人工智能：用众包的方式学习驾驶汽车
导语：有些驾驶任务对于人类来说简单得不值一提，但对于机器来说很难完成。现在研究人员已经开发出一种新的方法，让人工智能机器通过向人类大众学习驾驶。
今年可谓是人工智能机器日新月异的一年。在人脸识别、物体识别、语言理解等许多我们人类一直以来都占据上风的任务上，人工智能突然开始追赶上甚至超越了人类完成任务的表现。
然而，对于一些繁杂工作的完成情况，人工智能机器仍然落后于人类。这些工作包括相对简单的家务劳动，如熨烫衣物，以及相对高级的任务，如驾驶。不过，智能机器在这些领域的成就进展缓慢，并不是因为它们不能执行这些任务，而是因为至今还没有人制定出如何培养它们学习的方案。
例如，我们在人脸识别领域的巨大进展，主要得益于在我们的图片数据库里已经有海量图像带有人们事先明确标记的人脸注释。因此，人工智能算法已经在通过这些数据库来学习人脸识别。
但是目前还没有人能够给驾驶等更复杂的任务领域创造出类似的大型数据库，这是导致在这方面缺乏进展的主要原因之一。
现在，来自美国斯坦福大学的Pranav Rajpurkar及其研究伙伴们似乎在教智能机器学习完成复杂任务的领域有所突破。他们已经研发了一套方案，可以给复杂任务创造大量带有注释的数据库。他们已经在试图用这样的数据库把一些人类习以为常但其实很重要的驾驶技能传授给一个人工智能机器。
他们的做法其实很简单。其基本思路是让人们能够方便地把注释信息添加到数据库里，然后对这些注释加以评估。具体来说，Rajpurkar及其同事将这个数据录入的过程变成了一个运行在网页浏览器中的驾驶游戏。
斯坦福大学的这个团队通过驾驶自己的研究车辆，沿着加利福尼亚州的高速公路采集路况，并积累出一个路况数据库。由此，他们就收集到包括GPS数据、视觉图像数据、激光扫描数据，等等。
他们接着把这些数据处理转化成一个虚拟三维环境，并最终让一个名叫“Driverseat”的卷积神经网络运用其人工智能算法，在这个虚拟三维环境中所设置的各种不同驾驶路况中，判断诸如其他车辆的位置、车辆所处的车道、以及高速公路的出入匝道位置等具体情况。
为了使所研究解决的问题相对简单易操作，Rajpurkar等人仅仅把关注问题聚焦于学习如何确定车道。对于人类驾驶员来说，这是一个微不足道的任务，但对于机器来说却相当困难，原因是路况数据是一个三维的信息，而且不同的光线和天气条件对机器处理数据任务都会产生影响。
在这套基于网页浏览器的游戏中，游戏为参与添加注释的人们呈现了一个人工智能算法“眼中”的三维场景，这其中包括了这个算法对确认车道这个任务的第一次尝试。人类的任务就是纠正虚拟环境中汽车沿着道路行驶中出现的错误。这些纠正会反馈到“Driverseat”神经网络，从而使该网络学习如何更好地分析道路情况。
通过从大量的各种注释和人工纠错中收集数据，Driverseat可以有效地汲取大众智慧。
这些结果使研究小组产生了找到了进一步测试的切入点。他们给这个神经网络测试了一些它之前还未遇到过的数据。他们发现，这个机器竟能够在车道曲折时确认所行车道，甚至在车道被其他车辆部分遮挡时也能完成车道确认的任务。
不过，目前这个算法还难以察觉出入高速公路的匝道。此外，当有阴影从桥梁等周围环境落在车道上时，或者是当路面因材质不同发生颜色变化时，它的整体性能就会下降。
有趣的是，该研究团队在应用大量人工帮助加注释的这套评估系统时还发现，当太阳接近地平线、干扰了视线的时候，该算法的准确率就会降低，这是因为在他们数据库中的素材有一个偏向，即数据收集的多是加州的主要高速公路，而这些公路均为南北向而非东西向的，所以关于面向日落或日出开车的数据量较少。
对于这样问题的出现，该研究团队将在未来进行针对性的修复，但如果没有这套大量人工注释帮助智能机器学习的评估系统，团队甚至都不会知道有这样一个问题存在。由于发现这类机器智能的薄弱之处一直都很艰难，因此，该团队已经向前迈出了相当有价值的一步。大家当然都更加希望，在一个人工智能算法被发布到真实世界应用之前，就能提前发现系统的这些漏洞，这总比上线以后真出了事再补救更好。
当然不管怎么说，“Driverseat”目前还并不完美。但“众教”培训方式是一个显著的进步。这是第一次一个人工智能机器从真人的行为那里学习到了一个复杂驾驶技术。“我们的研究展示了我们如何把大众的驾驶知识和经验与“教授”机器学习驾驶技能整合起来。”Rajpurkar和他的同伴表示。
这项研究进展应该对于改进下一代汽车技术有所帮助。目前市面上推出的最新款车型已经安装配置了智能巡航控制设备，能够使车辆与前车保持距离，并在两车距离过近时制动刹车，而有些车型已经能够自动改变行驶车道等等。
但要做到车辆在各种路面条件和各类驾驶场景中都能够做到上述的智能表现，我们还需要提升汽车自身内置的智能水平。如此，采用“众教”的方法培训人工智能机器就很有意义。
不仅如此，这项研究工作还具有更广泛的影响。生活中有许多看上去挺简单的任务，人类觉得习以为常，但机器却难以完成，比如洗衣洗碗、哺育婴儿、熨烫衣物等。如果我们没有足够的数据库去训练相关的人工智能机器，它们就永远学不会如何完成这些任务。假如Rajpurkar和他的同事们共同开发的“众教”方法可以适用于其他的任务，那么人类也许很快就可以成为人工智能机器的终极培训师。