谷歌、特斯拉，百度、滴滴、蔚來……如今從國外到國內(nèi)，越來越多的企業(yè)投身到無人駕駛的開發(fā)大軍當中。相比于人機對弈、人臉識別、圖像識別等深度學習領(lǐng)域在近年取得的進步，無人駕駛似乎“慢”了一些。

不過，慢自有慢的道理。不同于深度學習，無人駕駛面對的挑戰(zhàn)更多來自環(huán)境的開放性和不確定性，這無疑對機器的能力提出了更高要求。

無人駕駛已來，它將駛往何處？這是所有關(guān)注這一行業(yè)的人亟待思考的問題。如果要問誰對這一問題具有發(fā)言權(quán)，鄭南寧一定榜上有名。

鄭南寧是中國自動化學會理事長，中國工程院院士。他長期從事無人駕駛研究，團隊和項目已進行過多次路測試驗。他在多個場合闡釋過對于未來人工智能、尤其是無人駕駛發(fā)展的思考。

傳統(tǒng)人工智能與深度學習的局限

要理解傳統(tǒng)人工智能的局限，需要先了解它的工作方法。當面對一個問題時，傳統(tǒng)人工智能首先要給出精確數(shù)學意義上的解析模型，如果模型無法抽象出來，這個問題就是無解的。

模型出來后，要給出確定的算法，之后人工智能系統(tǒng)的算力、能力或任務(wù)就是唯一的。

但在現(xiàn)實生活中，人類面臨的許多問題往往具有不確定性、脆弱性和開放性。鄭南寧指出，當前人工智能的理論框架是建立在演繹邏輯和語義描述基礎(chǔ)之上的，我們不可能對所有遇到的問題都進行建模，因為條件問題的存在，我們不可能把一個行為的所有條件都模擬出來。傳統(tǒng)人工智能的局限性由此可見。

近年來深度學習取得了喜人進步，給人工智能的發(fā)展帶來了春天。但在鄭南寧看來，深度學習面對的諸多問題也不容回避。

首先是深度學習的泛化能力差，且訓練數(shù)據(jù)和測試數(shù)據(jù)必須是同分布的，如果做不到這一點，機器的分類能力就會極大降低。

其次是深度學習的表達能力較弱。雖然它可以通過長期訓練輸出合理、準確的結(jié)果，但它始終“知其然而不知其所以然”，無法了解結(jié)果背后的推理過程。

最后是深度學習無法引入注意機制。這一機制強調(diào)的是計算過程中的路徑選擇和計算負載的分配，深度學習目前還找不到有效辦法解決這一問題，而注意機制是構(gòu)成高級AI的基本核心。

“直覺性”將成為人工智能的未來

既然當前人工智能存在這些局限，未來我們應(yīng)該如何尋找突破口，讓人工智能實現(xiàn)升級？

鄭南寧認為，當前人工智能與人類的“較量”中，在邏輯性、可重復(fù)性和規(guī)范性方面，計算機已經(jīng)明顯勝出；但是人類面對的大部分問題都是開放的、動態(tài)的、復(fù)雜的，大腦在處理這類問題時所表現(xiàn)出的想象力和創(chuàng)造力，以及對復(fù)雜問題的分析和描述，是當前人工智能的方法所無法企及的。

鄭南寧說：“人類思維是在記憶經(jīng)驗和知識的基礎(chǔ)上進行預(yù)測、模式分類以及學習的。特別要注意這個預(yù)測能力，每個人的大腦中都有預(yù)測的模型，所以說從本質(zhì)上來講，大腦就是一個預(yù)測的機器，而對于駕駛行為而言，預(yù)測能力非常重要”。相較之下，計算機想要實現(xiàn)預(yù)測就非常困難。

在鄭南寧看來，未來的計算機需要像人一樣，能夠?qū)ξ锢硎澜绠a(chǎn)生直觀理解。人類產(chǎn)生認知的過程，已經(jīng)給計算機的進化指明了方向。

人腦對于非認知因素的理解更多地來自于直覺，并受到經(jīng)驗和長期知識積累的影響，這些因素在人對物理環(huán)境理解與行為交互、非完整信息處理等問題中有著極其重要的作用。

此外，人類是通過與事物的互動來實現(xiàn)學習的，人類認知過程中的特征概念形成，往往是建立在語義解釋的基礎(chǔ)上，人類依賴對事物的觀察在大腦中建立不同的分析模型，并利用這些模型來推測事物的變化。

機器學習與人類產(chǎn)生認知的路徑是完全不同的。鄭南寧認為，為使機器學習人類的認知方式，需要其所學特征在一定程度上符合神經(jīng)生理學的實驗結(jié)果，同時要使特征具有數(shù)學和語義的解釋性。此外，大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的可塑性，以及人腦在非認知因素和認知功能之間的相互作用，它們是形式化方法難以、甚至不能描述的。

因此，鄭南寧提出：“我們需要從腦認知機理和神經(jīng)科學獲得靈感和啟發(fā)，發(fā)展新的AI計算模型與架構(gòu)，讓機器具備對物理世界最基本的感知與反應(yīng)，即使機器具有‘常識’推理的能力，從而實現(xiàn)更加健壯的人工智能系統(tǒng)。”

鄭南寧把這樣的AI技術(shù)，稱為“直覺性AI技術(shù)”。

要實現(xiàn)這一步，鄭南寧認為計算機需要具備三個基本要素：

（1）對環(huán)境中的所有對象進行特征識別，并且進行長期記憶；

（2）理出對象間的關(guān)系，并對它們相互間的作用進行描述；

（3）基于想象力的行為模型，人在進行具體行動之前，會想象其帶來的后果，但機器就需要分析物體之間的各種關(guān)系。

直覺性AI技術(shù)可助力無人駕駛

隨著人工智能熱的興起，無人駕駛也被人們寄予厚望，全球已有多家企業(yè)宣布在2020年前后推出無人駕駛汽車。

但鄭南寧提出，當前無人駕駛還面臨這五個方面的挑戰(zhàn)。

第一，如何周密感知復(fù)雜的交通場景？它需要對天氣、路況等方面的所有條件，都能作出安全判斷。

第二，如何判斷和理解意外或突發(fā)情況？比如當遇上交通管制，街口出現(xiàn)交警指揮時，它可以有效識別并作出正確反應(yīng)嗎？

第三，如何實現(xiàn)對預(yù)行為的理解？比如人類司機可以通過前方行車狀況判定開車的是老司機還是新手，并形成自己的應(yīng)對策略（果斷超車還是保持車距），系統(tǒng)呢？

第四，如何防范安全問題？數(shù)據(jù)都在云端，安全風險無可避免。

第五，在人車交互上，它如何實現(xiàn)與乘客的無障礙交流？

在對交通場景的認知上，人類是一個連續(xù)的過程，但計算機是離散的。鄭南寧提出，把直覺性AI用到無人駕駛中，就是要基于認知構(gòu)建一個類人自主駕駛，使計算機也變得連續(xù)起來。

自主學習的無人駕駛系統(tǒng)，其學習過程與人類司機相似，都是靠熟能生巧。其中要解決的問題包括以下三點：

第一，人類駕駛員如何注意并獲取交通環(huán)境信息；

第二，交通環(huán)境信息如何在大腦中存儲和加工；

第三，產(chǎn)生駕駛行為的背后存在怎樣的內(nèi)部表征。

盡管取得了一些進步，但鄭南寧坦言，無人駕駛的商用在短期內(nèi)還難以實現(xiàn)，真正要“飛入尋常百姓家”，還需要10年甚至更長時間。