打字猴:1.700044545e+09
1700044545 无人驾驶:人工智能将从颠覆驾驶开始,全面重构人类生活 [:1700043784]
1700044546 运动中的人工智能
1700044547
1700044548 CHIMP是个超强的移动机器人,可以达到奥林匹克运动员的水平。但可惜的是,这些先进的灾害应对机器人——即使如CHIMP这样精心打造的,也不经意间透露出人工智能研究过程中的拦路虎之一:把一台电脑的棋艺调教到世界大师水平是容易的,但教会一个机器人从一堆瓦砾中走过却要困难得多。机器人学家汉斯·莫拉维克(Hans Moravec)将这种看似简单任务自动化过程中遇到的困难进行了简洁的归纳,提出了著名的“莫拉维克悖论(Moravec’s Paradox)”。他发现“想让电脑在智力测验或国际象棋上达到成人的水平是相对简单的,但如果想让它达到一岁儿童的感知能力和移动水平,则困难许多,甚至无法实现”。
1700044549
1700044550 莫拉维克悖论还展现了一个长期存在于人工智能研究者和机器人学家之间的分歧。几十年来,人工智能研究一直寻求模拟人类智能,研发的软件则力图完成人们通常视为高智力表现的任务,如下棋、解谜或数学计算。与此同时,机器人学家追求的是另一个目标,创造能够观察并理解周围环境的人工生命机体,使其技能水平和流畅性至少不输于人类婴儿。
1700044551
1700044552 我们人类感觉简单的活动,如“关阀门、捡起工具以及在墙上凿洞”,其实背后是需要超大量计算能力支撑的。就好比从水面上看鸭子游动感觉很轻松,但实际上它的腿在水下猛烈地拍打,为了让机器人的肢体做出自然的动作,它的软件系统要持续进行大量复杂的计算。结果就是类似CHIMP及其灾难恢复机器人伙伴尽管可以在危害人类的物理环境里工作,但它们的反应时间非常慢,甚至赶不上一个低级生命体的条件反射弧。
1700044553
1700044554 观看DARPA竞赛录像,可以看到机器人在完成任务时的速度很慢,而且节奏不自然。它们的动作之所以缓慢,是因为即使仅仅调动一个的简单动作——例如穿越房间并抓起扳手,相应的软件代码也需要整个机器人系统运行一分多钟才能完成。另一个看似简单的活动——环视房间,检测障碍物并计划出穿行路线,同样也会占用大量的运算资源。想要“感知”周围的环境,机器人的视觉系统要扫描环境,然后中央处理器要处理大量信息流以查找参考模式和有意义的信息。当机器人操作系统确认好周遭环境并设定好一个恰当的反应后,身体不同部分的动作调动还需要额外的数据分析,因此也就耗用更多的时间。
1700044555
1700044556 巴西科学家苏珊娜·埃尔库拉诺-乌瑟尔博士(Dr. Suzana Herculano-Houzel)针对引导运动、感知和反应的软件系统为什么会如此耗费资源以及难以研发,给出了一些见解。她研究发现,那些长期被我们视为仅能体现智力低级水平的活动,才是生物大脑真正难以掌握的。之所以普遍被误解,是因为经历了数百万年的进化,我们的大脑对于投放大量认知资源解决这类问题的流程已经超级熟悉了。
1700044557
1700044558 埃尔库拉诺-乌瑟尔博士设计了一种技术来检测哺乳动物大脑中的神经元数量。经过数年的潜心研究,她发现人类大脑中包含大约860亿个神经元。然而,与很多脑科学家曾认为的观点不符的是,大量的神经元主要用于监控基本的身体机能和条件反射过程,而非高级的认知功能。
1700044559
1700044560 人类的小脑位于脑后的部位,平均含有690亿个神经元,主要负责管理身体的基本功能和运动平衡。相反,埃尔库拉诺-乌瑟尔博士的研究发现剩下的160多亿个神经元位于大脑皮层——承担所谓高级功能的区域,如自我意识、问题解决以及抽象思维。我们应该从人类神经元的分布状态中认识到,机器人的大脑也应该将大量运算能力贡献于知觉和动作的管理。
