2017全球人工智慧技術大會
2017年5月21日
國家會議中心4層大會堂B
本文根據速記進行整理
無人駕駛的圖靈測試
李德毅
中國人工智慧學會理事長， 中國工程院院士
李德毅：各位下午好， 今天談一談智慧駕駛， 我講一下智慧車做好了怎麼測， 怎麼使得它具有拿到駕照的水準， 我報告的題目是無人駕駛的圖靈測試。
做什麼東西， 得把評測搞清楚， 怎麼測， 我們一直講智慧代理， 智慧代理或者認知它的方法是什麼。 圖靈先生在他年輕的時候就在想這個事情， 他提出了圖靈測試， 幾十年過去了， 人們已經把圖靈測試研究透了， 有人說圖靈測試漏洞太多了， 不好測。 有人認為圖靈測試做了很大的貢獻， 直到今天， 人工智慧經過兩個寒冬以後， 我們看人工智慧帶來的變化。 首先是腦科學， 然後是認知心理學， 接著是神經生物學。 這三個學科對於人智慧的啟發更大一點，
1950年阿蘭圖靈寫了一篇文章， 可以看出來， 圖靈測試本質上就是交互智能的測試。 一直到2014年， 聊天機器人尤金古斯特曼發佈了。 還有做詩， 給你一個上下連對橫批， 分別不出來是人做的還是機器人做的， 是不是可以說這是圖靈測試。 但是有一個問題， 你的打油詩是水準很高的詩，
還有一個很重要的事情， 像中小學生寫作文， 有一個批改網， 一萬人， 一百萬人同時寫一個文章， 看看哪個文章拿冠軍， 這時候有機器人閱卷， 跟人的閱卷有什麼差別， 怎麼樣即時的交互， 批改這個作文，
谷歌公司是無人駕駛的領頭羊， 2015年就聲稱跑了100萬英里， 達到人類75年的駕齡了， 但遇到一個最基本的問題， 無人車上路怎麼樣獲得駕照， 駕駛認知度量已經成為交管部門當務之急的問題， 對我們科技工作者來說， 腦認知如何度量， 這是一個非常重要的科學問題。 假如我們把圖靈測試的這個人變成一個自動駕駛儀，
駕駛圖靈測試的現實意義非常重要，隨著機器換人時代的到來，有這樣一個問題，相比較而言，汽車自動化程度比較高，一個駕駛員怎麼樣通過方向盤油門的動作改變習慣的，常年的考駕照的測試，已經積累了豐富的經驗，駕駛圖靈測試可以成為圖靈測試的起始點。汽車工程師學會有一個非常自動駕駛的等級區分，分成L0到L5。上面兩個是人駕駛，下面三個是機器人駕駛，有的廠家宣稱我要做L4的自動駕駛，有人說我只能做L3，我覺得輔助駕駛挺好，所以有一個問題，就是圖靈測試的問題。自動駕駛的等級轉換點如何度量，掌握權交界點如何度量，5級分類可操作點在哪裡，要規定100個駕駛視窗還是1000個駕駛視窗，這還真是一個問題。我們在北京可以看到很多特斯拉的車，有的賣80萬，有的賣120萬，你問駕駛員你自動駕駛了嗎，基本上沒有，因為特斯拉聲稱是L2等級，需要駕駛員的手放在方向盤上，保持注意力，如果不這樣幹，出了事還是駕駛員的。蘋果公司在加州測試是1000英里，0.2次干預，也就是北京到深圳來回一趟只幹兩次，所以圖靈測試的問題是一個現實的問題。
人的智商到底是怎麼樣表現的，生物學家告訴我們，在微觀，宏觀維度上有不同的表現。比如說當我們看檯子上寫的人工智慧，你腦子裡的興奮區也許在這個地方。當你耳朵裡聽到人工智慧這個詞興奮度在這個地方，什麼也沒有聽說，你自己想，興奮區就更多了，所以告訴大家，記憶很重要，一個駕駛員頭腦裡記錄了多少場景，能夠應付多少事件，怎麼學習的，這點很重要。再一個，當你看周圍場景的時候，駕駛員是有選擇性注意的，同樣一個場景，小孩子和一個經驗駕駛員看，注意點是不一樣的。我們很多人都做機器視覺，有人說是電腦視覺，確切說是圖像的處理和理解，我們叫做先視後覺，它無特定的任務驅動，所以我們進行分類，聚類，進行一些識別，形成一個全域的認知，現在很火。