人工智能可以打败柯洁，为什么一直无法实现自动驾驶？

5月27日，万众期待的围棋“人机大战2.0”正式落下帷幕。

最终柯洁0:3输给了人工智能AlphaGo。

结局颇为意外，但却是很多人所期待的——因为人工智能发展得太快了。

与2016年韩国棋手李世石挑战的AlphaGo 1.0版本相比，柯洁今年的挑战升级为2.0。

新程序改变了最初通过研究大量人类国际象棋记录来提高国际象棋技巧的做法。

相反，它可以自己学习并寻找规律，包括他发现了一些人类战斗中无法使用的技巧，再加上他超强的计算能力，他最终赢得了比赛，成为围棋界的“上帝”。

事实上，除了围棋领域，人工智能在医疗技术、智能家居、物联网平台、自动驾驶等行业的应用也越来越广泛和深入。

尤其是自动驾驶，作为未来汽车行业的一大趋势，目前不少企业都致力于应用人工智能技术来实现更高水平的自动驾驶。

在此过程中，人工智能逐渐被认为是实现自动驾驶汽车的关键，是推动自动驾驶商业化的核心。

然而，虽然各造车势力都认识到人工智能对于自动驾驶的重要性，但由于核心技术不成熟、相关法律法规不完善、专业人才缺乏，通过人工智能推动汽车自动化、智能化仍存在问题。

智力。

在这条路上，很多车企、科技公司并没有取得重大进展，很多还处于早期探索和测试阶段，难以量产。

缺乏核心技术 正如自动驾驶有等级一样，人工智能也有等级。

对于应用于自动驾驶的人工智能技术，目前的普遍看法是将其分为三个层次：弱人工智能、强人工智能和超人工智能。

其中，弱人工智能就是我们今天看到的AlphaGo、Siri、微软助手等。

Na更多地充当人类的工具，专注并能够解决特定领域的问题；强人工智能能够在某些领域完成人类的大部分工作，甚至具有自我意识；超现实人工智能是比人类更聪明的人工智能系统。

要实现自动驾驶，至少要达到强人工智能的水平，而无人驾驶则需要达到超人工智能的水平——不仅要理解车内人的意图，还要时刻观察周围车辆、行人等的移动状态并进行监控。

预测行为并制定对策比下围棋困难得多。

从这一点来看，目前的技术显然不满足要求。

众所周知，通过人工智能实现自动驾驶，相当于“制造”了一个机器人来代替人类驾驶。

所以，类似于人类司机，这个机器人也需要人类的“眼睛”、“大脑”和手脚。

从这个层面来说，安装在汽车上的各种传感器，如摄像头、激光雷达、毫米波雷达等，相当于传统驾驶员的“眼睛”，可以帮助自动驾驶汽车“看到”周围的环境信息并收集信息关于周围的环境。

交通信息；高效处理芯片相当于“大脑”，用于处理信息并分析信息，以获得下一步决策的依据；最后根据结果控制车辆的加速、减速、转向等，达到与人类相同的驾驶水平，甚至超越人类的驾驶水平，提高驾驶安全性。

目前这四个层面都存在相关的技术缺陷。

第一，感知技术。

目前，自动驾驶开发中使用的传感器主要包括摄像头和雷达。

雷达可分为激光雷达、毫米波雷达和超声波雷达。

此外，还有新兴的生物传感器。

从功能上来说，这些传感器各有优势，比如摄像头分辨率高、速度快、成本低，激光雷达探测范围广、探测精度高，毫米波雷达识别精度高、性能稳定等。

但单独使用时它们的缺点也很明显。

激光雷达在雨、雪、雾等极端天气下性能较差，价格较高。

毫米波雷达无法准确模拟周围所有障碍物，也无法感知行人。

超声波雷达抗干扰能力稍差，射程短……几乎每一个都有缺陷。

在此背景下，现在有一些企业想到了不同类型传感器的组合，比如“摄像头+毫米波雷达+超声波传感器”组合，或者“超声波雷达+毫米波雷达+激光雷达+摄像头”组合方案。

它确实比使用单个传感器更好，但成本往往更高，而且在量产汽车中使用根本不现实。

其次，数据瓶颈。

了解人机围棋对战的人都知道，AlphaGo在学习围棋技巧时，通过大量数据分析，学习了职业棋手的一万多步棋，明白了什么是合法对局，并采用了增强学习的方法学习自己的棋艺。

