伴隨人工智能進入2.0時代，人類追求自動駕駛的夢想迎來現實的曙光，業界敏銳捕捉機遇，尋找市場切入點，在引導消費中持續推進產品成熟和培育市場需求，也為自動駕駛發展迎來新機會。據美國CBInsight公司2016年7月報告，2011年至那時，谷歌、微軟、Twitter、Intel、Apple等IT巨頭收購了約140家AI領域的創業公司，2016年到2017年3月，規模較大的政府和企業投資規模共計超過1000億美元。美國政府直接進行大規模投資，日本則集結車企和電子產品企業等業界合力投資，芯片企業、互聯網企業、汽車企業、軟件企業都在通過投資并購尋求發展機會，以推進自動駕駛相關產品開發應用。

一、人工智能2.0提供復雜環境感知和系統決策解決方案

人工智能技術經過起起伏伏但又規律性的發展變化，終于在云計算、大數據、物聯網的推動下，信息通信技術與機器學習的完美結合推動人工智能迎來一個嶄新的發展階段，當前流行稱謂“人工智能2.0”，其特點可從以下幾個方面總結：

從技術背景來看，一是獲取各種信息的終端設備廣泛普及。根據國際電聯《2017年全球網絡安全指數》報告，2016年全球互聯網用戶達到35億人，約占世界總人口的一半；到2020年，接入互聯網的終端設備預計將達到120億臺。近幾年物聯網的快速發展也推動了大量傳感器在生產領域和服務領域的廣泛布局，為海量信息的獲取提供了便捷收集渠道。二是處理和存儲信息的能力大大提高。對大量非結構化和半結構化數據的分布式計算能力，突破運用非關系型的數據存儲能力，數據倉庫等技術的出現，為海量信息的處理提供了可行的途徑。三是支撐快速運算的硬件和軟件設施迅速發展。云資源管理技術，計算、存儲和網絡虛擬化技術，服務器技術和網絡設備技術及數據中心設備技術都迅速跟進。

從學習方式來看，一是從單層芯片網絡轉向類腦神經網絡，傳統的機器學習方法只利用了一層芯片網絡，在2.0時代，人工智能技術立足于神經網絡，類似人類大腦，由一個個神經元組成，每個神經元和多個其他神經元連接，形成網狀，單個神經元處理簡單的問題，組合成分層的整體，解決復雜的問題，將復雜的輸入數據抽象和簡化。二是從標簽學習轉向機器學習，傳統的人工智能依靠對事物進行特征定義轉化為函數輸入電腦，計算機根據輸入函數形成的事物特征比對現實事物進行判斷；在2.0時代，不用事先抽象定義編程輸入，只需要直接輸入大量客觀事物的圖片或者關鍵信息，計算機根據這些信息識別客觀事物，實行準確加權、錯誤降權，這樣經過足夠多的嘗試形成精確的判斷能力，完善機器的自我學習。這兩個因素形成了人工智能2.0時代機器的深度學習能力。

從應用場景來看，一是需要跨媒體感知和混合智能系統處理的場景，在2.0時代，類人與超人感知，信息的收集、傳播和處理可以實現跨媒體的相互融合，聚集群體的混合智能決策系統，這是應用場景的需要，也是2.0時代逐步可以解決的。二是應用領域開始從專門領域向綜合性領域轉移，在越來越多的專門領域如翻譯、下棋等，人工智能的博弈、識別、控制、預測中接近甚至超越人的能力；在智能城市、智能經濟、智能制造、智能醫療、智能家居、智能駕駛等從眾多綜合性領域，人工智能2.0也逐步可以提供一些現實的解決方案。

二、自動駕駛實現的關鍵就是感知復雜環境并有效控制

自動駕駛的關鍵技術主要包括環境感知，行為決策，路徑規劃和運動控制四大部分。環境信息和車內信息的采集與處理是自動駕駛的準備階段；依據感知系統獲取的信息進行決策判斷，給車輛下達相應的任務，確定合適的控制策略，這是自動駕駛的起始階段；智能車輛有了行駛任務，根據獲取的信息，按照一定的搜索算法，找出一條可通行的路徑，進而實現智能車輛的自主導航，這是自動駕駛的核心環節；接下來就是控制車輛沿著期望的軌跡行駛，這是自動駕駛的結束階段。按照自動化程度，各國對自動駕駛技術進行了分級，概括言之，大部分國家將自動駕駛大致分成四級，即駕駛輔助、部分自動化、有條件自動化、全自動化（我國分為駕駛輔助、部分自動駕駛、有條件自動駕駛、高度自動駕駛、完全自動駕駛五個級別）。

