CCAI 2019 | 郑南宁：“自觉性AI技术”可助力无人驾驶

2019年中国人工智能大会（Chinese Congress on Artificial Intelligence 2019，简称“CCAI 2019”）将于在9月21日-22日在青岛胶州召开。

谷歌、特斯拉，百度、滴滴、蔚来……如今从国外到国内，越来越多的企业投身到无人驾驶的开发大军当中。相比于人机对弈、人脸辨认、图像辨认等深度学习范畴在近年获得的提高，无人驾驶似乎“慢”了一些。

不过，慢自有慢的道理。不同于深度学习，无人驾驶面对的应战更多来自环境的开放性和不确定性，这无疑对机器的才能提出了更高要求。

无人驾驶已来，它将驶往何处？这是一切关注这一行业的人亟待思索的成绩。假如要问谁对这一成绩具有发言权，郑南宁一定榜上有名。
郑南宁是中国自动化学会理事长，中国工程院院士。他长期从事无人驾驶研讨，团队和项目已停止过多次路测实验。他在多个场合阐释过对于将来人工智能、尤其是无人驾驶发展的思索。

传统人工智能与深度学习的局限

要了解传统人工智能的局限，需求先了解它的工作方法。当面对一个成绩时，传统人工智能首先要给出准确数学意义上的解析模型，假如模型无法笼统出来，这个成绩就是无解的。
模型出来后，要给出确定的算法，之后人工智能系统的算力、才能或义务就是独一的。
但在理想生活中，人类面临的许多成绩往往具有不确定性、脆弱性和开放性。郑南宁指出，当后人工智能的实际框架是建立在归纳逻辑和语义描画基础之上的，我们不能够对一切遇到的成绩都停止建模，由于条件成绩的存在，我们不能够把一个行为的一切条件都模拟出来。传统人工智能的局限性由此可见。
近年来深度学习获得了喜人提高，给人工智能的发展带来了春天。但在郑南宁看来，深度学习面对的诸多成绩也不容回避。
首先是深度学习的泛化才能差，且训练数据和测试数据必须是同分布的，假如做不到这一点，机器的分类才能就会极大降低。
其次是深度学习的表达才能较弱。虽然它可以经过长期训练输入合理、准确的结果，但它一直“知其但是不知其所以然”，无法了解结果背后的推理过程。
最后是深度学习无法引入留意机制。这一机制强调的是计算过程中的途径选择和计算负载的分配，深度学习目前还找不到有效办法处理这一成绩，而留意机制是构成高级AI的基本核心。

“直觉性”将成为人工智能的将来

既然当后人工智能存在这些局限，将来我们应该如何寻觅打破口，让人工智能完成晋级？
郑南宁以为，当后人工智能与人类的“较量”中，在逻辑性、可反复性和规范性方面，计算机曾经分明胜出；但是人类面对的大部分成绩都是开放的、动态的、复杂的，大脑在处理这类成绩时所表现出的想象力和创造力，以及对复杂成绩的分析和描画，是当后人工智能的方法所无法企及的。
郑南宁说：“人类思想是在记忆阅历和知识的基础上停止预测、形式分类以及学习的。特别要留意这个预测才能，每个人的大脑中都有预测的模型，所以说从本质下去讲，大脑就是一个预测的机器，而对于驾驶行为而言，预测才能非常重要”。相较之下，计算机想要完成预测就非常困难。
在郑南宁看来，将来的计算机需求像人一样，可以对物理世界产生直观了解。人类产生认知的过程，曾经给计算机的退化指明了方向。
人脑对于非认知要素的了解更多地来自于直觉，并遭到阅历和长期知识积累的影响，这些要素在人对物理环境了解与行为交互、非残缺信息处理等成绩中有着极其重要的作用。
此外，人类是经过与事物的互动来完成学习的，人类认知过程中的特征概念构成，往往是建立在语义解释的基础上，人类依赖对事物的观察在大脑中建立不同的分析模型，并应用这些模型来揣测事物的变化。
机器学习与人类产生认知的途径是完全不同的。郑南宁以为，为使机器学习人类的认知方式，需求其所学特征在一定程度上符合神经生理学的实验结果，同时要使特征具有数学和语义的解释性。此外，大脑神经网络结构的可塑性，以及人脑在非认知要素和认知功能之间的互相作用，它们是方式化方法难以、甚至不能描画的。
因此，郑南宁提出：“我们需求从脑认知机理和神经迷信获得灵感和启示，发展新的AI计算模型与架构，让机用具有对物理世界最基本的感知与反应，即便机用具有‘常识’推理的才能，从而完成愈加健壮的人工智能系统。”
郑南宁把这样的AI技术，称为“直觉性AI技术”。
要完成这一步，郑南宁以为计算机需求具有三个基本要素：
（1）对环境中的一切对象停止特征辨认，并且停止长期记忆；
（2）理出对象间的关系，并对它们互相间的作用停止描画；
（3）基于想象力的行为模型，人在停止详细举动之前，会想象其带来的后果，但机器就需求分析物体之间的各种关系。

直觉性AI技术可助力无人驾驶

随着人工智能热的兴起，无人驾驶也被人们寄予厚望，全球已有多家企业宣布在2020年前后推出无人驾驶汽车。
但郑南宁提出，当前无人驾驶还面临这五个方面的应战。
第一，如何缜密感知复杂的交通场景？它需求对天气、路况等方面的一切条件，都能作出安全判别。
第二，如何判别和了解不测或突发状况？比如当遇上交通管制，街口出现交警指挥时，它可以有效辨认并作出正确反应吗？
第三，如何完成对预行为的了解？比如人类司机可以经过后方行车状况断定开车的是老司机还是新手，并构成本人的应对策略（果断超车还是保持车距），系统呢？
第四，如何防备安全成绩？数据都在云端，安全风险无可避免。
第五，在人车交互上，它如何完成与乘客的不妨碍交流？
在对交通场景的认知上，人类是一个延续的过程，但计算机是团圆的。郑南宁提出，把直觉性AI用到无人驾驶中，就是要基于认知构建一个类人自主驾驶，使计算机也变得延续起来。
自主学习的无人驾驶系统，其学习过程与人类司机相似，都是靠游刃有余。其中要处理的成绩包括以下三点：
第一，人类驾驶员如何留意并获取交通环境信息；
第二，交通环境信息如何在大脑中存储和加工；
第三，产生驾驶行为的背后存在怎样的外部表征。
虽然获得了一些提高，但郑南宁坦言，无人驾驶的商用在短期内还难以完成，真正要“飞入寻常百姓家”，还需求10年甚至更长工夫。

术业有专攻,你用哪个,取决于你做什么工作.

看帖要回，回帖才健康，在踩踩，楼主辛苦了！

我了个去，顶了

一直在看