1700045290
最终，缪赛尔成功了。他的计算机下棋程序走出实验室，对全世界造成了非同寻常的影响。若干年后，缪斯尔在实验室里通过电视直播的方式为观众展示了计算机下棋的精妙。1962年，IBM公司的计算机一举击败了世界级西洋跳棋大师罗伯特·尼尔利（Robert Nealey）。一夜之间，IBM公司的股票飙升了15%。
1700045291
1700045292
1700045293
1700045294
1700045295
图7.2 缪赛尔在IBM 7090计算机上下棋，摄于1956年2月24日
1700045296
1700045297
来源：IBM档案馆
1700045298
1700045299
计算机击败西洋跳棋大师之举令人印象深刻，但更令人诧异的是这套下棋程序还战胜了它的开发者缪赛尔。通常来说，基于规则的人工智能程序会受限于开发者的专业水平。然而，缪赛尔赋予了这套程序一种特殊的能力：如何学习。
1700045300
1700045301
许多人无法接受机器或计算机具备学习能力的说法。我们经常听到一些误解：“计算机程序无法比程序员更智能。”这种说法植根于我们对于计算机的陈旧观点，认为机器的自动化等同于去执行一系列预先设定的指令。但缪赛尔的机器学习设计，让计算机像人类一样具备汲取知识的能力，从自己的成败经历中学习。正如孩童能比父母的知识渊博，学生可能超越老师，运动员能战胜教练，计算机同样能比它的程序员更出色。
1700045302
1700045303
部分曾与计算机对弈的专家表示，在下棋的过程中，他们能感觉到软件对手下得专注、讲究谋略，甚至还有情绪。例如，加里·卡斯帕罗夫（Garry Kasparov）曾在国际象棋比赛中击败缪赛尔程序算法的伟大子孙——IBM深蓝超级电脑。1996年在《时代周刊》的采访中，卡斯帕罗夫说：“我能感觉到，对面坐的是一个拥有智能的家伙。”稍后他补充道：“虽然我认为自己发现了一些拥有智能的迹象，但那是一种怪异的智能，效率较低并且缺少韧性。我想电脑要想真正打败我，还得再等几年。”不过，卡斯帕罗夫错了。在第二年，也就是1997年，深蓝计算机彻底击败了他，捧走锦标赛冠军。
1700045304
1700045305
深蓝这种“怪异，效率较低的新型智能”，核心是数据的应用。机器学习即令人着迷，又让人沮丧，这都源自它的晦涩。所以，部分工程师抵触机器学习，就是因为他们从未完全弄明白人工智能是如何得出结论的——机器学习最具争议，也最让人难以理解的特点是其用于产生预判的非常复杂的内部数学模型。由于人类检测员无法通过软件代码发现系统是否正常运作，所以只能通过输入新的测试案例，来检测系统得出的预判是否正确。
1700045306
1700045307
无人驾驶：人工智能将从颠覆驾驶开始，全面重构人类生活 [:1700043806]
1700045308
无限状态空间
1700045309
1700045310
尽管机器人研究专家使用机器学习技术长达几十年，可这些机器人一直在高度结构化的环境当中运作。机器学习在棋类比赛中运作得非常好，这是因为棋盘是个有限的状态空间，所能产生的下棋方法数量是有限的。塞缪尔的计算机下棋程序通过在数据库中的查找功能，使数据一一对应上棋盘的具体位置。每一个棋面布局都特征鲜明，定义清晰，因此容易进行数据存储。
1700045311
1700045312
下国际象棋比西洋跳棋的难度要高，因为每个棋局都有更多的未知可能性，这就是人工智能科学员所说的“高分支系数（higher branching factor）”。更复杂的情形还要数城市街道或是繁忙的高速公路，它们呈现的状态空间可能产生数不清的“下法”或“棋局”。在人工智能的研究中，能够为机器人提供无穷无尽新情形的环境被称为“无限状态空间（Infinite State Space）”。
1700045313
1700045314
无人驾驶汽车必须能够处理无限状态空间，因为它会不间断地遇到各种新情况。每一种情况都是全新的，不可能新建一个检索表来存储这些信息。不仅不可能把每一种新经验都归结为有限的可存储单位，而且即使能够生成，大量的存储数据还需要无比庞大的检索表才能迅速输出数据，这哪怕是现代最先进的计算机也无法做到。
1700045315
1700045316
多年来，无限状态空间一直是机器人专家把机器学习应用到非结构性的、充满变数的未知环境中去的障碍。直到21世纪初，机器学习才成功实现到无限空间状态的应用——现在已经出现新的算法，计算能力提升以及数量充足的训练数据发展成形。在2005年DARPA挑战赛中，斯坦福大学的工程师第一次尝试把机器学习技术应用在驾驶上。
1700045317
1700045318
