被高估的自动驾驶与被低估的算法

过去的事实证明，人类从来就不善于预测。要么总是高估短期发展，低估长期过程，要么根本猜错了方向。基于自身需求和社会发展，人们相信人工智能是解决交通问题的终极工具。资本也对此深信不疑。到2020年，全球对人工智能产业的投资将达到4000亿美元，60%的投资和初创公司将诞生于中国和美国。

停滞的自动驾驶，但投资者发现，寻找新项目越来越难，项目变得昂贵，这是资本泡沫出现的信号。从短期来看，人工智能的有效性和回报被高估了。

作为自动驾驶研发的领导者，谷歌旗下的Waymo正在凤凰城郊区部署自动驾驶团队，并已开始提供充电服务。对于地方智能决策的实践项目来说，这是一个巨大的阶段性成功，尽管服务区域和服务人口都经过了仔细的限制和选择。显然，这是一个有限场景下的L4级自动驾驶应用程序。然而，当地居民热衷于取笑Waymo的自动驾驶汽车。这些白色克莱斯勒Pacifica试图在高速公路上合并，但没有成功，最终被迫驶离高速公路；

或者在通过十字路口时占用车道，不敢转弯，导致追尾。人类驾驶员对过于自律的交通参与者感到不耐烦。他们粗鲁地按喇叭，不管人工智能是否能理解他们。Waymo首席执行官克拉夫西克暗示，人工智能的笨拙状态将持续多年。他认为L5自动驾驶的实际部署可能需要“几十年”，这与他三年前的乐观态度形成了鲜明对比。计算能力的瓶颈在哪里？这主要是由于工程师在人工智能培训期间精疲力竭。现实世界工作条件的复杂性使得通过固定模型调整参数难以达到完全覆盖的目的。与人们普遍认为的相反，获取数据很容易。只要法律允许，车主同意，每天在地球上行驶的10多亿辆汽车都可以配备廉价的传感器，获取驾驶数据并上传到云端。

有了如此庞大的元数据，必然会有大量的冗余数据。工程师们花了很长时间编写算法，完善和构建对人工智能训练具有最大价值的数据库（即训练模型）。然而，在数据的分类和校准、数据质量以及后期的算法方面存在许多不确定性。公众和监管机构坚持认为，自动驾驶汽车需要测试数亿至数千亿公里，以验证其在减少交通事故方面的可靠性。这无疑增加了人工智能在自动驾驶中的应用难度。由于计算能力的限制，人工智能的训练过程变得非常漫长。当数据量超过硬件负载的上限时，人工智能就不可能是复杂和体面的。出于同样的原因，人们必须提前过滤数据，以避免硬件崩溃。众所周知，随着硅基芯片加工极限的临近，单个芯片的计算能力较弱。摩尔定律不是定律，它只是芯片行业蓬勃发展时期从业者遵守的定律，而这条定律即将结束。由于硅原子的直径为0.3nm，这是一个无法克服的物理极限。此外，门控电路很难控制单个原子。此时，量子效应不容忽视，电路逻辑将从某种状态变为概率，芯片逻辑将陷入混乱。目前，在水中雕刻硅片的“工具”是接近X射线波长的深紫外光。硅加工的电流极限为7nm，提升的终点可能为2-3nm。既然提高电路密度越来越困难，我们还能通过扩大面积和增加三维尺寸来扩大电路复杂性吗？考虑到能耗引起的尺寸翘曲和散热，二维和三维膨胀都受到严格限制。即使世界顶级的加工能力和硅片面积扩大，产量也不可避免地大幅下降。目前，人类仍在提高计算能力，依靠大规模并行连接和多芯片计算能力协调，但数据内部传输效率低下，功耗急剧上升。新的体系结构可能不是最终的答案。

