不久以后，AI驅(qū)動的無人駕駛汽車將大規(guī)模上路。

但是無人駕駛車上路只是成功的一半。系統(tǒng)操作員還需要對上路的無人車軟件模型，車隊頻繁地部署升級。無人車不是幾個月才升級一次的手機小游戲，為了保證乘客安全，無人車的軟件必須定期升級。

很多汽車制造商認為，他們面臨的最大的挑戰(zhàn)就是需要持續(xù)地對軟件模型進行訓練和升級。最終解決方案中，深度學習AI技術平臺，組織管理功能，甚至包括人類都是其中各司其職的一部分。

距完全無人駕駛汽車的發(fā)布至少還需要5年左右。目前的無人車安全性還沒有達到大規(guī)模商用的標準。谷歌無人汽車還在犯錯，比如它不明白為什么停車標志下騎車的人坐著不動，可以在高速上行駛的特斯拉Autopilot卻在當?shù)亟值郎铣霈F(xiàn)故障。其實，需要解決的無人駕駛汽車的極端情況數(shù)不勝數(shù)，還有很多未發(fā)現(xiàn)或未考慮在內(nèi)的問題。只有解決了足夠多的場景下可能出現(xiàn)的問題后，無人駕駛汽車才能說是“足夠安全”的。正如特斯拉最近發(fā)布的消息：

“無人車的正確率達到99%相對容易，但要達到99.9999%卻要困難的多，而這才是我們最終的目標， 因為以70英里每秒行駛的車如果出現(xiàn)故障后果不堪設想。”

持續(xù)不斷的升級挑戰(zhàn)

雖不能達到100%的精準度，但我們?nèi)砸^續(xù)嘗試，這正是在無人汽車大規(guī)模進入市場后，持續(xù)對其“大腦”進行升級將成為業(yè)界慣例的原因之一。同時，這也是新興科技與人類強強聯(lián)合的用武之地。

想要理解為什么持續(xù)升級過程會帶來挑戰(zhàn)，以及科技和人類如何合作，可以先了解一點無人汽車的工作模式，以及人類“教”無人車駕駛的方法。假設現(xiàn)在是2025年，Hooli公司　的全無人汽車已經(jīng)商用了好幾年。在上百萬已經(jīng)上路的Hooli無人汽車中，大概每輛汽車中都有一個機載計算機。

計算機將車載傳感器的信號作為輸入，并輸出汽車應該采取的操作。計算機用一個高度精準的深度學習神經(jīng)網(wǎng)絡模型編程而成，汽車可以高質(zhì)量地完全幾百種行為，比如遵守停車標志，遇見黃燈減速，避免撞到十字路口的行人等等。但如上所述，Hooli希望定期升級模型以提高安全性，而他們希望的升級頻率是一周一次。

為簡單起見，假設Hooli只想提升一項汽車行為的性能——變換車道。Hooli的無人汽車每周都要執(zhí)行1億多次變換車道的操作，在此期間汽車會搜集附近汽車的地理空間信息并據(jù)此作出操作抉擇。而附近汽車的地理空間信息由車載攝像機所拍攝圖片的3D“包圍盒”顯示出來。

人工介入

深度學習模型計算出的某些包圍盒難免會有瑕疵，而這些錯誤可能會導致災難。比如，如果模型估計旁邊那輛15英尺的汽車只有10英尺長，無人駕駛汽車就會變換車道并撞到這輛車的保險杠，導致車禍甚至是人員傷亡。幸運的是，這種災難可以通過人類的介入而避免。人類能夠檢查模型得出的邊界框，發(fā)現(xiàn)任何錯誤都可以重新繪制，不斷糾正的過程中車載模型就能夠不斷升級。

當然，讓人類每周檢查1億個變換車道的視頻并不實際，幸運的是，Hooli有一個更簡單的辦法。產(chǎn)生包圍盒的深度模型有不同的置信度，低置信度通常會產(chǎn)生不準確的邊界框，因此如果Hooli的員工只觀看低置信度的邊界框，也能合理地確保能夠找到無人車最嚴重的故障。

比如，Hooli　讓員工觀看的含邊界框的視頻的置信度低于30%。結(jié)果顯示滿足這一標準的視頻只有5000，這明顯比1億個視頻更好追溯。假設對一個視頻的邊界框進行檢查和糾正（如果必要的話）需要一分鐘，那么5000個視頻則可以由100個人在一個小時內(nèi)完成，那么Hooli　每周就有足夠的時間升級深度學習模型。

改正了錯誤的邊界框，升級后的圖像可以饋入訓練過程，并生成升級后的模型。為了檢驗升級后模型的性能是否優(yōu)于升級前模型，Hooli　分別用驗證數(shù)據(jù)集對兩個模型進行檢驗（比如，含有人類驗證后的邊界框的共計一個小時的視頻），并比較兩個模型預測的邊界框與人類驗證后的邊界框的整體“貼近度”。然后將提升后的模型部署到1百萬輛Hooli　汽車中，這與現(xiàn)在的特斯拉的軟件升級有點像。

很多人擔心AI會不會讓所有事物自動化，偷走人類工作，甚至將人類趕下臺等。深度學習等科技帶來了無人駕駛的巨大進步，但仍然需要人的大量參與才能識別無人駕駛系統(tǒng)的故障，研發(fā)并管理更改故障的流程，這或許讓人稍感寬慰。簡而言之，讓汽車學習思考還是需要人類出馬。

注：本文作者Naveen Rao是　Nervana Systems　的CEO，同時也是一位神經(jīng)學家和處理器架構(gòu)師，一直致力于研發(fā)電腦模擬人腦的方法。