假設在高速行駛中，車剎不住了，你的前方一邊是一堆紙箱子，另一邊是一根電線桿，情急之下，你會把方向盤轉向哪里?看起來這是一個很白癡的問題，但在自動駕駛技術拔苗助長的今天，卻非常具有討論價值。

人云亦云的，不只是吃瓜群眾，在工商業其實也沒什么兩樣。由阿爾法狗引發的本輪人工智能大潮，迅速席卷全球。在汽車行業，無論是整車企業還是互聯網技術公司，無人不談人工智能和自動駕駛，企業在宣傳頁都必須加上“AI”或是“智”字。各種行業大會，各路大佬更是對人工智能的發展侃侃而談，他們都想把自己裝扮成智能方向的領航者。但事實卻比我們看到的糗多了。 

[[242551]]

前不久《汽車人》發文《錢都白扔!自動駕駛技術走錯了方向?》介紹了理論物理，凝聚態物理方向大牛，斯坦福大學的張首晟教授，他認為目前的人工智能技術還處于非常初級的階段，看，“初級”的前面還有一個“非常”。他表示現在的人工智能還處于“仿生階段”，這意味著人們并沒有弄明白根本的原理是什么。

他說的根本原理就是事物的本質，也就是物理學的第一性原理，最終的表達通常是一個數學公式，如F=ma。筆者認為，數學是能與造物者溝通的惟一語言。

物理學是科學之母，基礎物理又是物理之母，基礎物理的表達往往就是一個數學公式。可張教授畢竟不是人工智能領域的開拓者，所以，本文我們不妨來看看人工智能界的大牛，美國加州大學洛杉磯分校計算機視覺、認知、學習與自主機器人中心主任朱松純教授的觀點。朱教授曾三次問鼎馬爾獎(計算機視覺領域最高榮譽之一)，兩次擔任美國視覺、認知科學、AI領域跨學科合作項目MURI負責人。簡言之，這行兒資深的，沒誰不曉得朱松純的大名。

還是開篇的例子，以現在的自動駕駛技術，如果高速行駛當中的自動駕駛汽車，前方一邊是一堆紙箱子，另一邊是一根水泥電線桿子，剎不住車了，必須撞上去，人工智能會怎么選?如果人來開車，腦子都不用動，就會沖向紙箱一邊。而如果交給現在的人工智能技術，大概率會是悲劇。

為什么?朱松純教授說，在整個人工智能領域，深度學習只是分支中的分支，雖然現在在商業上非常火。深度學習的特點是只知其然不知其所以然，用鸚鵡學舌來比喻恰如其分，鸚鵡會學人說話，但它卻不知道自己說的是什么意思。

首先應該清楚，如果把深度學習當作是人工智能，就相當于把海淀區看成了全中國。目前大部分以深度學習為核心研究方向的人工智能企業，也包括我國的幾大互聯網巨頭，其核心產品依賴的都是深度學習。其實深度學習本身沒有什么了不起的，它的本質就是統計數學中的多項式回歸。這一點，早就有統計學和數學方面的專家公開表態了。這是一個笨方法，但借助著英偉達的GPU產品也確實可以一用。可問題在于深度學習，第一，不能理解事物之間的因果關系;第二，不能舉一反三;第三，沒有最基礎的物理常識。由于沒有物理常識，所以它并不曉得撞在箱子上會比撞在電線桿子上安全得多，它只會通過雷達傳回的信號認為這是兩個障礙物而已，無法分析其物理密度。

我們也曾說過，深度學習最需要的是在危險環境中的學習數據，這些數據從哪里找?由于不能夠理解其因果關系，所以在路況中，它并不能夠以人類司機的常識判斷，如別人是否想超車、想并線或者躲大車這些情況。由于不能舉一反三，一次事故所帶來的學習信息并不能夠保證在下一次的不同路況上，機器能夠做出正確的判斷。 

朱松純教授認為，一個很關鍵的地方，就是同樣是在概率統計的框架下，當前大部分的深度學習方法屬于一個被稱作“大數據、小任務范式”，就是用大量的數據去訓練特定的模式，如阿爾法狗下圍棋。但朱教授提倡的是一個相反的思路，他認為人工智能的發展需要進入一個“小數據、大任務范式”，是用大量的任務，而不是大量的數據來塑造智能系統和模型。

朱教授做了一個比喻，一個18世紀的廚房和現代的廚房，作為人類來說，一眼就知道它們的功能是一樣的。但是作為深度學習的人工智能來說，兩者的信息極難被匹配。類似的，我們知道，在容器中或水龍頭那里可以得到水，但機器會認為這里沒有水。

人工智能并不神秘，當然它會在一個很具體的問題上，也就是前文所說的“小任務范式”，如下圍棋，處理文字，篩選圖片，語言翻譯方面超過人類。但是汽車駕駛明顯是屬于大任務范式，使用同樣的方法，難道不是走錯了方向?也就難怪如今自動駕駛下的交通事故總是不絕于耳了。無法做到舉一反三，那自動駕駛真的能給人們出行帶來安全嗎?

引用網上一位投資者的話：以目前的技術發展現狀來說，人工智能離規模化商業應用，還是太遙遠。所謂的高速發展馬上要被證偽了。千萬別說這幾年會有大的技術突破，現在的技術研究都是在上個世紀前半葉的理論基礎上進行的。理論基礎都沒升級，想著在軟硬件層面修修補補就能有顛覆，騙人類自己還是騙人工智能呢?

這和張首晟教授的觀點非常相似。沒有基礎理論的突破，沒有真正能解開智能之謎的那個數學方程式，所謂的人工智能只能在小任務范式上得到發展和應用，而在汽車駕駛這種大任務范式上，還很難說靠譜。