位置:首页 > 驾驶技巧 >

从AlphaGo到智能汽车 AI将改变世界

作者: | 发布时间:2018-12-22 15

备受瞩目的AlphaGo对战柯洁以人工智能的4:1完胜告终,赛后柯洁哽咽:“我会继续改变自己,而AlphaGo将会继续改变世界”。人工智能历经几次从神坛跌落,此次似乎IT 新一轮革命正在开启,产业化元年脚步临近,分析人工智能前沿技术路线和最新应用场景,探索技术产业化的必经路径,绘制人工智能产业当前生态图谱。我们相信,汽车、安防,金融、医疗、服务将成为AI产业化的前沿。

AlphaGo 大胜人类冠军、Libratus 在德扑赛场上获得成功,人脸识别准确率优于人眼,语音识别正确率高于人类。。。。。。AI已在感知阶段的各个领域超越人类,这些前沿领域的突破将带来越来越广泛的人工智能应用领域。

一、人工智能前生今世,曲折中前进

人工智能的Founder——图灵(Alan Turing),他既是计算机之父,也是人工智能之父。人工智能是指计算机系统具备的能力,它可以履行原本只有依靠人类智慧才能完成的复杂任务。硬件体系能力的不足加上发展道路上曾经出现偏差,以及算法的缺陷,使得人工智能技术的发展在上世纪80—90年代曾经一度低迷。近年来,成本低廉的大规模云计算、大数据、深度学习算法、需求应用4大催化剂的齐备,导致人工智能的发展出现了向上的拐点。

人工智能的演化历史

从人工智能发展的历史看,基本上是一个算法进化的历史。随着计算速度的越来越快,数据越来越丰富,新的算法不断被开发,人工智能的未来让人充满了想象。人工智能的未来发展:

1. 探索新的机器学习方法,是发展人工智能的主要引擎;

2. 推动以知识处理为核心的研究,攻克非确定性信息处理难题;

3. 发展以神经网络为主的感知与识别系统,提升识别准确率;

二、人工智能发展的三大背景

1.神经网络的出现,为人工智能的出现提供动力

人类的大脑中有数百至上千亿个神经元,而且每个神经元都通过成千上万个“突触”与其他神经元相连,形成超级庞大和复杂的神经元网络,以分布和并发的方式传导信号,相当于超大规模的并行计算(Parallel Computing)。因此尽管单个神经元传导信号的速度很慢(每秒百米的级别,远低于计算机的CPU),但这种超大规模的并行计算结构仍然使得人脑远超计算机,成为世界上到目前为止最强大的信息处理系统。

人工神经网络算法模拟生物神经网络,是一类模式匹配算法。通常用于解决分类和回归问题。重要的人工神经网络算法包括:感知器神经网络(Perceptron Neural Network),反向传递(Back Propagation),Hopfield 网络,自组织映射(Self-Organizing Map, SOM)。

深度学习算法对人工神经网络进一步发展。目前,在短短的不到10 年时间里,深度学习带来了在视觉、语音等领域革命性的进步,引爆了人工智能爆发的新浪潮。

2.运算能力和储存能力提升,为人工智能第三次浪潮的到来提供基础

1946 年计算机正式出现在人们的视野中,至今已有70 年的发展历史,从5000 次/秒的加法运算能力到现在5.59 亿次/秒的峰值计算速度;从简单的科学计算到现在各领域数据处理的应用;从单机处理到全球网络互联互通的协同作业;从人工连线驱动计算到现在的智能大脑的诞生;计算机运算能力的不断提升,为人工智能大时代的到来提供了物理硬件基础。

CPU 和GPU 计算能力比较

摩尔定律驱动的产业

3.各界需求的不断攀升,为人工智能的完善保驾护航

如今,人类对人工智能的需求不断增加:在工业制造业中,大量的机器人可以提升制造效率,可以减少产品的残次率,更重要的是在人力成本上的节省;在安防领域中,通过视频监控,人脸识别,人群监控等技术为市民安全带来保障;在医疗健康方面,通过海量数据对比辅助医生进行诊断,自动读片等;在智能驾驶方面,路标识别的准确率不断提高,图像和运动传感器与全球定位系统结合,大大地降低了成本,提升了整体安全系数。

短期阶段,人工智能在金融领域会取得较大发展;到了中期,随着大数据技术的不断完善,海量的数据积累,会推动人工智能在医疗方面取得新的突破;从长期来看,人工智能的最终点就是无人驾驶,计算力、海量数据、算法与决策、以及传感器的数据采集四要素完备以后,人类才能逐步实现全天候、全自动化的无人驾驶。

