù)據(jù)量不很大的應用中還是有效果，所以有較大的迷惑性。但是，深度學習在處理復雜場景和大數(shù)據(jù)量應用需求時，就不能勝任，甚至錯誤頻出。由于自動駕駛的巨復雜性，就不可避免地成為受深度學習應用影響最大的重災區(qū)。想用深度學習完成自動駕駛，自然是難上加難。

三、深度學習在自動駕駛很難有果

如同古人想學鳥飛翔，試圖人造翅膀飛，但都未能如愿飛遠?，F(xiàn)代人依據(jù)空氣動力學，造出與鳥不一樣的飛機實現(xiàn)了飛翔。深度學習較以往AI算法先進的是仿人腦建的神經(jīng)網(wǎng)絡。但所建的神經(jīng)網(wǎng)絡要將需分類識別的場景數(shù)據(jù)都要一一對應事先進行機器學習，不具備人腦的舉一反三的思維和糾錯能力，如果缺少數(shù)據(jù)或數(shù)據(jù)有錯就不能準確分類識別。為達到對所提供場景的數(shù)據(jù)分類識別準確，對許多復雜數(shù)據(jù)，深度學習還需人手工做標注后供機器學習識別，遠達不到完全自動機器學習。

深度學習是通過規(guī)則判斷讓自動駕駛汽車行駛的。由于，自動駕駛汽車應正常在世界各種道路上行駛，但所遇到的路況和天氣等隨時都要發(fā)生千變?nèi)f化，對每一種情況都相應地制定出規(guī)則讓深度學習事先機器學習是很難的，也是幾乎不可能的。所以谷歌、特斯拉等國際大公司都在投巨資和大量人力在讓汽車按數(shù)以萬公里地去跑路，以求囊括他們的自動駕駛汽車可能遇到的一切情況，制訂出相應的規(guī)則讓機器事先學習。但是，事實證明，深度學習的這種要求數(shù)據(jù)或?qū)?guī)則一個都不能錯和少的機器學習的分類識別要求，無論讓自動駕駛汽車跑多少路都不可能全遇到可能出現(xiàn)的路況和場景，靠人苦想也想不全。所以，這問題是馬斯克發(fā)出“自動駕駛太難”呼聲的主因。

更讓人生畏的是，深度學習存在的黑箱隨時會出現(xiàn)讓機器死機。因此，谷歌已經(jīng)宣布深度學習應用退出工業(yè)控制。黑箱在工業(yè)控制上出現(xiàn)只會使機器或生產(chǎn)線可能損壞，但如在自動駕駛上出現(xiàn)，不僅是可能車毀，人也可能傷亡。用戶一旦知情，會有多少人愿買應用深度學習的自動駕駛汽車呢？

四、自動駕駛的路在何方

既然深度學習在自動駕駛的應用很難有果，為什么那些研發(fā)自動駕駛的團隊不及時停步呢？為什么有一些單位現(xiàn)在還在加入自動駕駛的隊列中去呢？原因是這些團隊的領導們還沒有完全了解深度學習存在的嚴重缺陷和可怕的黑箱問題，一般都是在跟風或聽專家話決策。又因其中有少數(shù)單位已通過炒作，在金融和各種補貼中得到豐厚的回報，也起到很大的吸引作用。經(jīng)多年的研發(fā)，大多數(shù)單位雖然已感到做自動駕駛很難，但因已投入巨大資源不好交代，處于騎虎難下狀態(tài)，只得硬著頭皮在繼續(xù)著。但是，隨著時間的延長他們等來的可能是更大的損失。

新的高效可靠的AI算法應用將是當前自動駕駛尋求的繼續(xù)發(fā)展之路。中國嵌入式系統(tǒng)產(chǎn)業(yè)聯(lián)盟理事、天津市阿波羅信息技術有限公司和阿波羅（日本）株式會社首席科學家顧澤蒼博士（中國籍）在業(yè)內(nèi)最先發(fā)表論文指出深度學習存在的缺陷，并依據(jù)自己在日本從事三十多年人工智能積累的經(jīng)驗，針對深度學習的缺陷獨自創(chuàng)新發(fā)明出小模型、小數(shù)據(jù)、小硬件的沒有黑箱的自律學習SDL算法，就是一種高效可靠的AI通用算法。

自律學習SDL算法自2018年8月在北京世界機器人大會上正式發(fā)布以來，經(jīng)近三年多的的實踐檢驗，已證明是可廣泛在包括工業(yè)控制和嵌入式系統(tǒng)在內(nèi)的許多人工智能應用領域的新一代AI算法。特別是顧博士率20多人的小團隊，使用不到2000萬資金在半年多的時間就研制出在自動駕駛的感知、決策和控制都用自己發(fā)明的SDL算法全部用人工智能實現(xiàn)，并經(jīng)一年多的路測表明各項指標都達到世界領先水平。顧博士團隊近日還向社會承諾，如融到資金可在三個月研制出不用工控機，全部都用模塊的分布式系統(tǒng)做到不靠“算力”，而靠“智力”實現(xiàn)自我超越的又以新的世界新領先水平的自動駕駛汽車。如融到資金，該團隊還可在6個月研制出達到人駕駛IQ的新一代自動駕駛汽車。顧博士團隊要研制的新一代自動駕駛汽車，將以按駕校教的駕駛規(guī)則教機器學習，配不同類型人、路況和天氣等場景的最佳駕駛規(guī)則，并不依賴高精地圖可在各種道路滿足安全正常行駛的需求為目標。這不就是當今自動駕駛追求的目標和要走的發(fā)展之路嗎？