TEDx Brussels 2010 - Sebastian Thrun - Rethinking the Automobile
 |
來源：机器之能
8 月 24 日，2017 全球汽車 AI 大會在上海舉行。優達學城（ Udacity ）聯合創始人兼總裁，史丹佛大學終身教授，原 Google 副總裁、Google X 實驗室聯合創始人 、 Google 無人車之父塞巴斯蒂安 · 特龍（ Sebastian Thrun ）來到現場，分享他與無人車結緣的故事，以及他對無人車未來的一些思考。
（塞巴斯蒂安 · 特龍在2017 全球汽車 AI 大會）
塞巴斯蒂安 · 特龍於 1967 年生於德國索林根，1995 年獲得波恩大學電算與統計學雙博士學位，後任教於卡內基梅隆大學。2003 年，特龍加入史丹佛，也正是在那時，他開始了其無人車研究的進程。
作為世界頂級的人工智慧專家，特龍在 39 歲時當選美國國家工程院院士，被美國著名商業雜誌 Fast Company 評為「世界上第五個最有創造力的人」。英國衛報則稱之為「20 位互聯網自由戰士之一」。
作為世界頂級的人工智慧專家，特龍在 39 歲時當選美國國家工程院院士，被美國著名商業雜誌 Fast Company 評為「世界上第五個最有創造力的人」。英國衛報則稱之為「20 位互聯網自由戰士之一」。
2007 年， Google 掌門人 Larry Page 和 Google 聯合創始人 Sergey Brin 邀請正在史丹佛任教的特龍，請他主導在 Google 內部建立一個硬體創新實驗室，也就是後來的 Google X 實驗室。這個全球矚目的「奔月計劃工廠」已經產出包括無人駕駛汽車、Google Glass 在內的眾多標誌性項目。
2012年初，受可汗學院啓發，特龍參與創立了 Udacity。這是一家盈利性教育平台，提供大規模開放式線上課程。特龍在斯坦福所授的「 CS 373：無人駕駛汽車設計」是 Udacity 首批上線的課程之一，它吸引了來自 190 個國家的 16 萬名學生，其中年齡最小的只有 10 歲，最大的已經有 70 歲了。
具有傳奇色彩的塞巴斯蒂安 · 特龍來到中國，為中國無人駕駛從業者帶來怎樣的啓發？這裡是機器之能整理的核心要點：
‧特龍的無人車之路始於 DARPA 的一次沙漠挑戰賽
‧2013 年的時候，無人車就會看紅綠燈，並依此判斷周遭環境了
‧一旦一輛車習得一個事故模型，車聯網上的所有車輛就都能學會，從這一點來說，人工智能的學習效率遠高於人類
‧在 2050 年之前的某一個時間節點，機器駕駛將全面超過人類駕駛
‧無人車的出現能夠使老人、小孩、甚至殘障人士輕鬆駕車出行
‧在未來共享汽車的版圖中，自動駕駛將佔很大比例
‧若自動駕駛成為可能，全球將有 10% 的卡車司機失業
以下為經過整理的演講實錄：
首先我為大家介紹一下無人駕駛。其實，我在這方面的研究已經超過十年了。今天我會先講一下自動駕駛的歷史、現在的發展情況、以及未來的發展前景。
每當提到自動駕駛，我都會非常興奮。特別在當我還是小孩子的時候，當時電視和電影中經常會出現這樣的畫面，一輛車不需要人類駕駛員，就可以非常快速地在路面上行駛。後來，我的一個朋友在一次交通事故中喪生了，當時他駕駛的汽車與一輛卡車相撞。
其實每年都有上百萬人殞命於交通事故，特別是在中國。中國人口眾多，道路上的的車輛也多，汽車的數量遠遠高於自行車。不過放眼全球，其實我們所面臨的問題是一樣的。
