萬萬沒想到，無人車其實是個勞動密集型產業
李杉 唐旭 編譯整理
病友們都在看雜誌、刷Instagram的時候，Shari Forrest打開了手機上的一個app，開始訓練一個將要用在無人車上的人工智慧。
54歲的Forrest並非工程師或程式師，她靠撰寫教材來謀生。儘管如此，
Mighty AI是一家人工智慧眾包服務平臺。在這裡，Forrest的“同事”們在全球範圍內還有20萬人。這家公司提供的主要服務包括電腦視覺、自動駕駛、自然語言處理等。今年1月，公司剛剛宣佈完成1400萬美元B輪融資。
“如果能趁著排隊的工夫賺幾塊錢的話，何樂而不為呢。
對於無人車產業而言，在自動駕駛時代真正到來之前，類似Forrest所做的這種資料標注工作都是不可或缺的。要對自動駕駛賴以實現的AI進行訓練，所需的資料量往往超出了想像。
穀歌和通用這種公司很少去提這件事情，但正是像Forrest一樣的人們組成的勞動力大軍，構成了那些嗡嗡作響的資料中心背後的基石。
多數開發自動駕駛技術的公司會聘用成百上千名員工，然後把這種教會無人車識別行人、騎行者和其他障礙物的工作外包到印度或中國。
“機器學習是個神話，就像《綠野仙蹤》一樣。”矽谷硬體孵化器公司Lemnos Labs的投資人Jeremy Conrad說，“標記團隊對每家公司都至關重要，我們一段時間內仍然需要他們，因為戶外環境十分多變。”
人工智慧、感測器品質和計算能力的巨大進步，給無人車的革命打下了技術基礎。
“在我看來，人工智慧從業人員整體都很自大，認為電腦可以解決一切。”Mighty AI創始人兼CEO Matt Bencke說。人工智慧系統也都存在同樣的問題：電腦需要通過人工添加標籤的龐大資料進行“學習”，然後利用這種‘模型’在今後看到類似的物體和形態時將其識別出來。
訓練無人車面臨的挑戰比其他人工智慧應用更大，
“標注過程通常都是一項非常隱秘的成本，
無人車所需的精度也高於其他人工智慧系統。汽車之所以能夠自動駕駛，是通過將它們借助攝像頭和感測器看到的周圍環境，與車載3D地圖進行比對來實現的。安全是頭等大事：如果Google Photos的面部識別無法正確認出一張照片中的人，那也沒什麼大不了；但如果Waymo的無人車無法識別行人，就會引發致命事故。
在爭相開發無人車的過程中，企業的衡量標準都是他們的累計行駛里程。Waymo今年5月表示，他們的汽車已經在公共道路上試駕了300萬英里，而特斯拉去年表示，他們已經借助Autopilot系統，通過現有的車主收集了1000多萬英里的駕駛資料。
然而，里程越多，就意味著這些公司的後臺資料處理人員需要手工從事更多工作。短短幾英里的駕駛里程就會產生數十GB的資料，這些資料很快就會變得過於龐大，以至於無法通過車載無線網路進行傳輸。相反，必須首先保存在硬碟之中，然後再傳輸到到外包中心。
這樣一個擁有尖端技術的行業，卻採用如此陳舊的模式，的確令人感到意外。
矽谷自動駕駛系統開發公司PlusAI首席執行官David Liu表示，每駕駛一個小時，就需要花費數百個小時才能將其轉化成有用的資料。
他說，“我們需要幾十萬，甚至幾百萬小時的資料”才能讓無人車隨處行駛，並且需要“數十萬人來實現這一目標”。
但大型科技公司通常不肯披露無人車所涉及的人工程式。Waymo、Uber和特斯拉均拒絕對此置評。
“很難聽到有人談論此事。”華盛頓大學電腦科學與工程教授Dan Weld說，“他們都喜歡說，機器學習很神奇。”
曾經擔任Waymo和Uber工程師的Anthony Levandowski曾於2013年在加州大學伯克利分校的公開演講中，將穀歌的印度團隊稱作一個由“人類機器人”組成的團隊，他們負責標記街景服務採集的各種圖像。
這種勞動密集型工作的成本並不低。業內人士估計，要創建和維護每座美國城市的地圖，一年的花費約為數十億美元。
有的創業公司從中看到了機會，PlusAI、Deepmap和Drive.ai都聲稱可以使用“深度學習”來降低人工成本（關於Drive.ai完全用深度學習來做無人車的方案，戳這裡），但仍然可以維持安全駕駛所需的精度。但其他業內人士仍然懷疑，深度學習難以徹底擺脫對人類的依賴。
