对话人工智能,开启“深度学习”

机器如何在工作中自主学习?如何将其应用于未来车辆的开发? 这对保时捷工程集团又具有怎样的意义?本文将逐一找出这些问题的答案。

近几十年来,人工智能一直吸引着社会各界的目光。但在过去很长一段时间内,大多的人工智能系统虽有“人工”却尚未“智能”。而近 7 年,深度神经网络系统的问世为这一议题带来突飞猛进的进步,也成为了科研人员手中利器。对保时捷来说,机器如何在工作中自主学习、如何将其应用于未来车辆的开发都有着重大意义。

科技领域的超新星诞生

1956 年 7 月,美国新罕布什州著名的达特茅斯学院(Dartmouth)邀请诸多计算机学者和数学家参加了一项名叫达特茅斯夏季人工智能研究项目的大胆计划。会说话的机器、仿生思维网络、自我优化的计算机甚至计算机自主的创造性思维等项目提上了日程。虽然“人造人”未能在那个夏季诞生,但“人工智能”这一概念却横空出世,开创了一个未来举世瞩目的全新研究领域。

并不能简单定义的人工智能

然而,即使是科技飞速发展的今天,在科幻电影中可以全面模仿甚至替代人类的人工智能,也就是所谓的“强人工智”能或“通用人工智能”仍遥遥无期。目前较为常见的是“弱”人工智能系统,例如我们所熟知的“围棋选手” Alpha GO 等。它们善于分析大量的文本与数据,也是各种互联网搜索引擎的核心。

更多的人工智能还内嵌于智能手机应用程序之中,被我们揣在裤兜里形影不离。可以说在我们浑然不觉之时,已经在使用这项尖端科技。比如当我们与“Siri” 交谈时,所说的词句就会经过人工智能的算法分析。正如达特茅斯会议创始人 John McCarthy 的预言:“一旦它被实际运用,就没人会再叫它人工智能了。”

学习人脑的运作方式

早在 20 世纪 50 年代初,最早的一批人造神经网络便已问世。它们是人工智能成功的关键核心。在此类网络中,各种运算不同于二进制计算机系统,它并不仅限于 1 或 0、开或关这两种可能,它们所模拟的更多是生物神经系统。这些网络基于阈值原理,能够识别 1 和 0 之间的若干中间量,无尽的神经细胞在其中基于不断生长变化的联结而动态交织。人脑就是通过不断重新调整这些联结的权重来进行学习的。常用路径将得到强化,鲜少使用的联结则会退化。虽然人工智能网络在传统的计算机上运行,但它们归根结底也是基于 1 和 0 来工作的。然而在这系统中,复杂算法的工作原理和阈值逻辑与其生物所运用的策略相似。

深化联网, 2018, 保时捷
人工智能驾驶:在保时捷试验车上,高性能计算机能接管方向盘。经过培训的驾驶员和编程人员通过实际行驶证明,第四级自动化驾驶目前已成为可能。

 

彼此联网的人工神经元负责记录输入值,并将这些信息提供给在下游的神经元。在此链条末端,由一个输出神经元输出结果。各联结的可变权重,赋予了此网络一项不同寻常的特性:学习能力。如今,此类网络的层级越来越多,嵌套愈加复杂,深度也有所增加。深度神经网络由上百个如此逐个嵌套的程序层级组成。作为学习网络,它们会不断根据外部信息不断纠正反馈并作出调整,直至能够得出最佳解决方案。图像识别就是其中一例。为此,它们需要在训练中消化处理成千上万的已知照片,也就是进行“深度学习”,直至能对新图片做出判断,即实现迁移:即使图片被遮住半边,它们也须能将猫识别为猫,把苹果认作苹果;同理,它也得学会识别道路标牌、动物或行人。高准确度的识别,不仅可让自动驾驶汽车遵守交通法规,也能帮助医生进行肿瘤检测。将计算机断层扫描影像与医学图片数据库全自动比对的做法已愈发常见。长期以来,人工智能研究基本上忽视了深层神经网络。它们增长的混沌特性无法跟上经典确定性算法的速度。但是在二十一世纪的头十年间,计算机的计算能力逐渐满足了需求,得以挖掘出深度网络的全部潜力。加拿大多伦多大学的 Geoffrey Hinton 主张的自主学习理论在多年前并不被看好,然而在 2012 年ImageNet 挑战赛上,他获得了最终的胜利。这是一项在各种人工智能系统之间,考验系统解读图像能力的比赛。

进入汽车领域:图像识别的应用

图像识别的应用,是人工智能系统“学习能力”的重要体现。人工智能系统将会在训练中消化处理成千上万的已知照片,也就是进行“深度学习”,直至能对新图片做出判断,即实现迁移——即使图片被遮住半边,它们也须能将猫识别为猫,把苹果认作苹果;同理,它也得学会识别道路标牌、动物或行人。

保时捷工程集团专业项目主管 Christian Koelen 博士表示:“如果我们想要以传统算法涵盖所有可能的参数变化,这会是一个旷日持久的工程,并花费高昂的编程与测试成本。而我们所采用的深度神经网络如今已有很高的识别率。”

人工智能领域的进步将推动汽车领域的深刻变化。由于道路交通状况极其复杂,在人口稠密的城市中心更是如此,传统算法不足以支持开发高度自动化或完全自主性驾驶的车辆。因此,在交通参与者(如步行者)的识别和分类任务中,保时捷工程集团采用了人工智能深度学习的方法。

前景光明:实际测试收效良好

人工智能不仅能够对自动驾驶时的环境识别提供帮助,一些辅助系统如车道偏离预警系统等也可受益于深度学习过程。保时捷工程集团的 Johann Haselberger 撰写的可行性报告就证明了这一点。当此类辅助系统在行驶过程中控制方向时,神经网络要在一秒内迅速做出正确决策,而这绝非简单的任务,这就要求这套系统必须经过训练。

在实际测试中,专业车手驾驶一台搭载了高速计算机和两款新型视频传感器的测试车,在斯图加特地区进行了长途行驶,路途覆盖高速公路及乡间小路。在此过程中,人类驾驶者的转向和操作与前方路况的视频信息相互关联,供辅助系统学习。数周后,这套“学习”过这段路况的辅助系统接受了测试——计算机神经网络首次坐上主驾驶席。

深化联网, 2018, 保时捷
测试驾驶:车道偏离预警系统等辅助系统如今已受益于人工智能的深度学习。

 

Johann Haselberger 表示,“无论是在计算机模拟,还是在真正的道路实测中,这套系统都取得了不错的结果。”但测试也反映出,当前的技术发展状况还是存在一定局限:基于神经网络的控制器稳定性取决于所录入训练的数据量,其控制质量也严重依赖于训练环境,因此控制器对于其在训练过程中没有“见过”的特殊情况,例如挂有特殊标志的施工现场,会在现实条件下处理不力。

不过,这一局限并不会导致危险状况的发生,因为传统控制器会一直在后台同时运行,当神经网络计算出的值不合理时便会对其立即进行否决。这种机器学习和传统确定性算法的组合被称为“混合智能系统”。许多专家认为,此类混合智能系统在不久的将来会广泛应用于汽车行业。

相关文章