人工智能板块蓝图

三、人工智能成为IT 架构的核心

信息和通讯技术(ICT)是信息技术与通讯技术相融合而形成的一个新的概念和新的技术领域。如今云计算、移动化、网络和大数据技术不断走向深度融合,人工智能在IT 架构中的核心地位也日益显现。从移动互联时代开始,从软件到硬件、从信息收集到平台服务,人工智能在各个领域的生态会更加完整,未来随着物联网和云计算的发展,人工智能在应用方面的深度和广度会越来越大。

ICT 在过去的变革

到2025 年,全球将有1000 亿台数字设备接入物联网,物联网市场估值将高达2 万亿美元。届时,ICT 供应商需要以互联基础设施和移动宽带技术为基础,打造最高水准的数字生态体系,让人们无论何时何地都能享受高速联接服务。

四、人工智能全方位超越人类,产业化渐近

人工智能主要三阶段:运算智能、感知智能、认知智能

随着算法的迅速成熟,人工智能早期的“算法红利”时代正式过去,而产业化步伐正在开启。于此同时,人工智能向认知智能的探索也在迅速推进。

我们认为,经过深度学习这项里程碑性的技术突破发展,机器视觉方面,人工智能在识别率等技术上已经成功超越人类水平,下一阶段更应该关注三维信息、大规模N 对N 比对等技术发展和技术应用等问题;语音辨别方面,人工智能虽然已经无限接近人类水准,但是仍然存在1%识别率差距、实验条件局限等最后1 公里要走,未来必须在发展产品应用的同时,抓紧研发突破核心技术,实现对人类感知的全方位超越。

现今,全球市场都在人工智能的巨大浪潮中,各家公司、机构加紧对战略、研发和投资的部署和准备。其中,国外的科技巨头-苹果、谷歌、微软、IBM,国内的互联网巨头-百度、阿里、腾讯,国内专业科技公司-商汤科技、Face++、科大讯飞等都在这场巨大的革命性的风潮中,开始对感知智能、认知智能进行投入,并开始崭露头角。

梳理整个人工智能产业,这个阶段的人工智能应用拥有三个核心竞争壁垒:数据能力,产品化能力,渠道能力。这三个核心能力将帮助企业驾驭人工智能技术,并实现迅速变现。

五、人工智能前沿——移动智能机器人——智能汽车

1.无人驾驶“升级”路径

根据美国国家公路交通安全管理局(NHTSA)所采用的美国汽车工程师学会(SAE)的分级方式,将自动驾驶分为五个等级。

SAE 自动驾驶安全等级划分

2.三大传感器比较

传感器方面,目前主流的技术基本基于三款传感器设备:摄像头穿透力最弱,需要光线,单目摄像头只能获取2D 图像,3D 环境建模目前靠算法理解,一旦获取的图形有误差,会极大的影响最终分析结果,优势在成本低廉,图像识别技术对物体识别的能力最好,研究时间最长且技术普遍较为成熟。

三款传感器主要应用比较

主流完全自动驾驶系统车辆传感器配置

3.无人驾驶两大阵营

无人驾驶研究领域目前基本分为两个阵营:

1、以谷歌、百度以及初创科技公司为主的“越级式”研究型阵营——「在特定区域里发挥全效功能」;他们强调通过采集某一区域的高精度3D 地图信息配合激光雷达在某一区域实现无人驾驶。

2、以传统汽车厂商和Mobileye 合作的“递进式”应用型阵营——「在任何区域里发挥局部功能」;他们强调「万无一失」的复杂传感器组合(redundancy in system)识别周围环境,通过低精度导航地图在任何区域实现无人驾驶。

但是殊途同归,两大阵营的终极愿景都是:「在任何区域里发挥全效功能」。未来的自动驾驶需要几乎实时级别的数据传输;对于环境的识别以及数据处理,将更加依赖车载电脑在车上完成实时计算;现在很多公司要做到无人驾驶前80%的功能较为简单,但如果想要做完后面的20%,就是无人车向超级司机的转变。

无人驾驶两大阵营

递进式阵营

递进式阵营主要以传统汽车厂商为主,包括一级二级供应商,整个供应商的关系也在重组,主要源于四个核心的驱动因素:降低技术风险、分担研发成本、缩短研发时间以及锁定客户。