但是人類認知難道都是這樣的嗎？不是的，因為我們在做無人駕駛的時候，有一條堅定的信念，叫做感測器不完美，是我們確定的一條原則，不要想著哪個感測器是完美無缺的，分佈在車體各部位都認為看到了全域。生物視覺和機器視覺的差別，觀而不覺，無視後覺，邊視邊覺，先覺後視。生物視覺選擇性注意當中，我們經常聽到，大範圍優先，或者大尺度有限，當你看一幅圖的時候，大圖很重要，細微的地方並不重視，這是優先點不重要。還有，當你看到一個圖像的時候，掉下來的部分你很注意，這是一個圓的，方的長的，還有一種差異優先。我們的問題是，在選擇注意力的時候，這幾個問題碰到一起到底誰優先，我們研究的結果認為，真正的是記憶優先，你頭腦裡記憶的東西對當前情景會發生很大的注意，上午很多人研究感知的智慧，沒有人研究認知的智慧，對不起，我們就在研究認知的智慧。腦認知的主要外面表示在如何聽說和如何看，腦認知的內涵是想，想的時候有三種認知，記憶認知，計算認知和交互認知，我在一個場合說了一點電腦負面的話，我們人類對電腦的追求有一點貪得無厭，現在這麼快，我們還要更快，但是我們沒有用精力研究記憶和交互，這是一個遺憾。我們在研究計算的同時，應該花更多的精力研究記憶和交互，這才是受腦認知啟發的人工智慧。
我們認為人類認知沒有你想想的那麼複雜，用一句話，一件事情反復的裝進你的頭腦裡，你就形成了自己的認知，記憶是腦認知的核心，遺忘是人類智慧的顯著表現，沒有遺忘腦子將不堪重負。神經生物學家告訴我們，人類記憶是分區的，瞬間記憶，工作記憶，場景記憶，有不同的劃分的區域和方法。遺忘是對記憶的不能再認和回憶，因此我們應該研究遺忘、記憶、存儲，認知過程可用卷積表徵體現出來。我個人定義了一個很重要的公式，記憶是認知函數和遺忘記憶的卷積。我提出用認知學的物理方法研究人的遺忘，一個圖片怎麼實現遺忘的，在你的記憶裡怎麼恢復的，這件事情應該下決心研究清楚。感覺記憶是非常豐富的，但是也是瞬間的，工作記憶是在海馬體裡面，它和學習有很大的關聯。大腦的皮層的記憶已經被抽象化了，所以人工智慧的學者不能簡單研究計算，還要研究記憶，不但要研究學習和遺忘，還要研究三個不同記憶區的劃分方法。要研究工作記憶和場景記憶，怎麼樣幫助當前的瞬間感知。人腦的計算沒有什麼複雜的變化，就是一種相似計算，是我們複雜化了。交互是腦認知的重要形態，交互的力度不一樣，各有各的不同，怎麼樣實現轉換。人在神經網路交互的同時，還有與外面世界的交互，獲得心得感知，所以交互只有二重性。對於無人駕駛來說，你要從人的駕駛認知必須回答的問題，人腦是如何定位的。大家都知道，做無人駕駛最難的技術，就是即時定位，我們把大的坐標系叫做上帝坐標系，每個人看的都一樣，我們的智慧體是以它為基礎的認知，因此我們提出對周邊環境進行即時定位，以及影射，這樣才能知道我這輛車當前應該在什麼地方採取什麼動作。語言我們認為是圖像認知在不同抽象中的語義標注。要構造不同尺度連接組的，三位一體的多個多層的卷積網路。
這時候我們看看電腦的局限性，電腦最主要的是CPU，腦認知的單元每層都有記憶智慧，計算智慧和交互智慧，這樣才能建立起來。我們的觀點和特斯拉不一樣，和穀歌有區別，和英特爾也有不同，我們認為八個字，無人駕駛，難在擬人。無人駕駛不僅僅是車，不是做自動化就可以了，自動化遇到了天花板，人工智慧來了。
