1700045929
1700045930
我们发现在神经网络第七层的某处有一个神经元，每次人脸出现在图片上时，该神经元都能马上反应。在长期训练过程中，这个人工神经元培养出专门检测人脸的功能。我们并没有特别训练网络进行人脸识别，可为什么它能够识别呢？
1700045931
1700045932
1700045933
1700045934
1700045935
图9.5 这是一张意外拍摄的图片，卷积神经网络正在回应左图视频部分的两张人脸。右图上用圆圈标志的区域里有两个模糊的白点，正是对应左图框里命令中的两张人脸
1700045936
1700045937
来源： Jason Yosinki，康奈尔大学
1700045938
1700045939
我们疑惑了很长时间，后来我们认为人脸的出现对于神经网络识别物体时是一个带有有用信息的字节。我们人类也有把某些物品（比如手机）靠近脸部的习惯。神经网络在仔细观察我们一阵子（每天几小时的训练）之后，神经网络作出决定要检测人脸，因为它（也许）认为这样才能更好识别我们训练展示的物品。
1700045940
1700045941
这是一个惊悚的时刻。
1700045942
1700045943
网络竟然被培养出了自主学习的决策能力，这个发现具有重要的意义。原因如下：第一，我知道许多同学花好几年时间在大学时期研发人脸检测软件，效果远远不及我们意外发现的网络自动人脸识别能力。另外，我们意外发现的网络自动人脸识别能力带出了一个有趣的问题：在我们固有认知的范围以外，网络还想要检测什么呢？很可能它想要识别某些重要的视觉模型，那些模型无法用言语描绘，甚至连人类的大脑也想象不到的。
1700045944
1700045945
这段经历不禁让我深思，是否某天深度学习网络就能拥有自己的感受质呢？想象以每秒1000张的速度，投放图片来训练网络。想象一次使用十台摄像头。也许还有其他形式的传感数据，比如超出人类听力范围的声学频率数据。我很好奇，当这一类的训练开展几周后，机器究竟会发生了什么？
1700045946
1700045947
从理论上说，软件能培养出人工神经元回应感受质的能力，而感受质是超乎人类想象的物体，是一种“只可意会不可言传”的状态。显然，人们轻看了机器智能的能力，常断言计算机永远无法体会生活中的美好，比如欣赏落日余晖或品鉴红酒的芳醇，我想，“这话不错，可计算机自己独特的传感体验，也可能是我们从未知晓的”。
1700045948
1700045949
深度学习网络为未来人工智能研究创造了沃土。与人类大脑不同，人工神经网络在捕捉原始视觉数据时不会局限于只能通过双眼。研究人员进行了一项实验，把雷达、激光雷达或相机中的数据与视觉系统连接起来，制造出一只比人眼更传神的“人造眼”。此外，还有一些前景诱人的领域等待人们去探索：收集各车辆数据，连接无人驾驶车队的集体学习技术，更好地推动网络视觉感知能力的发展。
1700045950
1700045951
目前，深度学习技术已经在无人驾驶领域的几款应用程序中崭露头角。以色列企业移动眼（Mobileye）就在视觉软件中使用类似的算法进行深度计算，并把软件卖给包括特拉斯在内的无人驾驶汽车企业。当谷歌汽车在山景城的街道上审慎移动时，移动眼却正在训练无人驾驶车队识别道路常见物体的集体能力。
1700045952
1700045953
新型深度学习算法能分析视频信号流产生的多个框架，也创造出包括动态-深度感知在内的视觉特征。例如，动态深度学习算法能够学会识别一只猫，但不是通过识别猫独有的耳朵和胡子，而是通过识别其躯干的移动特点和猫走路的姿态。应用到驾驶领域，该深度学习网络能通过感知路面物体的移动，得知路面状况：猫不可能突然出现，正常的行人也不可能以50英里每小时的速度飞奔。我们还能进一步地推断出网络具备根据行为方式来识别物体的能力，那些人类看来稀松平常的物体行为方式，往往就是系统识别的线索。
1700045954
1700045955