我與無人駕駛結緣於 2004 年，也就是 13 年前。當時美國政府有一個計劃，美國國防部先進研究項目局，舉辦了一個關於汽車無人駕駛和自動駕駛的挑戰賽（ DARPA Grand Challenge ）。這個比賽的評選標準，是參賽的無人駕駛車輛，能否在莫哈韋沙漠中行駛超過 140 英里。當時參賽隊伍中有很多來源於大學車隊。
這個視頻中有的車輛可以以超過 140 英里的速度行駛，有的擁有非常好的防側摔性能，其中那個當時參賽的最小的車，是由來自於加州大學柏克萊分校的學生製造的，我當時問了一下它的研發人員，他表示很有信心，說下一次一定會做得更好。
在 2005 年的時候，當時我還在史丹佛做兼職教授，主講 AI 。那個時候我認為 AI 做的還不夠好，我們有能力對 AI 做大幅度的提升，所以我在史丹佛大學創建了自己的研究團隊。
但是我們研發出來的無人駕駛車，只能行駛大約 10 到 20 英里，這是遠遠不夠的，我們必須要讓車輛能夠在道路上持續行駛才行。
這是我在史丹佛大學建立的第一個團隊，團隊的成員都是我的學生。由於當時資金不夠，我也沒能力給我的學生發工資，只能給他們提供更多的課程作為回報。我的課堂主題就是無人駕駛、自動駕駛，他們反過來還會給我交學費。
我們遇到了非常多的問題和困難，但最終車還是研發成功了。同年（ 2005 年），《時代》雜誌採訪了我們，寫了相關的文章，文章的關注點放在我們團隊，在無人駕駛方面所遇到的困難上。後來這是在另外一個大學，他們也有相關的項目，這是他們當時的無人駕駛汽車翻車的照片。
雖然困難很多，但我覺得，我們不應該被眼前的這些失敗所困擾，後來《紐約時報》還去採訪了研發這輛汽車的人。這段影片展示了一輛非常小的車，它可以實現自我平衡的功能，但其實當時它的表現性能還不太好。
在2005 年那個時候，大家都不覺得無人駕駛，在以後會成為現實，當然，這是 12 年以前的事了。那個時候只有書呆子才相信無人駕駛能夠實現，大部分人都不這樣覺得。但我們作為科研人員，就是要把不可能變成可能。
在這個影片裡我們可以看到，這輛史丹佛大學研究的無人駕駛汽車，已經行駛了大約100 英里。這個由機器人駕駛的汽車，在非常彎曲艱險的路面上行駛，我們用這種直升機，對整個行程進行了影像記錄。
由於路況不佳，這輛無人車行駛了超過 6 個小時才駛滿 100 英里，而且行駛軌跡非常崎嶇，如果車上有人的話會非常危險。不過這在當時是有很大意義的，因為它獨自駛完了 100 英里的全程自動駕駛。
在今天，我們能夠越來越清晰地意識到，技術正在以很快的速度改變人類的工作和生活。不論你現在的工作是什麼，也許在未來的某一天，你會在一夜之間發現，某一項技術正在全方位地取代或者輔助你的工作。在全球範圍內有很多專家，正在致力於促成這件事，他們非常瘋狂，特別是在無人駕駛，以及自動駕駛方面。
這是有一次我們在美國華盛頓航空航太博物館展出的無人車，當時我遇到了一位來自於 Google 的老友，我們就無人車話題展開了探討，其中提到了當年的沙漠挑戰賽。
他說：「我也關注那個比賽，但是我沒有覺得特別有趣，因為 Google 的客戶完全不在乎無人車能不能在沙漠中行駛。」回首當年我們參加比賽時的想法，單單是因為覺得在沙漠中的無人駕駛任務是無法完成的，很有挑戰性，所以就去試了。
再後來，我和大陸集團的一個朋友進行了合作，建立了一支非常小的團隊。我們到商店買了很多的零配件，安裝到這輛車上，包括雷射雷達、感應器、傳感器等等。
其實無人車就是沒有司機的車，因此需要一個非常強大的電腦系統，來幫助車輛進行運算和決策，代替人腦。但是計算的第一步，是車輛需要能夠看見路況，因此我們在車上加了這些傳感器。
組裝調試完成後，我們首先在洛杉磯的鹽湖城進行實驗。我們想看看傳統車輛，和這些雷達以及傳感器結合後，能夠擁有怎樣的新性能，後來我們又在加州進行了路測。
