不久以后，AI驱动的无人驾驶汽车将大规模上路。

但是无人驾驶车上路只是成功的一半。系统操作员还需要对上路的无人车软件模型，车队频繁地部署升级。无人车不是几个月才升级一次的手机小游戏，为了保证乘客安全，无人车的软件必须定期升级。

很多汽车制造商认为，他们面临的最大的挑战就是需要持续地对软件模型进行训练和升级。最终解决方案中，深度学习AI技术平台，组织管理功能，甚至包括人类都是其中各司其职的一部分。

距完全无人驾驶汽车的发布至少还需要5年左右。目前的无人车安全性还没有达到大规模商用的标准。谷歌无人汽车还在犯错，比如它不明白为什么停车标志下骑车的人坐着不动，可以在高速上行驶的特斯拉Autopilot却在当地街道上出现故障。其实，需要解决的无人驾驶汽车的极端情况数不胜数，还有很多未发现或未考虑在内的问题。只有解决了足够多的场景下可能出现的问题后，无人驾驶汽车才能说是“足够安全”的。正如特斯拉最近发布的消息：

“无人车的正确率达到99%相对容易，但要达到99.9999%却要困难的多，而这才是我们最终的目标， 因为以70英里每秒行驶的车如果出现故障后果不堪设想。”

持续不断的升级挑战

虽不能达到100%的精准度，但我们仍要继续尝试，这正是在无人汽车大规模进入市场后，持续对其“大脑”进行升级将成为业界惯例的原因之一。同时，这也是新兴科技与人类强强联合的用武之地。

想要理解为什么持续升级过程会带来挑战，以及科技和人类如何合作，可以先了解一点无人汽车的工作模式，以及人类“教”无人车驾驶的方法。假设现在是2025年，Hooli公司　的全无人汽车已经商用了好几年。在上百万已经上路的Hooli无人汽车中，大概每辆汽车中都有一个机载计算机。

计算机将车载传感器的信号作为输入，并输出汽车应该采取的操作。计算机用一个高度精准的深度学习神经网络模型编程而成，汽车可以高质量地完全几百种行为，比如遵守停车标志，遇见黄灯减速，避免撞到十字路口的行人等等。但如上所述，Hooli希望定期升级模型以提高安全性，而他们希望的升级频率是一周一次。

为简单起见，假设Hooli只想提升一项汽车行为的性能——变换车道。Hooli的无人汽车每周都要执行1亿多次变换车道的操作，在此期间汽车会搜集附近汽车的地理空间信息并据此作出操作抉择。而附近汽车的地理空间信息由车载摄像机所拍摄图片的3D“包围盒”显示出来。

人工介入

深度学习模型计算出的某些包围盒难免会有瑕疵，而这些错误可能会导致灾难。比如，如果模型估计旁边那辆15英尺的汽车只有10英尺长，无人驾驶汽车就会变换车道并撞到这辆车的保险杠，导致车祸甚至是人员伤亡。幸运的是，这种灾难可以通过人类的介入而避免。人类能够检查模型得出的边界框，发现任何错误都可以重新绘制，不断纠正的过程中车载模型就能够不断升级。

当然，让人类每周检查1亿个变换车道的视频并不实际，幸运的是，Hooli有一个更简单的办法。产生包围盒的深度模型有不同的置信度，低置信度通常会产生不准确的边界框，因此如果Hooli的员工只观看低置信度的边界框，也能合理地确保能够找到无人车最严重的故障。

比如，Hooli　让员工观看的含边界框的视频的置信度低于30%。结果显示满足这一标准的视频只有5000，这明显比1亿个视频更好追溯。假设对一个视频的边界框进行检查和纠正（如果必要的话）需要一分钟，那么5000个视频则可以由100个人在一个小时内完成，那么Hooli　每周就有足够的时间升级深度学习模型。

改正了错误的边界框，升级后的图像可以馈入训练过程，并生成升级后的模型。为了检验升级后模型的性能是否优于升级前模型，Hooli　分别用验证数据集对两个模型进行检验（比如，含有人类验证后的边界框的共计一个小时的视频），并比较两个模型预测的边界框与人类验证后的边界框的整体“贴近度”。然后将提升后的模型部署到1百万辆Hooli　汽车中，这与现在的特斯拉的软件升级有点像。

很多人担心AI会不会让所有事物自动化，偷走人类工作，甚至将人类赶下台等。深度学习等科技带来了无人驾驶的巨大进步，但仍然需要人的大量参与才能识别无人驾驶系统的故障，研发并管理更改故障的流程，这或许让人稍感宽慰。简而言之，让汽车学习思考还是需要人类出马。

注：本文作者Naveen Rao是　Nervana Systems　的CEO，同时也是一位神经学家和处理器架构师，一直致力于研发电脑模拟人脑的方法。