 和我们一起重新思考汽车 大家好，我是电动车公社的社长。 提到《Nature》杂志，大家肯定都不陌生。 作为全球历史最悠久、最有名望的科学杂志，各个领域顶级的SCI论文挤破头都要往《Nature》里钻。能在《Nature》上发表，就是学术界莫大的荣耀。 然而就在几天前，居然有这么一位“虚拟赛车手”登上了Nature杂志的封面！就是索尼团队开发出的“GT Sophy”，一个赛车AI智能体。
要知道，作为《Nature》杂志的封面，可谓意义非凡。这代表着这位“赛车手”能够在一堆最前沿的创新中脱颖而出，有着远超其他科研项目的重大意义！ 更何况，这还不是一个传统意义上的“人”……这就有点意思了。 在人们的印象中，虚拟人物往往是软软萌萌的观感。但“GT Sophy”却异常凶狠，它能够在模拟竞速游戏《GT Sport》中凭借出众的驾驶技术，击败人类最顶尖的电竞赛车手！一赢，就是好几圈。 竞速赛快也就罢了，在计时赛里，更是领先职业赛手两秒多！ 上一个让大家如此震撼的AI，还要追溯到几年前，在棋枰上战胜柯洁大魔王的Alpha GO。 当时同样没有人相信，一个AI能够战胜人类最顶尖的棋手。
而这，早就不是AI第一次在人类世界中大放异彩了。 就比如DeepMind与顶级的数学家合作研发出的AI，凭借着对纯数学拓扑学和表象理论的独特理解，能够证明许多人类无法确认是否正确的数学猜想。 由此，也一度被外界认为AI可以站在纯数学的前列。《Nature》杂志甚至评价其为“AI正在引领人类的直觉”。
此外，来自IBM的AI辩手Project Debater也号称仅需喝一杯咖啡的时间，就能学习分析4亿篇报道文章，并且自如地现场与人类专业辩手进行合乎逻辑地辩论。 就好比一个由数字组成的“杠精”，既能自行组织开场发言，又能驳斥对方辩手的论点。 时至今日，我们不得不感慨AI人工智能发展之迅速，成果之丰硕。 01. AI的前世今生 其实在过去的几十年里，关于人工智能（Artificial Intelligence，简称AI）的研究从未停歇。 人工智能的应用，也从诞生之初的证明几个数学定理，延伸到了更广阔的方面。比如现在的互联网时代，人工智能也产生了很多新兴的子集，比如机器学习和深度学习。 像我们日常使用的智能驾驶功能，它的算法就离不开AI。
关于AI的发展，也称得上是一波三折。 在1956年，这个人工智能的诞生元年里，计算机科学家麦卡锡，第一次提出人工智能这个概念，将其从密码学和控制学中独立出来，作为一门独立的学科来进行研究。
在人工智能概念提出后的几年里，也取得了一些长足的进步。 像1959年诞生的拥有自学能力的跳棋机器人，1964年可以与人类对话的聊天机器人等等，在当时都引起了很强烈的反响。 但是好景不长，受限于当时计算机有限的运算能力，很多指数型函数的运算，对于当时的学者来讲实在是缺少硬件支持，于是迎来了AI发展的第一个寒冬。 直到二十世纪八十年代，神经网络的提出，赋予了人工智能新的活力，很多资本纷纷看好这一方向。 但是问题很快又显现了出来，构建的神经网络系统没有海量的数据作为支持，无法达到理论上的深度学习目的。
从古至今的文人墨客，无一不强调学习的重要性，因为学习是一个不断试错，从而获得进步的过程。 虽然没有数据支撑，AI发展看似又进入了下一个寒冬，但是很多专家学者并不放弃，因为他们深知，在不久的将来，一定会迎来数据爆炸，信息井喷的时代。 现实并没有让他们久等，20世纪90年代末，因特网的普及和计算机技术的飞速发展，的确给了AI的发展强有力的支持。
IBM在1996年搞出来的名叫“深蓝”的超级计算机，就是个鲜活的例子。 当年对战国际象棋的世界冠军卡斯帕罗夫，第一次的对战里，“深蓝”告负。 但是仅仅一年以后的1997年，IBM修正程序后，在二者的二番战中，卡斯帕罗夫笃定“深蓝”缺失国际象棋中的“弃子”策略，因此摆出了“铁桶阵”来进行防守。 但是没有想到，每秒运算两亿步棋的深蓝，预判了他的预判，弃掉了自己的马来破解卡斯帕罗夫的防守，令这位世界冠军不得不提前认输。