这个阵营的“升级”路径是伴随ADAS 功能逐渐向智能驾驶完善的方向前进的,所以遵循「在任何区域里发挥局部功能」的中期目标。

强调「万无一失」的复杂传感器组合(redundancy in system)的配合提供路径标识与规划等功能,通过低精度导航地图在任何区域实现智能驾驶。

随着类似REM 等高精度地图的逐步整合,短期内能够为驾驶系统提供额外的安全冗余,长期上配合车联网增强可选路径预测和规划的功能。

递进式阵营的可商业化路径更为清晰,从ADAS 功能到半自动驾驶的升级过程中,新功能的推出和叠加对消费者有较大的吸引力。而随着L4 高度自动驾驶功能的完善,我们认为技术普及到量产的过程将会推动渗透率的提升。

越级式阵营

越级式阵营以谷歌、百度以及初创科技公司为主,依靠强大的技术背景和巨额的研发投入进行越级式发展:

强调通过采集某一区域的高精度3D 地图信息配合激光雷达在某一区域实现高度自动驾驶,也就是「在特定区域里发挥全效功能」的中期目标。

这个阵营通过以激光雷达为主的传感器进行路面地图采集,把高精度地图作为路径导航规划决策的主要依据,其他传感器主要用作预防碰撞的功能。

相较于递进式阵营,特定区域的高精度地图规模化效应不明显,需要投入较高成本在扩大地图扫描范围上。

目前商业化落地路径不明确,因为越级式的技术进步在智能驾驶等级达到L4 水平之前,由于不依靠ADAS 功能的支撑,较难出现过渡性产品。

4.各国政府政策指引

西方国家近年为安全评级加入更多安全驾驶功能标准,政策上提供结构化行业发展推动力,促进ADAS 的稳步发展。根据美国公路安全保险协会(Insurance Institute for Highway Safety,IIHS)的数据,超过90%的交通事故都是有人为原因造成的,IIHS 预计,如果所有的车辆都配备了FCW、LDW、侧视辅助和可调节头灯等ADAS 功能,每年可防止或减轻多达190万次交通事故,包括减少三分之一的致命事故以及五分之一的严重/中度伤害事故。

联合国在2016 年3 月对《维也纳道路交通公约》进行了修订。在修正案中,所有只要是符合联合国的车辆管理条例,或者是驾驶员可以人工关闭的自动驾驶技术,就可以被用到交通运输中。这项修正案在一个月之后就正式实施,相当于是给了自动驾驶车一个合法的身份。

各国车辆安全体系评分发展

4 智能汽车发展前沿线报

谷歌的超级司机

谷歌无人车是Google X 旗下的一个全自动驾驶汽车项目,项目起始于2009 年,此前由斯坦福大学人工智能实验室前领导人及谷歌街景项目的联合创始人Sebastian Thrun 负责。现在的负责人是曾担任现代汽车美国分公司CEO 及汽车电商TrueCar 总裁的John Krafcik。谷歌车目前获得了美国4 个州的测试牌照,并且最近从实验室毕业,分拆为一家名叫Waymo 的谷歌子公司,正式开始商业化之路。

在2014 年提出的无方向盘、无刹车踏板结构的无人车概念,并在2015 年推出可进行公路试的无人车原型。主要部件包括一套由64 个激光单元组成的LIDAR 传感计算系统,拥有120 米扫描半径,水平360 度及垂直26.8 度视野(Field of View),0.08 度角分辨率,0.4 度垂直分辨率,扫描精度小于2 厘米,每秒扫描点数量超过220 万次。

此外无人车还配备了:分别装载在前后保险杠上的四个车载雷达,用来扫描在汽车身处高速公路时的快速车流状况;一个安装在后视镜上的摄像头,用来捕捉交通信号灯提示;GPS、惯性测量器IMU 以及车轮编码器(wheel encoder),来测定无人车的运动轨迹和实时位置。

现在谷歌关注无人车一些更为高级的驾驶技术(最后10%的任务),让无人车在面对紧急车辆、施工区域、车道封闭等突然变化或罕见路况时,具备更好的检测与反应机制。目标是打造一个能于路面实体自然交互的谷歌超级司机。无人驾驶系统目前已具备理解行人手势、自动鸣笛、自行车手的识别等功能,正在优化突变路况的应急反应能力。

Waymo 的Tier One 野心

谷歌无人车去年12 月从实验室毕业,分拆为一家名叫Waymo 的谷歌子公司,并任命曾担任现代汽车美国分公司CEO 及汽车电商TrueCar 总裁的John Krafcik 为Waymo 的CEO,正式开始商业化之路。