1700044561
1700044562 在访问NREC那天,看完CHIMP的演示后,我们对机器人操作系统有了更深入的认识。考虑到莫拉维克悖论以及将简单肢体动作自动化所需的计算能力,也就不难理解研发一个用于引导汽车的快速响应、安全可靠、聪明智慧的机器人操作系统来的艰难程度了。另外,加上无人驾驶汽车需要更高的安全可靠性,研发这样的机器人操作系统更是难上加难。
1700044563
1700044564 然而,我们在NREC参观的最后一个部门,重新燃起了我们的信心。我们眼前一亮,仿佛在灰暗的土地上发现一台亮绿色的迪尔公司(John Deere)的综合拖拉机。布莱恩给我们介绍了另一位NREC的研究员卡尔·威灵顿(Carl Wellington),他专门研究帮助农业公司实现自动化的农业设备。
1700044565
1700044566 现代农场里的工作都有着高度复杂的技术,遵循“精细农业”的实施路线。卡尔告诉我们,农民使用半自动化车辆的历史已经有十多年了。在自动化的早期阶段,农民给他们的拖拉机装上高精度的GPS系统,并使用农场管理软件在地图上标出各自的土地区域。这个时代的农业车辆,还是需要驾驶员的。这时的农用车辆只能够沿着直线自动前进,但还需要人类驾驶员在直线的终点控制车辆转向。然而几年后,引导拖拉机自动转向的商业软件就开始在市面上贩售了。
1700044567
1700044568 无人驾驶:人工智能将从颠覆驾驶开始,全面重构人类生活 [:1700043785]
1700044569 驾驶的控制权:混合人工智能
1700044570
1700044571 在工程学难题列表中,编写引导无人驾驶汽车的操作系统的难度应该介于CHIMP和自动拖拉机两者之间。无人驾驶汽车的操作系统横跨了两个存在差异的研究领域。其一是控制工程学(Controls Engineering),专门解决机械零部件协调运行的一个工程学分支;其二则是人工智能研究。
1700044572
1700044573 控制工程学要处理复杂系统(如机器人的机械系统)的运行问题,这些系统要通过输入和输出信息来与周围环境进行互动。在给复杂的系统输入指令时,机器人学家会区分出底层控制和上层控制。以无人驾驶汽车为例,底层控制管理汽车内部系统的运行方式,如刹车、加速和转向;上层控制则管理汽车的长期策略计划,如导航和路线规划问题。
1700044574
1700044575 当控制工程专注于应用软件管理复杂的系统时,人工智能中相关领域的研究者则努力研发具备智能行为的软件,智能行为这一看似宽泛模糊的定义恰恰反映了这一领域的惊人深度和多样性。人工智能研究的理论基础来源于多个不同的领域,从心理学到语言学,再到统计学都有所贡献。虽然研发具备所谓普通智力水平的软件仍然是这个领域的长期目标,但这不妨碍许多人工智能研究者定向研究某一类问题的领域,例如让工业过程更加高效,或者让汽车能够自动驾驶得更安全。
1700044576
1700044577 对人工智能技术的深度解析远非本书所能及。为了简化问题,我们将人工智能技术中丰富多元的内容大致分为两派:自上而下的和自下而上的,或称为符号型人工智能(symbolic AI)和数据驱动型人工智能(data-driven AI),后者就是渐渐被人熟知的“机器学习”。符号型人工智能会将复杂的情境或任务分解成若干标准的指令或规则条目,然后程序员将这些规则写进软件代码,使计算机能够依据推理和查找功能执行这套逻辑规则。相反,数据驱动型人工智能(或者说机器学习)会应用各种算法对大量数据进行处理,然后利用统计学技术分类、排序,最终再解析这些数据。两种人工智能各有优势,但重要的是根据特定的任务应用最适合的人工智能。
1700044578