Mighty AI的 Bencke指出，Facebook、YouTube和Twitter面臨的挑戰，是如何在他們的社交平臺上應對欺淩和恐怖主義等各種負面內容。“如果深度學習具備這種能力，你不認為它現在就應該已經解決這個問題了嗎？”他說，“這個問題沒有無人車那麼複雜，而且市場很大。”
當下，AI的智慧在更大程度上仍然取決於它所用來訓練的資料的品質。Bencke稱自家的平臺會用自己的機器學習技術，來判定每個人最為擅長的領域，並以此來分配工作。沒人因此變得富裕，但對於Mighty AI來講，這無關緊要。
Forrest說，自己去年在這項工作上掙了300美元，大部分都用來網購了。她從沒見過無人車，更別提乘坐一次。但她知道自己正讓它們變得更為聰明，也對這項技術的未來充滿信心。
【完】
一則通知
另外，量子位大咖雲集的自動駕駛技術群，僅接納研究自動駕駛相關領域的在校學生或一線工程師。申請方式：添加qbitbot2為好友，備註“自動駕駛”申請加入~
招聘
量子位元正在招募編輯/記者
在爭相開發無人車的過程中，企業的衡量標準都是他們的累計行駛里程。Waymo今年5月表示，他們的汽車已經在公共道路上試駕了300萬英里，而特斯拉去年表示，他們已經借助Autopilot系統，通過現有的車主收集了1000多萬英里的駕駛資料。
然而，里程越多，就意味著這些公司的後臺資料處理人員需要手工從事更多工作。短短幾英里的駕駛里程就會產生數十GB的資料，這些資料很快就會變得過於龐大，以至於無法通過車載無線網路進行傳輸。相反，必須首先保存在硬碟之中，然後再傳輸到到外包中心。
這樣一個擁有尖端技術的行業，卻採用如此陳舊的模式，的確令人感到意外。
矽谷自動駕駛系統開發公司PlusAI首席執行官David Liu表示，每駕駛一個小時，就需要花費數百個小時才能將其轉化成有用的資料。
他說，“我們需要幾十萬，甚至幾百萬小時的資料”才能讓無人車隨處行駛，並且需要“數十萬人來實現這一目標”。
但大型科技公司通常不肯披露無人車所涉及的人工程式。Waymo、Uber和特斯拉均拒絕對此置評。
“很難聽到有人談論此事。”華盛頓大學電腦科學與工程教授Dan Weld說，“他們都喜歡說，機器學習很神奇。”
曾經擔任Waymo和Uber工程師的Anthony Levandowski曾於2013年在加州大學伯克利分校的公開演講中，將穀歌的印度團隊稱作一個由“人類機器人”組成的團隊，他們負責標記街景服務採集的各種圖像。
這種勞動密集型工作的成本並不低。業內人士估計，要創建和維護每座美國城市的地圖，一年的花費約為數十億美元。
有的創業公司從中看到了機會，PlusAI、Deepmap和Drive.ai都聲稱可以使用“深度學習”來降低人工成本（關於Drive.ai完全用深度學習來做無人車的方案，戳這裡），但仍然可以維持安全駕駛所需的精度。但其他業內人士仍然懷疑，深度學習難以徹底擺脫對人類的依賴。
Mighty AI的 Bencke指出，Facebook、YouTube和Twitter面臨的挑戰，是如何在他們的社交平臺上應對欺淩和恐怖主義等各種負面內容。“如果深度學習具備這種能力，你不認為它現在就應該已經解決這個問題了嗎？”他說，“這個問題沒有無人車那麼複雜，而且市場很大。”
當下，AI的智慧在更大程度上仍然取決於它所用來訓練的資料的品質。Bencke稱自家的平臺會用自己的機器學習技術，來判定每個人最為擅長的領域，並以此來分配工作。沒人因此變得富裕，但對於Mighty AI來講，這無關緊要。
Forrest說，自己去年在這項工作上掙了300美元，大部分都用來網購了。她從沒見過無人車，更別提乘坐一次。但她知道自己正讓它們變得更為聰明，也對這項技術的未來充滿信心。
【完】
一則通知
另外，量子位大咖雲集的自動駕駛技術群，僅接納研究自動駕駛相關領域的在校學生或一線工程師。申請方式：添加qbitbot2為好友，備註“自動駕駛”申請加入~
招聘
量子位元正在招募編輯/記者