我們有一點感歎，現在的汽車可以做到100馬力甚至更高，但是汽車真的不如馬的認知，馬是認知主體，老馬識途，車不如馬，現在無人駕駛遇到最大的痛點就是最後一公里，回不來，共用單車回不來，將來共用汽車，最後一公里回不來，共用汽車的商業化用途就無解。因此，要想實現無人駕駛為主的駕駛，最根本的問題到底是解決車還是解決人，我們發出一點不同的聲音，如果做解決車的問題，就把車的自動化做好，我們做一個軟體定義的機器，實現無人駕駛。如果解決人的問題，那就必須具有記憶，決策和行為能力的認知主體，進行自主駕駛，一字之差，差之毫釐，自動化學者和人工智慧學者是有不同的觀點的。汽車的行為是由駕駛員決定的，無人駕駛難在擬人，因此我們要研究駕駛員行為學和駕駛員心理學，當在爆胎的時候，駕駛員的動作恰當嗎，我們要研究駕駛員的感知、記憶、控制和行為技巧，而不是一味的改良車輛動力學性能，實現自動駕駛。
我們看看駕駛員的行為學和心理學，這張圖是在自動駕駛之前，在交通運輸裡就有的，專門研究駕駛員的行為學和心理學，分為感知域，認知域，行為域，現在把感知智慧適應以後的結果演化成駕駛透視圖，通過深度學習或者演算法，實現對方向盤和油門的控制，然後我們把駕駛員的駕駛技巧，怎麼樣省油，坐著舒服，就是有技巧的駕駛，怎麼樣使這個車子開的平穩，我們自然科學基金會組織全國八九次的比賽，考慮到裁判指標，圖靈測試的指標，我們檢測4個S，靠這4個S形成圖靈測試，拿出一個表，決定誰是冠軍，誰是亞軍。現在我們在做認知領域的深度學習，駕駛認知的核心是學習還是記憶，生活是記憶，駕駛也是記憶，駕駛員開車的時候都是在算帳嗎，所以記憶很重要。每次駕駛都會結合對過去駕駛的記憶，學習是什麼，學習是理解知識，形成記憶的交互過程，理解是資訊的認知或已有認知的結果，而記憶彌散在神經網路之中，不去研究這樣的問題，做出的決策和結果出路不大。駕駛員的經驗和臨場處理能力必須由駕駛員自己替代。我們現在開始往記憶和交互上發展，當然計算也是很重要，有的單位說我們做一個機器人作業系統，用它支撐駕駛員，作業系統ROS固然重要，但是它不能代表駕駛員。如果要說駕駛員的注意力，釋放駕駛員的認知，必須有一個物化駕駛員的認知，我們把特定的駕駛認知叫做駕駛腦，這樣以來就會注意力集中，永遠專注，永不疲勞，原來駕駛員發生的事故稱之為人類第一殺手，也就不再存在，這該多好。
駕駛認知，自動駕駛是機器駕駛，它物化了駕駛員的認識，實現了無人駕駛。我們想一想，自動駕駛如果是在地鐵比較好，因為鐵路是它的，還有網路調度，如果是高鐵，也可以做自動駕駛，因為道路是封閉的，調度能力很強。如果是飛機也可以做自動駕駛，唯獨汽車不行，因為汽車是你個人的代步工具，它在開放的不確定性的環境下，常常會遇到大雪、大霧、大雨。比如說冰雪，還有人為的紅綠燈失效，道路施工，車輛醉駕等等，如果不能處理這些能力，做自動駕駛可能難以勝任。有經驗的駕駛員，標杆駕駛員能夠靈活處置，自動駕駛車怎麼樣學習呢，這是我們研究的重點。一個小孩能夠成功的抓住一隻球，這是計算出來了嗎，不是，是用了什麼演算法嗎，也不是。一次又一次的學習，操練，久而久之，智慧成為新的本領。我們認為開車和學英語本質上是相同的，熟練的司機開車，如同自己走路一樣自然，開多了，不是每天都在計算。經驗駕駛員，不但要符合駕規，安全行駛，我們還要使車子坐起來比較舒服，從A點到B點怎麼樣舒服省油，這也是駕駛員重要的技巧。因此我們發明了一個單詞，Driving Brain，不同的人開車行為習慣不一樣，我們認為自駕車應該有個性，好像我們每個人開車都有個性一樣，如果你不強調開車的水準，我們可以找標杆駕駛員開車，這也是可以的。駕駛技能的習得通常通過認知，關聯，自主三個因素決定的。如果像特斯拉一樣，把感測器放在車裡，讓人工開車，開了兩年以後，拿回來一學習，再放回去讓它和你開車一樣。在路上的行為就成了自己的行為，人的感知和車的行為達到了合一的境界，這是我們追求的目標。