当深度学习软件获得了全新看世界的能力，那么自动汽车对数据的依赖程度就会不亚于汽油之于汽车。无人驾驶汽车的人工传感器需要消耗大量的数据。诚然，它们在消耗数据的同时也在提供数据。当车辆、道路都成为日益丰富的数据来源的一部分，才有可能保障街道安全和交通顺畅，同时也给个人隐私的保护带来全新的挑战。
1700045956
1700045957
1700045958
1700045959
1700045960
无人驾驶：人工智能将从颠覆驾驶开始，全面重构人类生活 [:1700043829]
1700045961
无人驾驶：人工智能将从颠覆驾驶开始，全面重构人类生活 第十章 燃料——数据
1700045962
1700045963
无人驾驶汽车既消耗数据也生产数据。驾驶过程变得越来越数据化，我们驾驶的方式将会发生以下几方面的变化：无人驾驶汽车将由高清分辨率的数字地图来引导，拥有数字地图资源的公司将参与并维护这新开拓的市场；自动驾驶汽车带来的另一个后果是城市需要管理好交通模式；驾驶的数据化趋势带来新收获的同时，也会带来前所未有的风险。
1700045964
1700045965
当汽车完全自动化以后，我们那饱受智能手机与网络泄露威胁的个人隐私，泄露风险将进一步增大。无人驾驶汽车完全可以收集乘客和行人的身份、习惯（甚至详细到他们的目的地和同行的身份）。此外还将面临另一个道德挑战，由于人类社会非常尊重生命的价值，因此无人驾驶汽车软件需要有能力在交通事故中计算出妥当的处理方式。
1700045966
1700045967
我们先谈谈无人驾驶带来的机遇。首先，高清数字地图的广泛使用将有助于一个新兴行业的崛起，同时带来激烈的行业竞争。2015年，诺基亚把旗下的数字地图与导航分公司（Here map）卖给由资金雄厚的德国汽车企业组成的联盟。这个联盟计划将这些数据应用到本地服务中。
1700045968
1700045969
在绘制高精确度数字地图的比赛中的领先者是谷歌公司。数十年来，谷歌投资了大量人力和数十亿美金，打造高清先进的数字地图。谷歌公司数字地图的原始数据来源于政府项目，如美国人口普查数据和五十州地理的详细信息。从那时候起，地图信息就被不断更新。新数据由谷歌团队手动添加，谷歌公司派遣专职人员在车内装上激光雷达和摄像头，边行驶边拍摄建筑物、街道标志以及重要的地理信息，找到那些航拍图片中没能发现的隐藏信息。
1700045970
1700045971
多年来，谷歌地图项目团队在公司内部被称为“街道真相发现者（Street Truthers）”，他们行驶了500多万英里，收集各种数据。数百名雇员，其中大部分在印度班加罗尔，根据用户提交的错误报告来修正地图信息。这支海外工作团队的作用很关键，他们整理数据，汇集分散的数据库，也收集错误。
1700045972
1700045973
高清地图的制作和更新需要耗费大量的时间和人力，由此推测，似乎高清地图的未来市场将会掌握在某些财力雄厚的个人和企业手上。在许多国家，各级政府致力于收集和维护海量的原始数据，记录交通灯的信息或绘制山脉的详细地图，然而其实这些数据中的大部分已不再可靠了，至少在美国情况如此。假如一个人有充足的时间，那么他可以走访各大城市和美国联邦机构，最终收集到可观的数据并建立起数据库。只是如此完成任务效率不高且耗费时间，尤其是那些被收集来的数据需要重新整理，并以一定标准储存后才能调用。
1700045974
1700045975
未来的高清地图市场发展多样且利润可观。潜在的客户可能是需要记录当地街道、路面的交通状况、监控维护路标的使用情况的城市机动车部门。此外，交警部门也想知道哪些路段会导致无人驾驶汽车突然刹车或较为危险。财力雄厚的公司客户则包括保险公司和生产无人驾驶软件的技术公司。
1700045976
1700045977
车辆内置的地图信息越详细，车辆安全系数越高，对于潜在客户而言的市场价值就越高。未来的消费者在购买车辆时，会优先考虑那些配置有更加详细的当地街道地图信息的车辆，这样他们就能知道，比方说，在哪一段路段靠边停车比较安全。
1700045978