被高估的自動駕駛與被低估的算法

過去的事實證明，人類從來就不善于預測。要么總是高估短期發展，低估長期過程，要么根本猜錯了方向。基于自身需求和社會發展，人們相信人工智能是解決交通問題的終極工具。資本也對此深信不疑。到2020年，全球對人工智能產業的投資將達到4000億美元，60%的投資和初創公司將誕生于中國和美國。

停滯的自動駕駛，但投資者發現，尋找新項目越來越難，項目變得昂貴，這是資本泡沫出現的信號。從短期來看，人工智能的有效性和回報被高估了。

作為自動駕駛研發的領導者，谷歌旗下的Waymo正在鳳凰城郊區部署自動駕駛團隊，并已開始提供充電服務。對于地方智能決策的實踐項目來說，這是一個巨大的階段性成功，盡管服務區域和服務人口都經過了仔細的限制和選擇。顯然，這是一個有限場景下的L4級自動駕駛應用程序。然而，當地居民熱衷于取笑Waymo的自動駕駛汽車。這些白色克萊斯勒Pacifica試圖在高速公路上合并，但沒有成功，最終被迫駛離高速公路；

或者在通過十字路口時占用車道，不敢轉彎，導致追尾。人類駕駛員對過于自律的交通參與者感到不耐煩。他們粗魯地按喇叭，不管人工智能是否能理解他們。Waymo首席執行官克拉夫西克暗示，人工智能的笨拙狀態將持續多年。他認為L5自動駕駛的實際部署可能需要“幾十年”，這與他三年前的樂觀態度形成了鮮明對比。計算能力的瓶頸在哪里？這主要是由于工程師在人工智能培訓期間精疲力竭。現實世界工作條件的復雜性使得通過固定模型調整參數難以達到完全覆蓋的目的。與人們普遍認為的相反，獲取數據很容易。只要法律允許，車主同意，每天在地球上行駛的10多億輛汽車都可以配備廉價的傳感器，獲取駕駛數據并上傳到云端。

有了如此龐大的元數據，必然會有大量的冗余數據。工程師們花了很長時間編寫算法，完善和構建對人工智能訓練具有最大價值的數據庫（即訓練模型）。然而，在數據的分類和校準、數據質量以及后期的算法方面存在許多不確定性。公眾和監管機構堅持認為，自動駕駛汽車需要測試數億至數千億公里，以驗證其在減少交通事故方面的可靠性。這無疑增加了人工智能在自動駕駛中的應用難度。由于計算能力的限制，人工智能的訓練過程變得非常漫長。當數據量超過硬件負載的上限時，人工智能就不可能是復雜和體面的。出于同樣的原因，人們必須提前過濾數據，以避免硬件崩潰。眾所周知，隨著硅基芯片加工極限的臨近，單個芯片的計算能力較弱。摩爾定律不是定律，它只是芯片行業蓬勃發展時期從業者遵守的定律，而這條定律即將結束。由于硅原子的直徑為0.3nm，這是一個無法克服的物理極限。此外，門控電路很難控制單個原子。此時，量子效應不容忽視，電路邏輯將從某種狀態變為概率，芯片邏輯將陷入混亂。目前，在水中雕刻硅片的“工具”是接近X射線波長的深紫外光。硅加工的電流極限為7nm，提升的終點可能為2-3nm。既然提高電路密度越來越困難，我們還能通過擴大面積和增加三維尺寸來擴大電路復雜性嗎？考慮到能耗引起的尺寸翹曲和散熱，二維和三維膨脹都受到嚴格限制。即使世界頂級的加工能力和硅片面積擴大，產量也不可避免地大幅下降。目前，人類仍在提高計算能力，依靠大規模并行連接和多芯片計算能力協調，但數據內部傳輸效率低下，功耗急劇上升。新的體系結構可能不是最終的答案。