我們十多年的自動駕駛的生涯告訴我們，這件事情很重要，如果沒有的話，我們仍然會恐慌、迷茫，今天做的很好的，明天可能就做不好了。感知認知和行為有一個比較好的回饋過程，從動態感知到態勢分解，到自主決策，這個期間場景記憶，功能記憶都起到很重要的作用。四類感測器，分別是雷射雷達，攝象頭感測器，還有車姿感測器，還有GPS感測器，這代表我們的感知系統。而認知系統裡，既有駕駛技術，還有各種各樣的記憶棒，我們利用當前的駕駛態勢和時間序列表決策當前的認知，形成認知箭頭，控制車的動力和行為，這塊叫做小腦，因為它已經有駕駛技巧了，從感知到認知到行動，再感知到認知到行動。可先利用微電子技術，採用GPU+CPU+FPGA+ASIC機構，生產專用晶片和板卡，2016年研發的駕駛腦V1.0。原來開始開車準備時間十幾分鐘，現在我們開車啟動時間只要22秒，我們終於開始我們自己的發明，就是駕駛腦，它是給你拿駕照的，它是給你積累駕駛技能的，它是買路熟的，它是個性化駕駛和標杆駕駛，這些東西怎麼靠自動駕駛完成的呢，這就是我們在全世界的自動駕駛的浪潮中發出了自己微弱的聲音。我們認為人工智慧的使命是加速汽車向人機交互的轉變。有了駕駛腦，有可能使汽車成為駕駛員自己，這是我們人類追求非常有理想，有意義的科技，我們很多人買聊天機器人，我們想汽車也應該是這樣的。智慧駕駛專用實驗與評估環境，全國已經批准了7個實驗場，這很有可能發展成為賽車手和賽車機器人的賽車場。
機器人換人帶來一個新的行業，就是後圖靈時代，也許是人機共生，共融，共發展的時候了。如果人腦的特定問題域的認知能力可以先局部地得到解決，比如駕駛問題，寫作問題，學英語問題等等。如果我們做一個流動大巴車，我們安排一個駕駛腦，安排一個聊天腦，不但會開車還會導遊，這樣下去，千千萬萬個特定的機器人認知腦，通過移動互聯網，雲計算和大資料，是不是可以倒逼變成一個通用的人工智慧呢，或者強人工智慧呢，我們一起來拭目以待，謝謝大家。
CAAI原創 丨 作者李德毅
未經授權嚴禁轉載及翻譯
如需轉載合作請向學會或本人申請
轉發請注明轉自中國人工智慧學會
交叉、 融合、 相生 、 共贏
所以這就涉及到圖靈測試的問題。遠端醫療把我們可穿戴的傳感設備，把你的物理參數送上去以後，它給你開的藥方，怎麼知道是專家開的還是機器人開的。你在家裡的時候，孩子在網上做輔導或者諮詢，你怎麼知道這個輔導老師是人還是機器人等等。所以圖靈測試進入日常生活，人類已經進入後圖靈的圖靈測試。無論是機器對話，機器寫詩還是自動駕駛，有一點必須堅持，那就是允許測試者現場監督和交互，測試者可以現場改變紅綠燈，看看車能不能停下來，可以製造一個干擾的汽車障礙，看看能不能避障。所以現場介入的交互是必須的，我們拿駕照的時候，當你路考的時候，同樣兩個人，水準差不多，一個人拿到駕照了，一個人沒有拿到駕照，考官說你不行，你剛才超車的時候頭沒有往後看，我們規定頭要往後看的，所以下次再考，但是你態度好一點，你記住了，這一次過了就可以了，所以我們認為圖靈測試本質上儘管存在客觀性，但是必然帶有主觀性，如果一個駕駛員老不合格，這就會受到質疑，何況駕照還可以收回，所以對圖靈測試應該用這樣的觀點來看。
