我们的智能化应用是需要自动驾驶(Autopilot)还是副驾驶(Copilot)

Posted 2023-05-31 自由、创新、研究、探索

自动驾驶Autopilot 是一个知识密集且科技含量很高的技术，不基于点什么很难把它讲的相对清楚。

副驾驶 Copilot 是一种由 AI 提供支持的数字助理，旨在为用户提供针对一系列任务和活动的个性化协助。

自微软发布 Microsoft 365 Copilot 以来，Copilot 这个词便被各界人士不断提及。 "Copilot has caught lightning in a bottle（Copilot 在瓶中捕抓到了闪电）"。 这是不久前，红杉资本在探讨新一轮技术革命时说的一句话。微软选择了智能化应用采用Copilot 架构。

人们广泛认同某些技能和能力是人类独一无二的，而且它们（目前）不能被人工智能或机器人复制或替代。

• 一种是与解决复杂问题相关的技能，此类技能依赖于专业知识、归纳推理或沟通能力。
• 第二种独特技能与人际交往和情景适应有关，这往往更多地和人工角色有关。

第一种技能的核心是波拉尼悖论（Polyani\'s Paradox），它指的是化学家和哲学家迈克尔·波拉尼（Michael Polyani）发表的一个评论，即：“我们知道的，比我们可言说的更多。” 换句话说，人类知识的一大部分都是隐藏的，因此不能以指令的形式写下来，所以无法被人工智能和机器人技术复制。

第二种技能与莫拉维克悖论（Moravec\'s Paradox）有关，它指出：“让计算机进行智力测试或执行检查程序时达到成年人的水平并不困难，但是让它们有一岁小孩般的感知和行动能力则非常困难，这几乎是不可能的。”因此，一个机器人可以轻松地执行复杂的分析任务，但捡杯子和爬楼梯对于它来说则困难得多。

莫拉维克悖论 是说对于人工智能和机器人来讲，人类所独有的逻辑推理能力只需要非常少的计算能力就实现，然而 GPT-4 这样的大模型的逻辑推理能力，微软专门为其打造了一台超级计算机，用来在Azure公有云上训练超大规模的人工智能模型。其中这台超级计算机拥有28.5万个CPU核心，超过1万颗GPU（英伟达 V100 GPU）；按此规格，如果自建IDC，以英伟达A100 GPU芯片替代V100 GPU芯片，依照性能换算，大约需要3000颗A100 GPU芯片。

莫拉维克悖论表明了，人类和算法的结合可能是实现最佳人工智能应用的最佳方式之一。虽然计算机可以在某些智力测试或玩跳棋等游戏中表现出成人水平的能力，但在感知和行动方面，它们仍然无法达到儿童的技能水平。这是因为儿童具有天生的感知能力和运动协调能力，而这些能力需要通过长期的自然经验和训练才能得到发展和完善。因此，将人类的知识和经验与计算机算法相结合，可能会产生更好的结果。

例如，在医疗领域中，医生可以使用机器学习算法来分析大量的医学图像数据，以帮助诊断疾病。然而，由于医学图像数据的复杂性和多样性，单纯的机器学习算法可能无法准确地识别和诊断疾病。因此，将医生的专业知识和经验与机器学习算法相结合，可能会产生更好的结果。

有莫拉维克悖论的存在，机器智能的一些最佳应用将是人类和算法的结合。也就是说Copilot 这样的架构是更加契合人与机器的协同合作。

欢迎大家扫描下面二维码成为我的客户，扶你上云

自动驾驶现状及级别技术路线

特斯拉今年已经出过多起事故，都是在开启Autopilot（特斯拉的自动驾驶技术，实际上只是驾驶辅助）情况下汽车未能识别障碍物而发生的碰撞事件。严重有撞上大挂车司机当场死亡的，轻的也有不能识别马路牙子接连撞了12个桩子的，无一例外的是，在事故发生的时候司机的手是离开方向盘的。车主认为特斯拉应当负责，而特斯拉则认为是司机驾驶不当。

造成车主和特斯拉自主来回扯皮，主要原因还是对特斯拉的Autopilot没有正确的认识，对它能做什么和不能做什么没有足够的了解。

实际上特斯拉目前所用的自动驾驶技术只能称之为驾驶辅助系统，在行驶过程中只能起到辅助的作用，大部分的操作还是需要人来完成。根据美国高速公路安全局根据自动化程度对自动驾驶汽车的级别鉴定来看，特斯拉的自动驾驶级别只能算level 2，距离最高级别level 4全自动驾驶还有很远。