唏嘘同时，我们不得不感慨AI成长速度之快，以及AI惊人的学习能力。 十几年后的信息化时代，迎来了漫天的数据和如同天文数字一般的运算能力，人工智能早早突破了硬件的限制，被广泛应用到了图像识别，自动驾驶等等方向。 02. AI如何实现自动驾驶？ 关于自动驾驶，一大重点就是收集到了来自各个传感器的数据和信号后，到底该如何决定输出。也就是说，重点在于驾驶的意识。 经常在路上开车，大家就会发现，很多路上那些所谓“不会开车”的交通参与者，往往不是指那些操作不熟练的人。 车，作为一个代步工具，诞生之初就是给人开的，服务于人的，所以即使是手动变速箱的车，也不至于怎么学也学不会。 所以把车开走，不难。但是把车开好，挺难。 这里面咱说的把车开好，就是能利用好车上的内外后视镜、以及一些电子辅助功能，时时刻刻熟知自己车辆的状态，以及大概了解周围其他交通参与者的行驶状态。 那些“老司机”，还能对周围车辆的可能行驶路径做一个小小的预判。 如果你也能做到这些，恭喜你，你就是路面上驾驶能力前5%的顶级交通参与者。
这样的规则对于AI来讲，也是一样的。 像人类一样重复将车平稳起步，再平稳刹停，甚至根据实际条件来加速减速，都再简单不过了，如果深入各个厂商的研发部门，会发现他们使用的底层逻辑都有可能大差不差。 但是现阶段自动驾驶的主要难点和研究方向，在于不同种类传感器的信号拟合，以及路况上各种可能的优先级判定上。
一套优秀的自动驾驶系统首先一定要有足够多的条件模拟作为支撑，也就是说AI要有足够的知识储备来面对路面上发生的一切。 当我们人类在驾驶时，会根据眼睛看到的道路情况，对车辆进行相应的操作。 自动驾驶车辆也不例外，只不过人的眼睛被车上的雷达和传感器取代了，传感器识别到了前方有障碍物，它要知道减速或者避让。 如果道路非常湿滑，它要控制车速甚至控制各个电机的输出来保证车辆的平稳。在城市工况中，还要时刻识别交通信号灯的状态，来决定在这个路口应该通过，还是稳稳地停下。 当这三种工况同时出现时，也要学会该做何应对。
但是我们根据排列组合的规律，只是3个事件就拥有6种排布，那瞬息万变的马路上，车企不可能模拟出所有的可能性，那在瞬息万变的马路上，就需要AI有自己的判断能力了，说白了，AI长大了，它应该有独立思考的能力了。 那完成这一思考的过程，也就是咱们近两年经常能听到的“神经网络算法”。
“神经网络算法”其实也并不复杂，也没有多么高深莫测。 受到人脑中数十亿个神经元结构的启发，神经网络算法将每个数据组模拟成一个神经元，再利用类似神经元中的突触结构构建成为一个相互交错的网状结构，对数据的重要性配以权重差别，具体分析每一个输入信号该如何影响对于整车的控制。 所以其实AI“深度学习”的，就是驾驶的经验。 但不同的是，人类需要至少2年的驾驶经验才通过驾照的实习期，但是AI在有足够多的数据作支撑的条件下，背靠深度学习的逻辑，可能仅仅需要几天的时间，就可以从什么都不会的马路萌新，成长为有几年车龄的“老司机”。 令AI系统能够通过实际经验，习得更多情境下应该做出的反应，以适应日后复杂的路况条件。 03. 索尼的AI赛车手 说回到索尼研究出来的强大智能体“GT Sophy”索菲，在赛道上也同样如此。 自从社长不屑于那些随时能让牛顿掀开棺材板的娱乐向竞速游戏，转而入了赛车模拟器的坑后，真切地体会到模拟器相比较之前玩的那些游戏，真的一个天上一个地下。 一个优秀的竞速模拟器需要模拟的内容比起普通游戏，运算量根本不在同一个数量级。
因为普通的游戏AI一般是没有精确物理模拟的，也就是说在我们平时能接触到的一些娱乐竞速游戏中，AI对手一般都是模拟玩家的行为或者是根据预设动作完成比赛。 高级一点的AI还会有所谓的“追赶逻辑”，就是在玩家领先时，增加AI难度，追近玩家，在玩家落后时降低难度来等候玩家。 但是无论如何，在娱乐向的竞速游戏中，我们会发现一个有趣的现象： AI对手与玩家所处的物理环境并不会完全一致，简单讲就是AI为了保持原有的预设动作在进行作弊！ 关于这一点，倒是也比较容易验证。在游戏中一些附着力比较低的路面上，以与AI对手相同的速度通过，你会惊讶的发现，AI能过，你却不能过。 通过这样作弊的AI对手，跟可以实时进行反应的人，差距还是很大的。
