预见下一秒 机器学习引无人驾驶新革命?

    这两天，关于AlphaGo战胜世界围棋大师李世乭后对人工智能和机器学习的谈论不绝于耳，甚至一度有许多人认为一个机器代替人类的新时代来临了，未来的无人驾驶汽车将会更快进入商用化，事实真的如此吗？

    在这里我们将不会很深层次的去在技术以及深度学习算法方面探讨，我们将从整体上先对机器学习进行介绍，然后合理的结合目前发展形势以及汽车行业发展做出一个力求客观的评估，好让大家了解和知道：其实所谓的人工智能还并未达到你想象中那般美好。

    如果对智能无人驾驶很感兴趣的读者也可以点击下图，阅读我们此前关于无人驾驶发展以及未来展望的文章。

    我们尽量用最简单的表达让各位读者明白，其中对于涉及到算法的我们尽量不去解释其中的运算，只去了解其意义与功能。对于像AlphaGo（Alphabet公司设立的一个项目，可以看做Alphabet是谷歌经过调整后的新集团）这样针对围棋的智能程序，其目前需要来三个大的核心，分别为：MCTS（Monte Carlo Tree Search蒙特卡洛树搜索） + DNN（Deep Neural Network深度神经网络） + RL（Reinforcement Learning强化学习）。

△ 针对以上的三大技术，我们可以简单理解为：先进的搜索算法+机器学习算法+深度神经网络。 

    而这三者之间的关系可以这样理解：

    ●蒙特卡洛树搜索 (MCTS) 是大框架，是许多高级博弈AI都会采用的算法。
    ●强化学习 (RL) 是学习方法，用来提升AI的实力。
    ●深度神经网络 (DNN) 是工具，用来拟合局面评估函数和策略函数。

△ 对于树状神经网络我们可以用上图的算法语言示意图来了解，对此感谢笔者的好友提供相关研究资料。（本图摘自《Bayesian Reasoning & Machine Learning》论文，由笔者好友提供，在此表示感谢。） 

△ 而对于MCTS的理解，我们可以用上图来理解，图中表达的是利用MCTS算法来进行游戏《文明2》的示意图，由当前局面开始，尝试看起来可靠的行动，达到终局或一定步数后停止，根据后续局面的优劣反馈，选择最优行动。通俗的说MCTS就是“手下一着子，心想三步棋”、“三思而后行”的意思。 

    这些都不是AlphaGo或者DeepMind团队首创的技术。但是强大的团队将这些结合在一起，配合Google公司强大的计算资源，成就了历史性的飞跃。

    可是这三大技术的匹配就可以成就一个无懈可击的新世界了吗？答案显然不是。任何算法都是源自于人类所设定的起始逻辑，算法本身也都不可能完美解决所有的问题。

    显然目前Alphabet在无人驾驶领域也走在了世界的前列，其下属的谷歌更是会利用以上那些技术或算法应用在自己的无人驾驶汽车领域。

△ 有了更多算法的加入，未来谷歌的无人驾驶项目可能会有更快的发展，不过以上的三种算法技术都不是无懈可击的。 

    简单来说是这样：alphago解决问题的方法属于监督学习。和以往我们写的确定的算法不同。机器学习程序的算法设计当中会有许多用于调整的参数，向程序中输入数据，会输出结果。比较输出结果和实际正确结果，会有误差，然后用调整算法依据误差调整这些参数，一次次减少误差，接近所给数据的实际结果。
    以上优化参数的过程就是所谓学习的过程，这批数据就是训练集。采用深度神经网络之类的模型是为了更好地设定和调整参数。
    至于机器智能独立于人类思维的趋势、主动获取信息自行分析、自我认知和现在计算机科学中的机器学习和人工智能实在搭不上边。而且感觉当初就不应该取“人工智能”这种容易造成人们误解的名字。

△ 所以我们更应该给AlphaGo这样的程序一个更加合理的命名，显然目前的“人工智能”太过于高看这样的能力，不过想想为了忽悠广大民众这样的名字也是合理之中。但是像能独立于人类思维的趋势、主动获取信息自行分析、自我认知这个还是存在于科学幻想之中的。图为科幻类题材影视剧中的“真正意义可实现独立于人类思维的趋势、主动获取信息自行分析、自我认知的智能计算机”。 

    说白了目前所有冠以“人工智能”的一切都包含了不可否认的伪科学命名！各种漏点与计算盲点层出不穷，我们可以理解为只是一种更加全面化的逻辑计算方法。由此可见因AlphaGo赢得对阵李世乭的围棋比赛而衍生出来的各种人工智能统治人类，未来人类会变得更懒惰，人类会失去独立思考的空间与能力等等一切相关文章都是在扯淡！对没错，都是在扯淡！

△ 反而言之，为了人类社会不可逆的向前发展，人类研究人员需要付出更加难以想象的努力，去编算出更加好的算法，不断的改进早前的算法，这样做的目的是为了生产效率的更大提升，跟创造出一个机器化的“上帝”完全没半毛钱的关系。 

    不过我们不可以排除在一定的使用情景下，例如：参与交通出行的车辆的下一秒发展状态确是可以通过这样的算法去大致确定的，从而能够根据交通发生地的法律法规与车辆的参数信息作出一个优化的判断。因为，目前的无人驾驶汽车以及相关研究的重点都在利用传感器进行实时监测与控制，那么能“预见下一秒”的判断会是未来无人驾驶汽车发展的新的蜕变契机吗？