<mark id="oztn4"></mark>
2
今天，在浙江余姚舉辦的中國第三屆機器人峰會上，中國工程院李德毅院士分享了他在無人駕駛研究領域的最近進展，明確指出無人駕駛的核心在駕駛腦，跟汽車廠商正在做的東西分工明確，而且這個“腦”的駕駛活動更多的是技巧，記憶和經驗，而不是知識、推理和計算。
歷史機遇的又一個崛起可能就是人工智能。我今年72歲了，以一個“70后”的身份，我談談創業創新四個要素。我問過許多同行，他們認為技術很重要；我又問更年輕的同行，他們告訴我是資金更重要，沒有錢什么都辦不成；還有人告訴我團隊很重要，還有人告訴我思想很重要，那么我想今天報告談一下我的看法。
先講第一個問題，大家都以為在國外留學，然后到FaceBook這樣的國外公司呆一陣子，再到中國創業就很容易，其實不對，你是有人傲人的經歷，是有核心的技術，但是不是可以下海了呢？
我下一張片子是我的觀點，有點嚇人。請大家看看這個話，創業成員固然有各自傲人的工作經歷和核心技術，但整個團隊如果沒有明確的，由核心技術匯聚而成的，獨創獨有的成果載體，沒有耀眼的創新亮點，而只是把公司辦成了攻克難題的研究所，苦苦掙扎，技術長期不孵化不出產品來，這樣的公司必死無疑。比如，10個搞互聯網＋9個人要死，20個人搞人工智能＋十幾個要死。
你要搞清楚你要知道你要的是技術，還是核心技術，還是技術的成果？我主張要有技術的成果。
我作為一個“70”后，我今天分享的亮點是什么？駕駛腦，認知腦，且我可以說這跟汽車廠商正在做的事情沒沖突，我模擬的是駕駛員的大腦，他造的是車。
我在講智能的時候講三大智能，我們習慣說計算智能，感知智能和認知智能。剛才我參觀了余姚研究所，我說，機器已經超過人的計算，我們現在的重點要搞交互智能, 記憶智能。
我家里用壞三臺掃地機，我覺得現在不用為好。不實惠。你們不相信可以用用看，第一掃不干凈，第二該掃的地方老是不掃。怎么辦？所以，我現在做什么呢？我不做先視后覺，這是常規的，我做的是視而不覺，邊視邊覺，先覺后視。
我做的是要用已有的認知，借助當前的感知。我的駕駛腦數據流程圖，余凱說值一千萬，我把這個送給余姚同志們，看看你們能不能做出來，我的駕駛腦一個 瞬間記憶池，還有態勢記憶池、還有決策記憶池。
如果我們用到掃地機機器人上，以后它天天這樣掃也是很好的機器人，這是不同的記憶能力不同的認知。駕駛活動更多的是技巧，記憶和經驗，而不是知識、推理和計算。駕駛腦的差異，反映是個人的智力和運動協調能力的差異，世界上沒有兩個完全相同的駕駛腦。
這才叫機器人。我們想將來車上跑的駕駛腦也是一樣的。真正開車的不是汽車本身，而是駕駛員，人的認知，要把腦和機器融合在一起才行。所以我們主張在我們機器人里面，有一個調試總線擴展為自學總線，可以學習人是怎么開車的。然后機器人開車時候扮演的角色，主要是通過學習的東西消化吸收，深入學習，變成了自己的行為。
這張圖也很好，你們拿手機照一照。
人工駕駛的時候，三路機器視覺，圖象一路，GPS一路、雷達一路，這三路視覺形成了現在的駕駛態勢圖，駕駛員通過生活視覺的認知，形成了對方向盤、油門剎車的控制。把當前駕駛態勢和一個認知組成一個隊，把這個隊放在深度學習的神經網絡里面去，讓它學習，形成駕駛記憶。
如果開十天這個數據量也不小，如果整天從辦公室到家，從家到辦公室，到11天可以了，機器人說——我可以開了。當機器人開車的時候，駕駛員不在了，它就可以搜索這個圖，把對應的認知拿出來去開車。駕駛就是這么簡單，這怎么能夠讓車廠做呢？這是駕駛員的事。所以車廠只能做自動駕駛。這個深入學習，可以是長時期的學習，統計學習和進化學習。
人真正的學習在錯誤中學習的，說一我們怎么樣防止駕駛過程當中的事故，同時我們有負學習，讓開車的時候遇到這樣那樣的險情，做出錯誤的動作，我們通過神經網絡，生成事故記憶棒，把這個做好了，下一次開車的時候，人沒有了，也可以駕駛，又發生了錯誤的，又有一個學習過程，這是負學習的。
