《亿欧智库：人工智能产业综述报告》新鲜出炉

3.3 无人驾驶

无人驾驶的演进，是一个人类逐步交出操控权、提高安全系数的过程。

算法给无人驾驶技术的感知和决策层做底层支撑，应对动态障碍物的跟踪检测。

在感知层面，深度学习主要对摄像头和雷达收集到的局部数据(结合全局数据)做处理，基于动态图像极大的丰富信息以及难以手工建模的特性，深度学习能最大限度发挥其优势。

在决策层面，为了在行驶过程中避免与动态障碍物发生碰撞，无人驾驶系统需要算法的辅助来做到：1、检测出对行驶有影响的动态障碍物并对其位置变化进行跟踪;2、预测出其动态障碍物的运动路径;3、识别动态障碍物的种类。

但即使最好的汽车安全科技也不能确保挽救每一条性命。对于安全科技效用的限制在于人们使用(或不使用它)的方式。

在辅助驾驶人类和机器共同控制的模式之下，存在共同过失判断难的问题。其实从辅助驾驶向部分无人驾驶、完全无人驾驶过渡过程中，交通事故责任出现一种由人类转向汽车制造商的趋势，那么出于对庞大法律责任的考虑，无人驾驶汽车制造商可能因为安全隐患而考虑限制汽车能力，最后导致高新科技无法充分地投入社会中。

归根结底无人驾驶汽车最后能否顺利进入社会与否，并非取决于技术成熟度，而是同时由下而上的社会接受度与由上而下的政策、立法管制考虑。

无人驾驶距离面市，中间还横着监管体系的问题。

注：《亿欧智库：人工智能产业综述报告》完整版和《亿欧智库：主要中国企业核心AI人才图谱(216人)》可在亿欧官网查看。

写在最后

人工智能在近年来的崛起，得益于爆炸式增长的数据库和越来越强的计算力的助推，将多层神经网络给推到了镁光灯之下。而关于深度学习，还有一个有趣的现象：互联网为数据的流动和汇合提供了载体，但深度学习在互联网的应用(广告、推荐等)上取得的提高，没有语音图像这些领域那样显著。

原因在于语音图像的数据，我们完全可以通过主动的语料收集，让每个iPhone、甚至每个摄像头都尽可能充分覆盖到，但对于互联网上的社会行为的收集，诸如“点击与否”、“阅读与否”、“参与互动否”，对于每一个个体的每一个当下环境来说，都是很不确定的数据。总的来说，深度学习需要能标注、有大量标注数据来作为模型进化的需要。

拥有1500万张标注图片的数据集ImageNet是来自167个国家的48940名工作者，花费了2年时间——清理、分类、标记了近10亿张通过互联网搜集到的图片，才得到这个数据集。但ImageNet还只是一个通用性质的数据集，初创公司要在特定领域建立自己的壁垒，比如说医疗，就需要对该领域进行数据采集，而后进行数据标注，越细化越好。

在知乎「大公司里面有人专门负责标注数据吗?」问题下，共有 21 个回答。来自大公司的回答者们表示曾「发动全部门人对几万张图进行人肉打标」，或是将工作「安排在人力成本比较低的分公司」。小公司们则将数据「交给隔壁全是女性的部门标」，或是「省钱就自己人标了」。除此之外，交给外包公司是频率最高的选项。

从招聘网站发布的职位需求也可略窥一二。在智联招聘中键入「数据标注」，可以找到 60 个直接相关职位。在拉勾网则能找到近 400 个——管理外包团队等相关职位也被算入其中。

某种程度上，判断一家企业是不是核心在做人工智能，可以查看它每个月花费在数据标注上的金额。

深度学习并不是人工智能的全部创新，它依赖标注数据和计算力。在上下波动的舆论大背景之下，随着时间的推移人工智能技术呈正相关发展趋势，希望这份报告能在下一个舆论冬季到来之前，协助您审视整个当下的局面，希望能为人工智能的发展尽一份力。

（编辑：云计算网_泰州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!