丰田高管访谈：自动驾驶还有很长的路要走

waffle

来源：spectrum

当我们看到威尔·史密斯在2004年拍摄的《机械公敌》电影中，驾驶一辆很科幻的奥迪RSQ跑车与机器人打斗的精彩场景，至今还依然清晰的浮现在脑海里，而电影中这两奥迪RSQ跑车除了拥有极其科幻的外观之外，最重要的就是炫酷的自动驾驶功能。每次看到这样的脚本我们就会憧憬自动驾驶何时能够真正解放我们的双手，但我们还得等等，因为这种美轮美奂的场景依然仅限于电影里。

                               
登录/注册后可看大图

自动驾驶无疑是AI最具雄心的商业应用。这个研究项目是在2004年DARPA的城市挑战赛上启动的，然后被作为一个商业提案，先是被Alphabet公司接受，后来又被大型汽车制造商认可。

整个行业的努力吸引了许多世界上最好的机器人专家，并掀起了一场数十亿美元的收购狂潮。它还掀起了一轮炒作，炫耀着雄心勃勃野心，其中最著名的一次是由Alphabet的谢Sergei Brin在2012年的演讲，完全的自动驾驶技术将在2017年就绪。但直到现在也没完成…

很多令人兴奋的事情都是受到了一种新型人工智能——深度学习的启发，它在玩游戏、识别面孔和音译声音方面取得了非凡的进步。深度学习擅长于涉及模式识别的任务，这对旧的基于规则的人工智能技术是一个特别的挑战。然而，现在看来，深度学习不会很快接管自动驾驶所面临的挑战，比如预测人类行动。

从一开始就参与其中的专家：丰田研究所(TRI)的首席执行官Gill Pratt，曾在美国国防高级研究计划局(DARPA)担任项目经理; TRI的自动驾驶技术副总裁和IEEE机器人和自动化学会主席Wolfram Burgard。两人在加州帕洛阿尔托的TRI办公室进行了一次深度访谈：

                               
登录/注册后可看大图

Spectrum:人工智能如何处理自动驾驶的各种问题?

吉尔·Pratt:自动驾驶汽车需要三种不同的系统:开始感知，然后预测，最后规划。

到目前为止，问题最多的是预测。这并不是对其他自动化汽车的预测，因为如果所有的汽车都是自动化的，这个问题会简单得多。重点是怎么预测一个人会做什么?这对于现在的深度学习来说是很困难的。

Spectrum:能用感知来弥补预测的弱点吗?

Wolfram Burgard:是的，汽车企业基本上就是这么做的。摄像头提供语义，激光雷达提供距离，雷达提供速度。但所有这些都带来了问题，因为有时你从不同的位置看世界，这被称为视差。有时候你不知道这个像素属于哪个范围。这可能会让判断这是画在卡车上的人还是真实的人变得更加复杂。

有了深度学习，如果你在这些网络中投入足够的数据，它就有望最终发挥作用。但事实证明，自动驾驶汽车所需的数据量远远超出了我们的预期。

Spectrum:深度学习的局限性何时变得如此明显?

Pratt:思考深度学习的方式是，它是真正的高性能模式匹配。你有输入和输出作为训练对;你说这个图像应该导致那个结果;你就这样一遍又一遍成千上万次地做。

这是一个逻辑谬论，我认为大多数人都在深度学习中陷入困境。我们用大脑做的很多事情都可以被认为是模式匹配:“我看到这个停止的标志，所以我应该停止。”但这并不意味着所有的情报都可以通过模式匹配来实现。

举个例子，当我开车的时候，我看到一位母亲在拐角处牵着孩子试图过马路，我很确定她不会在红灯的时候过马路。我的经验告诉我，母亲和孩子不会那样做。另一方面，假设有两个青少年，他们要乱穿马路吗?你马上就会想到他们穿越马路的概率比那对母子要高得多。这并不是说你看到了10万名儿童的病例——而是你明白作为一个青少年或一对母子是不一样的感觉。

你可以试着假装自己有那样的智慧。如果你专门针对这样的数据训练一个神经网络，你就可以对它进行模式匹配。但你必须知道怎么做。

Spectrum:所以你的意思是，当你用模式识别代替推理时，投资的边际回报下降得很快?

Pratt:完全正确。不幸的是，我们还没有能力让AI思考，所以我们不知道该怎么做。我们一直试图用深度学习的锤子敲打更多的钉子，输入更多的数据。

Spectrum:能不能训练深度学习识别青少年，并打上高倾向乱穿马路的标签?

