現如今，人工智能已經在下圍棋方面勝出，可在駕駛汽車時，卻似乎比人類顯得笨拙。今年美國的一輛無人駕駛汽車在城市道路上做實驗時，將一位橫穿馬路的行人撞倒。這起事故，也讓這一備受熱捧的新技術受到一些爭議。無人駕駛下一步該從哪些技術角度進行完善，我國的無人駕駛技術近來有哪些進展？日前，在由中國自動化學會主辦、西安交通大學承辦的2018中國自動化大會上，中國工程院院士鄭南寧對此進行了解讀。

中國工程院院士、西安交通大學教授/人工智能與機器人研究所所長、中國自動化學會理事長 鄭南寧

下圍棋屬于邏輯推理腦力勞動，而駕駛汽車卻是感知、運動等結合的腦力勞動。人類經過駕校訓練，相對容易就可以掌握這個技能，但是用機器實現它卻遇到了艱難挑戰。人工智能追求的長期目標是使機器能像人類一樣感知世界和解決問題。對當前人工智能而言，解決某些對人類來說屬于智力挑戰的問題相對簡單，但解決那些與真實物理世界發生交互的問題依然很困難，而無人駕駛恰恰屬于這類問題。

人類擅長感知預測 計算機擅長邏輯推理

這種情況在人工智能領域被稱為莫拉維克悖論。“它意味著人類覺得簡單的事情，計算機卻難做到，人類覺得難度大的事情，計算機卻完成得很輕松。”鄭南寧說，早在20世紀80年代，人工智能研究者就發現了這個挑戰，對計算機而言實現邏輯推理等人類高級智慧只需要相對很少的計算能力，而實現感知、運動等智慧行為卻需要巨大的計算能力。

這種情況是由二者的基本特性決定的。如果把人腦和計算機做一個比較，計算機顯然是在邏輯性、可重復性和規范性方面超過了人類，但是人類的大腦具有動態性、復雜性，還具有創造性和想象力。“人類思維是在記憶經驗和知識的基礎上進行預測、模式分類以及學習的。特別要注意這個預測能力，每個人的大腦中都有預測的模型，所以說從本質上來講，大腦就是一個預測的機器，而對于駕駛行為而言，預測能力非常重要。”鄭南寧說：“但計算機要實現這種預測則非常困難。”

傳統人工智能的局限性

鄭院士提到，人類面臨的許多問題具有不確定性、脆弱性和開放性。當下，人工智能的理論框架，是建立在演繹邏輯和語義描述的基礎方法之上，但我們不可能對人類社會的所有問題建模，因為這中間存在著條件問題，我們不可能把一個行為的所有條件都模擬出來，這是傳統人工智能的局限性。

①符號化人工智能的局限性：對于一個可解的問題，通常的解決方法是抽象出一個精確的數學意義上的解析式數學模型（抽象不出，即歸納為不可解問題）。然后對已建立的數學模型設計出確定的算法，但確定的算法往往在面對復雜的現實世界中，具有測不準和不完備等缺陷。圖靈意義下可計算問題都是可遞歸的（“可遞歸的”都是有序的）,而實際中存在大量的開放性、動態性和脆弱性問題。

②深度神經網絡的局限性：CNN算法在實際應用中，往往會過度依靠訓練數據，缺乏推理和對因果關系的表達能力，而大量的人工智能問題需要給出處理對象間的關聯、因果以及控制關系。深度神經網絡依靠于指令驅動或數據驅動，其存儲架構無法進行高效的圖數據索引和存儲，而在一些應用中需要基于事件驅動的計算。深度神經網絡也無法在計算過程中實現有效的注意機制（計算負載與資源分配），而選擇性注意機制是構成高級AI的基本核心。

讓機器像人一樣對物理世界直觀理解

人腦對于非認知因素的理解更多地來自于直覺，并受到經驗和長期知識積累的影響，這些因素在人對物理環境理解與行為交互、非完整信息處理等問題中有著極其重要的作用。而且人類的學習是一種與事物互動的過程，人類認知過程中的特征概念形成往往是建立在語義解釋的基礎上；人類依賴對事物的觀察（或顯著性特征的注意）在大腦中建立不同的內部分析模型，并利用這些模型來推測事物的變化，或是從過去的事件預測未來。

而機器學習中的特征提取及預測模型與人類認知過程中的特征概念形成及其內部分析模型是完全不同的，為使機器學習模型產生人類的認知結果，需要其所學特征在一定程度上符合神經生理學實驗結果，同時要使特征具有數學和語義的解釋性。此外，大腦神經網絡結構的可塑性，以及人腦在非認知因素和認知功能之間的相互作用，它們是形式化方法難以、甚至不能描述的。因此，鄭南寧院士提出：“我們需要從腦認知機理和神經科學獲得靈感和啟發，發展新的AI計算模型與架構，讓機器具備對物理世界最基本的感知與反應，即使機器具有“常識”推理的能力，從而實現更加健壯的人工智能系統。”

需要建造一種更加健壯的人工智能，需要腦認知和神經科學的啟發。計算機和人類大腦是對問題求解的物質基礎。在智力和計算能力方面，計算機遠遠超過了人類，但是人類面對的大部分問題都是開放的、動態的、復雜的，大腦在處理這種問題時表現出的想象和創造，還有對復雜問題的分析和描述，是傳統人工智能的方法所不能企及的，我們只能夠從人類大腦的神經網絡結構中去獲得構造新的人工智能的因素。

