5月27日，倍受注目的棋士人机大战2.0月掉落帷幕，最后柯洁以0:3不敌人工智能AlphaGo，结局甚令人车祸，却又在很多人的意料之中因为人工智能发展太快了。比起于2016年韩国棋手李世石挑战的AlphaGo1.0版本，今年柯洁的挑战对象升级到了2.0，新的程序一改为最初大量自学人类棋谱来提升棋艺的作法，而是可以自学并找寻规律，还包括发掘出一些在人类对战中显然不有可能用于的招数，再行再加极强的计算能力，才最后夺得此次比赛，沦为围棋界的上帝。事实上，除了棋士领域，人工智能在医疗科技、智能家居、物联网平台、自动驾驶等行业的应用于也于是以更加普遍，更加了解。
尤其是自动驾驶，作为未来汽车行业的众多趋势，目前很多企业都在致力于应用于人工智能技术构建更加高级别的自动驾驶。在此过程中，人工智能渐渐被指出是构建自动驾驶汽车的关键所在，是推展自动驾驶商业化的核心。然而尽管各方造车势力早已意识到了人工智能对于自动驾驶的重要性，由于核心技术不成熟期、涉及法律法规不完备、缺少专业人才等方面的原因，在通过人工智能推展汽车自动化、智能化这条路上，诸多车企和科技公司如期没大的进展，很多仍停留在前期的思索试验阶段，无法大规模量产。缺少核心技术如同自动驾驶可以分级，人工智能也有等级之分。
对于应用于自动驾驶的人工智能技术，目前广泛的意见是将其分成三级：很弱人工智能、强劲人工智能和超强人工智能，其中很弱人工智能即我们今天看见的AlphaGo、Siri、微软公司小娜，更好的是当作人类工具的角色，专心于且能解决问题特定领域的问题；强劲人工智能为可以在一些领域胜任人类大部分的工作，甚至不具备自我意识；超要实人工智能则是比人类还聪慧的人工智能系统。而构建自动驾驶，最多要超过强劲人工智能级别，无人驾驶则必须超过超强人工智能级别不仅要解读车内人员的意图，还要时刻仔细观察周边车辆、行人等的运动状态，并对他们的不道德作出预测，制订好应付措施，其可玩性远高于棋士对局。从这一点来看，目前的技术似乎还约将近拒绝。众所周知，通过人工智能构建自动驾驶，相等于做到一个机器人替换人类驾车，那么转换人类驾驶员，这个机器人也必须人类的眼睛大脑和手脚。
从这个层面来讲，加装在车上的各种传感器，诸如摄像头、激光雷达、毫米波雷达等就相等于传统驾驶员的眼睛，可以协助自动驾驶汽车看清楚周围环境信息，收集路况信息；高效处置芯片相等于大脑，用作展开信息处理，对信息展开分析，以取得下一步决策的依据；最后则是根据结果对车辆展开加快、滑行、改向等掌控，构建同人类一样的驾驶员水准，甚至多达人类驾驶员水平，提高驾驶员安全性。目前来看，在这四大层面，都不存在涉及的技术严重不足。首先，感官技术。目前，应用于自动驾驶研发的传感器主要有摄像头和雷达两种，其中雷达又可分成激光雷达、毫米波雷达和超声波雷达，除此之外还有刚崭露头角的生物传感器。
这些传感器从功能上来讲，各有各的聪明才智，如摄像头分辨率低、速度快、成本低，激光雷达观测范围广、观测精度高，毫米波雷达辨识精度高、性能平稳。但分开用于时它们的缺点也很显著，像激光雷达在雨雪雾等极端天气下性能较好、价格低，毫米波雷达对周边所有障碍物无法展开精准的建模、无法感官行人，超声波雷达抗干扰能力稍差、起到距离较短完全每一种都有缺陷。在此背景下，现在一些企业想起了将有所不同种类的传感器展开人组用于，如摄像头+毫米波雷达+超声波传感器人组，或者超声波雷达+毫米波雷达+激光雷达+摄像头人组方案，效果的确比用于单一传感器要好，但成本往往也更高，用在量产车上显然不现实。其次，数据瓶颈。