2016年击败李世石的AlphaGo仍然是传统的冯·诺依曼结构，拥有1202个CPU和176个GPU，功率为17万瓦，下一盘棋的电费为3000美元。李世石的大脑最多只有20瓦，即使是满负荷，也只够点亮一盏昏暗的白炽灯。这不是一场公平的决斗。在人类大脑面前，人工智能是令人惊讶的笨拙和低效。第二年，击败柯洁的AlphaGo采用了四个基于云的TPU，形成了180TFlops的计算能力（1T哈希率=1万亿次运算）。2018年，谷歌推出的TPU3.0具有100P的计算能力（1P哈希率=1000万亿次运算）。为此，TPU3.0必须采用水冷机制。超级计算冷却需要巨大的设备，而微软的Netick项目只是在苏格兰奥克尼群岛寒冷的海床上建造的。TPU本质上是一种用于特殊场景的ASIC芯片，它优化了Von Neumann结构的瓶颈，无法处理文本，因此专门用于深度学习的神经网络计算。当计算密度无法提高时，我们继续通过改进架构来提取计算能力。然而，尺寸p……

TPU的er消耗和麻烦的冷却设备注定无法作为车辆的本地AI。基于高速网络的云计算能力减轻了本地人工智能的负担。然而，这些提升是有终点的，终点就在眼前。在硅基芯片的潜力耗尽之前，我们必须找到更强大的计算能力。量子计算、化合物半导体和生物计算都具有替代潜力。大多数国家的首都都在大规模押注量子。但到目前为止，世界上还没有真正的量子计算机，很难估计什么样的方案可以更有效地绑定微态量子。量子计算机的实际预测时间从5年到50年不等。在人们担心强大的人工智能失控之前，人工智能本身并没有对算法进化做出任何贡献。算法的独创性取决于人脑。对人类来说，个体知识体系并不重要，算法的优化来自于人类经验的积累。这类似于芯片电路规模的扩大。在合理的功耗下拥有足够强大的计算能力，是人工智能胜任高水平自动驾驶的唯一现实路径。在硅基芯片的潜力耗尽之前，探索新的路径决定了人工智能的未来。这就是为什么我们看不清楚未来。过去的事实证明，人类从来就不善于预测。要么总是高估短期发展，低估长期过程，要么根本猜错了方向。基于自身需求和社会发展，人们相信人工智能是解决交通问题的终极工具。资本也对此深信不疑。到2020年，全球对人工智能产业的投资将达到4000亿美元，60%的投资和初创公司将诞生于中国和美国。

停滞的自动驾驶，但投资者发现，寻找新项目越来越难，项目变得昂贵，这是资本泡沫出现的信号。从短期来看，人工智能的有效性和回报被高估了。

作为自动驾驶研发的领导者，谷歌旗下的Waymo正在凤凰城郊区部署自动驾驶团队，并已开始提供充电服务。对于地方智能决策的实践项目来说，这是一个巨大的阶段性成功，尽管服务区域和服务人口都经过了仔细的限制和选择。显然，这是一个有限场景下的L4级自动驾驶应用程序。然而，当地居民热衷于取笑Waymo的自动驾驶汽车。这些白色克莱斯勒Pacifica试图在高速公路上合并，但没有成功，最终被迫驶离高速公路；

或者在通过十字路口时占用车道，不敢转弯，导致追尾。人类驾驶员对过于自律的交通参与者感到不耐烦。他们粗鲁地按喇叭，不管人工智能是否能理解他们。Waymo首席执行官克拉夫西克暗示，人工智能的笨拙状态将持续多年。他认为L5自动驾驶的实际部署可能需要“几十年”，这与他三年前的乐观态度形成了鲜明对比。计算能力的瓶颈在哪里？这主要是由于工程师在人工智能培训期间精疲力竭。现实世界工作条件的复杂性使得通过固定模型调整参数难以达到完全覆盖的目的。与人们普遍认为的相反，获取数据很容易。只要法律允许，车主同意，每天在地球上行驶的10多亿辆汽车都可以配备廉价的传感器，获取驾驶数据并上传到云端。