直覺推理、認知推理和因果模型是構建健壯的人工智能必須考慮的基本因素。那么如何來構造一個具體的系統？鄭南寧院士認為，構造機器人需要三個基本要素：1．對環境中的所有對象進行特征識別，并且進行長期記憶；2．理出對象間的關系，并對它們相互間的作用進行描述；3．基于想象力的行為模型，人在進行具體行動之前，會想象其帶來的后果，但機器就需要分析物體之間的各種關系。

這三種要素是讓機器像人一樣理解物理世界的基礎。具有想象力的人工智能，就需要首先構造一個內部預測的模型，在行動之前預想到的結果，其次給出環境模型，提取有用信息，然后規劃想象行為，最大化任務效率（具有想象力的AI）。

用認知解決無人駕駛

現在絕大多數自動駕駛采取了場景感知與定位，決策規劃與控制，這是一種簡單的 ADAS 形式，但我們要如何通過新的方法來解決這個問題？鄭南寧院士認為，第一，要讓自動駕駛汽車像人一樣理解和記憶，就要具有記憶推理和經驗分析的技術；第二就，要構建進化發展的自動駕駛，其學習過程要像人類一樣熟能生巧。

人對變化是非常敏感的，可以提取交通場景中的顯著性變化。比如你在開車時，如果右前方突然來了一個騎自行車的人，你的注意力會轉移到騎車人的身上。在自動駕駛汽車上，鄭院士認為要構造一個選擇性的注意機制網絡，對數種圖像進行理解，并根據內部狀態的表示，忽略不相關的對象，選擇下一步要采取的動作。把場景感知和情境計算融合在一起。構建一個模型，融合先進知識概念，實現記憶學習。數據驅動轉變為事件驅動，得出可行駛數據和不可行駛數據大的劃分。

無人駕駛沒那么快進入生活

從對錯誤的容忍度來說，人工智能系統可以分成兩大類：一類犯了錯誤可以重來，另一類在統計意義上不能夠犯錯誤，無人駕駛屬于后者。

從這一現實來看，鄭南寧認為當前的無人駕駛技術主要面臨對環境的可靠感知、預行為理解、應對意外等方面的難題。

“對環境的可靠感知，也就是說無論在任何路況和天氣狀況下，無人駕駛汽車都能準確而周密地感知周圍環境。”鄭南寧說，而預行為理解即對對方可能產生的行為進行準確的預估和判斷，另外還有就是對意外遭遇的處理，包括如何對交警的手勢作出反應，如何應對突然從路邊闖進一個小孩等意外情況。“這樣的突發異常情況是無人駕駛必須要解決的，但目前還無法事先為這類場景編碼，也無法用簡單的基于規則的模型來應對。”

鄭南寧表示，針對這些難題所開展的嘗試，需要把深度學習網絡、長短期記憶、選擇性注意機制以及提取知覺物體等技術，整合在基于認知計算引擎的自主駕駛系統中，這是無人駕駛研究領域值得研究的方向。

他總結出了實現復雜路況中無人駕駛的四個核心技術：

1．如何在環境感知數據獲取與融合過程給出知覺物體的基本判斷，形成選擇注意的基本單元；

2．如何在注意的基礎上，將非完整的環境信息轉化為用于決策規劃的空間結構信息；知覺編組能用最少的領域只是形成目標假設；

3．如何在學習和知識集成的基礎上，實時處理行駛過程中的突發事件，即具有自學習功能

4．如何在環境交互和行為決策的基礎上，構建無人駕駛的控制系統

在11月份由國家自然科學基金委員會組織的2018中國智能車未來挑戰賽上，西安交通大學研制的“先鋒號”智能汽車進入高架道路后，平穩匯入多輛有人駕駛車輛的自然車流。這輛無人駕駛實驗車還在沒有GPS信號的情況下，在高架橋下的地面道路，由計算機自主駕駛通過了S形的彎道和各種路障。

盡管取得了這些進展，但鄭南寧認為對無人駕駛仍然應該保持冷靜，并沒有那么快就進入生活。“真實的交通環境復雜多變，實現完全自主的無人駕駛是一個令人興奮卻又望而生畏的艱難挑戰。”

發現人工智能的突破點還需更多時間

那么，最終有沒有可能找到一種終極算法，能使某種智能不僅能完成單一的任務，還能具有非常強大的普遍適應性能力，來解決無人駕駛等任務呢？

鄭南寧表示，未來需要從腦認知和神經科學研究中得到啟發，發展一種新的學習機器。

“將神經科學和腦認知作為新的機器學習算法和架構的靈感來源，使用這些知識來幫助我們思考在人工智能系統中如何實現同樣的功能，是未來人工智能發展重要的研究方向之一。”鄭南寧說，“我們需要更多時間來發現受腦認知和神經學科啟發的人工智能突破點在哪里，也需要多學科的實驗科學家和理論科學家的合作。”

他同時提醒，面對近年來人工智能的熱潮，更應該將基礎研究建立在嚴謹的理論、模型建造、實驗驗證與分析的基礎上。

“如果讓社會的期望值過高，又沒有達到預期的目標，它就有可能給學科發展帶來低潮，甚至是災難性影響，使最初期望的目標成為‘皇帝的新衣’。”鄭南寧說：“面對人工智能的研究與其在無人駕駛等領域的應用熱潮，我們需要保持冷靜的思考，踏踏實實推進基礎研究和實驗驗證。”