这也是为什么很多玩家并不喜欢单机游戏与设定好的AI对手竞速，究其根本还是因为AI不够智能。 而作为模拟器，娱乐性其实并不是刚需，不需要AI与玩家过多的交互。 因为在模拟器中一切都要遵循物理定律。 因为包括赛道和轮胎之间的附着力；天气和温度对于赛道表面的影响；轮胎和燃油的消耗对于车身动态的影响在内的各种因素，都要靠实时计算来模拟反馈。
作为资深车迷的社长之前也给大家科普过赛事相关的文章，一场赛车比赛下来，可不仅仅是无聊地在围场里一圈一圈绕，参加比赛的车手们一定都是那些天赋异禀的能人。 首先车手需要强大的身体素质，来不间歇地抵抗不同弯角带来的、来自于各个方向的强大G力。除此之外，还要在这种高强度的动态里保持清晰的思路，时刻根据对手的动态来选择最优的赛车线路和超车机会。 当然了，也不是所有的车手都可以坐在赛车的座舱里参加比赛，还有很多赛车手会经过一系列专门的训练，来成为模拟器车手。
比如世界一级方程式锦标赛，也就是咱们经常说的F1赛车，就有直属的电竞方程式比赛，这些比赛可能对于车手的身体条件要求有所放松，但是模拟器车手的意识绝对与职业车手是不相上下的。 甚至在一些赛道上，模拟器车手的圈速会比现役的车手还要快！ 但是要知道，这些模拟器车手的训练时间是非常漫长，枯燥的，同一辆车，同一种调校，同一个赛道，动不动来个几百上千圈，才能换来对于这项运动真挚的理解。 所以一个顶尖的车手身上具备的最宝贵的特性，就是通过这些夜以继日地训练得来的宝贵经验。 这是因为在正式的比赛中，赛道不仅仅是一个人的舞台，要在瞬息万变时，电光石火间，精准的给赛车以最精确的控制。 而这些，没有大量的练习做基础，是不可能实现的。 索尼的Sophy其实成长之路也十分坎坷，在项目初期，Sophy简直就像一张白纸，连跑直线都没法完成，频繁出现过弯冲出赛道，甚至撞墙这样的低级失误。
在去年7月的第一次与真实模拟器车手比赛中，虽然在计时赛中领先，但是在赛道情况复杂的正赛中，面对其他对手的攻防，Sophy还显得比较稚嫩。
于是赛后，团队针对智能体通过一种强化学习的技术进行训练，为了让Sophy学习，她自我复制，每个自己在不同的场景下竞赛。通过分析真人的赛车数据，习得如何在赛道中不至于懦弱，也不至于激进。 最惊人的是，Sophy还完成了对于赛道礼仪的理解，作为慢车能够主动让车，并且避免在赛道中犯规的切线和碰撞。 这样的表现可以说已经远远超过了传统的AI对手，更加靠近真人的控制逻辑。 不仅如此，在一个急弯中，Sophy还展现出来了不同于电脑计算出的最优走线的异常线路，异常线路的选择让她拥有了更高的出弯速度。
而且随着Sophy训练时间的增长，Sophy在赛道上线路的选择越来越精确，可以实现紧贴墙壁来争取最好的走线而不发生碰撞。 也就是说Sophy不同于以往的AI，最大的意义和突破就是她拥有的强大的学习能力。 也正是因为这强大的学习能力，才令Sophy能够领先人类赛手，登上Nature的封面。 04. 写在最后 从狭义上理解，Sophy的出现为玩家甚至赛车手提供了一个强有力的竞争平台，可以在必要的时候提供如同真人一样的陪练环境。 从广义的角度看，正如GT赛车之父：山内一典所说的，Sophy的出现不是为了构建打败人类的AI，而是要打造最终能够更好理解人类的AI。 这样一来，AI就不再是冰冷的程序，而是鲜活的个体。
的确，现阶段关于AI的科研项目数不胜数，每个都致力于将AI训练成跟随人类引导，超越人类的强大个体。那些走在时代前沿的大佬们，也纷纷对于AI的发展既期待又敬畏。 马斯克就曾说：人工智能将成为人类历史上最大也是最后一次变革，霍金也表达过类似的想法：人工智能的发展可能是人类终结的最后一块拼图。 过往的几十年，人类像是良师，赋予AI生命，带领AI成长，将AI无限地拟人化。 尽管AI的飞速成长都是为了人类的发展，但是是否有一种可能，AI的成长如果像个叛逆的孩子，将取代人类作为自己的终极目标，那时候，人类会做好准备迎接挑战吗？
碳基生物存在的意义，又是不是为了迎接硅基生命呢？ |
|
|
