近期與自動駕駛相關(guān)的壞消息可謂接踵而來,特別是優(yōu)步自動駕駛汽車在亞利桑那州引發(fā)致命悲劇之后,這一不幸事件引起了人們對于安全承諾以及自動駕駛汽車技術(shù)當前局限性的高度關(guān)注,亦促使這一行業(yè)反思道路安全問題以及如何更好地利用這項技術(shù)拯救人類生命。當然,在討論之前我們首先需要明確一點:目前美國每年約有4萬人死于交通事故。因此盡管曾經(jīng)引發(fā)事故,但自動駕駛汽車技術(shù)在理論上仍有望成為挽救成千上萬生命的關(guān)鍵。
從歷史角度來看,聯(lián)邦政府一直對汽車安全加以嚴格監(jiān)控。這種關(guān)系建立起公眾信任,而且除了極少數(shù)例外狀況,汽車確實有能力保護我們及我們家人的生命安全。自動駕駛技術(shù)擁有拯救更多生命的巨大潛力,能夠讓美國人以安全的方式前往任何他們想去的地點。不過由于自動駕駛技術(shù)具有非常顯著的獨特性與未來性,因此公眾的信任就變得至關(guān)重要——也更易受到影響。
目前,眾多自動駕駛技術(shù)的測試與開發(fā)工作都以公共道路為基礎(chǔ)。隨著這類測試變得越來越普遍,關(guān)于如何更好地部署這項創(chuàng)新技術(shù)的爭論也在不斷增長。為了充分發(fā)揮這種能夠拯救生命的技術(shù)的全部潛能,我們需要建立起一套可以信賴的框架,從而促進這種變革性技術(shù)以安全且快速的方式立足全國范圍實現(xiàn)部署。
更具體地講,國家層面的安全框架也是建立起消費者信任的唯一途徑——畢竟自動駕駛技術(shù)盡管擁有光明的發(fā)展前景,但對大多數(shù)人來說仍然是一種完全陌生的事物。不過由于技術(shù)發(fā)展過快且存在一定程度的不確定性,聯(lián)邦政府目前還沒有準備好為自動駕駛制定全面的安全法規(guī)。
目前,這一問題主要通過美國參議院的立法審議途徑解決。此項立法將為自動駕駛技術(shù)建立起監(jiān)管規(guī)定,同時提出機制性要求以匯總來自自動駕駛技術(shù)開發(fā)商所提供的增量性方法。
無論這項立法是否得到通過,其無疑都符合公眾的切身利益,且將直接影響到一系列利益相關(guān)方——包括汽車制造商、技術(shù)廠商、自動駕駛軟件開發(fā)商、消費者安全倡導機構(gòu)、研究機構(gòu)、監(jiān)管機構(gòu)以及立法者等等。各方將合作建立并推動自動駕駛安全框架的完善。我們不需要,也不應該坐等立法通過,或者在國家公路交通安全管理局的強迫下才對這一問題予以正視。
幸運的是,自動駕駛行業(yè)本身已經(jīng)開始采取行動。
這方面努力的一大現(xiàn)實體現(xiàn),在于構(gòu)建責任敏感安全(簡稱RSS)模型——其由英特爾旗下的Mobileye公司發(fā)布。責任敏感安全模型能夠確保自動駕駛汽車與傳統(tǒng)人類駕駛汽車以安全方式進行交互,從而提供洞察力與透明度,最終確定車輛的具體駕駛方式與決策原因。良好決策的基礎(chǔ),首先在于經(jīng)過驗證的傳感器系統(tǒng),由其提供關(guān)于環(huán)境的高精度數(shù)據(jù)(例如車輛、行人、自行車騎行者、車道等的檢測與分類結(jié)果)。這種性質(zhì)的系統(tǒng)已經(jīng)在當今車輛上的多種高級駕駛員輔助系統(tǒng)中出現(xiàn),且能夠提供事故發(fā)生之前周邊環(huán)境的清晰圖像。但除此之外,責任敏感安全模型還要求以理想的透明度解釋決策的制定原因,并清晰說明系統(tǒng)在進行安全性評估及決策中所使用的具體參數(shù)。