自造传感器+软硬结合

Waymo 新研发出了长距离和短距离两种LiDAR 激光雷达,取代了Waymo 原有的一个中程激光雷达配置,并达到了360 度全面覆盖范围。在此之前,谷歌无人车使用的是Velodyne的HDL-64E 激光雷达,成本为7.5 万美元左右,如今Waymo 自行制造的激光雷达,降低了激光雷达90%的成本至7500 美元。激光雷达作为无人车配置中精确度最高的传感器,一直受限于成本高企而无法商业落地。Waymo 通过自造激光雷达,将成本下降到可控范围内,力图突破无人驾驶量产的瓶颈,同时利用成本优势也扩大了Waymo 与汽车制造商的合作与规模生产。

John Krafcik 还表示,Waymo 已经可以自行设计无人驾驶技术所需的所有套件,紧密集成传感器硬件、传感器融合软件、高精度地图、驾驶决策系统和其他方面的全部自动驾驶系统组件。Waymo 软硬结合的战略,一方面利用其自行研发的传感器达发挥成本与技术优势,达到范围经济;另一方面,软件与硬件在同一个体系内,硬件的改进以及软件方面数据的收集形成了良性循环,及大的提高数据识别效率,减少人工调教和训练成本。最终,软硬件合力开发,将会大大缩短新一代产品的开发周期。

携手本田与克莱斯勒,定位一级供应商

1 月份的底特律北美国际汽车展上,Waymo 展示了与菲亚特克莱斯勒推出合作的全自动驾驶Pacifica Hybrid Minivan,Pacifica 将搭载Waymo 自行制造所有的传感器,首批100 辆已于去年11 月投产。在合作过程中,克莱斯勒修改了电动系统及其它组件,100 辆汽车是在加拿大组装的,然后运到Waymo 安装自动驾驶设备。汽车已经在密歇根的克莱斯勒测试公路上进行测试,1 月底,也会开始在亚利桑那州和加州公共道路上投入路试。

安全性方面,2016 年Waymo 的自动驾驶车辆的安全性已经提高了四倍,平均每千英里人工接手系统次数(Disengages/1,000 miles)从2015 年的0.8 次,下降到2016 年0.2 次。截止2016 年底已累计完成250 万英里的全自动驾驶路试;第一个100 万英里用了6 年,第二个100 万英里用了16 个月;预计今年5 月前累计行驶里程将达到300 万英里。2016 年全年还完成了10 亿英里的模拟路试。

同时,Waymo 将牵手本田,同样由本田为Waymo 提供车辆,配合Waymo 自动驾驶技术,共同开发自动驾驶汽车。Waymo 将自己定位为汽车产业的一级供应商,它为传统汽车商提供一套完整的自动驾驶解决方案。Waymo 未来集中注意力在与克莱斯勒、本田这样的OEM 厂家建立伙伴关系上,帮助他们把车辆变成无人驾驶车。

我们可以看到,在推动无人驾驶落地的过程中,传统车企一直视科技企业为潜在竞争对手,而不愿意分享行车数据。但菲亚特克莱斯勒、本田等车企并没有巨头们的巨额研发投入,因此类似的战略合作对于加速无人驾驶技术的推广显得尤为重要。

申请无人“网约车”专利,进入无人共享汽车市场

谷歌最近有一个“无人车接送旅客决定接送地点”的专利被披露出来(专利号US20160370194),乘客提供接送或目的地,车辆操纵自身到该位置,整个驾驶过程处于完全自动的驾驶模式。但是自动驾驶车辆接送的难点在于自主车辆可能不能驾驶人类驾驶车辆的任何地方,如建筑障碍、交通管制和限速等道路状况等位置不能够安全停靠。谷歌称其专利解决这一难题,主要依靠其集中式的调度系统。集中式的调度系统主要由谷歌地图提供地图信息,通过政府机构、付费信息服务、自动驾驶车辆实时收录,获得关于道路、建筑物、高地、消防栓、施工区域以及实时交通状况等的信息。集中式的调度系统根据乘客

提供的位置,提供一些建议的地点以接乘客上车或下车,这些建议的地点包括用户提供的位置或者附近方便的位置。

当无人驾驶技术真正成熟时,我们预计会看到技术最先应用在租车和打车市场上,也就是我们常说的自动驾驶出租车(self-driving cabs)的共享经济概念。Uber 一直以来的打算就是未来的叫车服务将不再需要人类驾驶员,Uber 完全控制驾驶系统以及自有车辆,这样可以极大地节约人力成本与提高车辆的使用率,从而减低路面的拥堵。谷歌的专利也为长期致力于汽车共享服务的Uber 带来了挑战。

