什么是自主人工智能？这里给出了一份企业指南 - IT思维

公众号/  ScienceAI（ID：Philosophyai）

编辑 | 萝卜皮

自主人工智能被定义为允许机器人、汽车、飞机和其他设备在没有人类指导的情况下执行扩展序列的操作的例程。人工智能（AI）的革命已经到了一个关键阶段，当前的解决方案可以可靠地完成许多简单、协调的任务。现在的目标是通过开发可以提前计划并构建多步骤策略以完成更多任务的算法来扩展此功能。

与许多成功的人工智能应用程序相比，战略性思考需要一种不同的方法。例如，机器视觉或语音识别算法专注于特定时刻，并可以访问他们可能需要的所有数据。许多机器学习应用程序都使用涵盖所有可能结果的训练集。

自主操作通常需要想象未来的许多潜在结果，预测可能出现的问题，然后制定行动方案，以最大限度地减少危险，同时最大限度地提高速度或可靠性等其他因素。学习下国际象棋是对这些任务的良好训练，对计算机和人类都是如此。

自主设备已经可以依赖许多为帮助人类而开发的成熟技术。已经有精心制作的道路数字地图以及经过充分测试的工具来寻找通过它们的最佳路线。声纳传感器和摄像头已经警告潜在的碰撞。

创造自主性的大部分工作需要关注战略算法以及了解如何构建更好的传感器并解释其结果。一些公司正在推动使用激光主动照明的更好的相机，以提供有关世界的更精确信息。其他人则试图使用更好的数学模型从标准传感器中提取更好的信息。

自主人工智能的重要组成部分是什么？

该领域仍然很新，研究人员正在不断改进他们的算法和解决问题的方法，但将工作分解为这些层是很常见的。

传感——构建不断变化的世界的模型需要一组传感器，这些传感器通常是相机，通常是来自激光或其他来源的受控照明。传感器通常还包括来自 GPS 或其他一些独立机制的位置信息。

融合——来自各种传感器的细节必须被组织成一个单一的、连贯的、关于车辆周围发生的事情的视图。某些图像可能被遮挡。有些可能会失败。它们可能并不总是一致的。传感器融合算法必须对细节进行分类，并构建一个可靠的模型，以便在后期进行规划。

感知——构建模型后，系统必须开始识别重要区域，如任何道路、路径或移动物体。

规划——寻找最佳前进道路需要研究模型并从其他来源导入信息，如地图软件、天气预报、交通传感器等。

控制——选择路径后，任何设备都必须确保电机和转向系统能够沿着路径移动，而不会被颠簸或小障碍物转移。

通常，在做出决策时，信息会从传感器的顶层流向控制层。但是，存在反馈循环，可以将来自较低层的信息带回顶层，以改善感知、规划和感知。

这些系统还从外部来源引入数据。当设备相互通信时，自治系统的一大优势就出现了，在有时称为「车队学习」的过程中交换信息。能够融合传感器读数使设备能够使用来自其他设备的历史数据做出更明智的决策，这些设备之前可能处于相同位置。仅用几秒钟的视频就很难检测像行人这样的移动物体，因为人们可能会站着不动，但如果可以将传感器数据与当天早些时候拍摄的类似图像进行比较，就会变得更容易。

有什么方法可以简化工作？

通过简化环境和限制选项，许多自治系统能够很好地工作。例如，自动穿梭列车已在游乐园、机场和其他工业环境中运行多年。他们的路线是预先确定的、有限的，并且通常没有移动障碍物。这简化了算法中的每个阶段。

许多创建工作自治系统的计划都依赖于创建这种有限的环境。例如，有些人谈到在工业园区流通的自动驾驶汽车。其他人则专注于仓库。最小化随机障碍是关键。

另一个潜在的解决方案是安排人工干预并最大限度地减少所需的时间。有些人认为，如果场景变得过于复杂而无法解释，汽车可能会轻轻地暂停或冻结。某个中央任务控制设施中的乘客或某个远方的人可以接管，直到问题得到解决。

自动驾驶 AI 车辆引导的级别是多少？

为了简化向完全自主的人工智能引导车辆的进程，一些人工智能科学家打破了从人类引导到机器引导的过渡。这使得法律框架得以发展，人们可以对他们的一些工具进行分类。这些框架不是固定的，例如，有些框架将其层次结构分为五层和六层。区别并不明确，一些算法可能同时表现出两个或三个级别的行为。