 总之到现在真正能量产销售的自动驾驶汽车能达到L3级别目前只发现奥迪A8，且只是在拥堵路段满足相当都条件才能激活“拥堵自动驾驶”，这种模式激活后出事故是汽车厂商负责。目前看主流厂商都目标都是2020或2021年实现大面积量产商用（当然只是从技术角度，政策法律法规方面还不明朗），因此如果近期要买车可以先买一个过渡车先用，等到那时自动驾驶技术真正成熟时才换用。假设下一个七年自动驾驶汽车普遍使用解决相当一部分拥堵问题，假期回家开始也会轻松很多哈。

（一）自动驾驶技术分级

 

自动驾驶技术分为多个等级，目前国内外产业界采用较多的为美国汽车工程师协会（SAE）和美国高速公路安全管理局（NHTSA）推出的分类标准。按照SAE的标准，自动驾驶汽车视智能化、自动化程度水平分为6个等级：无自动化（L0）、驾驶支援（L1）、部分自动化（L2）、有条件自动化(L3)、高度自动化(L4)和完全自动化（L5）。两种不同分类标准的主要区别在于完全自动驾驶场景下，SAE更加细分了自动驾驶系统作用范围。详细标准见下图：

 

 

 

（二）自动驾驶技术路线

 

在自动驾驶技术方面，有两条不同的发展路线：

 

第一种是“渐进演化”的路线，也就是在今天的汽车上逐渐新增一些自动驾驶功能，例如特斯拉、宝马、奥迪、福特等车企均采用此种方式，这种方式主要利用传感器，通过车车通信（V2V）、车云通信实现路况的分析。

 

第二种是完全“革命性”的路线，即从一开始就是彻彻底底的自动驾驶汽车，例如谷歌和福特公司正在一些结构化的环境里测试的自动驾驶汽车，这种路线主要依靠车载激光雷达、电脑和控制系统实现自动驾驶。

 

从应用场景来看，第一种方式更加适合在结构化道路上测试，第二种方式除结构化道路外，还可用于军事或特殊领域。

 

（三）自动驾驶涉及的软硬件

 

1、传感器

 

传感器相当于自动驾驶汽车的眼睛。通过传感器，自动驾驶汽车能够识别道路、其他车辆、行人障碍物和基础交通设施。按照自动驾驶不同技术路线，传感器可分为激光雷达、传统雷达和摄像头三种。

 

（1）激光雷达

 

目前是被采用比例最大的设备，Google、百度、Uber等公司的自动驾驶技术目前都依赖于它，这种设备被架在汽车的车顶上，能够用激光脉冲对周围环境进行距离检测，并结合软件绘制3D图，从而为自动驾驶汽车提供足够多的环境信息。激光雷达具有准确快速的识别能力，唯一缺点在于造价高昂（平均价格在8万美元一台）导致量产汽车中难以使用该技术。

 

 

 

（2）传统雷达和摄像头

 

由于激光雷达的高昂价格，走实用性技术路线的车企纷纷转向传统雷达和摄像头作为传感器替代方案，例如著名电动汽车生产企业特斯拉，采用的方案就是雷达和单目摄像头，国际知名厂商为Mobileye等。其硬件原理与目前车载的ACC自适应巡航系统类似，依靠覆盖汽车周围360°视角的摄像头及前置雷达来识别三维空间信息，从而确保交通工具之间不会互相碰撞。

 

虽然这种传感器方案成本较低、易于量产，但对于摄像头的识别能力具有很高要求：单目摄像头需要建立并不断维护庞大的样本特征数据库，如果缺乏待识别目标的特征数据，就会导致系统无法识别以及测距，很容易导致事故的发生。而双目摄像头可直接对前方景物进行测距，但难点在于计算量大，需要提高计算单元性能。

 

 

 

2、高精度地图

 

自动驾驶技术对于车道、车距、路障等信息的依赖程度更高，需要更加精确的位置信息，是自动驾驶车辆对环境理解的基础，随着自动驾驶技术不断进化升级，为了实现决策的安全性，需要达到厘米级的精确程度。如果说传感器向自动驾驶车辆提供了直观的环境印象，那么高精度地图则可以通过车辆准确定位，将车辆准确地还原在动态变化的立体交通环境中。

 

 

 

3、V2X

 

V2X，指的是车辆与周围的移动交通控制系统实现交互的技术，X可以是车辆，可以是红绿灯等交通设施，也可以是云端数据库，最终目的都是为了帮助自动驾驶车辆掌握实时驾驶信息和路况信息，结合车辆工程算法做出决策，是自动驾驶车辆迈向无人驾驶阶段的关键。

 

 

 

4、AI算法

 

算法是支撑自动驾驶技术最关键的部分，目前主流自动驾驶公司都采用了机器学习与人工智能算法来实现。海量的数据是机器学习以及人工智能算法的基础，通过此前提到的传感器、V2X设施和高精度地图信息所获得的数据，以及收集到的驾驶行为、驾驶经验、驾驶规则、案例和周边环境的数据信息，不断优化的算法能够识别并最终规划路线、操纵驾驶。