Burgard:人们一直在这样做。但事实是，你提出的这些启发式是极其难以调整的。而且，有时启是矛盾的，这使得根据规则设计这些系统变得极其困难。但这也是深度学习方法的优势所在，因为它们以某种方式编码一种模式，例如，这是一个特征，那边是另一个特征;它是关于你可以使用的参数的绝对数量。

我们对自动驾驶人工智能组件的分离简化了人工智能系统的开发甚至学习。一些公司甚至考虑使用深度学习来全面完成工作，从一端到另一端，完全不需要任何结构——基本上就是直接将感知映射到行动。

Pratt:有些公司已经尝试过了;比如英伟达。总的来说，效果并不好。所以人们把问题分成几个部分，我们知道每个部分是做什么的，我们试着让每部分工作得更好。有些块最终更像我们讨论过的专家系统，我们在那里实际编码东西，而其他块最终更像机器学习。

Spectrum:那么，接下来会有什么新技术?

Pratt:如果我知道答案，我们就会去做。

Spectrum:如果路上所有的汽车都是自动化的，那么问题就简单了。为什么不让地理围栏解决自动驾驶的问题，并让某些区域只允许自动驾驶汽车?

Pratt:这意味着在操作设计领域设置限制。汽车应该在哪里实现自动化，担忧许多因素限定：天气，交通水平，速度等。如果车速足够慢，可以避免追尾的危险。在世界上的一些地方，有轨电车在交通仍然畅通的情况下运行，这种车辆可能会在意想不到的时候停下来，可能达到了Level 4。

毫无疑问，这是操作设计领域的最佳点。进入高速公路的途径非常有限。经典的例子是，有人不负责任地把床垫绑在汽车顶部，床垫掉了下来;你打算做什么？这会导致可怕的事情发生。

Spectrum:在第一批汽车、第一批飞机、第一批蒸汽锅炉，甚至第一批核反应堆中，从实践中学习都是可行的。为何现在不冒险一试呢?

Pratt:这和时代有关。在汽车腾飞的时代，各种事故发生，生活的预期特征就是坏事会发生。现在死于某种反常事故的几率很低，因为所有的知识都在传授，各种规范法规应运而生。

                               
登录/注册后可看大图

丰田正在建立一个叫做Guardian的系统来支持司机，同时还有一个更前卫的系统叫做Chauffeur来代替司机。它一定比人类加守护者更好!

（丰田目前正通过名为“Guardian(高级安全驾驶辅助)”和“Chauffeur(自动驾驶)”的两条路径开发自动驾驶技术。“Guardian”是高级驾驶辅助系统，监控车内外环境，在紧急情况下可向驾驶员发出警告或介入驾驶。虽说是高级驾驶辅助系统，但是与高级自动驾驶“Chauffeur”一样，属于搭载了硬件及软件、高度AI的丰田自主构思。

  “Chauffeur”的原理是自动驾驶系统负责驾驶，目标是达到SAE标准的5级完全自动驾驶或者4级带条件的自动驾驶。 相比Chauffeur，Guardian的应用时间更早、范围更广，能够在现在而非未来降低碰撞伤害、拯救更多的生命。早在2017年10月上市的新款Lexus LS上就搭载了自动驾驶相关高级驾驶辅助技术“Lexus Safety System + A”，Guardian将进一步开发高级安全技术，并依次为各车型配套。此外，Chauffeur还具备作为安全保障的Guardian功能。）

Pratt:在我们与该领域其他人的讨论中，我们一直在思考标准是什么?是一个人在一辆普通的车里吗?或者是一个拥有主动安全系统的汽车的人?人们认为什么才够好?

这些系统永远不会完美——总会有一些事故发生，无论我们如何努力，仍然会有一些事故导致死亡。

Spectrum:你是第一批警告人们不要大肆宣传自动驾驶技术的研究人员之一。你看到了特别之处吗?

Pratt:首先，就我个人而言，我在DARPA工作时，研究的是机器人技术，而不是汽车。所以我有点像个局外人。我从一个全新的角度来看待它，这对我很有帮助。

其次，2015年我加入丰田时，尽管我们已经取得了一些巨大的飞跃——以普锐斯(Prius)混合动力驱动系统为例。总的来说，丰田的理念是每一天都在不断改进汽车。这种关心意味着我的任务是在做出预测之前对这件事进行深入思考。

最后，这对我来说是一份新工作。签约后的第一个晚上，我感到了难以置信的责任。我整晚都睡不着，所以我开始把这些数字乘起来。路上有多少辆车?汽车平均能使用10年。它们每年飞行大约10,000英里。把这些都乘起来，这是一个很庞大的数字。我问自己，如果所有这些车都是自动驾驶，它们能容忍多少可能发生的撞车事故?

Burgard:我们现在处于深度学习的时代，不知道接下来会发生什么。我们仍在利用现有技术取得进展，它们看起来很有前途。但现在的坡度已经不像几年前那么陡了。

Pratt:没有任何事情告诉我们这是不可能的;我们不知道怎么做并不意味着我们不能做。