駕駛圖靈測試的現實意義非常重要，隨著機器換人時代的到來，有這樣一個問題，相比較而言，汽車自動化程度比較高，一個駕駛員怎麼樣通過方向盤油門的動作改變習慣的，常年的考駕照的測試，已經積累了豐富的經驗，駕駛圖靈測試可以成為圖靈測試的起始點。汽車工程師學會有一個非常自動駕駛的等級區分，分成L0到L5。上面兩個是人駕駛，下面三個是機器人駕駛，有的廠家宣稱我要做L4的自動駕駛，有人說我只能做L3，我覺得輔助駕駛挺好，所以有一個問題，就是圖靈測試的問題。自動駕駛的等級轉換點如何度量，掌握權交界點如何度量，5級分類可操作點在哪裡，要規定100個駕駛視窗還是1000個駕駛視窗，這還真是一個問題。我們在北京可以看到很多特斯拉的車，有的賣80萬，有的賣120萬，你問駕駛員你自動駕駛了嗎，基本上沒有，因為特斯拉聲稱是L2等級，需要駕駛員的手放在方向盤上，保持注意力，如果不這樣幹，出了事還是駕駛員的。蘋果公司在加州測試是1000英里，0.2次干預，也就是北京到深圳來回一趟只幹兩次，所以圖靈測試的問題是一個現實的問題。
人的智商到底是怎麼樣表現的，生物學家告訴我們，在微觀，宏觀維度上有不同的表現。比如說當我們看檯子上寫的人工智慧，你腦子裡的興奮區也許在這個地方。當你耳朵裡聽到人工智慧這個詞興奮度在這個地方，什麼也沒有聽說，你自己想，興奮區就更多了，所以告訴大家，記憶很重要，一個駕駛員頭腦裡記錄了多少場景，能夠應付多少事件，怎麼學習的，這點很重要。再一個，當你看周圍場景的時候，駕駛員是有選擇性注意的，同樣一個場景，小孩子和一個經驗駕駛員看，注意點是不一樣的。我們很多人都做機器視覺，有人說是電腦視覺，確切說是圖像的處理和理解，我們叫做先視後覺，它無特定的任務驅動，所以我們進行分類，聚類，進行一些識別，形成一個全域的認知，現在很火。但是人類認知難道都是這樣的嗎？不是的，因為我們在做無人駕駛的時候，有一條堅定的信念，叫做感測器不完美，是我們確定的一條原則，不要想著哪個感測器是完美無缺的，分佈在車體各部位都認為看到了全域。生物視覺和機器視覺的差別，觀而不覺，無視後覺，邊視邊覺，先覺後視。生物視覺選擇性注意當中，我們經常聽到，大範圍優先，或者大尺度有限，當你看一幅圖的時候，大圖很重要，細微的地方並不重視，這是優先點不重要。還有，當你看到一個圖像的時候，掉下來的部分你很注意，這是一個圓的，方的長的，還有一種差異優先。我們的問題是，在選擇注意力的時候，這幾個問題碰到一起到底誰優先，我們研究的結果認為，真正的是記憶優先，你頭腦裡記憶的東西對當前情景會發生很大的注意，上午很多人研究感知的智慧，沒有人研究認知的智慧，對不起，我們就在研究認知的智慧。腦認知的主要外面表示在如何聽說和如何看，腦認知的內涵是想，想的時候有三種認知，記憶認知，計算認知和交互認知，我在一個場合說了一點電腦負面的話，我們人類對電腦的追求有一點貪得無厭，現在這麼快，我們還要更快，但是我們沒有用精力研究記憶和交互，這是一個遺憾。我們在研究計算的同時，應該花更多的精力研究記憶和交互，這才是受腦認知啟發的人工智慧。
我們認為人類認知沒有你想想的那麼複雜，用一句話，一件事情反復的裝進你的頭腦裡，你就形成了自己的認知，記憶是腦認知的核心，遺忘是人類智慧的顯著表現，沒有遺忘腦子將不堪重負。神經生物學家告訴我們，人類記憶是分區的，瞬間記憶，工作記憶，場景記憶，有不同的劃分的區域和方法。遺忘是對記憶的不能再認和回憶，因此我們應該研究遺忘、記憶、存儲，認知過程可用卷積表徵體現出來。我個人定義了一個很重要的公式，記憶是認知函數和遺忘記憶的卷積。我提出用認知學的物理方法研究人的遺忘，一個圖片怎麼實現遺忘的，在你的記憶裡怎麼恢復的，這件事情應該下決心研究清楚。感覺記憶是非常豐富的，但是也是瞬間的，工作記憶是在海馬體裡面，它和學習有很大的關聯。大腦的皮層的記憶已經被抽象化了，所以人工智慧的學者不能簡單研究計算，還要研究記憶，不但要研究學習和遺忘，還要研究三個不同記憶區的劃分方法。