5月27日，备受关注的围棋“人机大战2.0”正式落下帷幕，最终柯洁以0:3负于人工智能AlphaGo，结局颇令人意外，却又在很多人的意料之中――因为人工智能发展太快了。相比于2016年韩国棋手李世石挑战的AlphaGo 1.0版本，今年柯洁的挑战对象升级到了2.0，新的程序一改最初大量学习人类棋谱来提高棋艺的做法，而是可以自学并寻找规律，包括发掘出一些在人类对战中根本不可能使用的招数，再加上超强的计算能力，才最终赢得此次比赛，成为围棋界的“上帝”。

事实上，除了围棋领域，人工智能在医疗科技、智能家居、物联网平台、自动驾驶等行业的应用也正越来越广泛，越来越深入。特别是自动驾驶，作为未来汽车行业的一大趋势，目前很多企业都在致力于应用人工智能技术实现更高级别的自动驾驶。在此过程中，人工智能逐渐被认为是实现自动驾驶汽车的关键所在，是推动自动驾驶商业化的核心。

然尽管各方造车势力已经意识到了人工智能对于自动驾驶的重要性，由于核心技术不成熟、相关法律法规不完善、缺乏专业人才等方面的原因，在通过人工智能推动汽车自动化、智能化这条路上，诸多车企和科技公司迟迟没有大的进展，很多仍停留在前期的摸索试验阶段，难以大规模量产。

缺乏核心技术

如同自动驾驶可以分级，人工智能也有等级之分。对于应用于自动驾驶的人工智能技术，目前普遍的意见是将其分为三级：弱人工智能、强人工智能和超人工智能，其中弱人工智能即我们今天看到的AlphaGo、Siri、微软小娜，更多的是充当人类工具的角色，专注于且能解决特定领域的问题；强人工智能为可以在一些领域胜任人类大部分的工作，甚至具备自我意识；超要实人工智能则是比人类还聪明的人工智能系统。而实现自动驾驶，最少要达到强人工智能级别，无人驾驶则需要达到超人工智能级别――不仅要理解车内人员的意图，还要时刻观察周边车辆、行人等的运动状态，并对他们的行为做出预测，制定好应对措施，其难度远高于围棋对弈。从这一点来看，目前的技术显然还达不到要求。

众所周知，通过人工智能实现自动驾驶，相当于“做”一个机器人代替人类开车，那么类比人类驾驶员，这个机器人也需要人类的“眼睛”“大脑”和手脚。从这个层面来讲，安装在车上的各种传感器，诸如摄像头、激光雷达、毫米波雷达等就相当于传统驾驶员的“眼睛”，可以帮助自动驾驶汽车“看”清周围环境信息，采集路况信息；高效处理芯片相当于“大脑”，用于进行信息处理，对信息进行分析，以获得下一步决策的依据；最后则是根据结果对车辆进行加速、减速、转向等控制，实现同人类一样的驾驶水准，甚至超过人类驾驶水平，提升驾驶安全性。目前来看，在这四大层面，都存在相关的技术不足。

首先，感知技术。

目前，应用于自动驾驶开发的传感器主要有摄像头和雷达两种，其中雷达又可分为激光雷达、毫米波雷达和超声波雷达，除此之外还有刚刚崭露头角的生物传感器。这些传感器从功能上来讲，各有各的长处，如摄像头分辨率高、速度快、成本低，激光雷达探测范围广、探测精度高，毫米波雷达识别精度高、性能稳定。但单独使用时它们的缺点也很明显，像激光雷达在雨雪雾等极端天气下性能较差、价格高，毫米波雷达对周边所有障碍物无法进行精准的建模、无法感知行人，超声波雷达抗干扰能力稍差、作用距离短……几乎每一种都有缺陷。

在此背景下，现在一些企业想到了将不同种类的传感器进行组合使用，如“摄像头+毫米波雷达+超声波传感器”组合，或者“超声波雷达+毫米波雷达+激光雷达+摄像头”组合方案，效果的确比使用单一传感器要好，但成本往往也更高，用在量产车上根本不现实。

