首先，對(duì) AI 的幾點(diǎn)看法：用詞不當(dāng)！人工智能既不是人工的，也不是智能的。如果沒(méi)有大量的人類(lèi)訓(xùn)練，人工智能就無(wú)法識(shí)別事物。人工智能在物體或場(chǎng)景的識(shí)別、理解和分類(lèi)方面表現(xiàn)出與人類(lèi)完全不同的邏輯。該標(biāo)簽暗示人工智能類(lèi)似于人類(lèi)智能。

不是這樣。

人工智能通常缺乏常識(shí)，很容易被愚弄或破壞，并且可能以意想不到和不可預(yù)測(cè)的方式失敗。換句話(huà)說(shuō)——謹(jǐn)慎行事。

本專(zhuān)欄探討人工智能技術(shù)如何影響汽車(chē)行業(yè)。我們將考慮這些問(wèn)題：

人工智能如何解決問(wèn)題？

人工智能在汽車(chē)中的優(yōu)點(diǎn)和缺點(diǎn)是什么？

在汽車(chē)中使用人工智能有哪些獨(dú)特的挑戰(zhàn)？

哪些汽車(chē)電子領(lǐng)域正在使用人工智能？

未來(lái)哪些汽車(chē)電子領(lǐng)域?qū)⒁蕾?lài)人工智能技術(shù)？

AI 開(kāi)發(fā)分為三個(gè)階段：構(gòu)建 AI 模型，使用相關(guān)數(shù)據(jù)訓(xùn)練 AI 模型，最后使用訓(xùn)練好的模型解決問(wèn)題，即推理階段。

大多數(shù) AI 模型都基于多個(gè)版本的神經(jīng)網(wǎng)絡(luò)和學(xué)習(xí)網(wǎng)絡(luò)。示例包括卷積神經(jīng)網(wǎng)絡(luò)、生成對(duì)抗網(wǎng)絡(luò)、深度強(qiáng)化學(xué)習(xí)、聯(lián)邦學(xué)習(xí)、遷移學(xué)習(xí)等。每個(gè)都有不同的優(yōu)點(diǎn)和缺點(diǎn)。一切都在迅速發(fā)展。

下表總結(jié)了人工智能技術(shù)的優(yōu)缺點(diǎn)以及安全考慮和擬議法規(guī)。

點(diǎn)擊查看完整大小的圖片

人工智能優(yōu)勢(shì)

人工智能主要用于解決復(fù)雜的問(wèn)題。由于汽車(chē)行業(yè)存在許多難題，人工智能在推進(jìn)汽車(chē)技術(shù)方面發(fā)揮著越來(lái)越重要的作用。部署自動(dòng)駕駛汽車(chē)的承諾主要取決于新的人工智能技術(shù)。似乎幾乎達(dá)成共識(shí)，神經(jīng)網(wǎng)絡(luò)的進(jìn)步是實(shí)現(xiàn)未來(lái) AV 部署成功的主要方法。

好消息是人工智能，尤其是神經(jīng)網(wǎng)絡(luò)技術(shù)還處于研發(fā)階段。這意味著未來(lái)的進(jìn)步將領(lǐng)先于預(yù)期的突破性創(chuàng)新。隨著全球范圍內(nèi)持續(xù)廣泛的人工智能投資，人工智能和神經(jīng)網(wǎng)絡(luò)將解決許多更復(fù)雜的問(wèn)題，包括汽車(chē)行業(yè)的挑戰(zhàn)，這是一個(gè)不錯(cuò)的選擇。

人工智能的缺點(diǎn)

開(kāi)發(fā)和部署人工智能技術(shù)的挑戰(zhàn)之一是對(duì)神經(jīng)網(wǎng)絡(luò)的充分訓(xùn)練。一般來(lái)說(shuō)，問(wèn)題越復(fù)雜，神經(jīng)網(wǎng)絡(luò)模型就必須越復(fù)雜。這意味著大型模型。培訓(xùn)需要大量資源和專(zhuān)業(yè)知識(shí)來(lái)設(shè)計(jì)和測(cè)試依賴(lài)大型數(shù)據(jù)集的 AI 模型，以驗(yàn)證模型是否像宣傳的那樣工作。

AI 模型需要大量訓(xùn)練，這意味著需要獲取大型數(shù)據(jù)庫(kù)。更大的訓(xùn)練數(shù)據(jù)集變得可用，但訓(xùn)練仍然是一項(xiàng)耗時(shí)且昂貴的任務(wù)。大多數(shù)訓(xùn)練數(shù)據(jù)也必須由人類(lèi)標(biāo)記，以使 AI 模型能夠?qū)W習(xí)并變得熟練。人們?cè)絹?lái)越擔(dān)心偏見(jiàn)正在蔓延到訓(xùn)練數(shù)據(jù)中。

然后是黑盒問(wèn)題：仍然很難確定 AI 模型如何做出決策。對(duì)于自治系統(tǒng)來(lái)說(shuō)，這種模糊性仍然是一個(gè)大問(wèn)題。需要更好的解決方案。

