5月27日，備受關注的圍棋“人機大戰2.0”正式落下帷幕，最終柯潔以0:3負于人工智能AlphaGo，結局頗令人意外，卻又在很多人的意料之中——因為人工智能發展太快了。相比于2016年韓國棋手李世石挑戰的AlphaGo 1.0版本，今年柯潔的挑戰對象升級到了2.0，新的程序一改最初大量學習人類棋譜來提高棋藝的做法，而是可以自學并尋找規律，包括發掘出一些在人類對戰中根本不可能使用的招數，再加上超強的計算能力，才最終贏得此次比賽，成為圍棋界的“上帝”。

　　事實上，除了圍棋領域，人工智能在醫療科技、智能家居、物聯網平臺、自動駕駛等行業的應用也正越來越廣泛，越來越深入。特別是自動駕駛，作為未來汽車行業的一大趨勢，目前很多企業都在致力于應用人工智能技術實現更高級別的自動駕駛。在此過程中，人工智能逐漸被認為是實現自動駕駛汽車的關鍵所在，是推動自動駕駛商業化的核心。

　　然盡管各方造車勢力已經意識到了人工智能對于自動駕駛的重要性，由于核心技術不成熟、相關法律法規不完善、缺乏專業人才等方面的原因，在通過人工智能推動汽車自動化、智能化這條路上，諸多車企和科技公司遲遲沒有大的進展，很多仍停留在前期的摸索試驗階段，難以大規模量產。

　　缺乏核心技術

　　如同自動駕駛可以分級，人工智能也有等級之分。對于應用于自動駕駛的人工智能技術，目前普遍的意見是將其分為三級：弱人工智能、強人工智能和超人工智能，其中弱人工智能即我們今天看到的AlphaGo、Siri、微軟小娜，更多的是充當人類工具的角色，專注于且能解決特定領域的問題；強人工智能為可以在一些領域勝任人類大部分的工作，甚至具備自我意識；超要實人工智能則是比人類還聰明的人工智能系統。而實現自動駕駛，最少要達到強人工智能級別，無人駕駛則需要達到超人工智能級別——不僅要理解車內人員的意圖，還要時刻觀察周邊車輛、行人等的運動狀態，并對他們的行為做出預測，制定好應對措施，其難度遠高于圍棋對弈。從這一點來看，目前的技術顯然還達不到要求。

　　眾所周知，通過人工智能實現自動駕駛，相當于“做”一個機器人代替人類開車，那么類比人類駕駛員，這個機器人也需要人類的“眼睛”“大腦”和手腳。從這個層面來講，安裝在車上的各種傳感器，諸如攝像頭、激光雷達、毫米波雷達等就相當于傳統駕駛員的“眼睛”，可以幫助自動駕駛汽車“看”清周圍環境信息，采集路況信息；高效處理芯片相當于“大腦”，用于進行信息處理，對信息進行分析，以獲得下一步決策的依據；最后則是根據結果對車輛進行加速、減速、轉向等控制，實現同人類一樣的駕駛水準，甚至超過人類駕駛水平，提升駕駛安全性。目前來看，在這四大層面，都存在相關的技術不足。

　　首先，感知技術。

　　目前，應用于自動駕駛開發的傳感器主要有攝像頭和雷達兩種，其中雷達又可分為激光雷達、毫米波雷達和超聲波雷達，除此之外還有剛剛嶄露頭角的生物傳感器。這些傳感器從功能上來講，各有各的長處，如攝像頭分辨率高、速度快、成本低，激光雷達探測范圍廣、探測精度高，毫米波雷達識別精度高、性能穩定。但單獨使用時它們的缺點也很明顯，像激光雷達在雨雪霧等極端天氣下性能較差、價格高，毫米波雷達對周邊所有障礙物無法進行精準的建模、無法感知行人，超聲波雷達抗干擾能力稍差、作用距離短……幾乎每一種都有缺陷。

　　在此背景下，現在一些企業想到了將不同種類的傳感器進行組合使用，如“攝像頭+毫米波雷達+超聲波傳感器”組合，或者“超聲波雷達+毫米波雷達+激光雷達+攝像頭”組合方案，效果的確比使用單一傳感器要好，但成本往往也更高，用在量產車上根本不現實。

