1700045232
1700045233
于是，我们得出一项重要结论，为了确保无人驾驶汽车的安全、顺利驾驶，需要构建中层控制软件实时读取从传感器输出的路况数据。在此基础上，仍然有许多程序员倚赖死板的指令方法来定义“驾驶功能”。在2005年DARPA挑战赛中，某支参赛队伍花费数月时间，编写整套逻辑指令来处理传感器输出的数据流。他们希望当车辆前方的路况数据增长时，系统控制软件能够指示车辆转向，绕开障碍物。经过数月的艰苦努力，他们创建了数量巨大、详细的数据库。遗憾的是，这支车队赢取百万奖金的旅程停止在比赛途中。他们的车辆由于制动不及时，在隧道入口发生碰撞。对此，该车队表示他们在预先编写中，缺乏应对隧道的特殊指令，团队在赛前准备时没有预料到这种状况。在缺乏清晰指令的情况下，系统只能根据数据胡乱猜测：隧道顶部很高，且赫然出现在车道中央，于是系统软件将其判断为一座巨大的高墙。在这样的误解下，系统作出自认为对的处理：踩下刹车，拒绝前进直等到工作人员到来，将它带回安全地段。
1700045234
1700045235
假如我们是参与“史丹利”项目的研发人员，就会明白特伦团队的选择：自动驾驶不是两三条指令可以做到的事，需要成百上千条指令方可成事。指令数量之大，绝对不是凭几个程序员的力量可以完整写出来的。哪怕在一条空旷的赛道上，也可能发生无数人们始料未及的新状况。以指令为基础的符号型人工智能，只能在沙漠路面结冰的时候起作用。配备测量团队和研发团队投入无限时间精力，创建出覆盖整个路面的数字地图，详细到路面每一块小石子和车库里一点点的不整齐之处。哪怕人们创造出了这幅完美的数字地图，该模型的代码基础仍然不能避免失败，因为客观世界会出现各种混乱的突发状况，千变万化。
1700045236
1700045237
以指令为基础的软件价值体现在无人驾驶汽车的高级控制功能应用上，例如路线规划、检查油箱等简单的操作。然而，由于这种类型的人工智能在非结构性环境中很容易崩溃，所以也给许多机器人专家留下“脆弱不稳”的印象。在2004年的DARPA挑战赛恰好反映了这种情况，参赛者使用的软件无法持续正常工作，结果全部失败，最好的驾驶成绩是8英里路程。
1700045238
1700045239
第三届，也是最后一届DARPA城市挑战赛在2007年举行。在这届挑战赛中，自动汽车收获了好几项突破性的成果。为了让各参赛队伍能够有所突破，主办方将比赛地点选在洛杉矶东北部75英里的一座废弃空军基地，赛道长60英里。该赛道状况无法事先预测，充满未知数，模拟的是在混乱的战争地区或车水马龙的高速公路上行驶的场景。想要赢取冠军的200万美元奖金，各参赛车队需要在没有清晰指令的条件下，通过中层控制软件在陌生的交通环境中或高速行驶的车流中安全驾驶。在当时，要完成这项任务，面临的挑战就好比人类在伸手不见五指的暴风雪中攀登珠穆朗玛峰，并且没有地图可以参阅。
1700045240
1700045241
2007年DARPA挑战赛规则简单明了：谢绝人类司机在旁，车辆要在城市交通的环境下自主完成一系列简单的任务。任务包括，左转行驶至十字路口，通过环状交叉路口，停车，在两车道的公路上持续平稳驾驶，不发生任何碰撞事故。为了确保参赛车辆是真正的全自动化（并非事先根据场地设写好相应程序），各参赛队伍在赛前一小时才拿到各自的参赛路线文档，这相当于人类的司机不能提前熟悉赛道。
1700045242
1700045243
2007年度挑战赛开赛那天，来自各大高校和汽车公司的11辆参赛车辆在发车线那头跃跃欲试，百余位各车队的工作人员也在发车线附近摩拳擦掌。当头戴棒球帽的发令员一声令下，挥下手中的小绿旗，比赛开始！无人驾驶汽车一辆接一辆从车门处平稳开出。只见计算机被安装在车辆的车尾和后座部分，方向盘来回旋转，仿佛有一只无形的手在掌舵。离赛道不远设有一处巨大的帐篷，上千名无人驾驶车爱好者以及观众在一块巨大的屏幕上关注着车辆的一举一动。
1700045244