這跟Alphago的學習機制很類似。因此我們的機器人，整個框圖是雙駕雙控的架構。
這張圖也很值錢，你們也可以照一下。
當因深度學習正站在全球人工智能的分口，普通把卷積神經網絡用于點云圖像識別、完成感知階段的自學習，而我們另辟蹊徑，把卷積神經網用于形式化之后的、基于可用路權的駕駛態勢圖和反映駕駛操作全部內容的認知箭頭形成的圖對上，用于認知階段的深度學習，大大減少、簡化了實時處理的數據量。
因此之所以在比賽中拿比較好的成績，主要是我們對認知的形勢化，把瞬間記憶大數據“縮水”，即在感知理解之后遷移到工作記憶區，進行深度學習。
下面談談創新創業的四要素這個問題。
第一個問題。我們講技術，就要講這個技術有什么創新的亮點。
第二個問題，講資金，就要講資金的注入點。大家都愁搞不到錢，特別是年輕人，我愁的更好跟你相反，我愁的是有錢怎么花出去，現在最大的困難是錢花不出去，沒有訂單，沒有批量生產，你有錢有什么用？又不能腐敗。所以真的有能耐是把錢花出來的才是真正新的企業。有人在項目路演的時候說，我給50%股權要一千萬資金投入，我說你這個講得太粗糙了，你應該講細一點，給你一千萬你要怎么花，你有本事花出來就有人給你錢。
第三個問題，講市場就要講賣點。
我覺得我們學者不像人家西方。做一個圍棋賺多少錢，Google升值多快？Alphago以4：1戰勝9段圍棋高手李世石，那個廣告賺翻了。我們中國也干過這樣事，2011年我們用北郵圍棋程序Lingo跟人比賽對余斌，并讓兩個子，在中央電視臺直播一下進行比賽，2：0戰勝了余斌。可是我們是發展中國家，沒有什么影響，沒有賺到錢，也沒有賺到廣告費。
當時認為電腦9路盤圍棋兩三年 或可抗衡人類，19路盤圍棋，機器要戰勝人類還看不到希望。5年過去了，發現這個認知是錯誤的。
所以Alphago勝利后，我提出四個問題讓大家想一想。
我認為人機大戰本身人在前面機器在后面或者機器在前面人在后面無休止的較量，Alphago也好，深度學習也好有很大局限性，我們圍棋手跟機器下棋有上當的感覺，因為他比我們做了測試。這個時候我們提出深度學習的四大局限性。
其中，第一，太多的學習參數具有隨意性，該怎么樣就是怎么樣，現在不是了。第二不能保證算法的收斂性，第三缺少反饋機制，第四大量案例也不具有累計性，就是時間累計性沒有。
這樣的情況下，深度學習不是人工智能的重點。我們設想一下，如果我們現在讓不同的Alphago對弈會怎么樣。因此我覺得更有刺激的不應該是Alphago程序，因為做出一個圍棋機器手很難，現在是人抓住這個子在走，做一個圍棋機器人更難，相對地，我認為汽車動作很靈敏了，更有刺激性的是人是機器人和賽車手的比賽，這樣比賽更加激動人心。
自動駕駛的魅力在哪里呢？我們覺得不是跟市場爭時間？我們希望它的車子更加敏捷、靈活，但是我們要做的是駕駛腦。我們賣點是駕照，我們駕駛腦賣駕照！賣的是駕齡，賣的是路熟。駕齡駕照替代不了，路熟，地圖替代不了，所以駕駛腦將來場景很可觀。
最后用一張圖結束，它的市場第一桶金在哪里？
李德毅專注的無人駕駛版塊，正好趕上最近這個領域產業化的熱潮，無獨有偶，我們從他的演講中也能看到很重的強調“落地” “務實”的新學術風格。他明確指出無人駕駛的核心在機器腦，而機器腦的駕駛活動更多的是技巧，記憶和經驗，而不是知識、推理和計算。這個點從目前谷歌無人車大力收集數據，特斯拉自動駕駛積極收集車主數據也可以得到佐證。
值得反思的是，做為一個70多歲還活躍在學術界的人士，他對學術成果能否落地有著格外的關注，甚至犀利的認為只搞技術，苦苦鉆研問題的研究所風格創業是“必死無疑”的，顯然這是他多年學術研究經歷后的一個深刻反思，對于正在這條路上和正在這條路上迷茫的人，是不是也應該思考下這個問題？
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