　　其次，數據瓶頸。

　　對人機圍棋大戰有了解的人都知道，AlphaGo在學習圍棋技能時，通過大量數據分析學習了3000多萬步職業棋手棋譜,理解什么才算合規的下法，并通過增強學習的方法自我博弈,尋找比基礎棋譜更好的棋路，才終于有了今天的成就。而最近剛剛出了詩集的微軟小冰，其現代詩創作能力，也是通過對1920年后519位現代詩人的上千首詩反復學習（術語稱為迭代）10,000次達成的。可以說，一旦離開了這些數據，人工智能根本無法在圍棋領域“稱帝”、出詩集。

　　那么，自動駕駛汽車同樣如此，如果希望汽車能夠擁有同人類一樣的駕駛水平，也必須從汽車駕駛的情境中提取海量的數據，并根據不同的場景對這些數據進行分類，供人工智能進行學習。如此一來，且不說真實世界中車輛行駛的工況復雜多樣，遠超AlphaGo和小冰用來學習的數據，即使能夠收集完全，也需要花費很長的時間——業界普遍認為，自動駕駛汽車需要測試數億至數千億公里，才能驗證它們在減少交通事故方面的可靠性。更何況就算花很長時間收集了大量的數據，也難以覆蓋所有的狀況。此外，這些數據后期的分類標定、數據質量以及算法，也還存著在很多的不確定因素，足以影響行車安全。

　　再者，算法難題。

　　由于現實生活中的車輛行駛工況千變萬化，異常復雜，而自動駕駛又是一項對準確性要求比較高的操作，稍有不慎就會造成人員傷亡，因此要想盡可能地提升駕駛安全性，必須采集充分的數據，讓車輛對周圍環境有準確的認識，從而為下一步的控制執行建立決策依據。在此背景下，傳統的算法已經難以滿足自動駕駛汽車的需求——因為難以達到深度學習的高精確度要求；面對非道路環境，傳統算法無法和數據庫中的道路信息匹配，可能會做出錯誤的判斷。此外，在龐大的數據面前，傳統的計算能力會讓人工智能的訓練學習過程將變得無比漫長，甚至完全無法實現最基本的人工智能——數據量已經超出了內存和處理器的承載上限，從而極大地限制了人工智能在自動駕駛領域的發展和應用。

　　更重要的是，即便現如今的交通法規已經如此完善，尚有大量不遵守交通規則的人，且他們規范交通法規的形式各不相同，常常令人出其不意，這種情況下，僅僅靠學習已有的工況很難應對，而是需要打破原有判斷標準，對照陌生的突發情況重構一套應對方案，這就需要超人工智能提供技術支持。

　　最后，控制執行。

　　自動駕駛控制執行與傳統汽車類似，即對車輛進行加速、減速、轉向等操作，作為上述所有步驟的最終執行者，其執行效果直接關系到自動駕駛汽車能否準確且實時地完成上層智能控制系統的控制指令，對于保證行車安全至關重要。但與傳統汽車不同的是，面向量產的自動駕駛汽車必須對車輛的傳統執行機構進行電子化改造，升級為具有外部控制協議接口的線控執行部件系統，從而讓車輛按照計算得出的結果進行更準確的操作，因為自動駕駛汽車上，最終控制車輛的不是“人”而是汽車本身。

　　然而現實卻是，對于這一在傳統汽車領域一直被眾多車企視為優勢的技術，在自動駕駛汽車領域，卻被少數幾家大型的零部件供應商壟斷了，而且這些供應商大都擁有自成體系的全套底盤控制系統，且大多不開放，也在一定程度上制約了自動駕駛汽車的發展。

　　而除了上述技術瓶頸，自動駕駛安全問題，特別是網絡安全也一直是困擾廣大車企的難題，尤其近期互聯網上爆發了全球性的勒索病毒攻擊事件后，更是給自動駕駛網絡安全蒙上了一層陰影。還有法律法規缺失，包括前期支持自動駕駛汽車研發的測試法規，國家針對自動駕駛汽車的性能指南和測試標準，以及后期汽車上路后的法規要求，如交通事故責任劃分等，也是后一階段亟待解決的問題。