特伦团队解决无限状态空间的方法其实很简单：把车外千变万化的客观世界简化成两种情况：可驾驶和不可驾驶。他们训练机器学习系统把车载雷达和摄像机收集到的原始实时视觉数据分成两类。为了教机器学习软件识别可驾驶的地面，每个周末团队都会回到沙漠中，收集更多能反映沙漠地貌的视觉数据。当系统出错，他们就会及时调整，然后训练继续。
1700045319
1700045320
为了用采集来的数据给中层控制软件的概率网格图搭建视觉系统，特伦团队把数据流配上颜色代码。把机器学习软件认为可以驾驶的前方路面配上一种颜色，不能驾驶通过的路段数据配上另一种颜色。视频显示，当“史丹利”前进时，屏幕上会出现让人眼花缭乱的色彩漩涡，机器学习软件就这样把沙漠的无限状态空间简化成两种类型的。
1700045321
1700045322
“史丹利”在2005年挑战赛最终获胜，证明了计算机的视觉应用系统能通过机器学习在复杂多变的现实世界环境中应用。在机器学习软件的发展过程中，关键的推动因素之一是培训数据增多，数量充足。在无人驾驶的应用中，培训数据来源于车载硬件设备，曾经作为稀缺资源的培训数据，随着车载硬件设备在过去几年中的极大提升，也将变得不再稀缺。
1700045323
1700045324
无人驾驶：人工智能将从颠覆驾驶开始，全面重构人类生活 [:1700043807]
1700045325
现代工具箱
1700045326
1700045327
“重组创新（Recombinant Innovation）”指的是用创新的方式，把现行的几项技术组合起来的过程。尽管人们总觉得像无人驾驶这样的新兴技术（尤其是看起来非常复杂的技术）是孤僻的天才发明家用新奇的方式凭空创造的，但实际上它是重组创新的最佳案例。
1700045328
1700045329
重组创新是摩尔定律间接衍生而来的副产品，这条著名定律的内容是半导体材料的性能增长是呈指数型的，同时成本的下降也是呈指数型的。几十年来，摩尔定律堪称指导半导体技术发展的真理。它的影响力已经延伸至其他类型的硬件，如内含计算机芯片的数码相机、数字电视和电动玩具。
1700045330
1700045331
自20世纪70年代以来，自动驾驶原型车逐渐得到高速发展，彰显了重组创新的力量和摩尔定律的影响。80年代，卡内基·梅隆大学的导航实验室研发出一辆名为“怪人（Codger）”的自动驾驶原型车，车型庞大如UPS全球特快的运输卡车一般。“怪人”的庞大体型是因为装载了多种昂贵的高端科技产品，包括大块头的彩色电视摄像机、GPS接收器、激光测距仪和几台安装了第三代太阳操作系统的计算机。“怪人”行驶在空旷的公路上，最高时速可达每小时20英里。该车行驶在城市街道上并不安全，在开阔的街道上完成导航需要10秒，若是在混乱的环境中需要20秒以上甚至更长……
1700045332
1700045333
让我们快进到2007年，此时已经出现了先进水平的自动汽车，前景一片光明。康奈尔车队为参加2007年DARPA挑战赛的车辆耗费巨资，用195,850美元购买激光雷达和传感器、GPS系统和摄像机；另花46,550美元购入若干台式电脑、手提电脑及外围设备。虽然在2007年装备一台无人驾驶汽车的费用要比20世纪80年代少许多，但购入的计算机和传感器的运行速度总是慢半拍，跟不上自动驾驶车速。2007年DARPA的赛后分析中，CMU车队的负责人，后来成为谷歌无人驾驶项目领导者的克里斯·厄姆森（Chris Urmson）悲哀地发现“现行可用的传感器无法满足城市驾驶的需求”……
1700045334
1700045335
再快进到现在，前景看起来更诱人了。车载中层控制软件能保证数据的供应，其价格也比2007年大幅下降。到写作本书的今天，装配一辆无人驾驶汽车的硬件系统每年只需要5000美元，而且这个价钱在未来5~7年还会更低。现代硬件设备不仅价格亲民，而且体积小巧，适合安装在车体内部。雷达检测器的大小仅相当于一个冰球；GPS系统的接收器小到能轻易放置在汽车仪表盘内部；一台轻便的手提电脑处理能力远远超过1960年的微型货车般大小的大型机；一些雷达设备可以安装在汽车前灯隔壁。
1700045336
1700045337
今天的使能技术性能更好。就在厄姆森感慨“现行传感器性能不足”的7年后，2014年谷歌汽车的驾驶路程达到了70万英里。厄姆森说：“两年前，我们绝对应付不来城市街道的上千种复杂路况，而现在自动驾驶却可以处理得游刃有余。”2007年，无人驾驶还属于那种让人浮想联翩的“明日科技”。才过了几年，谷歌公司先进的无人驾驶原型车就成功在城市街道行驶超过70万英里。
1700045338
1700045339
谷歌汽车项目团队在短短几年时间内就设计和研发出一款功能完备的无人驾驶汽车，其成功也许可以看作以超前的意识走在行业前端的一个例证。此外，谷歌还享有其他几项优势，其中一项是资金。多年充裕的财政预算，足以使谷歌应付棘手的科研问题。