图灵大会 | 新观点：AI盛世，其实我们离得还很远 | 自由微信

查看原文

其他

图灵大会 | 新观点：AI盛世，其实我们离得还很远

原创：赤兔不吃土读芯术 2019-12-26

全文共1971字，预计阅读时长4分钟

从物理世界到电子世界的探索，凝聚着每一位AI研究者的心血；而将电子世界拉回到物理世界，便是实践者对生活的有力回归。

5月19日—20日，在上海举行的ACM中国图灵大会呈现了多个精彩纷呈的专题研讨会。其中，SIGAI专题研讨会将视线聚焦人工智能产业领域，引来无数参会学生的翘首期盼。

与传统的校园课堂不同，这一次的AI专题“课程”从研究到落地，学术到实践，干货满满，令AI爱好者们过足了瘾。

然而，也有很多讨论打破了大家对于AI的过高期望。这不，关于无人车驾驶“马上就要上路”的观点，驭势科技联合创始人兼CEO、前英特尔中国研究院院长吴甘沙老师就深入浅出地来“灭火”了。

无人驾驶车辆上路，并没有想象中那么快

“统计意义上任何一种新算法都需要百亿英里的验证才能证明安全。”吴老师认为，现阶段迅速实现无人驾驶在城市的普及是不可能的。

如何实现百分之百的安全？

不少同学心中都会有这个疑问。

吴老师在分享时讲到，智能驾驶技术中主要有三个评判维度：

1.可靠性（reliability），即在设想的工作指标内完成程度、容错度的高低；

2.鲁棒性（robustness），即在实际应用中，从封闭到开放环境，遇到意外和未知的情况如何保全；

3.安全+舒适+社会性，即在安全和舒适的情况下，是否可以学习人类社会规则，进行博弈+学习。

又有同学有疑惑，为什么人学习驾驶两个月后就能拿到驾驶本，上路开半年就可以熟练掌握驾驶技术，而AI却不行呢？

针对这一问题，吴老师进行了详细讲解。相对于人来说，AI的确存在很多隐形短板。

首先，人在学习开车时已经有了一定的社会生活阅历和背景知识，具有良好的生活常识和路面经验，例如对于交通规则的掌握、处事不惊的经验等。而AI则完全依赖于数据，可能会出现数据标注太少或出错，数据集偏差和过拟合，无法处理没见过数据或对抗数据等一连串问题。对于那些非典型的“马路杀手”，美国的松鼠，澳洲的袋鼠，北欧的驯鹿，印度的牛，无人车不能除了人车之外目空一切！

无人驾驶在澳洲遇难题都因袋鼠走路太怪异

其次，人类具有不断提升的学习能力。除了模仿学习和强进化学习，也就是我们常说的“孰能生巧”之外，人类还具有预测学习的车感，即“下意识开车”，低功耗、预见性地处理多数驾驶任务。另外，人还可以可以进行因果推理，“知其然并知其所以然”，推理出意外状况的原因和解决方案。

最后，人拥有基于迁移学习的举一反三能力，也就是“触类旁通”。在一个城市里学会了开车，在其他任何地方就都会了。学会了左舵车，无需太多学习也能开右舵车。而AI还有差距，在旧金山开得好、到纽约就不行，从模拟器中训练好的算法在实际应用中表现很差。

未来的无人车需要一一解决这些问题。

因此，任何一种新算法都需要多次的验证才能确保安全。

即使确定安全了，人们就愿意乘坐吗？

吴老师用两个有趣的心理学实验结果来解释这个问题。

实验一：如果一个人犯了错误，受到惩罚后，人们更愿意相信他下一次不失误。然而，当机器犯错误了，人们就会对他失去信任。

解决办法：在确定无人驾驶车辆的安全后，让人多次使用。用的次数越多就越信任，信任增加也就可以接受并愿意乘坐了。

实验二：在机器中，给予人一点点权力对它控制，最好是设置一些机制让人可以最终控制，人们会更愿意接受自动化。

例如，很多机器人和智能家电中都会有一个红色的电源开关，在人不想继续使用的时候，可以按下开关终止机器行为。

解决办法：在无人驾驶车辆中设置“尖叫会让车停下”等控制，以增加使用者的安全感。