上面是 2010 年的 Google 無人車，下面是 2012 年的，可以看到已經發生了一些變化，不論是外在還是性能都有所提升。
這個是 2015 年的新款，大家可能對這輛比較熟悉。它更小了、更有科技感了。
這個影片是我們在 2010 到 2011 年之間，秘密進行的一次實驗，影片是以車輛的視角拍攝的，當時我們在真正的城市環境和山路上，均進行了路測。我們發現即便是在夜晚，車輛也能夠非常平穩地駕駛。
其實我們非常喜歡，在這種長的彎路和山路上進行實驗。這些影片顯示出，當時我們的技術已經很先進了，在行駛過程中沒有出現任何問題。這個動畫模擬的是我們試駕超過 1000 英里的時候的情況。
這段影片展示了我們的雷射、雷達以及攝影機傳感器的佈局，它們捕捉到的畫面，能夠非常清楚地顯示周圍的環境，以及障礙物。車輛周圍十公里以內的所有細節，都能「看」得一清二楚，而且是 360 度的無盲區探測。
機器的記憶力非常強大，就像大象一樣。我們只需要將駕駛相關的數據，預先存到系統中，系統經過自行分析處理，就能夠記住所有的數據，從而學會安全駕駛。加上清晰的 3D 圖像，能夠達到意想不到的效果。
現在我們的無人車已經能夠「看」到路況，那麼車輛怎麼知道我現在在哪，以及要駛向哪裡呢？這涉及到我工作的核心要點——VMI 定位。
我們與美國政府合作，他們向我們提供 30 多顆衛星進行定位。但是使用這些傳統衛星，精度只能達到 2-3 米，這對無人駕駛汽車來說遠遠不夠。我們希望通過 VMI 和即時計算，能夠讓定位精度達到釐米或毫米級。
透過 VMI，車輛能夠更好地瞭解周圍的情況，還能對前方路段進行預測，防患未然。
馬路上的交通是動態的，我們當然還希望能夠對周圍環境進行動態的呈現。我們需要通過這些雷射雷達、攝影機、傳感器，以 3D 的方式對道路上的車輛、行人、自行車進行統計，區分哪些是動態物體、哪些是靜態物體，計算動態物體的移動速度是多少等等。
我們經過數年的研究，開發了能夠追蹤所有物體的技術。現在大家看到的就是很多行人、汽車、自行車往來穿梭的場景。可以想見，這些物體的數量是非常龐大的，我們要怎樣更好地實現如此複雜的場景辨識呢？
比如說我們會觀察紅綠燈，在綠燈亮起的時候，車輛知道自己能夠通行，它同時也應該知道在這個方向上的人、汽車、自行車都會前進。那麼，如果在交叉路口，如果我們知道這個路口的交通信號燈是怎樣設置的，就能夠讓系統更容易地，解讀到路面上不同物體的行為。
在 2013-2014 年的時候，技術就已經能夠達到這樣的程度了。另外，機器不會喊累，也不會酒駕，而且異常精確。毫無疑問，機器駕駛比人類駕駛具有更大的優勢。當然機器也會犯錯，如果系統出現了故障，我們需要建立一個有效的機制，來讓人類駕駛員接管車輛。
但就目前的情況看來，人類介入的比率正在逐漸變小。經過一千次、一萬次模擬駕駛訓練，假以時日，我認為未來可能在 3 萬英里、5 萬英里、甚至 50 萬英里，才需要人類介入一次。
大家可能會問，無人駕駛汽車會不會取代人呢？其實人工智慧和機器學習的原理，與人類的學習方式是非常不一樣的。大家一般都開過車，或者最起碼看見過別人開車。
對於人類駕駛員來說，很多時候要在路上磕磕碰碰，才能逐步的精進駕駛技能，一個人類駕駛員需要遇見不同的事故，才能學會規避以及處理。然而學習的代價是高昂的，有的時候甚至會讓人喪命。
Google 的軟體在這一方面有一個很好的功能，每一個無人駕駛車輛學習到的駕駛技術，都能夠透通過車聯網的方式，使其他車輛掌握，也就是說一個交通事故的模型，能夠透過車聯網的方式，被網路上所有的車輛使用。