其次，数据瓶颈。

对人机围棋大战有了解的人都知道，AlphaGo在学习围棋技能时，通过大量数据分析学习了3000多万步职业棋手棋谱,理解什么才算合规的下法，并通过增强学习的方法自我博弈,寻找比基础棋谱更好的棋路，才终于有了今天的成就。而最近刚刚出了诗集的微软小冰，其现代诗创作能力，也是通过对1920年后519位现代诗人的上千首诗反复学习（术语称为迭代）10,000次达成的。可以说，一旦离开了这些数据，人工智能根本无法在围棋领域“称帝”、出诗集。

那么，自动驾驶汽车同样如此，如果希望汽车能够拥有同人类一样的驾驶水平，也必须从汽车驾驶的情境中提取海量的数据，并根据不同的场景对这些数据进行分类，供人工智能进行学习。如此一来，且不说真实世界中车辆行驶的工况复杂多样，远超AlphaGo和小冰用来学习的数据，即使能够收集完全，也需要花费很长的时间――业界普遍认为，自动驾驶汽车需要测试数亿至数千亿公里，才能验证它们在减少交通事故方面的可靠性。更何况就算花很长时间收集了大量的数据，也难以覆盖所有的状况。此外，这些数据后期的分类标定、数据质量以及算法，也还存着在很多的不确定因素，足以影响行车安全。

再者，算法难题。

由于现实生活中的车辆行驶工况千变万化，异常复杂，而自动驾驶又是一项对准确性要求比较高的操作，稍有不慎就会造成人员伤亡，因此要想尽可能地提升驾驶安全性，必须采集充分的数据，让车辆对周围环境有准确的认识，从而为下一步的控制执行建立决策依据。在此背景下，传统的算法已经难以满足自动驾驶汽车的需求――因为难以达到深度学习的高精确度要求；面对非道路环境，传统算法无法和数据库中的道路信息匹配，可能会做出错误的判断。此外，在庞大的数据面前，传统的计算能力会让人工智能的训练学习过程将变得无比漫长，甚至完全无法实现最基本的人工智能――数据量已经超出了内存和处理器的承载上限，从而极大地限制了人工智能在自动驾驶领域的发展和应用。

更重要的是，即便现如今的交通法规已经如此完善，尚有大量不遵守交通规则的人，且他们规范交通法规的形式各不相同，常常令人出其不意，这种情况下，仅仅靠学习已有的工况很难应对，而是需要打破原有判断标准，对照陌生的突发情况重构一套应对方案，这就需要超人工智能提供技术支持。

最后，控制执行。

自动驾驶控制执行与传统汽车类似，即对车辆进行加速、减速、转向等操作，作为上述所有步骤的最终执行者，其执行效果直接关系到自动驾驶汽车能否准确且实时地完成上层智能控制系统的控制指令，对于保证行车安全至关重要。但与传统汽车不同的是，面向量产的自动驾驶汽车必须对车辆的传统执行机构进行电子化改造，升级为具有外部控制协议接口的线控执行部件系统，从而让车辆按照计算得出的结果进行更准确的操作，因为自动驾驶汽车上，最终控制车辆的不是“人”而是汽车本身。

然而现实却是，对于这一在传统汽车领域一直被众多车企视为优势的技术，在自动驾驶汽车领域，却被少数几家大型的零部件供应商垄断了，而且这些供应商大都拥有自成体系的全套底盘控制系统，且大多不开放，也在一定程度上制约了自动驾驶汽车的发展。

而除了上述技术瓶颈，自动驾驶安全问题，特别是网络安全也一直是困扰广大车企的难题，尤其近期互联网上爆发了全球性的勒索病毒攻击事件后，更是给自动驾驶网络安全蒙上了一层阴影。还有法律法规缺失，包括前期支持自动驾驶汽车研发的测试法规，国家针对自动驾驶汽车的性能指南和测试标准，以及后期汽车上路后的法规要求，如交通事故责任划分等，也是后一阶段亟待解决的问题。

实时动捕

动捕

实时动捕