余凯：人工智能让未来出行更加美好

12月1日，2017英特尔中国行业峰会在苏州金鸡湖国际会议中心举行。此次峰会汇集900余名来自政府、金融、互联网、教育、电信等行业的精英代表，更有国内外顶尖的产经知名专家和英特尔高管带来的真知灼见，他们以全球化的视角来剖析我们所面对的未来世界。此次峰会上，地平线机器人技术公司创始人兼首席执行官余凯博士认为在中国做自动驾驶关乎到我们每一个人，也关乎一个国家的核心竞争力的未来，利用人工智能让整个交通出行未来变得更加美好。

12月1日，2017英特尔中国行业峰会在苏州金鸡湖国际会议中心举行。此次峰会汇集900余名来自政府、金融、互联网、教育、电信等行业的精英代表，更有国内外顶尖的产经知名专家和英特尔高管带来的真知灼见，他们以全球化的视角来剖析我们所面对的未来世界。此次峰会上，地平线机器人技术公司创始人兼首席执行官余凯博士认为在中国做自动驾驶关乎到我们每一个人，也关乎一个国家的核心竞争力的未来，利用人工智能让整个交通出行未来变得更加美好。

地平线机器人技术公司创始人兼首席执行官余凯博士

中国的汽车产业拥有巨大的市场，它还在不断地去增长，但是这个带来的也有很多挑战， 比如堵车塞车，交通事故。地平线机器人技术公司希望可以用人工智能，可以用高性能的计算，可以用非常高效的边缘计算，使得我们的交通出行更安全。通过利用人工智能让整个交通出行未来变得更加美好。

地平线希望能够去做这方面的一些工作，使得我们充分地去面对在中国的交通出行的路况下面所面对的挑战，同时也充分地去扮演一个技术供应商这样一个角色，为我们出行运营的服务商，以及政府相应的法律法规决策提供支撑，为行业复制赋能。

以下是余凯博士的演讲实录

地平线机器人技术公司创始人首席执行官余凯博士：各位朋友，大家下午好！

今天在这里作为一名来自创业公司的创业者，尤其特别的是作为英特尔的被投企业的家庭的一员，非常高兴在这边跟大家汇报分享地平线在打造自动驾驶的大脑方面，我们的一些思考， 我们的进展，以及我们怎么去思考未来。

地平线是一个成立两年四个月的创业公司，我们总部在北京，但是我们在南京、上海都有相应的研发的机构。整个公司现在有超过300多名非常年轻的员工。其中绝大部分都是工程师，包括软件，算法，包括硬件，而且有意思的一点是说，我们的这个工程师博士比例比较高，因为我们是一个非常注重核心的初创型企业。

地平线所思考的为自动驾驶打造大脑的方案，包括软件，包括硬件的系统。同时，光在车方面去部署这样的一个大脑是不够的，因为它必须有地图，必须有大数据。自动驾驶未来一定是边缘计算的最大场景。同时我也告诉大家，未来自动驾驶也是云计算的最大场景。我们在中国做自动驾驶因为它关乎到我们每一个人，也是关乎一个国家的核心竞争力的未来。中国的汽车产业拥有巨大的市场，它还在不断地去增长，但是这个带来的也有很多挑战， 比如堵车塞车，交通事故。我们希望可以用人工智能，可以用高性能的计算，可以用非常高效的边缘计算，使得我们的交通出行更安全。通过利用人工智能让整个交通出行未来变得更加美好。

谈到人工智能，我们每一个人其实都会谈深度学习，我自己是在业界最早从事深度学习这个领域技术的研发和创新，我们看到深度学习实际上是人工智能在过去的60年的时间里面，它的发展到今天是最激动人心的方向。 在过去的60年， 前30年是基于逻辑规则的理想化的系统，80年代末到现在是一个大数据驱动的人工智能的系统。为什么叫大数据驱动？其实简而言之，这里面一个关键的词就叫学习。学习就是从经验中不断提升自我。那么数据就是经验，经验就是数据。这是我们为什么讲今天的人工智能越来越多的是说基于大数据的这种人工智能，是因为我们希望人工智能系统能够像人类一样不断地从经验，从教训中不断学习，不断提升自我。

那一谈到大数据，我们肯定谈到计算，一谈到计算，我们就会想到英特尔，我们就会想到摩尔定律，在过去半个多世纪，不断推动信息产业往前发展。人工智能的模型，从浅层次的模型，到现在的深度学习，到增强学习，我们对于大脑的理解，对于深对神经网络的理解，其实也在不断加深。我们传统的机器学习的系统，是一系列的步骤，从数据的采集端，大数据的变换，到特征的抽取，到最后的预测和判断。过去的话，其实大部分的研究工作都是在最后这一步，前面的所有的这些步骤，看似非常的枯燥，非常的繁琐，但是他们非常重要，有很多的原因。什么是深度学习？深度学习就是说很多的这些人工步骤，这些中间的数据抽取和变换的步骤，能用更简洁的方式来做，把中间所有的人工步骤都替代为从数据中学习的步骤，从完全的从一开始到最后都是基于数据的学习，就是我们讲的是端到端的学习， 这也是我们今天深度学习的面貌。端到端的学习方式，除了直观的好处以外，比如说简化中间的这些步骤，减少人工干预，它在计算意义方面也是非常有好处，它真正是拥抱大数据， 随着数据规模的增大，深度学习的效果在不断变好。我们看到在过去的5年时间里面，深度学习突然一下使得我们在很多领域，图象识别、语音识别，甚至我们下围棋取得突飞猛进的令你想象不到的进展。我们思考未来的话，实际上深度学习所带来的重大的变革实际上是基于一个大数据的一个训练。

但是，实际上我们也必须去思考，基于这种大数据的训练，实际上它跟人的这个智能其实还有那么一点点的差距，这个差距是什么呢？因为比如说一个小朋友，他看过一张米老鼠的照片，所有的米老鼠的图，各种的形象，他都是可以立刻就认出来，他不需要那么多的大数据。 怎么样去突破人工智能对大数据的这种赤裸裸的依赖，实际上是现在的人工智能所面对的问题，尤其是对自动驾驶。因为衡量一个自动驾驶，它的系统的可靠性，安全性，稳健性实际上是什么？是在交通意外发生的时候，它究竟表现怎么样。这种意外情况本身的特征就是你在过去的时候，你不容易碰到的。这种不容易碰到的，就是说明你过去的大数据可能是失效的，因为你在这个意外情况永远面对的是小数据，怎样面对小数据的问题，这是人工智能、自动驾驶所面临的一个根本问题。关于这个问题的话，我给大家去回顾一下过去人工智能取得的两个了不起的成就，来找到一些启发。 其中的一个成就，是我过去所亲自做的一项工作，就是用深度学习提升整个搜索的相关性。实际上我们是用一个人工智能的系统来训练搜索的相关性。 比如说用户输入一个数据，会出现一些链接，他点击这个链接，另外一个链接没有点击，他认为这个更相关，这样的信息被我们捕捉到，我们形成这样一个所谓的叫三元组的训练样本，用户每天都在产生这样的数据，我们很容易产生无数的没有限制的数据，所以我们最后用一千亿的例子去训练这样一个大的神经网络，所以这里面实际上意思就是说用自然界自然产生的数据去训练模型。在自动驾驶里面，比如说司机每天都在做判断，他每天都在避障，每天都在开车的路上面让自己更加的安全，这个里面司机其实产生大量的训练数据，我们可以利用的。

（编辑：云计算网_宿迁站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!