從這個角度來說，人工智慧是超過人的。無論你對技術抱有多大的懷疑，一兩年之後你都不得不承認，機器的學習能力遠超你的學習能力。這一點我已經很早就意識到了，在 2015 年的時候我就預測，在 2050 年之前的某一個時間節點，機器駕駛一定能夠全面超越人類駕駛。
我接觸深度學習的時候是在 1988 年，當時我還是一名研究生，接觸到了很多 AI 和其他的先進技術。時間發展到現在，我們看到在過去兩年人們的意識，已經開始向 AI 轉變。這不是一般的轉化，而是大規模的轉化。
這兩年我們談到無人駕駛、AlphaGo，談到用人工智慧診斷癌症、進行遠端醫療，其核心在於深度學習技術。從 80 年代深度學習提出以來，就一直在推動技術的前進。
現在人工智慧技術的發展非常快，機器能夠通過自己的錯誤進行學習。比如教育小孩子的時候，你不可能將所有的意外事故，一條一條地告訴他，而是給他環境讓他自己去學習、去適應。電腦也是一樣，你把大的規則輸入到系統，它會透過深度學習的方式，進行創新性的分析。
不同的是，一個機器學好了之後，其他機器也能受益。這樣的學習速度當然會超過人類，這在人類歷史上是一個非常大的轉變。
大家都知道我在離開 Google 之後創辦了 Udacity，這是一個學習平台，在平台上你能夠學到包括深度學習、自動駕駛的相關課程，同時我們也設計了各種各樣的題目。我們開展了一個深度學習項目，向學生提出挑戰，在我們模型的基礎上，學生需要思考怎樣讓 Google 的自動駕駛技術更加智能。
比如怎樣讓機器更快地學習、辨別它所在的車道、判斷當前位置在車道上的偏移程度。我們設置的挑戰是只用 3 個攝影機完成任務，一般情況下，學生們經過一周左右的學習，就能夠使一輛無人車在模擬公路上行駛。
下面我再跟大家分享一個影片，這個影片展示了一個真實的無人駕駛車輛的行進情況。史蒂夫很早就使用無人駕駛，是首批「敢於吃螃蟹的人」，他覺得無人駕駛對他的生活，產生了很大的影響。影片中他無需雙手就能開車上班，但事實上，史蒂夫是一位 50 歲的盲人，他在 40 歲的時候由於生病失去了視力。
影片中我們看到，他把車停在這裡，下車去購買食物。世界上有很多像史蒂夫一樣的人，有這樣的需求，包括學生、老年人以及殘障人士等等。史蒂夫在失明之前有一份很好的工作，薪水非常不錯，但後來因為他的眼疾，基本上沒有辦法正常生活，更別說工作。
現在有了無人駕駛的輔助，史蒂夫又能不受限制地出行了，他可以自己開車去取乾洗的衣服等等，而不需要別人的幫助。
除了道路上的無人駕駛，我們還有其他層面的技術研究，例如這輛豐田普銳斯，我們把它用作賽車無人駕駛的測試車輛。它的行駛速度非常快，而且它的大腦能夠自動選擇最佳路徑。在實際時間測量實驗中，我們沒有打斷過普銳斯，讓他自由發揮，實驗證明它的駕駛速度遠高於人類。
最後我想向大家分享的是在 2014 年的一個項目，是我們和 Uber 合作的一個共享汽車平台項目，用戶可以透過這個平台，和其他人共享無人駕駛汽車。
現在共享汽車在中國非常流行，那麼如果共享汽車變得更加舒適、更加經濟，對我們每個人而言都是有益的。在這個影片裡我們看到，只需登陸 APP，點擊按鈕預約共享汽車，它就會自己開到你面前。這個原型我們在大約幾個月之前就做好了，有兩種模式可以選擇：你開車，或者讓車自動駕駛。
我們認為，未來自動駕駛在共享汽車方面是一塊非常大的市場。現在在全球，共享汽車都是一個非常火的概念。我們認為，未來幾年自動駕駛，也會被融入進共享汽車的板塊裡。
還有就是卡車司機，全球有那麼多的卡車司機。如果自動駕駛真的成為現實，其中有 10% 的卡車司機將被替代。另外，未來如果自動駕駛實現的話，下至幾歲小孩，上至百歲老人，都能駕駛汽車出行。所以我們要耐心等待，在未來將這種不可能變成可能。
0 comments:
張貼留言