通用管理层曾表示,通用与Lyft 以及Cruise Automation 的合作就被看作是通用希望未来人们使用Lyft 打车时搭乘无人交通工具。通用集团总裁Dan Ammann 表示他们非常清楚地看到了未来自动驾驶出租车市场的巨大发展空间,他们也认为无人驾驶技术最先应用的地方就是拼车及租车服务。

谷歌发布“共享出租”专利

Elon Musk 与他的大师计划:Autopilot 车队学习

Autopilot 1.0 的诞生

2014 年10 月,特斯拉为Model S 装备了在保险杠和车身周围的12 个远距超声波传感器,能够进行16 英尺距离的全车身360 度感应。用户再多花4250 美元,还能购买一个升级“技术包”,包括一个前置车载雷达,一个由Mobileye 开发的光学摄像头,以及数控辅助制动系统。这些硬件能在车辆发生碰撞之前及时接管汽车并制动,并为特斯拉收集了大量的行车数据,然后等待车载系统的匹配——到2015 年10 月14 日,特斯拉通过OTA 空中升级的方式,为60000 辆安装了传感器的Model S 车主们带来了车载系统的第7 代版本,也就是众所周知的Autopilot。

Autopilot 这个词来源于航空飞行领域,指的是飞行员在飞行时所使用的自动驾驶仪系统,特斯拉的Autopilot 结合车辆的4 个模块:摄像头、雷达、超声波传感器以及GPS,为驾驶员提供了类似飞行员的操作,包括车速控制、车道内自动跟车、变更车道、自动泊车等。自动侧方泊车功能在奔驰、宝马、通用的汽车上也能看到。而且与飞机需要进入巡航平飞状态后才能进入自动飞行模式一样,特斯拉Autopilot 不会自动启动,在进入Autopilot 前,车辆需要感知到清晰地车道线、相对稳定的车流速度、周围其他车辆的感应以及所处地区的地图数据。

特斯拉Autopilot 升级阶段

按照这个标准,Autopilot 目前处在等级2-3 之间,需要驾驶员的监督,只能算是自动驾驶的初级阶段,一定程度上减轻驾驶员疲劳。特斯拉CEO 马斯克预计,在2018 年特斯拉有可能达到等级4 的水平。在特斯拉系统7.1 的升级中,加入了一项“遥控召唤”的功能,车主可以用钥匙遥控汽车进出自家车库。而马斯克就希望,这项“召唤”功能可以在未来2 年内进步到,车主人在洛杉矶,能够遥控召唤停放在纽约的汽车,然后汽车自动行驶穿越美国,来到车主身边。

特斯拉在2016年10 月发布了自动驾驶系统的硬件升级,表示现在开始所有在产的车辆都将配备升级版无人驾驶硬件,以达到支持完全无人驾驶系统的硬件配置。主要包括8 个车载摄像头(其中3 个为前向摄像头覆盖广角、长焦)进行250 米范围的360 度成像,12 个超声波传感器作为辅助,检测距离提高了近1 倍。一个升级后的毫米波前向雷达为系统提供冗余波长,增强车辆在大雨、尘雾中的行车探测能力。为配合此套硬件,特斯拉将开发Autopilot 2.0 自动驾驶系统,并为该系统搭载以英伟达DRIVE PX 2 超级车载电脑,计算能力为此前系统的40 倍,每秒运力达到12 万亿次,以此来运行特斯拉开发的针对图像、声呐、雷达数据进行处理的神经网络。升级后的完全无人驾驶系统安装价格为8000 美元(消费者还可以选择安装加强Autopilot 配置,仅搭载4 摄像头,安装价格为5000 美元),而上一代Autopilot 的价格只有3000 美元。

特斯拉Model S 与奔驰E200 的智能驾驶测试对比

Elon Musk 表示,无人驾驶技术要能达到监管层面的认可,需要至少积累10 亿公里的无人驾驶数据。截至去年5 月,硬件配套的特斯拉车队完成了7.8 亿公里的数据;OTA 7.0 升级后,Autopilot 激活下1 亿公里的智能驾驶数据;车队每天会记录420 万公里里程数据(现在这个数据已经扩大到500 万公里),只需要大约6 小时便可以收集100 万公里数据。

文章标签: 前瞻技术