当然,对无人车来说,光会“看”是不够的,要保证安全
还要有敏捷的反应,要能“刹得住”。人类驾驶员,从遇到紧急
状况到踩下刹车需要0.6秒。而汽车的刹车要发生作用,其油压
系统传导还需要0.6秒。也就是说,一般的人类驾驶员需要1.2
秒的时间把车刹住。而百度无人车从“发现”紧急情况到做出刹
车动作只需要0.2秒。未来,如果电动刹车取代液压刹车,百度
无人车有能力做到在0.2秒内紧急制动,这将比人类平均的1.2
秒快了整整1秒,高速驾驶中,1秒可能就是救命的时间。
不论是静、是动,还是“表面”招数,在绝大多数的行驶过
程中,车载的雷达、传感器、摄像头等要实时收集数据,在行车途中反馈到“百度汽车大脑”的服务器上,辅以GPS高精度地
图,指导汽车以最佳路径行进。

谷歌无人车在实验阶段就应对过各种情况:一个坐着电动轮椅的女人在路上追赶一群鸭子、一群人在马路上排成一行做青蛙
跳、一个人毫无预兆地突然靠近并滚过无人车的前盖,甚至有人在车子前面裸奔。有人问怎样看待百度无人车程序有30000多个场景,1万多个“if”。这个数据百度没有真实统计过,但这些“i显然是为了众多诸如“撞人还是撞狗”的场景而预备的,至少保证对于普通人能够想到的特殊情境,无人车都能做出最有利于交通参与者人身安全的选择。
不妨再大胆想象一下。在万物互联的条件下,未来面对人类也难以决断的紧急情况时,人工智能的反应速度、联网效应很可能会给出比人类更好的解决方案。车联网系统将把无人车连成整体,每辆车在行驶时“脑海中”都有着“大局观”。一辆车紧急刹车就会紧急“告知”一定范围内的无人车也做出对应的措施,从而避免追尾事故。
相比民众对无人车太“凶”的担心,工程师们担心的反而是无人车在与人的相处中太“怂”了。在谷歌的实验中,无人车在右道行驶时发现前方有沙袋,它试着减速绕过沙袋开向左车道,本以为后方的公交车会减速让行,不料公交车却在其变道时加速超车,导致了两车相撞。在这起事故中,反而是遵守交通规则的冲入A无人区:无人驾驶之路
无人车被人类“欺负”。无人车的训练中不可能允许违法行为的
出现,那么它要怎样和灵活应变的人类相处,遇到实际驾驶中的模糊区域要怎样做出决策?目前仍是无人车集中攻克的一门“学科”。这实在要比围棋棋盘复杂得多。由此可见,担心一个
以防御为主的无人车主动伤害人类,可能还为时过早。

数据已经深深“浸入”我们的生活。计算机、智能手机、各种智能家居用品,贴身收集着我们的一言一行,通过计算建模越来越了解我们,使得看新闻、运动健身、吃饭、听歌、出行等这些最简单的日常活动都成为一次次隆重的数据盛典。
一部智能手机一天之内就可以为他的主人生产1G的数据。这大概是13套《二十四史》的总容量。我们每天都在用数据书写自己浩瀚的“生活史”。
与传统意义上的数据记录定义不同,这种数据是有“生命的。这种记录不是客观又绝对的数学测量,也不是一板一眼的历史写作。它更像是我们身体的一种自然延伸:倾听我们的声音、拓宽我们]的视力、加深我们的记忆,甚至组成一个以数据形式存在的“我”。如果说智能手机已成为人类的新器官,那么数据就是这个新器官所接收到的“第六感”。而处理这种“第六感”的新大脑正是冉冉升起的人工智能。

这一波人工智能浪潮需要几十年才能充分发挥作用。雄心壮志和改变世界的投注需要足够长期的投资。所以,有目的的长期管理在人工智能浪潮中扮演了一个重要角色。这将是一种遍及全社会的商业和管理文化的变革。
具体而言,这需要执政者建立并获取一个更大的“许可信封”,使管理团队有较长的时间跨度来培育大赌注(通常是从0到1的赌注类型),这也日益成为高层领导任期职权的一个重要组成部分。马斯克就说过:“如果创新失败,不应该受到惩罚。”

陆奇的个人信念是:知道更多,做到更多,体验更多。
从卡内基梅隆大学毕业时他写的是“ Know more, Do more后来加了一句,变成“ Know more, Do more, Be more”。因为他觉得“ Be more”更重要,只是当时没有意识到。“ Be more”也可以翻译成“成为更多”。人就是“在路上”,不断成为更丰富的存在。
040

中国已经是世界头号制造业大国,现在更需要的是提升“软实力”。精神、文化是“软实力”,计算和数据也是“软实力”。这样的“软实力”和传统产业叠加,也就是所谓的“智能+”。
它将切切实实融入我们的生产、生活,看得见、摸得着。

这两年促使人工智能再度技惊世人的技术,则是机器学习技术的升华版—基于多层计算机芯片神经网络的“深度学习”方法。通过多层芯片联结,模仿人脑大量神经元的网状联结方式,辅以精妙的奖惩算法设计和大数据,可以训练计算机自己从数据中高效地寻找模型和规律,从而开启了一个机器智能的新时代。

最初的人工智能研究大多基于规则—人类总结各种规则输入计算机,而计算机自己并不会总结规则。比这个高级的方法是基于“统计”的机器学习技术,让计算机从大量数据和多种路径中寻找概率最大、最合适的模型。

你能看见多久的历史,就能看见多远的未来。

人才匮乏是当下的普遍问题,企业纷纷从学院挖人,智能科学家也不甘寂寞,纷纷跳槽到企业里去实现梦想。

吴恩达的好友,全球排名前十的人工智能(深度学习)科学家 Bengio(本希奥)担心,科学家都去企业了,高校里从事深度学习教育的人才就少了,会减少人才的产出。

百度则把企业与学院结合起来,在内部进行教育,也向外输出了很多人才,并且准备在高校设立人工智能方面的奖学金。