CCAI 2019 郑南宁：自觉性AI技术可助力无人驾驶 
CCAI 2019
2019年中国人工智能大会（Chinese Congress on Artificial Intelligence 2019，简称“CCAI 2019”）将于在9月21日-22日在青岛胶州召开。
Google、特斯拉，百度、滴滴、蔚来……如今从国外到国内，越来越多的企业投身到无人驾驶的开发大军当中。相比于人机对弈、人脸识别、影象识别等深度学习领域在近年取得的进步，无人驾驶似乎“慢”了一些。
不过，慢自有慢的道理。不同于深度学习，无人驾驶面对的挑战更多来自环境的开放性和不确定性，这无疑对机器的能力提出了更高要求。
无人驾驶已来，它将驶往何处？这是所有关注这一行业的人亟待思考的问题。如果要问谁对这一问题具有发言权，郑南宁一定榜上有名。
郑南宁是中国自动化学会理事长，中国工程院院士。他长期从事无人驾驶研究，团队和专案已进行过多次路测试验。他在多个场合阐释过对于未来人工智能、尤其是无人驾驶发展的思考。
传统人工智能与深度学习的局限
要理解传统人工智能的局限，需要先了解它的工作方法。当面对一个问题时，传统人工智能首先要给出精确数学意义上的解析模型，如果模型无法抽象出来，这个问题就是无解的。
模型出来后，要给出确定的算法，之后人工智能系统的算力、能力或任务就是唯一的。
但在现实生活中，人类面临的许多问题往往具有不确定性、脆弱性和开放性。郑南宁指出，当前人工智能的理论框架是建立在演绎逻辑和语义描述基础之上的，我们不可能对所有遇到的问题都进行建模，因为条件问题的存在，我们不可能把一个行为的所有条件都模拟出来。传统人工智能的局限性由此可见。
近年来深度学习取得了喜人进步，给人工智能的发展带来了春天。但在郑南宁看来，深度学习面对的诸多问题也不容回避。
首先是深度学习的泛化能力差，且训练资料和测试资料必须是同分布的，如果做不到这一点，机器的分类能力就会极大降低。
其次是深度学习的表达能力较弱。虽然它可以通过长期训练输出合理、准确的结果，但它始终“知其然而不知其所以然”，无法了解结果背后的推理过程。
最后是深度学习无法引入注意机制。这一机制强调的是计算过程中的路径选择和计算负载的分配，深度学习目前还找不到有效办法解决这一问题，而注意机制是构成高阶AI的基本核心。
“直觉性”将成为人工智能的未来
既然当前人工智能存在这些局限，未来我们应该如何寻找突破口，让人工智能实现升级？
郑南宁认为，当前人工智能与人类的“较量”中，在逻辑性、可重复性和规范性方面，计算机已经明显胜出；但是人类面对的大部分问题都是开放的、动态的、复杂的，大脑在处理这类问题时所表现出的想象力和创造力，以及对复杂问题的分析和描述，是当前人工智能的方法所无法企及的。
郑南宁说：“人类思维是在记忆经验和知识的基础上进行预测、模式分类以及学习的。特别要注意这个预测能力，每个人的大脑中都有预测的模型，所以说从本质上来讲，大脑就是一个预测的机器，而对于驾驶行为而言，预测能力非常重要”。相较之下，计算机想要实现预测就非常困难。
在郑南宁看来，未来的计算机需要像人一样，能够对物理世界产生直观理解。人类产生认知的过程，已经给计算机的进化指明了方向。
人脑对于非认知因素的理解更多地来自于直觉，并受到经验和长期知识积累的影响，这些因素在人对物理环境理解与行为互动、非完整资讯处理等问题中有着极其重要的作用。
此外，人类是通过与事物的互动来实现学习的，人类认知过程中的特征概念形成，往往是建立在语释的基础上，人类依赖对事物的观察在大脑中建立不同的分析模型，并利用这些模型来推测事物的变化。
机器学习与人类产生认知的路径是完全不同的。郑南宁认为，为使机器学习人类的认知方式，需要其所学特征在一定程度上符合神经生理学的实验结果，同时要使特征具有数学和语义的解释性。此外，大脑神经网络结构的可塑性，以及人脑在非认知因素和认知功能之间的相互作用，它们是形式化方法难以、甚至不能描述的。
因此，郑南宁提出：“我们需要从脑认知机理和神经科学获得灵感和启发，发展新的AI计算模型与架构，让机器具备对物理世界最基本的感知与反应，即使机器具有‘常识’推理的能力，从而实现更加健壮的人工智能系统。”
郑南宁把这样的AI技术，称为“直觉性AI技术”。
要实现这一步，郑南宁认为计算机需要具备三个基本要素：
（1）对环境中的所有物件进行特征识别，并且进行长期记忆；
（2）理出物件间的关系，并对它们相互间的作用进行描述；
（3）基于想象力的行为模型，人在进行具体行动之前，会想象其带来的后果，但机器就需要分析物体之间的各种关系。
直觉性AI技术可助力无人驾驶
随着人工智能热的兴起，无人驾驶也被人们寄予厚望，全球已有多家企业宣布在2020年前后推出无人驾驶汽车。
但郑南宁提出，当前无人驾驶还面临这五个方面的挑战。
第一，如何周密感知复杂的交通场景？它需要对天气、路况等方面的所有条件，都能作出安全判断。
第二，如何判断和理解意外或突发情况？比如当遇上交通管制，街口出现指挥时，它可以有效识别并作出正确反应吗？
第三，如何实现对预行为的理解？比如人类司机可以通过前方行车状况判定开车的是老司机还是新手，并形成自己的应对策略（果断超车还是保持车距），系统呢？
第四，如何防范安全问题？资料都在云端，安全风险无可避免。
第五，在人车互动上，它如何实现与乘客的无障碍交流？
在对交通场景的认知上，人类是一个连续的过程，但计算机是离散的。郑南宁提出，把直觉性AI用到无人驾驶中，就是要基于认知构建一个类人自主驾驶，使计算机也变得连续起来。
自主学习的无人驾驶系统，其学习过程与人类司机相似，都是靠熟能生巧。其中要解决的问题包括以下三点：
第一，人类驾驶员如何注意并获取交通环境资讯；
第二，交通环境资讯如何在大脑中储存和加工；
第三，产生驾驶行为的背后存在怎样的内部表征。
尽管取得了一些进步，但郑南宁坦言，无人驾驶的商用在短期内还难以实现，真正要“飞入寻常百姓家”，还需要10年甚至更长时间。