2016年擊敗李世石的AlphaGo仍然是傳統的馮·諾依曼結構，擁有1202個CPU和176個GPU，功率為17萬瓦，下一盤棋的電費為3000美元。李世石的大腦最多只有20瓦，即使是滿負荷，也只夠點亮一盞昏暗的白熾燈。這不是一場公平的決斗。在人類大腦面前，人工智能是令人驚訝的笨拙和低效。第二年，擊敗柯潔的AlphaGo采用了四個基于云的TPU，形成了180TFlops的計算能力（1T哈希率=1萬億次運算）。2018年，谷歌推出的TPU3.0具有100P的計算能力（1P哈希率=1000萬億次運算）。為此，TPU3.0必須采用水冷機制。超級計算冷卻需要巨大的設備，而微軟的Netick項目只是在蘇格蘭奧克尼群島寒冷的海床上建造的。TPU本質上是一種用于特殊場景的ASIC芯片，它優化了Von Neumann結構的瓶頸，無法處理文本，因此專門用于深度學習的神經網絡計算。當計算密度無法提高時，我們繼續通過改進架構來提取計算能力。然而，尺寸p……

TPU的er消耗和麻煩的冷卻設備注定無法作為車輛的本地AI。基于高速網絡的云計算能力減輕了本地人工智能的負擔。然而，這些提升是有終點的，終點就在眼前。在硅基芯片的潛力耗盡之前，我們必須找到更強大的計算能力。量子計算、化合物半導體和生物計算都具有替代潛力。大多數國家的首都都在大規模押注量子。但到目前為止，世界上還沒有真正的量子計算機，很難估計什么樣的方案可以更有效地綁定微態量子。量子計算機的實際預測時間從5年到50年不等。在人們擔心強大的人工智能失控之前，人工智能本身并沒有對算法進化做出任何貢獻。算法的獨創性取決于人腦。對人類來說，個體知識體系并不重要，算法的優化來自于人類經驗的積累。這類似于芯片電路規模的擴大。在合理的功耗下擁有足夠強大的計算能力，是人工智能勝任高水平自動駕駛的唯一現實路徑。在硅基芯片的潛力耗盡之前，探索新的路徑決定了人工智能的未來。這就是為什么我們看不清楚未來。過去的事實證明，人類從來就不善于預測。要么總是高估短期發展，低估長期過程，要么根本猜錯了方向。基于自身需求和社會發展，人們相信人工智能是解決交通問題的終極工具。資本也對此深信不疑。到2020年，全球對人工智能產業的投資將達到4000億美元，60%的投資和初創公司將誕生于中國和美國。

停滯的自動駕駛，但投資者發現，尋找新項目越來越難，項目變得昂貴，這是資本泡沫出現的信號。從短期來看，人工智能的有效性和回報被高估了。

作為自動駕駛研發的領導者，谷歌旗下的Waymo正在鳳凰城郊區部署自動駕駛團隊，并已開始提供充電服務。對于地方智能決策的實踐項目來說，這是一個巨大的階段性成功，盡管服務區域和服務人口都經過了仔細的限制和選擇。顯然，這是一個有限場景下的L4級自動駕駛應用程序。然而，當地居民熱衷于取笑Waymo的自動駕駛汽車。這些白色克萊斯勒Pacifica試圖在高速公路上合并，但沒有成功，最終被迫駛離高速公路；

或者在通過十字路口時占用車道，不敢轉彎，導致追尾。人類駕駛員對過于自律的交通參與者感到不耐煩。他們粗魯地按喇叭，不管人工智能是否能理解他們。Waymo首席執行官克拉夫西克暗示，人工智能的笨拙狀態將持續多年。他認為L5自動駕駛的實際部署可能需要“幾十年”，這與他三年前的樂觀態度形成了鮮明對比。計算能力的瓶頸在哪里？這主要是由于工程師在人工智能培訓期間精疲力竭。現實世界工作條件的復雜性使得通過固定模型調整參數難以達到完全覆蓋的目的。與人們普遍認為的相反，獲取數據很容易。只要法律允許，車主同意，每天在地球上行駛的10多億輛汽車都可以配備廉價的傳感器，獲取駕駛數據并上傳到云端。