1700045245
该年度的比赛过程中出现多种状况。裁判身穿橘红色反光安全马甲，手持计时器，看着各大车辆在酷热的太阳下穿行于南加州沙漠，完成各自任务。车辆则看起来像视力衰退的八旬老人组成的队伍，一辆接着一辆缓慢前行，绕过主办方设置的混凝土路障。
1700045246
1700045247
在这场世界级精英机器人的角逐中，2007年的无人驾驶汽车技术仍然让人不放心。为了维护比赛秩序、确保裁判和参赛者安全，每辆无人驾驶汽车都会配备一位“保姆”——一辆由人类驾驶的加强版福特金牛座（Ford Taurus）。万一无人驾驶汽车内的人工智能系统失灵，“保姆”上的驾驶员会马上远程启动无人驾驶汽车内的紧急停止装置，避免对附近的人车造成伤害。
1700045248
1700045249
这条沙漠赛道，曾经是二战和朝鲜战争时的美国空军的训练场，现在看起来就像一幕生动的慢速播放的、讲述车辆间发生小摩擦的喜剧电影。麻省理工学院的参赛车辆向康奈尔大学的车辆渐渐靠近，结果发生了我们在前面第四章提到的交通事故。另一辆参赛汽车也很快结束了自己的比赛，它任性地偏离赛道并撞上了附近的建筑物，让整个比赛现场变成了“车辆与建筑物碰撞”的事故聚集地。另外两辆汽车就像初次登台表演的青少年，畏首畏尾，在原地停滞不前，仿佛在思考应该朝前方的十字路口还是朝环形交通路口前进。
1700045250
1700045251
尽管出现了不少突发状况，比赛的最终结果还不错。11支参赛车队中有6支完成了规定任务并跑完全程。冠军由卡内基·梅隆大学和通用汽车联手研发的“老板（Boss）”汽车获得，全程用时4小时10分钟，平均速度每小时14英里。斯坦福大学的“青年（Junior）”紧随其后，获得亚军。弗吉尼亚理工大学的车辆“奥丁（Odin）”获得季军。
1700045252
1700045253
然而，那一天真正的胜利者是关于机器人的学科，2007年度挑战赛的赛果证实无人驾驶汽车完全可以在四车道的公路上自主驾驶，并能检测识别路上的其他车辆。经过将近一个世纪的“解放双手，解放双脚”研发工作，自动化汽车终于可以正常上路了。后来，困扰了无人驾驶汽车发展数十年之久的达·芬奇难题终于要得到解决。
1700045254
1700045256
西洋跳棋
1700045257
1700045258
有人指出2007年是现代全自动汽车的诞生元年。事实上，现代无人驾驶汽车的出现分为不同阶段。早在2004年、2005年举办的前两届比赛中，无人驾驶技术的表现就开始渐入佳境了。到了2007年的第三届比赛，参赛者不仅受益于之前的大赛经验，帮助提升比赛成绩的还有硬件技术的迅猛发展、以机器学习为代表的人工智能软件的重大突破。
1700045259
1700045260
Stack Overflow是一个著名的IT类网站，来自全球各地数百万的程序员在网站上交流探讨技术问题，并根据解答质量的优劣对回答进行排名。在Stack Overflow上，我们找到了对机器学习定义的解释。“机器学习是什么？”该问题排名最前的解释如下：
1700045261
1700045262
从根本上来说，机器学习是一种计算机的教学方法，用于指导计算机培养或提升识别能力和基于数据产生的行为。这里的“数据（data）”是指什么呢？这要视具体情况而定。可能是机器人学习行走时，传感器的数据读取，也可能是某个项目数据的正确输出。这种对输入数据前所未有的反应能力是许多机器学习算法的核心原则之一。假设现在要教会一台计算机在高速公路上安全驾驶，倘若使用数据库方法，你必须教会计算机处理上百万种情况。而高效的机器学习算法能够在不同情形中找到相似性，然后做出相似的反应。
1700045263
1700045264