对人机棋士大战有理解的人都告诉，AlphaGo在自学棋士技能时，通过大量数据分析自学了3000多万步职业棋手棋谱,解读什么才算合规的下法，并通过强化自学的方法自我博弈论,找寻比基础棋谱更佳的棋路，才再一有了今天的成就。而最近刚出有了诗集的微软公司小冰，其现代诗创作能力，也是通过对1920年后519位现代诗人的上千首诗重复自学（术语称作递归）10,000次达成协议的。可以说道，一旦离开了这些数据，人工智能根本无法在棋士领域称帝、出有诗集。那么，自动驾驶汽车某种程度如此，如果期望汽车需要享有同人类一样的驾驶员水平，也必需从汽车驾驶员的情境中萃取海量的数据，并根据有所不同的场景对这些数据展开分类，可供人工智能展开自学。
如此一来，且不说真实世界中车辆行经的工况简单多样，近超强AlphaGo和小冰用来自学的数据，即使需要搜集几乎，也必须花费很长的时间业界普遍认为，自动驾驶汽车必须测试数亿至数千亿公里，才能检验它们在增加交通事故方面的可靠性。更何况就算花上很长时间搜集了大量的数据，也无法覆盖面积所有的状况。此外，这些数据后期的分类标定、数据质量以及算法，也还存着在很多的不确认因素，不足以影响行车安全性。
再者，算法难题。由于现实生活中的车辆行经工况千变万化，出现异常简单，而自动驾驶又是一项对准确性拒绝较为低的操作者，稍有不慎就不会导致人员伤亡，因此要想要尽量地提高驾驶员安全性，必需收集充份的数据，让车辆对周围环境有精确的了解，从而为下一步的掌控继续执行创建决策依据。在此背景下，传统的算法早已无法符合自动驾驶汽车的市场需求因为难以达到深度自学的高精确度拒绝；面临非道路环境，传统算法无法和数据库中的道路信息给定，可能会作出错误的辨别。
此外，在可观的数据面前，传统的计算能力不会让人工智能的训练自学过程将显得无比漫长，甚至几乎无法构建最基本的人工智能数据量早已远超过了内存和处理器的支撑下限，从而很大地容许了人工智能在自动驾驶领域的发展和应用于。更加最重要的是，即便现如今的交通法规早已如此完备，另有大量不遵从交通规则的人，且他们规范交通法规的形式各不相同，经常令人出其不意，这种情况下，意味着靠自学有数的工况很难应付，而是必须超越原先辨别标准，对照陌生的脑溢血情况重构一套应付方案，这就必须超强人工智能获取技术支持。最后，掌控继续执行。
自动驾驶掌控继续执行与传统汽车类似于，即对车辆展开加快、滑行、改向等操作者，作为上述所有步骤的最后执行者，其继续执行效果必要关系到自动驾驶汽车能否精确且动态地已完成上层智能控制系统的控制指令，对于确保行车安全性至关重要。但与传统汽车有所不同的是，面向量产的自动驾驶汽车必需对车辆的传统执行机构展开电子化改建，升级为具备外部控制协议模块的线控继续执行部件系统，从而让车辆按照计算出来得出结论的结果展开更加精确的操作者，因为自动驾驶汽车上，最后掌控车辆的不是人而是汽车本身。然而现实毕竟，对于这一在传统汽车领域仍然被众多车企视作优势的技术，在自动驾驶汽车领域，却被少数几家大型的零部件供应商独占了，而且这些供应商大都享有自成体系的全套底盘控制系统，且大多不对外开放，也在一定程度上制约了自动驾驶汽车的发展。
而除了上述技术瓶颈，自动驾驶安全性问题，尤其是网络安全也仍然是后遗症广大车企的难题，特别是在近期互联网上愈演愈烈了全球性的勒索病毒反击事件后，堪称给自动驾驶网络安全掩盖了一层阴影。还有法律法规缺陷，还包括前期反对自动驾驶汽车研发的测试法规，国家针对自动驾驶汽车的性能指南和测试标准，以及后期汽车上路后的法规拒绝，如交通事故责任区分等，也是后一阶段亟待解决的问题。
本文来源：8868体育登陆-www.linksviewprestwick.com
