具有真正意义上深度学习能力的汽车，驾驶上高效、明智的同时，可能也得允许它拥有一点人的特质，但不要指望它拥有人的情感和心理——在学习的背后，仍是一整套人为的、冷冰冰的算法和一个空前强大的计算核心。
◎ 汽车人传媒记者 黄耀鹏
汽车发展的终极目标，无疑是车辆完全的智能驾驶。在任何使用条件下，不依赖人的干预。所有舆论都在念叨，智能驾驶（或者称“无人驾驶”）的出路在于大数据和深度学习。殊不知，这两者在一定程度上是两条路。
春节期间在12306上买过火车票的朋友，都对验证图片留有印象。它比一般网站的验证码更加严格，错误率也更高，不仅因为它采用图形验证，而因为它采用了“更模糊”（主要体现在背景和变形处理上）的图形。它们试图把不受欢迎的东西挡在门外——机器人刷票。
在人类某些擅长的领域——模糊识别，机器人目前还显得“很傻”。给你一幅宠物的图片，你一眼就能看出是猫还是狗，不管它们的品种和打扮的样子。而计算机就难以识别。
在智能驾驶领域，正在要求机器人像人一样决策：在路牌和标志线不大清晰的时候，在警察和交通信号做出相反指示的时候，在精确地图无法覆盖的时候，在云端网络数据无法传输的时候……都需要车载智能系统做出模糊决策，而明智的程度至少不能低于训练有素的司机。
要求汽车具备的能力，就是深度学习。这意味着它必须模拟人的思考过程。计算机的逻辑是一连串的“如果……那么……”，反映到一个计算单元，则有一个明确的输入，和一个确定的输出。
而人的思维则要复杂得多。一个神经元，不但要考虑输入，还要考虑邻近神经元的计算结果——经过一定法则“加权”形成的中间结果（如何加权，来自于实际的经验），经过多输入之后的输出，可能比前者更复杂、更趋近实际。在这个过程中，人类滤除了大多数不值得关注的边缘信息。过滤的规则在哪里？就是其他神经元“加权”的秘密。
两者比较，产生两个结论：一个是，人脑具有深度结构，认知是逐层的。另一个是，模糊决策可以分解为多层的抽象任务。目前最强大的计算机，已经初步拥有了这两大法宝。前一阵显示出令人惊讶的学习能力的AlphaGo，已经表明了这一点。尽管它只会下围棋，不会开车，但学习原理并无不同。这反映了谷歌的人工智能走到了世界前列。
深度学习的前身是“人工神经网络”，这个概念早在上世纪60年代就已诞生。在2006年以前的20多年的时间里，尝试训练深度架构的试验都失败了。不但无法产生人类期望的结果，比如无法识别垃圾桶还是三角锥（多数时候，这至关重要），而且决策层数莫名其妙地“变浅”了。显然，计算机还是试图回到自己熟悉的思考轨道。
讽刺的是，人工智能的先驱者——麻省理工已故Minsky教授，并不看好深度学习。他认为神经网络将永远不会拥有想象力，而这一点正在被打破。学习算法的飞速发展，使研究者们意识到，可以将深度学习分为“有监督学习”和“无监督学习”。
前者是在大数据分析基础上的不断训练。输入-计算-连接-评估-纠错（也许要多次重复）-最优解。算法迭代如果能够“自洽”，车载计算机的学习曲线要比人快得多，它们瞬间就“学习”了大量交通数据（包括雷达和图像数据），得出最佳结论，而不必通过一次次实际驾驶，才能成为熟练驾驶员。
后者甚至不需要“实质经历”（分析数据），它意味着计算机有想象力。不必在大数据的基础上“慢慢”分析、寻求最优解，而是意图引导的学习。比如一个孩子突然置身陌生环境，他会努力理解环境，评估事物背后风险和原因。他可能触碰一些东西（相当于做试验），对自己提出问题，并持续对他脑子里的环境模型进行修正。
若要计算机进行“无监督的学习”，需要人类做更多。考察“学习成果”倒很容易。给车载计算机展现许多图像，比如其他汽车，要求它“想象”出一个新的汽车样子。但到目前为止，它表现得很糟糕——生成的视觉图像充斥着类似“minecraft”游戏中的马赛克块。
无论哪种学习，思考的层次很重要，抽象分解的层次越多，学习的程度越深。这就是所谓的深度学习了。再过20年（也许更短），你走上汽车，你的车为你麻利地斟上咖啡的同时，对你说，它昨晚做了一个噩梦。你千万不要激动地把咖啡泼到仪表台上（如果还有仪表台的话）。
具有真正意义上深度学习能力的汽车，驾驶上高效、明智的同时，可能也得允许它拥有一点人的特质，但不要指望它拥有人的情感和心理——在学习的背后，仍是一整套人为的、冷冰冰的算法和一个空前强大的计算核心。
深度学习的未来，值得期盼，还是可怕的？
（汽车人传媒记者/黄耀鹏）【版权声明】本文系汽车人传媒独家原创稿件，版权为汽车人传媒所有。欢迎转载，请务必说明出处及作者，否则必将追究法律责任。