有了如此龐大的元數據，必然會有大量的冗余數據。工程師們花了很長時間編寫算法，完善和構建對人工智能訓練具有最大價值的數據庫（即訓練模型）。然而，在數據的分類和校準、數據質量以及后期的算法方面存在許多不確定性。公眾和監管機構堅持認為，自動駕駛汽車需要測試數億至數千億公里，以驗證其在減少交通事故方面的可靠性。這無疑增加了人工智能在自動駕駛中的應用難度。由于計算能力的限制，人工智能的訓練過程變得非常漫長。當數據量超過硬件負載的上限時，人工智能就不可能是復雜和體面的。出于同樣的原因，人們必須提前過濾數據，以避免硬件崩潰。眾所周知，隨著硅基芯片加工極限的臨近，單個芯片的計算能力較弱。摩爾定律不是定律，它只是芯片行業蓬勃發展時期從業者遵守的定律，而這條定律即將結束。由于硅原子的直徑為0.3nm，這是一個無法克服的物理極限。此外，門控電路很難控制單個原子。此時，量子效應不容忽視，電路邏輯將從某種狀態變為概率，芯片邏輯將陷入混亂。目前，在水中雕刻硅片的“工具”是接近X射線波長的深紫外光。硅加工的電流極限為7nm，提升的終點可能為2-3nm。既然提高電路密度越來越困難，我們還能通過擴大面積和增加三維尺寸來擴大電路復雜性嗎？考慮到能耗引起的尺寸翹曲和散熱，二維和三維膨脹都受到嚴格限制。即使世界頂級的加工能力和硅片面積擴大，產量也不可避免地大幅下降。目前，人類仍在提高計算能力，依靠大規模并行連接和多芯片計算能力協調，但數據內部傳輸效率低下，功耗急劇上升。新的體系結構可能不是最終的答案。

2016年擊敗李世石的AlphaGo仍然是傳統的馮·諾依曼結構，擁有1202個CPU和176個GPU，功率為17萬瓦，下一盤棋的電費為3000美元。李世石的大腦最多只有20瓦，即使是滿負荷，也只夠點亮一盞昏暗的白熾燈。這不是一場公平的決斗。在人類大腦面前，人工智能是令人驚訝的笨拙和低效。第二年，擊敗柯潔的AlphaGo采用了四個基于云的TPU，形成了180TFlops的計算能力（1T哈希率=1萬億次運算）。2018年，谷歌推出的TPU3.0具有100P的計算能力（1P哈希率=1000萬億次運算）。為此，TPU3.0必須采用水冷機制。超級計算冷卻需要巨大的設備，而微軟的Netick項目只是在蘇格蘭奧克尼群島寒冷的海床上建造的。TPU本質上是一種用于特殊場景的ASIC芯片，它優化了Von Neumann結構的瓶頸，無法處理文本，因此專門用于深度學習的神經網絡計算。當計算密度無法提高時，我們繼續通過改進架構來提取計算能力。然而，尺寸p……

TPU的er消耗和麻煩的冷卻設備注定無法作為車輛的本地AI。基于高速網絡的云計算能力減輕了本地人工智能的負擔。然而，這些提升是有終點的，終點就在眼前。在硅基芯片的潛力耗盡之前，我們必須找到更強大的計算能力。量子計算、化合物半導體和生物計算都具有替代潛力。大多數國家的首都都在大規模押注量子。但到目前為止，世界上還沒有真正的量子計算機，很難估計什么樣的方案可以更有效地綁定微態量子。量子計算機的實際預測時間從5年到50年不等。在人們擔心強大的人工智能失控之前，人工智能本身并沒有對算法進化做出任何貢獻。算法的獨創性取決于人腦。對人類來說，個體知識體系并不重要，算法的優化來自于人類經驗的積累。這類似于芯片電路規模的擴大。在合理的功耗下擁有足夠強大的計算能力，是人工智能勝任高水平自動駕駛的唯一現實路徑。在硅基芯片的潛力耗盡之前，探索新的路徑決定了人工智能的未來。這就是為什么我們看不清楚未來。

標簽：曼發現

汽車資訊熱門資訊