如何改進(jìn)自動駕駛汽車的智能性。

編譯 | 豆豆

編輯 | G3007

7個月大以后,多數(shù)孩子都已經(jīng)學(xué)會了移出視線的物體仍然存在。把玩具放在毯子下面,孩子會知道玩具還在那里,并且可以伸手把它從毯子下面取回來。這種對于“物體永久性”的理解是常見的發(fā)展里程碑,也是基本的現(xiàn)實原則。

但這也是自動駕駛汽車所不具備的,這會是一個問題。自動汽車越來越好,但它們理解世界的方式仍然與人類不同。在自動駕駛汽車看來,被經(jīng)過的貨車暫時擋住的自行車已不再存在。

對于現(xiàn)在廣泛存在的僭取了稍有誤導(dǎo)性的人工智能稱號的計算原則來講,這種失敗是基礎(chǔ)性的。目前人工智能通過建造世界的復(fù)雜統(tǒng)計模型來工作,但是其缺乏對于現(xiàn)實的更深層理解。對于如何能夠給人工智能賦予一定程度的理解能力(也許是與7個月大孩子一樣的推理能力),人們正在積極開展研究。

現(xiàn)代人工智能基于機(jī)器學(xué)習(xí)的理念。如果工程師想要計算機(jī)認(rèn)識停車標(biāo)識,他不需要費力寫出上千行代碼,以表述有可能指示該標(biāo)識的每種像素模式。他會寫一個能夠自己學(xué)習(xí)的程序,然后給它看成千上萬張停車標(biāo)識的圖片。重復(fù)多次以后,該程序會逐漸了解這些圖片的共同特點是什么。

人們也在使用類似的技巧來訓(xùn)練自動駕駛汽車在交通中的操作。這樣,汽車就能夠?qū)W習(xí)如何按交通標(biāo)線行駛,躲避其他汽車,遇到紅燈踩剎車,等等。但對于人類司機(jī)認(rèn)為理所當(dāng)?shù)暮芏嗍虑?它們并不理解。例如,不理解其他上路的汽車有發(fā)動機(jī)和四個輪子,不理解它們(通常)會遵守交通規(guī)則、(永遠(yuǎn))會遵守物理定律,也不理解物體永久性。

瑞典Orebro大學(xué)的Melhul Bhatt是CoDesign Lab公司的創(chuàng)始人,他通過該公司按照自己的想法進(jìn)行商業(yè)開發(fā)。他最近在“人工智能”雜志發(fā)表了一篇文章,描述了另外一種方法。他和同事們獲取了一些在自動駕駛汽車中使用的已有人工智能程序,在上面注入了名叫符號推理引擎的軟件。

心有其理

與機(jī)器學(xué)習(xí)那樣通過概率來接觸世界不同,該軟件將基礎(chǔ)物理概念應(yīng)用在自動駕駛汽車傳感器信號處置程序的輸出結(jié)果中。這種修正后的結(jié)果將被輸入駕駛汽車的軟件中。相關(guān)概念涉及的相關(guān)理念包括:分離的物體持續(xù)存在;它們彼此間有“在前面”和“在后面”這樣的空間關(guān)系;它們可能完全可見、部分可見或徹底被另一物體遮擋。

這種方法很管用。在測試中,如果一輛車暫時地被另一輛車擋住,該推理強化軟件將跟蹤這輛被擋住的車,預(yù)測它將于何處、何時再次出現(xiàn),有必要的話會想辦法躲避。這種改進(jìn)并不算大。在一般測試中,Bhatt博士的系統(tǒng)已有軟件的得分高約5%。但這證明該原則成立。此外還有其他收獲。例如,與機(jī)器學(xué)習(xí)算法不同,推理引擎能夠告訴你它做事情的原因。

例如,你可以問一輛裝有推理引擎的車為什么踩剎車,它將能夠告訴你,它認(rèn)為一輛被貨車擋住的自行車將進(jìn)入前方路口。機(jī)器學(xué)習(xí)程序做不到這一點。除了能夠幫助改進(jìn)程序設(shè)計,Bhatt博士認(rèn)為這樣的信息將對監(jiān)管者和保險公司有幫助。這也將能夠加快公眾對與自動駕駛汽車的接受速度。