有了如此庞大的元数据，必然会有大量的冗余数据。工程师们花了很长时间编写算法，完善和构建对人工智能训练具有最大价值的数据库（即训练模型）。然而，在数据的分类和校准、数据质量以及后期的算法方面存在许多不确定性。公众和监管机构坚持认为，自动驾驶汽车需要测试数亿至数千亿公里，以验证其在减少交通事故方面的可靠性。这无疑增加了人工智能在自动驾驶中的应用难度。由于计算能力的限制，人工智能的训练过程变得非常漫长。当数据量超过硬件负载的上限时，人工智能就不可能是复杂和体面的。出于同样的原因，人们必须提前过滤数据，以避免硬件崩溃。众所周知，随着硅基芯片加工极限的临近，单个芯片的计算能力较弱。摩尔定律不是定律，它只是芯片行业蓬勃发展时期从业者遵守的定律，而这条定律即将结束。由于硅原子的直径为0.3nm，这是一个无法克服的物理极限。此外，门控电路很难控制单个原子。此时，量子效应不容忽视，电路逻辑将从某种状态变为概率，芯片逻辑将陷入混乱。目前，在水中雕刻硅片的“工具”是接近X射线波长的深紫外光。硅加工的电流极限为7nm，提升的终点可能为2-3nm。既然提高电路密度越来越困难，我们还能通过扩大面积和增加三维尺寸来扩大电路复杂性吗？考虑到能耗引起的尺寸翘曲和散热，二维和三维膨胀都受到严格限制。即使世界顶级的加工能力和硅片面积扩大，产量也不可避免地大幅下降。目前，人类仍在提高计算能力，依靠大规模并行连接和多芯片计算能力协调，但数据内部传输效率低下，功耗急剧上升。新的体系结构可能不是最终的答案。

2016年击败李世石的AlphaGo仍然是传统的冯·诺依曼结构，拥有1202个CPU和176个GPU，功率为17万瓦，下一盘棋的电费为3000美元。李世石的大脑最多只有20瓦，即使是满负荷，也只够点亮一盏昏暗的白炽灯。这不是一场公平的决斗。在人类大脑面前，人工智能是令人惊讶的笨拙和低效。第二年，击败柯洁的AlphaGo采用了四个基于云的TPU，形成了180TFlops的计算能力（1T哈希率=1万亿次运算）。2018年，谷歌推出的TPU3.0具有100P的计算能力（1P哈希率=1000万亿次运算）。为此，TPU3.0必须采用水冷机制。超级计算冷却需要巨大的设备，而微软的Netick项目只是在苏格兰奥克尼群岛寒冷的海床上建造的。TPU本质上是一种用于特殊场景的ASIC芯片，它优化了Von Neumann结构的瓶颈，无法处理文本，因此专门用于深度学习的神经网络计算。当计算密度无法提高时，我们继续通过改进架构来提取计算能力。然而，尺寸p……

TPU的er消耗和麻烦的冷却设备注定无法作为车辆的本地AI。基于高速网络的云计算能力减轻了本地人工智能的负担。然而，这些提升是有终点的，终点就在眼前。在硅基芯片的潜力耗尽之前，我们必须找到更强大的计算能力。量子计算、化合物半导体和生物计算都具有替代潜力。大多数国家的首都都在大规模押注量子。但到目前为止，世界上还没有真正的量子计算机，很难估计什么样的方案可以更有效地绑定微态量子。量子计算机的实际预测时间从5年到50年不等。在人们担心强大的人工智能失控之前，人工智能本身并没有对算法进化做出任何贡献。算法的独创性取决于人脑。对人类来说，个体知识体系并不重要，算法的优化来自于人类经验的积累。这类似于芯片电路规模的扩大。在合理的功耗下拥有足够强大的计算能力，是人工智能胜任高水平自动驾驶的唯一现实路径。在硅基芯片的潜力耗尽之前，探索新的路径决定了人工智能的未来。这就是为什么我们看不清楚未来。

标签：曼发现

汽车资讯热门资讯