【第一电动网】（特约作者 天骄）日前，围棋人机大战落下帷幕，Alphago以4比1战胜李世石。宣布计算机终于可以围棋这个复杂游戏中挑战人类极限。从技术角度看，Alphago确实有一些不凡之处，但是并没有划时代的技术，而由于谷歌搞的这个活动影响力甚大，舆论开始热炒人工智能。围棋这种复杂度极高的游戏都被人工智能攻克了，李世石这种顶尖人类智力都被战胜，那么驾驶这种普通人都会的技能是不是也会很快被计算机所掌握呢？无人驾驶是否触手可及呢？

谷歌无人驾驶汽车

一、外行看热闹，内行看门道

其实，在棋类游戏中，计算机胜过人类并非新鲜事。80年代五子棋上人类已经无法战胜计算机，1997年，深蓝在国际象棋上战胜了人类，围棋只是因为棋盘太大，太复杂才拖到2016年。

五子棋的复杂度是10的28次幂，国际象棋是10的46次幂，而围棋因为棋盘大，复杂度是10的172次幂。复杂度越高，对计算能力的要求就越高，所以围棋计算机程序的水平一直无法与人类高手相比。

AlphaGo虽然有谷歌的庞大计算资源，虽然有GPU通用计算能力。但是它也算不了围棋这种超高复杂度的游戏，不能像简单的棋一样把每一步算清楚。所以AlphaGo综合了各种人工智能的成果。

首先是深度神经网络，以前人工智能都是领域内专家辅助，你搞象棋的人工智能，得有象棋大师帮忙。搞语言识别，得有语言专家。

后来用统计做的人工智能的基础，但是还需要领域内的专家提供一些重要特征来改善算法。

而深度神经网络是计算机自我学习特征的，不用人工来告诉计算机，计算机通过大量训练自己找特征，不断优化。

在围棋上，AlphaGo搞来人类的数千万盘对局，学习人类高手的招数，来选择每一步可能下的几个点。这就不用把每一步都算清，只要算优势点就可以了，计算量就大大减轻了。

然后谷歌还有一个对每一步棋价值的估算，这个估算也是可以通过无数对局不断提升准确性的。估算过的越多，估算的就越准。

通过这种优化，计算机就不用把每一步算清，而只要把通过学习人类的优势点，和估算高价值的点算清就可以了，目前人类计算机的计算能力已经可以达到。

把这些技术结合起来，然后利用谷歌庞大的计算资源，让计算机不断自己和自己下棋，计算机自己也是高手，这样优势点的准确性越来越高，价值评估的准确性越来越高。在计算能力没有增长的情况下，围棋的水平也越来越高。最终战胜了人类高手。

按照以前的计算，计算机把围棋每一步都算清楚的超级计算机至少还要10年才有可能出现。而通过人工智能技术的综合应用。围棋AI提前击败了人类。

AlphaGo的成功是一次人工智能技术综合应用的成功。

二、AlphaGo向无人驾驶的移植

目前，我们看到很多厂商都号称自己拥有无人驾驶技术，像奔驰S、福特翼虎等一些车型已经有了自动跟车、自动巡航、自动泊车等功能，新款的特斯拉Model S在升级了最新软件后也有了一定的自动驾驶功能，吉利提出的自动驾驶也是这个范畴的东西。

但是从真正无人驾驶的角度看，这些技术其实是小儿科。

汽车行业很早就把无人驾驶分成了四个级别，我们熟悉的ABS、ESP算第一个级别的辅助驾驶。

特斯拉也不过是第三个阶段半自动无人驾驶的初级阶段，远远谈不上人工智能的级别。

真正搞无人驾驶的以百度和谷歌为代表，采用目前价格还极其昂贵的激光雷达作为主要传感器，其采集到的信息以高水平人工智能技术来识别判断。同时辅助摄像头识别，再加上高精度3D数字地图和高精度GPS。

真正的无人驾驶是需要高度人工智能的，而这个高度人工智能与AlphaGo有一定相通的地方。

特斯拉这种小儿科的半自动驾驶只是识别车辆，道路标识，然后一个基本的逻辑判断。这个逻辑判断根本应付不了复杂的路况，所以功能开启时，特斯拉要求人手不能离开方向盘。

而真正的无人驾驶是综合各方信息来做判断和决策，激光雷达的采集的高精度信息，高精度GPS与高精度3D数字地图结合起来对路况的判断，摄像头采集到的各种交通标识与实时路况，这些信息最终汇总来做出判断，控制车辆。

对高精度信息的识别，就需要AlphaGo所用到的神经网络来提取特征。

摄像头所采集到的实施路况，更需要深度学习来识别。电脑要知道摄像头看到的是什么，应该如何应对，交通标识可以人工编程告诉电脑，而路面上出现的各种东西，人类不能穷尽，这就需要计算机的深度学习能力。

这个深度学习恰恰也是AlphaGo的核心技术。

无人驾驶系统已经得到各种信息，如何做最终决策，其实与AlphaGo如何下下一步棋是一样的。计算机可以通过大量的实践来不断学习，人类的决策是什么样子的，计算机可以选择哪几种？如何是最优的？

通过大量的学习与计算机自己的实践，自动驾驶的水平就可以越来越接近人类，甚至最后超过人类。

三、无人驾驶超过人类还有多远？

我们要看到，围棋与无人驾驶还是有很大不同的。围棋是一个既定规则的游戏。无人驾驶如果在封闭赛道，无人干扰，或者只有两辆车互相赛车，那么难度是不太大的。

但现实是无人驾驶汽车面对的是真实世界，真实世界的变量远远超过围棋棋盘。

无人驾驶系统面对的信息远远不是黑白子，而是路况，车况，交通标识，路面出现的各种车辆，行人。

仅仅是识别出来路面上出来的东西是什么，这个神经网络提取特征的难度就已经远远超过Alphago。

而要综合信息做出判断，加以训练。围棋可以一天100万盘找出最优解，而无人驾驶汽车要深度学习应对各种路况，一天最多也就跑2000公里，它学习的样本和自我提升的速度是远远不如围棋的。

就目前的技术，不用说超过人类，达到使用水平估计也要5-10年，最新的新闻是谷歌的无人驾驶汽车刚刚与大客车发生了刮蹭，因为大客车没有按照无人驾驶系统预想的那样避让。无人驾驶系统还需要更多的学习。

Alphago赢了人类，但是无人驾驶胜过人类还有很远很远。

返回第一电动网首页 >