1700046381
幂次增长之王——算法
1700046382
1700046383
人们往往倾向于留意到计算、交互、传感方面的机器人硬件技术的飞速进步，但我们常常遗忘是哪些发现带来了这些进步及其背后的新算法技术的发明。
1700046384
1700046385
在计算机科学家和电子工程师中流传着一种说法，无论硬件工程师取得了什么样的进步，软件工程师是都能马上“废了”它们（原本程序员的说法用词太过激烈，不适合写在书里）。我们都知道无论计算机的硬件性能变得多快，操作系统软件却总是运行太慢，无法跟上速度。然而事实刚好相反。
1700046386
1700046387
算法的进步并没有类似“处理速度/年”“兆像素/美元”等单位，一直以来都难以量化。因为算法在执行各项任务时形态各异，目标也不断变化。举一个例子，我们用算法来解微分方程。这一类的数学算法对于任何需要进行预测和动态控制的机器人来说，都是关键的因素。1945-1985年间，执行这类基础任务的算法以每年3万点的系数在增长，或者说是年均29%的增长率。该增长率达到了同期的基础硬件的平均水平。
1700046388
1700046389
另一个例子是数据分析的算法进步。经典的快速傅里叶变换算法（fast Fourier transform, FFT）被用于几乎所有的数字信号处理系统，比起原始算法，这一算法更凸显了指令的速度提升的重要性。但究竟FFT算法带来了多少增速呢？事实证明进步因素很大程度上取决于被分析的数据库大小。若是小型的数据库进步空间小，大型的数据库进步程度相当大，这种进步甚至需要硬件用几十年的发展时间才能跟上它的步伐。正是因为算法的进步，我们才有了今天数据分析的方法，否则即使摩尔定律继续作用100年，这种方法也不可行。
1700046390
1700046391
不像硬件的进步曲线那么平整，算法的进步更像带有“间隔平衡”的特点，或据推测，它像是进化中的系统。算法的进步不是一帆风顺，而是断断续续地前进。好比一个生态系统，算法的进步，是在与众多其他算法的竞争中诞生的。某些算法诞生后，因其学术性深奥难懂而被埋没；其他算法在发展壮大后不久随即消亡，因为有更好的算法占据了市场，或是它们能解决的问题不再受到重视。一套算法需要经过不同人的多次修改，直到偶然的机会它拥有了广泛的识别能力。
1700046392
1700046393
人工智能算法也不例外。在一个多世纪的艰难前行中，人工智能算法不断进步又遭遇寒冬，风光一时却也曾经黯然失色。只是无论处于领导地位的是哪个阵营的人工智能，在过去几十年中人工智能算法总体上还是成绩斐然。我们知道，无论处理器的速度如何飞快，数据储存或相机分辨率如何发展，都不能使罗森布拉特的感知器稳定地分辨出猫和狗的差别——即使再强大的计算能力也不能使20世纪90年代的标准双层神经网络顺利完成这个认知任务。只有在大规模视觉识别挑战赛上的竞争激烈的各种算法中才能找到某种优秀的算法来完成识别任务。就像是岩石缝中生存的哺乳动物，卷积神经网络最终打败了人工智能的传统强劲对手。
1700046394
1700046395
当深度学习算法在断断续续的进化过程实现了阶梯飞跃，整个人工智能界沸腾了。当该行业的重心从硬件转移到软件上时，自动行业也感受到了类似的震撼。
1700046396
1700046398
算法的进步大量涌现
1700046399
1700046400
我们不知道眼睛在大脑的发展过程中起了何种促进作用，但我们知道智力的作用远远超过视觉皮层细胞，从识别捕食者和猎物、寻找配偶，到今天阅读本书时用到的充分交互与自我认识能力。我们知道深度学习算法从最初的为视觉感知服务，到今天成功应用到许多人工智能领域，例如语音识别到语言产生再到艺术创作。我们推测这股发展趋势仍将继续。
1700046401
1700046402
发展趋势将持续多久？何时结束？这些都是科幻作家和哲学家考虑的问题。如果我们用硬件能力为基础来推测人工智能的发展，发展过程将持续到2020年，到那时计算机能力将于大脑的计算能力相当。可是预言似乎不能满足我们。我们想知道什么时候计算机能拥有与人类水平相当的智能行为方式，而不仅是它们原始计算能力的发展。问题在于这类设想要走向现实可谓难上加难。
1700046403
1700046404