不同情形下的相似性可以是任何东西，甚至我们能想到的日常生活中的例子，都值得机器学习和模仿。例如，当计算机驾驶系统学会了“当前面的车辆减速的时候，车辆本身也要跟着减速”。对于人类而言，把汽车替换成摩托车，我们也会采取同样的处理方式，因为我们知道摩托车也是机动车的一种。但是机器学习算法直接处理这种情况的困难程度可能会令人惊讶！数据库里需要分别储存路面前方是汽车或摩托车两种情形。不过另一方面，机器学习算法能够根据汽车的例子自主“学习”，生成摩托车的处理方式。机器学习的另一个特点是模式识别，教会某种程序对多种模式作出反应或辨别。
1700045265
1700045266
机器学习技术听起来自然而然——软件自主学习模式以识别和解决某些问题——事实上发生的是：一个从海量数据中统计并寻找规律的分析算法。该算法使用已有数据模式来搭建数学模型，数学模型会把各种各样的输出结果根据可能性高低排行，最终得出预判或结论。接着，算法会把这些结果应用到新的、尚未正式的数据上来测试，核实之前的预判是否准确（决策是否合适用）。如果出现错误，就返回更新模型。这样一来，机器学习项目就能提供从“学习”到“体验”整个过程的数据，并且这一切都在项目管理人员的监管下进行。他们的工作内容包括选择相应的算法、提供数据和反馈正误。
1700045267
1700045268
棋牌游戏一直以来都是人工智能研究人员，展示新逻辑技术时最喜欢的方式，机器学习也不例外。在20世纪50年代机器学习技术的发展刚刚开始起步，计算机有限的能力极大地限制了可供选择的桌游应用范围。由于那个年代的计算机还不能处理国际象棋所用的计算，研究人员于是用西洋跳棋（checkers）来代替。
1700045269
1700045270
1949年，IBM公司的新员工阿瑟·塞缪尔（Arthur Samuel）想要证实计算机能执行复杂的智能任务。塞缪尔入职那年，IBM还只是一所主要以生产老式计算机著称的公司。塞缪尔对于如何提高公司的知名度很有自己的想法。他认为，如果能研发出某种只适用于计算机，而不适用于老式加法机的应用，那么他就能展现IBM第一台商业计算机IBM 701的高超分析能力。
1700045271
1700045272
再没有比西洋跳棋更适合证明计算机的认知能力的方式了。塞缪尔的目标是提升计算机的西洋跳棋水平，达到世界大师的级别！如果选择用当时主流的人工智能模式来解决问题，他需要写出大量的计算机程序指令用来预测、指导计算机处理可能出现的棋盘布局。
1700045273
1700045274
根据经验推测，使用这种规则库方法将会是一项艰巨的任务，因为每一种可能出现的棋盘布局，都需要预先设置好该情形所对应的规则。应用情形如下：一项规则指示“先去吃掉对方的棋子”，另一项规则指示“先移动靠近对手后方的棋子”。
1700045275
1700045276
塞缪尔很快察觉这类人工智能的缺陷，下好一盘棋需要使用大量的数据，还有一串长长的难以管理的指令名单。更大的问题是，就算有人给每一处棋盘位置都列出对应的规则，计算机再怎么跟着这些死板的规则来下棋，最终也只能成为一个中规中矩的棋手。这就好比一个初出茅庐的新手，仅仅接受死板僵化的战术指导，培养不了“棋感”，计算机也是一样，它对棋局缺乏全局性的洞察力和一个伟大棋手身上的特质。
1700045277
1700045278
当时许多人工智能专家的研发都取得了很大进展，他们通过编译一系列复杂的指令，刻苦钻研意外案例和“伪随机性（Psuedorandom）”的下棋点，这样计算机看起来似乎运用策略在下棋。塞缪尔却另辟蹊径，他选择了机器学习的方式。因为只有这种方式，计算机才真正以自己的下棋经验为基础学习棋艺，而不是跟在一堆指令后面亦步亦趋。
1700045279
1700045280
人类棋手的成功之路不是从计算各种可能性的输出开始的，而是通过观察和记忆典型的棋局，记住那些精髓。人类棋手会牢牢记住关系成败的那一步棋。塞缪尔决定让计算机学习资深棋手，边下棋边学习如何识别典型的棋局模式，尤其是那些经典制胜棋局。
1700045281
[
上一页 ]
[ :1.700045232e+09 ]
[
下一页 ]