以亞利桑那州事件為例,責任敏感安全模型能夠幫助我們對具體場景進行解析,同時提供可處理的數(shù)據(jù)以幫助調(diào)查,進而通過事件學習改善自動駕駛技術(shù)以避免此類事故再次發(fā)生。雖然責任敏感安全技術(shù)本身無疑是值得公眾加以討論甚至參與其中的重要思維成果,但我們的目標不在于推廣特定的自動駕駛安全方法,而是敦促各企業(yè)及利益相關(guān)方提出建議并積極進行討論。隨著越來越多自動駕駛技術(shù)專家提出各類有望提升公眾信心的想法,這些思想成果將在公共領(lǐng)域接受審查,并逐步得到行業(yè)、政府及其它利益相關(guān)方的支持與推動——這意味著最佳思路將占據(jù)上風。而整個流程也將在公眾視野當中進行、接受討論并匯總出最終結(jié)果,這些結(jié)果將確保公眾感受到企業(yè)對于安全問題的認真解決態(tài)度,并最終更好地提升對自動駕駛技術(shù)安全性的信心。
我們很清楚,這些工作對于自動駕駛行業(yè)而言絕非易事; 確保自動駕駛安全性的可行方法,往往要求數(shù)額可觀的投資,而正是這種投資額度決定著各家行業(yè)參與企業(yè)的最終產(chǎn)出甚至是命運。
但同時需要強調(diào)的是,公眾對于自動駕駛技術(shù)的任何信心缺失都將引發(fā)危機,甚至有可能破壞這一領(lǐng)域當中一切參與企業(yè)的商業(yè)前景。與此同時,對于任何已經(jīng)開發(fā)出的安全模型而言,技術(shù)中立性同樣至關(guān)重要。因為只有這樣,才能確保整個行業(yè)在不扼殺創(chuàng)新或者偏向于某一特定自動駕駛技術(shù)的前提下持續(xù)取得進步。
如今,整個行業(yè)與消費者正處于歷史的重要轉(zhuǎn)折點之上。立足這一轉(zhuǎn)折點,我們有必要就如何最好地確保自動駕駛安全展開更為廣泛的討論與合作??紤]到自動駕駛技術(shù)所將帶來的巨大社會效益,這樣的協(xié)作性努力將極為重要,因此絕對不容任何拖延與怠慢。
好文章,需要你的鼓勵
浙江大學團隊提出動態(tài)專家搜索方法,讓AI能根據(jù)不同問題靈活調(diào)整內(nèi)部專家配置。該方法在數(shù)學、編程等任務上顯著提升推理準確率,且不增加計算成本。研究發(fā)現(xiàn)不同類型問題偏愛不同專家配置,為AI推理優(yōu)化開辟新路徑。
清華大學研究團隊提出SIRI方法,通過"壓縮-擴張"交替訓練策略,成功解決了大型推理模型"話多且準確率低"的問題。實驗顯示,該方法在數(shù)學競賽題上將模型準確率提升43.2%的同時,輸出長度減少46.9%,真正實現(xiàn)了效率與性能的雙重優(yōu)化,為AI模型訓練提供了新思路。
南洋理工大學與騰訊聯(lián)合研究團隊開發(fā)出Rolling Forcing技術(shù),實現(xiàn)AI視頻實時流式生成的重大突破。該技術(shù)通過滾動窗口聯(lián)合去噪、注意力錨點機制和高效訓練算法三項創(chuàng)新,解決了長視頻生成中的錯誤累積問題,可在單GPU上以16fps速度生成多分鐘高質(zhì)量視頻,延遲僅0.76秒,質(zhì)量漂移指標從傳統(tǒng)方法的1.66降至0.01,為交互式媒體和內(nèi)容創(chuàng)作開辟新可能。
華中科技大學研究團隊發(fā)現(xiàn),通過讓AI模型學習解決幾何問題,能夠顯著提升其空間理解能力。他們構(gòu)建了包含約30000個幾何題目的Euclid30K數(shù)據(jù)集,使用強化學習方法訓練多個AI模型。實驗結(jié)果顯示,幾何訓練在四個空間智能測試基準上都帶來顯著提升,其中最佳模型達到49.6%準確率,超越此前最好成績。這項研究揭示了基礎(chǔ)幾何知識對培養(yǎng)AI空間智能的重要價值。