计算机要发展出类似自我觉醒或自我认知的能力，需要的不仅仅是硬件的提升，而是一套全新的算法。况且我们不能确切知道“机器的自我认知”是什么，我们只知道这不用于下棋或开车，它没有明显的规律可循。因此不像许多科幻电影描述的场景，这不是由软件开发的高手通过编程可以直接解决的问题。
1700046405
1700046406
相反地，机器的自我觉醒发展缓慢。自我觉醒是什么？我们采用实际的定义：它不过是一种自我刺激的能力，用来预测现在行为所带来的后果，从而不需要在现实中真的做出该行为。你能想象出明天的你行走在沙滩上的情形吗？你能想象出大海的气息和踩着沙子的感觉吗？感觉很美好吧，让你心动真的要行动了吗？如果答案是肯定，那么你进行的就是“自我觉醒”。有人会说，就连能引起感知的情绪，比如恐惧和欢乐，都能在过去的经历基础上，把未来的行为结构投射到我们目前的状态中。比如，“痛苦”象征着现在遭遇的破坏，而“恐惧”表示极有可能发生的严重破坏，然而“担忧”在内在自我模式的基础上，反映出严重性轻微、距离更长远的负面结果。
1700046407
1700046408
如果机器人根据目前的行为预测到将来的场景，然后开启预测模式计划将来的行为。在某种程度上说，它自我觉醒了。2006年我们展示了一款能建造自我形象的机器人——虽然图片描绘并不准确，呈现是粗糙的类似剪贴画的小人像——但机器人却能从此离开物理实验和外部编程来学习行走。可是当时机器人制作出自画像时，感知器和预测算法已经达到了极限。
1700046409
1700046410
也许当深度学习算法应用到所有人工智能领域时，我们才能看到新一代的机器人画出越来越准确的自我肖像以及周围环境的模式，这样渐渐发展成自我意识觉醒。
1700046411
1700046412
一辆自我意识觉醒的汽车不会在车道上遇到你，或和你聊聊路况，也不会很贴心地顾及你感兴趣的事务。但一辆自我意识觉醒的汽车能够越来越准确地建造于驾驶模型，以及你的驾驶习惯——哪些它可以做到，而哪些在它能力范围之外，这些潜在动作的风险利弊可能是什么，等等。就像我们人类的自我意识觉醒，能够超越自身范围，领会他人的感受和意图，汽车也能明白路上行驶的其他车辆的下一步举动。
1700046413
1700046414
我们估计，从多细胞进化出视觉感知细胞，花了500万年；从视觉感知细胞进化到智人花了5亿年。如果依照这个时间做类比，感知器花了50年时间从20世纪50年代的“无视力机器人”发展而来，也许要花上500年的时间，人工智能才能发展到与人类水平相当的自我意识觉醒。硬件进化能助力这股发展趋势，可是算法的进化必须遵循其自身的间隔发展特点。
1700046415
1700046416
不过，无论是2020年还是2500年，相比于人类的进化历史来说，都太快了。
1700046417
1700046418
人类一直以来都倾心追求制造出有生命的活物，古时候的炼金术士用尽各种办法，赋予泥石生命的气息。历史上出现了各种神秘的处方，多年以后，炼金术士被他们的现代“追随者”——机器人学家所取代。今天，研究机器人的专家拥有更好的工具、更深层的理解力和稍微充裕一些的资金。最终，我们依然在不停尝试，把生命气息带给毫无生命特征的机器。
1700046419
1700046420
1700046421
1700046422
1700046424
无人驾驶：人工智能将从颠覆驾驶开始，全面重构人类生活 致谢
1700046425
1700046426
几年的时间里，我们与众多相关人士进行了很多激动人心的、发人深思的讨论，最终才形成了这本系统性介绍的书籍。我们要特别感谢所有在本书成书过程中伸出援手的人，他们提供的任何形式的帮助都有巨大作用。
1700046427
1700046428
我们想要感谢在自动驾驶汽车研究领域长期作出突出贡献的两位学者，他们是奇点大学的布拉德·邓普顿（Brad Templeton）和普林斯顿大学的阿兰·肯豪森（Alain Kornhauser）。想要找到专门在机器人领域有着深厚研究并且应用到汽车领域的专家并不容易，这两位学者不仅知识渊博，并且还愿意无私地与我们分享他们的真知灼见。通过与布拉德、阿兰交谈、阅读他们的博客和与他们邮件往来，我们对无人驾驶汽车领域有了更多深刻的认识。
1700046429
[
上一页 ]
[ :1.70004638e+09 ]
[
下一页 ]