從當前媒體報道及相關報告提供的資料來看，為了率先推出無人駕駛汽車，企業們的競賽越來越白熱化，但完全自動駕駛汽車技術離成熟還有很遠的路要走。2017年初，美國加州作為批復路測資質最多的城市，加利福尼亞州交通管理局（DMV）公布了一份報告，披露了谷歌、福特、特斯拉、通用、本田以及博世等在內的11家自動駕駛汽車研究公司的1年的路測數據，谷歌作為企業自報的領先水平代表企業，“脫離”頻率為5128，也就是說每5128英里需要人工干預一次。根據麥肯錫最新報告，未來十年之內達不到全自動駕駛水平，規模商用更加任重道遠。

總體上看，硬件的發展水平基本可以滿足自動駕駛的需求，CPU和GPU也能提供足夠的計算力，但對于軟件系統來說，以下三個問題亟待解決：一是需要一個更好的人機交互界面，以協調與其他無人車之間的關系；二是需要建立更好的無人車決策機制，以協調多種情景，執行不同的任務，當前的2.0提供了可能，但成熟應用還需要長期自我學習訓練。三是需要建立一個故障安全機制，即使在無人駕駛系統失效時也可以消除潛在危險。這是影響自動駕駛不斷晉級的關鍵。

三、人工智能2.0和自動駕駛迎來了前所未有的契合點

人工智能2.0為自動駕駛執行控制訓練學習提供條件。路面上行駛的車輛面臨的情況復雜，變化快，稍有不慎就會造成人員傷亡，駕駛員在操作中需要高度專注。傳統的算法面對復雜的道路環境，難以迅速做出反應，甚至誤判；而且，傳統的計算能力讓人工智能的訓練學習過程變得無比漫長，信息量已經超出了內存和處理器的承載上限；更加棘手的是，不遵守交通規則的突發情況，以及破壞性自然災害常常存在。在這種情況下，基于神經網絡的深度學習提供了解決問題的可能路徑，通過人工智能對足夠多交通狀況的感知，形成自我學習和決定最優解決方案，為自動駕駛提供現實基礎，這是人工智能2.0給自動駕駛帶來的最大福音。

人工智能2.0為自動駕駛對環境全面感知提供支撐。目前，自動駕駛用來感知環境的信息收集裝備主要有攝像頭和雷達，攝像頭分辨率、速度快、成本低，激光雷達探測范圍廣、探測精度高，毫米波雷達識別精度高、性能穩定，但抗極端氣候和干擾能力差，如果布設多種類傳感器組合使用，則成本太高。在這種困境下，人工智能2.0推動了各種智能傳感器的發展和普及，這將推動各種傳感設備技術的先進化和成熟化，同時也會降低自動駕駛收集外部環境信息的成本，為智能路徑規劃和自動控制提供精準信息，推動自動駕駛技術的成熟。

人工智能2.0為自動駕駛規避安全風險提供精準預警。在自動駕駛的低級階段，也就是完全無人駕駛之前，對駕駛員狀態進行監測并提供及時的預警也是輔助駕駛的一種重要應用場景，目前部分企業提供的自動駕駛就是基于這種思路。在這種場景下，取代傳感知對駕駛員身體姿勢，頭部姿勢，眨眼頻率和時間，視線判別，疲勞狀態，眼睛姿勢，掃視，眨眼動態，認知復核，瞳孔直徑和眼環微小掃視運動等的粗略感知，人工智能2.0提供了更加全面的信息收集，處理和反饋，通過深度學習更加精確地發出預警信息，以提高駕駛安全。

人工智能2.0為自動駕駛汽車供—產—銷提供高效服務。從產品概念提出到模型建立、生產供應商匹配，再到產品試驗測試，人類在參與中已經受到智慧限制的挑戰，通過人工智能對熱銷車型、售后服務、車輛事故等更多數據的積累，調整設計參數、改進生產工藝、生產完美車型，這是人工智能為汽車制造帶來的效率和藝術。對顧客消費偏好的海量數據分析，實現廣告精準投放，擴大汽車銷量；在汽車金融和汽車保險領域，車信數據等創新公司已經開始研發機器學習算法模型的應用，如在現有主流征信源，引入更多非主流數據源，降低汽車金融信貸風險等。

四、自動駕駛的持續快速發展還需突破重重障礙

對照人工智能2.0的特征及自動駕駛的關鍵技術，毋庸置疑，人工智能2.0給自動駕駛插上了一雙可以高飛的翅膀，IHS指出，到2025年全球無人駕駛汽車銷量將達60萬輛，未來將以每年43%的速度持續增長，但是到底能飛多高，還有其他多方面因素的影響。比如各國法律是否允許自動駕駛汽車自由行使？自動駕駛事故的責任歸屬智能車開發公司還是車主？智能車能否對所有的極端特殊路況進行感知并實施合理的控制？消費者能否在可以接受的成本范圍內實現事故率極少的安全駕駛？等等，類似法律、倫理和安全問題將是影響人工智能2.0和自動駕駛比翼雙飛的重要因素。
? ? ? ?責任編輯：tzh