另一個(gè)問(wèn)題涉及模型對(duì)微小數(shù)據(jù)變化的敏感性。該漏洞引發(fā)了安全問(wèn)題，包括入侵自主系統(tǒng)的可能性以及由此產(chǎn)生的對(duì) AV 安全的威脅。
缺乏人工智能專(zhuān)業(yè)知識(shí)是汽車(chē)和其他行業(yè)的另一個(gè)重大缺陷，這種技能差距不太可能很快得到彌補(bǔ)。

解決問(wèn)題的推理階段也有缺點(diǎn)。大型模型，尤其是 AV 模型，需要巨大的計(jì)算資源來(lái)處理傳感器數(shù)據(jù)并支持復(fù)雜的軟件。這些資源還需要電力，這在汽車(chē)應(yīng)用中總是有限的。

新興技術(shù)將提高能力并降低推理成本，包括新興的人工智能芯片技術(shù)、激光雷達(dá)價(jià)格的下降和傳感器性能的提高。

推理的最大缺點(diǎn)是黑盒問(wèn)題或 AI 可解釋性。人工智能系統(tǒng)仍然無(wú)法解釋它們是如何做出決策的，從而產(chǎn)生了許多人工智能信任問(wèn)題。對(duì)于汽車(chē)應(yīng)用來(lái)說(shuō)，這是行不通的。（我將在以后的專(zhuān)欄中探討有關(guān) AI 可解釋性的問(wèn)題。）

人工智能安全

與其他消費(fèi)領(lǐng)域相比，汽車(chē) AI 需要更高的安全性。因此，必須更加重視人工智能安全和研發(fā)。為此，喬治城大學(xué)安全與新興技術(shù)中心 (CSET) 發(fā)布了一份開(kāi)創(chuàng)性報(bào)告，研究了人工智能的意外后果和潛在影響。

CSET 報(bào)告確定了三種基本類(lèi)型的 AI 故障——穩(wěn)健性、規(guī)范和保證故障。魯棒性故障意味著人工智能系統(tǒng)接收到異常或意外的輸入，導(dǎo)致它們發(fā)生故障。在規(guī)范失敗中，人工智能系統(tǒng)試圖實(shí)現(xiàn)與設(shè)計(jì)者的意圖略有不同的東西，從而導(dǎo)致意想不到的行為或副作用。保證失敗意味著人工智能系統(tǒng)在運(yùn)行過(guò)程中無(wú)法得到充分的監(jiān)控或控制

7 月份發(fā)布的報(bào)告包含了 AI 意外崩潰的示例（作者更喜歡“意外”一詞），并建議采取措施降低風(fēng)險(xiǎn)，同時(shí)使 AI 工具更值得信賴(lài)。

可解釋的 AI，即 XAI，是一種減輕黑盒效應(yīng)的方法，可以更好地了解提高模型準(zhǔn)確性所需的數(shù)據(jù)。由國(guó)防高級(jí)研究計(jì)劃局贊助的 XAI 研究旨在開(kāi)發(fā)機(jī)器學(xué)習(xí)技術(shù)，以產(chǎn)生更多可解釋的模型，同時(shí)保持高水平的學(xué)習(xí)性能和準(zhǔn)確性。XAI 還將使人類(lèi)用戶(hù)能夠理解、信任和管理 AI 模型。XAI 還可以表征其自身的能力并提供對(duì)其未來(lái)行為的洞察。

人工智能監(jiān)管

人工智能和通用數(shù)據(jù)保護(hù)條例密切相關(guān)。GDPR 影響歐洲和其他地區(qū)的人工智能發(fā)展。該法規(guī)明確涵蓋了自動(dòng)化的個(gè)人決策和分析。該規(guī)則保護(hù)消費(fèi)者免受兩者的法律后果。在這種情況下，自動(dòng)化的個(gè)人決策包括人工智能平臺(tái)在沒(méi)有任何人工干預(yù)的情況下做出的決策。剖析是指自動(dòng)處理個(gè)人數(shù)據(jù)以評(píng)估個(gè)人。

對(duì)于汽車(chē)應(yīng)用，這主要影響內(nèi)容交付系統(tǒng)和用戶(hù)界面。

歐盟正在準(zhǔn)備一項(xiàng)類(lèi)似于 GDPR 的 AI 法規(guī)，這一新規(guī)則的影響可能與 GDPR 一樣廣泛。代表監(jiān)管人工智能的法律框架的提案草案于 4 月發(fā)布。

歐盟提案旨在確定高風(fēng)險(xiǎn)人工智能技術(shù)及其針對(duì)可能危及公民的交通等關(guān)鍵基礎(chǔ)設(shè)施的應(yīng)用。這意味著自動(dòng)駕駛汽車(chē)將成為人工智能監(jiān)管的目標(biāo)。

根據(jù)歐盟提議的人工智能立法，罰款可能高達(dá) 3000 萬(wàn)歐元，或公司全球收入的 6%，以較高者為準(zhǔn)。GDPR 規(guī)定的最高罰款為 2000 萬(wàn)歐元，即全球收入的 4%。

