|
來源：騰訊科技 據外媒報道，根據畢馬威的最新報告，深度學習和其它機器學習技術將給汽車和運輸行業帶來巨大變化。到2030年，這些進步產生的價值將達到1萬億美元。 畢馬威汽車行業負責人加里·希爾伯格（Gary Silberg）在題為《我看見，我思考，我駕駛（我學習）》（I see. I think. I drive. (I Learn)）的報告中列舉了現有的無人駕駛汽車可能面臨的一些障礙：“你如何讓汽車在紅燈亮起時停下？讓它在紅燈亮起時仍能右轉？但紐約是個例外，那里紅燈亮時右轉是違法行為。或者如何識別出紅燈時禁止右轉的特定區域？如果人行橫道上有行人該如何處理？如果你前面有人違法闖紅燈怎么辦？如果有自行車不按車道行駛，快速超過你時，又該怎么辦？” 畢馬威認為，如果一輛汽車沒有接受特定的指令來告訴它應該在特定情況下采取哪些措施，或許就只能被迫停車，或者采取其他司機（或其他無人駕駛汽車）無法理解的應對方式。 例如，特斯拉最近就發布了一段Autopilot技術的視頻，人們可以從中發現那輛汽車在好幾個地方意外停車，或者對某些情況作出了不自然的反應。深度學習可以幫助汽車根據之前的結果更好地理解這些狀況。 希爾伯格補充道：“如果一輛汽車不會學習，那仍要依靠數百萬行的代碼。如果采用如此復雜而含糊不清的方式，全自動駕駛汽車在未來很多年里都無法實現。” 深度學習如何讓汽車更加聰明 深度學習可以在特定的層分析一個場景，最初很原始，但復雜度會逐步提升。通過在每個層上學習與這個場景有關的信息，并輔以訓練措施，系統便可改進自己的能力，做出正確的決定。 在數據總量相同的情況下，深度學習比預先制定的算法更加精確，后者需要手動編程，而且要依賴最基本的編程邏輯——例如，IF路上有貓經過，THEN剎車。 深度學習也比機器學習更加精確，后者也需要借助人類的幫助來判斷各種變量，包括車道標記、護欄和行人。深度學習則比機器學習更進一步，可以識別各種新的變量（例如紅燈亮時可以能否右轉這種細微差別），而且能夠擴大神經網絡的規模。 汽車廠商還必須在語義抽象和端對端學習兩種深度學習方法間做出選擇，二者各有優劣。前者是一套模塊化系統，可以幫助程序員知道護欄探測系統或停車信號探測系統是否負責特定錯誤，但需要采取很多人工編程工作。 后者則是一套全盤系統，利用大數據來自動判斷護欄，并根據人類駕駛實例進行優化。這種模式的表現可能更加精準，但卻很難訓練，也不容易做出適當的調整。 汽車行業的未來 該報告稱，由于94%的交通事故都是由司機造成的，采用深度學習技術的汽車可以挽救成千上萬人的生命。這種技術還可以為不方便出行的人提供便利的服務，提升卡車的安全性，提高生產效率。除此之外，還有望降低交通擁堵，增強交通運輸系統民主化。 如何才能實現這些目標？首先，人才至關重要。能夠開發深度學習系統的人并不多，這些人未來幾年將面臨很高的需求。谷歌、微軟、英偉達、IBM和英特爾已經挖走了其中的多數人才，而高等院校還無法在這一領域培養足夠的畢業生。 汽車廠商或許也需要通過共享方式開發新型汽車擁有模式，而不再一味依賴私家車。OEM廠商也必須大幅提升汽車本身的計算能力，這有可能要借助基于GPU的車載系統來分析大量數據。 這些真的價值1萬億美元嗎？考慮到企業目前從深度學習中獲得的種種利益，不難想象實際數字可能還會更大。 |