要研究工作記憶和場景記憶，怎麼樣幫助當前的瞬間感知。人腦的計算沒有什麼複雜的變化，就是一種相似計算，是我們複雜化了。交互是腦認知的重要形態，交互的力度不一樣，各有各的不同，怎麼樣實現轉換。人在神經網路交互的同時，還有與外面世界的交互，獲得心得感知，所以交互只有二重性。對於無人駕駛來說，你要從人的駕駛認知必須回答的問題，人腦是如何定位的。大家都知道，做無人駕駛最難的技術，就是即時定位，我們把大的坐標系叫做上帝坐標系，每個人看的都一樣，我們的智慧體是以它為基礎的認知，因此我們提出對周邊環境進行即時定位，以及影射，這樣才能知道我這輛車當前應該在什麼地方採取什麼動作。語言我們認為是圖像認知在不同抽象中的語義標注。要構造不同尺度連接組的，三位一體的多個多層的卷積網路。
這時候我們看看電腦的局限性，電腦最主要的是CPU，腦認知的單元每層都有記憶智慧，計算智慧和交互智慧，這樣才能建立起來。我們的觀點和特斯拉不一樣，和穀歌有區別，和英特爾也有不同，我們認為八個字，無人駕駛，難在擬人。無人駕駛不僅僅是車，不是做自動化就可以了，自動化遇到了天花板，人工智慧來了。
我們有一點感歎，現在的汽車可以做到100馬力甚至更高，但是汽車真的不如馬的認知，馬是認知主體，老馬識途，車不如馬，現在無人駕駛遇到最大的痛點就是最後一公里，回不來，共用單車回不來，將來共用汽車，最後一公里回不來，共用汽車的商業化用途就無解。因此，要想實現無人駕駛為主的駕駛，最根本的問題到底是解決車還是解決人，我們發出一點不同的聲音，如果做解決車的問題，就把車的自動化做好，我們做一個軟體定義的機器，實現無人駕駛。如果解決人的問題，那就必須具有記憶，決策和行為能力的認知主體，進行自主駕駛，一字之差，差之毫釐，自動化學者和人工智慧學者是有不同的觀點的。汽車的行為是由駕駛員決定的，無人駕駛難在擬人，因此我們要研究駕駛員行為學和駕駛員心理學，當在爆胎的時候，駕駛員的動作恰當嗎，我們要研究駕駛員的感知、記憶、控制和行為技巧，而不是一味的改良車輛動力學性能，實現自動駕駛。
我們看看駕駛員的行為學和心理學，這張圖是在自動駕駛之前，在交通運輸裡就有的，專門研究駕駛員的行為學和心理學，分為感知域，認知域，行為域，現在把感知智慧適應以後的結果演化成駕駛透視圖，通過深度學習或者演算法，實現對方向盤和油門的控制，然後我們把駕駛員的駕駛技巧，怎麼樣省油，坐著舒服，就是有技巧的駕駛，怎麼樣使這個車子開的平穩，我們自然科學基金會組織全國八九次的比賽，考慮到裁判指標，圖靈測試的指標，我們檢測4個S，靠這4個S形成圖靈測試，拿出一個表，決定誰是冠軍，誰是亞軍。現在我們在做認知領域的深度學習，駕駛認知的核心是學習還是記憶，生活是記憶，駕駛也是記憶，駕駛員開車的時候都是在算帳嗎，所以記憶很重要。每次駕駛都會結合對過去駕駛的記憶，學習是什麼，學習是理解知識，形成記憶的交互過程，理解是資訊的認知或已有認知的結果，而記憶彌散在神經網路之中，不去研究這樣的問題，做出的決策和結果出路不大。駕駛員的經驗和臨場處理能力必須由駕駛員自己替代。我們現在開始往記憶和交互上發展，當然計算也是很重要，有的單位說我們做一個機器人作業系統，用它支撐駕駛員，作業系統ROS固然重要，但是它不能代表駕駛員。如果要說駕駛員的注意力，釋放駕駛員的認知，必須有一個物化駕駛員的認知，我們把特定的駕駛認知叫做駕駛腦，這樣以來就會注意力集中，永遠專注，永不疲勞，原來駕駛員發生的事故稱之為人類第一殺手，也就不再存在，這該多好。