汽車(chē)人工智能

下表總結(jié)了與汽車(chē)電子集成的人工智能技術(shù)。不包括用于汽車(chē)制造、供應(yīng)鏈管理、質(zhì)量控制、營(yíng)銷(xiāo)和人工智能做出重大貢獻(xiàn)的類(lèi)似功能的人工智能。

點(diǎn)擊查看完整大小的圖片

神經(jīng)網(wǎng)絡(luò)產(chǎn)生的決策必須是可以理解的。如果不是這樣，就很難理解它們是如何工作的并糾正錯(cuò)誤或偏見(jiàn)。

神經(jīng)網(wǎng)絡(luò)的決策也必須是穩(wěn)定的——也就是說(shuō)，盡管視覺(jué)數(shù)據(jù)存在微小差異，但仍保持不變。這對(duì)于 AV 尤其重要。停車(chē)標(biāo)志上的小條黑白膠帶可以使它們對(duì)基于人工智能的視覺(jué)系統(tǒng)不可見(jiàn)。這是不可接受的神經(jīng)網(wǎng)絡(luò)性能的一個(gè)例子。

AV 應(yīng)用程序需要更好的技術(shù)來(lái)了解以前的軟件駕駛員培訓(xùn)沒(méi)有經(jīng)歷過(guò)的邊緣案例或新的駕駛事件。這仍然是大規(guī)模部署 AV 系統(tǒng)的關(guān)鍵限制因素。

當(dāng)前的人工智能使用

語(yǔ)音識(shí)別和用戶(hù)界面一直是汽車(chē)領(lǐng)域最成功的基于人工智能的應(yīng)用。這些應(yīng)用程序利用智能手機(jī)和消費(fèi)電子產(chǎn)品中使用的人工智能技術(shù)部署在信息娛樂(lè)和人機(jī)界面中。Alexa、CarPlay、Android Auto 和類(lèi)似產(chǎn)品已在大多數(shù)新車(chē)型和車(chē)型更新中引入。

遠(yuǎn)程診斷是領(lǐng)先的遠(yuǎn)程信息處理應(yīng)用程序。例如，添加人工智能技術(shù)可以幫助預(yù)測(cè)未來(lái)的設(shè)備故障。

基于人工智能的視覺(jué)系統(tǒng)用于配備 ADAS 的汽車(chē)的駕駛員監(jiān)控系統(tǒng)。隨著人工智能技術(shù)的改進(jìn)，DMS 有望實(shí)現(xiàn)快速增長(zhǎng)。

許多 ADAS 功能也使用 AI 技術(shù)，包括自適應(yīng)巡航控制到多個(gè)版本的停車(chē)輔助。L1 和 L2 ADAS 車(chē)輛將在新車(chē)型中使用越來(lái)越多的 AI 技術(shù)。

新興的人工智能使用

多家原始設(shè)備制造商正在涌現(xiàn)有限的駕駛飛行員。它們通常稱(chēng)為 L2+，但該術(shù)語(yǔ)不包含在當(dāng)前標(biāo)準(zhǔn)中。稱(chēng)它們?yōu)樽詣?dòng)駕駛儀是一個(gè)錯(cuò)誤，因?yàn)樗瓜M(fèi)者感到困惑，并暗示了比現(xiàn)有更多的能力。他們已經(jīng)造成了崩潰。

L3 車(chē)輛已經(jīng)面世多年，但由于監(jiān)管限制，部署受到限制。允許 L3 AV 的法規(guī)正在出現(xiàn)，L3 車(chē)輛使用大量 AI 技術(shù)。

OTA 軟件和網(wǎng)絡(luò)安全功能都通過(guò)嵌入式軟件客戶(hù)端以及基于云的服務(wù)和分析軟件添加 AI 技術(shù)。

一個(gè)新興的 AI 應(yīng)用是針對(duì)多個(gè)AV 用例的自動(dòng)駕駛汽車(chē)開(kāi)發(fā)和測(cè)試。大約 5,000 輛自動(dòng)駕駛汽車(chē)處于測(cè)試或試點(diǎn)模式，主要在中國(guó)和美國(guó)。它們包括貨物自動(dòng)駕駛汽車(chē)、自動(dòng)駕駛卡車(chē)、機(jī)器人出租車(chē)和固定路線(xiàn)自動(dòng)駕駛汽車(chē)。

未來(lái)的人工智能使用

AV 用例是 AI 技術(shù)最有價(jià)值和最困難的應(yīng)用。我們的目標(biāo)是開(kāi)發(fā)出比最好的人類(lèi)驅(qū)動(dòng)程序更好的軟件驅(qū)動(dòng)程序，并且沒(méi)有人類(lèi)行為的任何缺點(diǎn)。

基于人工智能的技術(shù)改進(jìn)的軟件開(kāi)發(fā)已經(jīng)成熟。通過(guò)創(chuàng)新的人工智能技術(shù)，識(shí)別和修復(fù)軟件錯(cuò)誤可能會(huì)在未來(lái)十年發(fā)生。

審核編輯 黃昊宇