【第一電動網】（特約作者 天驕）日前，圍棋人機大戰落下帷幕，Alphago以4比1戰勝李世石。宣布計算機終于可以圍棋這個復雜游戲中挑戰人類極限。從技術角度看，Alphago確實有一些不凡之處，但是并沒有劃時代的技術，而由于谷歌搞的這個活動影響力甚大，輿論開始熱炒人工智能。圍棋這種復雜度極高的游戲都被人工智能攻克了，李世石這種頂尖人類智力都被戰勝，那么駕駛這種普通人都會的技能是不是也會很快被計算機所掌握呢？無人駕駛是否觸手可及呢？

谷歌無人駕駛汽車

一、外行看熱鬧，內行看門道

其實，在棋類游戲中，計算機勝過人類并非新鮮事。80年代五子棋上人類已經無法戰勝計算機，1997年，深藍在國際象棋上戰勝了人類，圍棋只是因為棋盤太大，太復雜才拖到2016年。

五子棋的復雜度是10的28次冪，國際象棋是10的46次冪，而圍棋因為棋盤大，復雜度是10的172次冪。復雜度越高，對計算能力的要求就越高，所以圍棋計算機程序的水平一直無法與人類高手相比。

AlphaGo雖然有谷歌的龐大計算資源，雖然有GPU通用計算能力。但是它也算不了圍棋這種超高復雜度的游戲，不能像簡單的棋一樣把每一步算清楚。所以AlphaGo綜合了各種人工智能的成果。

首先是深度神經網絡，以前人工智能都是領域內專家輔助，你搞象棋的人工智能，得有象棋大師幫忙。搞語言識別，得有語言專家。

后來用統計做的人工智能的基礎，但是還需要領域內的專家提供一些重要特征來改善算法。

而深度神經網絡是計算機自我學習特征的，不用人工來告訴計算機，計算機通過大量訓練自己找特征，不斷優化。

在圍棋上，AlphaGo搞來人類的數千萬盤對局，學習人類高手的招數，來選擇每一步可能下的幾個點。這就不用把每一步都算清，只要算優勢點就可以了，計算量就大大減輕了。

然后谷歌還有一個對每一步棋價值的估算，這個估算也是可以通過無數對局不斷提升準確性的。估算過的越多，估算的就越準。

通過這種優化，計算機就不用把每一步算清，而只要把通過學習人類的優勢點，和估算高價值的點算清就可以了，目前人類計算機的計算能力已經可以達到。

把這些技術結合起來，然后利用谷歌龐大的計算資源，讓計算機不斷自己和自己下棋，計算機自己也是高手，這樣優勢點的準確性越來越高，價值評估的準確性越來越高。在計算能力沒有增長的情況下，圍棋的水平也越來越高。最終戰勝了人類高手。

按照以前的計算，計算機把圍棋每一步都算清楚的超級計算機至少還要10年才有可能出現。而通過人工智能技術的綜合應用。圍棋AI提前擊敗了人類。

AlphaGo的成功是一次人工智能技術綜合應用的成功。

二、AlphaGo向無人駕駛的移植

目前，我們看到很多廠商都號稱自己擁有無人駕駛技術，像奔馳S、福特翼虎等一些車型已經有了自動跟車、自動巡航、自動泊車等功能，新款的特斯拉Model S在升級了最新軟件后也有了一定的自動駕駛功能，吉利提出的自動駕駛也是這個范疇的東西。

但是從真正無人駕駛的角度看，這些技術其實是小兒科。

汽車行業很早就把無人駕駛分成了四個級別，我們熟悉的ABS、ESP算第一個級別的輔助駕駛。

特斯拉也不過是第三個階段半自動無人駕駛的初級階段，遠遠談不上人工智能的級別。

真正搞無人駕駛的以百度和谷歌為代表，采用目前價格還極其昂貴的激光雷達作為主要傳感器，其采集到的信息以高水平人工智能技術來識別判斷。同時輔助攝像頭識別，再加上高精度3D數字地圖和高精度GPS。

真正的無人駕駛是需要高度人工智能的，而這個高度人工智能與AlphaGo有一定相通的地方。

特斯拉這種小兒科的半自動駕駛只是識別車輛，道路標識，然后一個基本的邏輯判斷。這個邏輯判斷根本應付不了復雜的路況，所以功能開啟時，特斯拉要求人手不能離開方向盤。

而真正的無人駕駛是綜合各方信息來做判斷和決策，激光雷達的采集的高精度信息，高精度GPS與高精度3D數字地圖結合起來對路況的判斷，攝像頭采集到的各種交通標識與實時路況，這些信息最終匯總來做出判斷，控制車輛。

對高精度信息的識別，就需要AlphaGo所用到的神經網絡來提取特征。

攝像頭所采集到的實施路況，更需要深度學習來識別。電腦要知道攝像頭看到的是什么，應該如何應對，交通標識可以人工編程告訴電腦，而路面上出現的各種東西，人類不能窮盡，這就需要計算機的深度學習能力。

這個深度學習恰恰也是AlphaGo的核心技術。

無人駕駛系統已經得到各種信息，如何做最終決策，其實與AlphaGo如何下下一步棋是一樣的。計算機可以通過大量的實踐來不斷學習，人類的決策是什么樣子的，計算機可以選擇哪幾種？如何是最優的？

通過大量的學習與計算機自己的實踐，自動駕駛的水平就可以越來越接近人類，甚至最后超過人類。

三、無人駕駛超過人類還有多遠？

我們要看到，圍棋與無人駕駛還是有很大不同的。圍棋是一個既定規則的游戲。無人駕駛如果在封閉賽道，無人干擾，或者只有兩輛車互相賽車，那么難度是不太大的。

但現實是無人駕駛汽車面對的是真實世界，真實世界的變量遠遠超過圍棋棋盤。

無人駕駛系統面對的信息遠遠不是黑白子，而是路況，車況，交通標識，路面出現的各種車輛，行人。

僅僅是識別出來路面上出來的東西是什么，這個神經網絡提取特征的難度就已經遠遠超過Alphago。

而要綜合信息做出判斷，加以訓練。圍棋可以一天100萬盤找出最優解，而無人駕駛汽車要深度學習應對各種路況，一天最多也就跑2000公里，它學習的樣本和自我提升的速度是遠遠不如圍棋的。

就目前的技術，不用說超過人類，達到使用水平估計也要5-10年，最新的新聞是谷歌的無人駕駛汽車剛剛與大客車發生了刮蹭，因為大客車沒有按照無人駕駛系統預想的那樣避讓。無人駕駛系統還需要更多的學習。

Alphago贏了人類，但是無人駕駛勝過人類還有很遠很遠。

返回第一電動網首頁 >