级别如下：

0 级——人类做出所有决定，也许除了一些自动系统，如挡风玻璃刮水器或加热系统。

1 级——人类能够开始将制动或车道跟随的责任委托给汽车。

2 级——汽车将处理几项主要任务，如制动、加速或车道跟踪，但人类必须随时准备好控制。一些系统甚至可能需要人类将手放在方向盘上。

3 级——人类可能偶尔会在短时间内转离道路，但必须准备好响应警报以防万一。该汽车能够控制明确定义和映射的路线，如高速公路，但不能控制未事先研究和绘制的道路或路径。

4 级——人类可以转向其他任务，但可以随时控制。在某些情况下，人工智能不能很好地理解路径，可能需要人类来接管。

5 级——人类可以像对待出租车一样对待服务并放弃所有控制权。

级别并不精确，因为 AI 的成功可能取决于路线。一组特定的算法可以在明确定义的路径上提供接近完全的自主权，例如沿着交通很少的高速公路车道，但在不寻常或未定义的情况下可能会失败。

巨头们是如何应对挑战的？

Cruise Automation 是通用汽车旗下的一家初创公司。它一直在制造雪佛兰 Bolt 汽车的全自动版本，并将其部署在旧金山等城市以销售游乐设施。他们还在凤凰城开着同样的汽车为沃尔玛运送货物。

苹果尚未宣布任何公开产品，但有大量报道称他们正在招聘具有该领域专业知识的工程师。例如，特斯拉自动驾驶软件的一位开发者跳槽到了苹果公司。

Alphabet 的部门正在构建一个名为 Waymo Driver 的模块，该模块可以安装在传统汽车的顶部并与控制硬件集成。他们的努力是第一次出现在公共街道上，该公司吹嘘数百万英里的扩展测试。他们还在凤凰城运营一项名为 Waymo One 的叫车服务，并与长途货运公司合作，测试该软件在长途旅行中运送货物的能力。

微软的公共工作更加普遍和实验性。例如，他们的研究小组在 MIT 许可下共享 Moab 代码库，以允许任何人尝试感知、规划和行动等更高阶的挑战。这是一个更大的低代码工具 Bonsai 的一部分，它可以指导任何工业过程，而不仅仅是驾驶卡车。例如，百事可乐正在使用该技术来提高奇多零食的质量。

甲骨文还将这个词用作其旗舰数据库最新版本名称的一部分，该数据库使用人工智能算法来调整性能，从而节省员工时间。

IBM 正在将他们的 AI 技术应用于船舶导航。他们的 AI 船长旨在避免碰撞，同时对风、天气和潮汐做出明智的决定。

初创公司如何影响自主人工智能？

一些初创公司正在构建完整的系统并创建垂直整合的交通系统。例如，Pony.ai 正在构建一个传感器阵列，该阵列位于现有汽车模型之上，并传递控制指令来引导它们。他们为雷克萨斯、现代和林肯等汽车制造商的许多车型创建了版本。他们还在广州和北京以及加利福尼亚的欧文和弗里蒙特运营 Robotaxi 服务，将自动驾驶汽车发送给使用手机应用程序打车的乘客。

Wayve 专注于在类似的模块中引入敏捷机器学习算法。他们强调汽车不断改进和适应社区的模式，同时与车队中的其他人共享信息。他们定期在伦敦街头测试汽车，并正在探索创建自动送货车队。

Argo 正在构建一个平台，将基于激光雷达的传感器硬件、导航软件和运行全自动驾驶汽车所需的任何地图信息捆绑在一起。他们已经将他们的自动驾驶平台与福特和大众的汽车集成在一起。他们还与沃尔玛合作打造本地送货车辆。

许多初创公司正在应对挑战的一部分，从设计更好的传感器到创建更好的规划算法。AEye 正在构建 4Sight，这是一个围绕激光雷达传感器构建的自适应传感器系统。他们目前生产两种产品，称为 M 和 A，分别针对工业和汽车应用进行了优化。

相关报道：https://venturebeat.com/2022/03/31/what-is-autonomous-ai/