駕駛認知，自動駕駛是機器駕駛，它物化了駕駛員的認識，實現了無人駕駛。我們想一想，自動駕駛如果是在地鐵比較好，因為鐵路是它的，還有網路調度，如果是高鐵，也可以做自動駕駛，因為道路是封閉的，調度能力很強。如果是飛機也可以做自動駕駛，唯獨汽車不行，因為汽車是你個人的代步工具，它在開放的不確定性的環境下，常常會遇到大雪、大霧、大雨。比如說冰雪，還有人為的紅綠燈失效，道路施工，車輛醉駕等等，如果不能處理這些能力，做自動駕駛可能難以勝任。有經驗的駕駛員，標杆駕駛員能夠靈活處置，自動駕駛車怎麼樣學習呢，這是我們研究的重點。一個小孩能夠成功的抓住一隻球，這是計算出來了嗎，不是，是用了什麼演算法嗎，也不是。一次又一次的學習，操練，久而久之，智慧成為新的本領。我們認為開車和學英語本質上是相同的，熟練的司機開車，如同自己走路一樣自然，開多了，不是每天都在計算。經驗駕駛員，不但要符合駕規，安全行駛，我們還要使車子坐起來比較舒服，從A點到B點怎麼樣舒服省油，這也是駕駛員重要的技巧。因此我們發明了一個單詞，Driving Brain，不同的人開車行為習慣不一樣，我們認為自駕車應該有個性，好像我們每個人開車都有個性一樣，如果你不強調開車的水準，我們可以找標杆駕駛員開車，這也是可以的。駕駛技能的習得通常通過認知，關聯，自主三個因素決定的。如果像特斯拉一樣，把感測器放在車裡，讓人工開車，開了兩年以後，拿回來一學習，再放回去讓它和你開車一樣。在路上的行為就成了自己的行為，人的感知和車的行為達到了合一的境界，這是我們追求的目標。
我們十多年的自動駕駛的生涯告訴我們，這件事情很重要，如果沒有的話，我們仍然會恐慌、迷茫，今天做的很好的，明天可能就做不好了。感知認知和行為有一個比較好的回饋過程，從動態感知到態勢分解，到自主決策，這個期間場景記憶，功能記憶都起到很重要的作用。四類感測器，分別是雷射雷達，攝象頭感測器，還有車姿感測器，還有GPS感測器，這代表我們的感知系統。而認知系統裡，既有駕駛技術，還有各種各樣的記憶棒，我們利用當前的駕駛態勢和時間序列表決策當前的認知，形成認知箭頭，控制車的動力和行為，這塊叫做小腦，因為它已經有駕駛技巧了，從感知到認知到行動，再感知到認知到行動。可先利用微電子技術，採用GPU+CPU+FPGA+ASIC機構，生產專用晶片和板卡，2016年研發的駕駛腦V1.0。原來開始開車準備時間十幾分鐘，現在我們開車啟動時間只要22秒，我們終於開始我們自己的發明，就是駕駛腦，它是給你拿駕照的，它是給你積累駕駛技能的，它是買路熟的，它是個性化駕駛和標杆駕駛，這些東西怎麼靠自動駕駛完成的呢，這就是我們在全世界的自動駕駛的浪潮中發出了自己微弱的聲音。我們認為人工智慧的使命是加速汽車向人機交互的轉變。有了駕駛腦，有可能使汽車成為駕駛員自己，這是我們人類追求非常有理想，有意義的科技，我們很多人買聊天機器人，我們想汽車也應該是這樣的。智慧駕駛專用實驗與評估環境，全國已經批准了7個實驗場，這很有可能發展成為賽車手和賽車機器人的賽車場。
機器人換人帶來一個新的行業，就是後圖靈時代，也許是人機共生，共融，共發展的時候了。如果人腦的特定問題域的認知能力可以先局部地得到解決，比如駕駛問題，寫作問題，學英語問題等等。如果我們做一個流動大巴車，我們安排一個駕駛腦，安排一個聊天腦，不但會開車還會導遊，這樣下去，千千萬萬個特定的機器人認知腦，通過移動互聯網，雲計算和大資料，是不是可以倒逼變成一個通用的人工智慧呢，或者強人工智慧呢，我們一起來拭目以待，謝謝大家。
CAAI原創 丨 作者李德毅
未經授權嚴禁轉載及翻譯
如需轉載合作請向學會或本人申請
轉發請注明轉自中國人工智慧學會
交叉、 融合、 相生 、 共贏