1700044579 所有人工智能程序都在尝试做的一件事就是将复杂未知的“现实世界”转变成有限数量的逻辑“组块”,以便软件进行后续分析。每个组块,或者说独立的情境,可以被称为一种“状态(State)”。一种状态既可以是指棋盘上棋子的特定组合配置,也可以是一瞬间环境中物体固定下来的特定组合配置,所有可能情境的集合被称为“状态空间(State Space)”。
1700044580
1700044581 符号型人工智能技术最适合在小型的状态空间里应用,即所有可能的结果可以事先预期到,并且能按照既定的规则解决。例如,相比繁忙的城市街道,工厂装配线的状态空间数量要少得多。因此,引导工厂内机器人执行有限数量的可能性动作和反应的软件,这种基于规则的符号型人工智能是一种有效的技术路线。
1700044582
1700044583 几十年来,符号型人工智能长期占据市场的主导地位。直到20世纪末,随着计算力的提升,传感器将可用数据数量从微小提升到海量,机器学习也从冷门学科进入到人们的视野里,赢得了广泛认同。这种技术路线的巨大优势,就是它不需要由人类程序员预计到一个场景中的所有可能结果,而传统的符号型人工智能技术却离不开这些。当程序员有了强大计算力的设备和大量训练数据,他就可以编写一个机器学习软件,让机器根据手头的素材“学会”自行应对处理,某些情况下,软件还可以学会应对不熟悉的新情境。汽车的操作系统应该囊括不同类型的人工智能软件,以实现各种控制功能的管理。
1700044584
1700044585 谷歌公司的“大眼睛的”自动化驾驶的出现与现代智人(Homo sapiens)的诞生具有相同价值,谷歌的无人驾驶汽车并不完全是谷歌天才研发人员在安保严密的实验室里突然搞出来的。实际上,谷歌现在的无人驾驶汽车是近一个世纪以来人工智能和机器人研究的智慧结晶,它所承载的机器人DNA也是从多个早已停止的研究项目中汲取的,有些项目提供了基本概念,有些贡献了突破性技术。
1700044586
1700044587 在人们通常的观念里,有一个不全面的观点,即在很久以前,多个人类物种先后灭绝的过程中,现代智人这一支系因其先天优势而得以保存下来。而现代DNA分析证实这种观点是有问题的。人们曾经认为尼安德特人(Neanderthals)已被其优秀的“表亲种族”所灭绝,但事实是他们的基因仍潜伏在我们身上——近期DNA分析表明欧洲人和亚洲人身上都多多少少携带着一些尼安德特人的基因,这说明人类的演化过程并不像我们曾经以为的那样循序渐进、阶段分明。
1700044588
1700044589 引导当前自动化驾驶汽车的软件,其发展渊源也同样存在争议,复杂难辨。谷歌汽车底层控制中用于监控刹车、转向和速度控制的软件,延续了1912年设计的军用机器人原型“战争狗(Dog of War)”的技术路线,可以说是其后辈的后辈;谷歌汽车上层控制中计划最佳路线的软件,使用的搜索算法也有几十年历史了。谷歌汽车通过对比现在驾驶情境与过往经验来实现学习的能力,有一部分源于机器学习技术,而这一技术的最初提出可追溯到20世纪50年代。
1700044590
1700044591 无人驾驶:人工智能将从颠覆驾驶开始,全面重构人类生活 [:1700043786]
1700044592 底层控制系统:加速、刹车和转向
1700044593
1700044594 无人驾驶汽车底层控制的核心工作是将系统稳定在最佳设定值上。反馈控制设备是一种广泛使用却又鲜为人知的判断性装置,通常用于调节引擎的燃油喷射、生产用机械的电压输入,甚至还可以用于调节房间内温度,使其准确地保持在恒温器设定的数值。反馈控制设备应用背后的逻辑支持就在于它的平衡观念:无论是机械设备、电子设备,还是生物体,一个系统需要尽可能维持在稳定均衡状态中。
[ 上一页 ]  [ :1.700044545e+09 ]  [ 下一页 ]