Bhatt博士的工作處于人工智能領(lǐng)域長期存在的爭論之中。1950年代,早期人工智能研究者曾利用這種前期植入的推理程序取得一定成功。但從1990年代起,隨著編程技術(shù)的增強,更強大計算機(jī)及更多可用數(shù)據(jù)的涌現(xiàn),機(jī)器學(xué)習(xí)發(fā)生了顯著改進(jìn)。今天,幾乎所有的人工智能都是基于機(jī)器學(xué)習(xí)。

并非只有Bhatt博士對此產(chǎn)生疑問。紐約大學(xué)研究心理學(xué)和神經(jīng)學(xué)的Gary Marcus也有同感,他也是一家名叫Robust．AI的人工智能和機(jī)器人公司的老板。為了支持自己的觀點,Marcus博士引用了8年前的一個廣受關(guān)注的報告。那時DeepMind公司(當(dāng)時是獨立公司,現(xiàn)在已被收入Google旗下)的工程師編寫了一個程序,能夠在不了解任何規(guī)則的前提下學(xué)會玩Breakout視頻游戲,即用虛擬球拍擊打移動的虛擬球。

DeepMind成為了一個很棒的玩家。但當(dāng)另一組研究者改動Breakout游戲的代碼時,即便是只把球拍的位置移動幾個像素,DeepMind的能力都會大幅下降。即便是在稍有不同的情境下,它都無法將特定情境下學(xué)到的東西進(jìn)行廣泛應(yīng)用。

回到未來

對于Marcus博士,這個例子突出了機(jī)器學(xué)習(xí)的脆弱性。但也有人認(rèn)為,符號推理才是脆弱的那個,機(jī)器學(xué)習(xí)的前景還很大。自動駕駛汽車公司W(wǎng)ayve的科技副總裁Jeff Hawke就是持這種觀念的人之一。Wayve采取的方法是通過同時驅(qū)動汽車不同部件來訓(xùn)練軟件,而不是分開來做。在演示中,Wayve的汽車在狹窄、擁堵的倫敦街頭行駛時判斷準(zhǔn)確,這即使是對于很多人來說都很挑戰(zhàn)。

Hawke博士指出:“眾所周知,無論設(shè)想的正式邏輯有多周到、結(jié)構(gòu)有多合理,專家通過規(guī)則建造的系統(tǒng)的復(fù)雜性一般都不夠。多數(shù)真實世界任務(wù)的復(fù)雜性都比使用編制規(guī)則所能解決的要大�！崩�如,這樣的系統(tǒng)可能會制定汽車遇紅燈應(yīng)該停的規(guī)則。但不同國家信號燈的設(shè)計不同,有些燈是給行人而不是車輛的。還有時候,你可能需要闖紅燈來給救火車讓道�！皺C(jī)器學(xué)習(xí)的美妙之處”,Hawke博士說,“就是所有這些因素和概念,都能夠通過數(shù)據(jù)自動發(fā)現(xiàn)和學(xué)習(xí)。數(shù)據(jù)越多,它通過學(xué)習(xí)就能夠變得越智能�！�

加州大學(xué)伯克利分校的機(jī)器人和人工智能研究者Nicholas Rhinehart也支持機(jī)器學(xué)習(xí)。他指出,Bhatt博士的方式實際上顯示可以將兩種方法結(jié)合起來。但他對于其必要性并不確定。在他和其他一些人的研究中,機(jī)器學(xué)習(xí)系統(tǒng)本身就已經(jīng)能夠預(yù)測未來幾秒鐘的可能性(例如另一輛車是否會避讓),并按照這些預(yù)測來制定應(yīng)急計劃。

Bhatt博士則回應(yīng),你可能用數(shù)百萬公里駕駛積累的數(shù)據(jù)訓(xùn)練汽車后,仍無法確認(rèn)已經(jīng)把所有可能情境都覆蓋了。在很多情況下,從一開始就把一些規(guī)則編入程序中可能更簡單,更有效。

對于這兩種策略的擁護(hù)者,這個問題不僅局限于自動駕駛汽車,而是涉及人工智能本身的未來�！拔艺J(rèn)為我們目前采取的方式不對”,Marcus博士說,“機(jī)器學(xué)習(xí)對于語音識別等已經(jīng)被證實有效,但其實際上并不是人工智能的答案。我們?nèi)匀粵]有真正破解智能問題�！睙o論如何,看來7個月大的孩子仍然有很多東西可以教給機(jī)器。