玩游戏，寻找比基本棋谱更好的棋步，终于有了今天的成就。

最近出版了一本诗集的微软小冰，是通过反复研究2000位现代诗人的数千首诗（术语称为迭代）而获得了他的现代诗歌创作能力。

可以说，一旦没有这些数据，人工智能将无法在围棋领域“称帝”，也无法出版诗集。

自动驾驶汽车也是如此。

如果想让汽车拥有和人类一样的驾驶水平，就必须从驾驶情况中提取海量数据，并根据不同场景对数据进行分类，供人工智能学习。

结果，更不用说现实世界中车辆的行驶条件复杂多样，远远超出了AlphaGo和小冰用来学习的数据。

即使能够完全采集，也需要很长的时间——业内普遍认为，自动驾驶汽车需要进行数亿至数千亿公里的测试，以验证其在减少交通事故方面的可靠性。

更重要的是，即使需要很长时间收集大量数据，也很难覆盖所有情况。

另外，这些数据的后期分类标定、数据质量和算法还存在很多不确定因素，足以影响行车安全。

此外，还存在算法问题。

由于现实生活中车辆的行驶条件千变万化且极其复杂，而自动驾驶又是一项精度要求较高的作业，稍有不慎就可能造成人员伤亡。

因此，需要尽可能提高驾驶安全性，必须收集足够的数据，让车辆对周围环境有准确的了解，从而为下一步的控制执行建立决策依据。

在此背景下，传统算法已经无法满足自动驾驶汽车的需求，因为难以满足深度学习的高精度要求；面对非道路环境，传统算法无法匹配数据库中的道路信息，可能会做出错误的判断。

另外，面对海量数据，传统的计算能力会让人工智能的训练和学习过程变得极其漫长，甚至连最基本的人工智能都根本无法实现——数据量已经超过了内存的上限。

和处理器。

这极大地限制了人工智能在自动驾驶领域的发展和应用。

更重要的是，尽管如今的交通法规已经如此完善，但仍然有大量的人不遵守交通规则，而且他们调节交通法规的方式也各不相同，这往往令人惊讶。

在这种情况下，仅仅学习就足够了。

有些工作条件很难应对。

相反，需要打破原有的判断标准，根据不熟悉的突发事件重构应对方案。

这需要超级人工智能的技术支持。

最后，控制执行。

自动驾驶控制的执行与传统汽车类似，即车辆加速、减速、转向等，作为上述所有步骤的最终执行者，其执行效果直接关系到自动驾驶汽车能否准确、实时地完成上层智能控制系统的控制指令，对于保障行车安全至关重要。

然而，与传统汽车不同，量产的自动驾驶汽车必须对车辆的传统执行器进行电子改造，升级为具有外部控制协议接口的线控执行组件系统，使车辆能够遵循计算结果。

进行更精准的操作，因为在自动驾驶汽车中，最终控制车辆的不是“人”，而是汽车本身。

然而现实情况是，这项在传统汽车领域一直被众多车企视为优势的技术，在自动驾驶汽车领域却被少数大型零部件供应商所垄断，而这些供应商大多拥有自己的技术。

系统中集成了一套完整的底盘控制系统，且大多不开放，这也在一定程度上制约了自动驾驶汽车的发展。

除了上述技术瓶颈之外，自动驾驶安全问题尤其是网络安全也一直是困扰广大车企的问题。

尤其是近期全球范围内发生的网络勒索软件攻击事件，给自动驾驶网络安全蒙上了阴影。

一个影子。

还缺乏法律法规，包括早期支持自动驾驶汽车发展的测试法规、国家自动驾驶汽车性能指南和测试标准，以及车辆上路后的监管要求，例如划分交通事故责任追究等，也是后期急需的。

解决了问题。