自動駕駛汽車，這些年，我們已經(jīng)對這些新聞失去了興趣，不過是對汽車進行了更加智能化的升級應用。但近些年，對自動駕駛的嚴格要求，讓我們對智能化汽車駕駛的應用追求更加嚴苛。

新創(chuàng)公司Humanising Autonomy的技術是一套經(jīng)過訓練的機器學習(machine learning)模型，應用范圍在于自動駕駛汽車行駛時，可以識別不同行人之行為。該公司宣稱其人工智能系統(tǒng)是一個幾乎可以處理任何車輛攝像頭上的圖像，且因此獲得一個國際投資基金獲得了530萬美元的種子基金。目前，Humanising Autonomy正與歐洲、美國和日本的移動供貨商合作，致力于將產(chǎn)品商業(yè)化，其中幾家公司包括：Daimler Mercedes Benz 和 Airbus。

Humanising Autonomy模型的優(yōu)勢包括兩點：多樣的數(shù)據(jù)來源，以及可根據(jù)硬件需求單獨選擇和調整的模塊化模型設計。

該系統(tǒng)的數(shù)據(jù)來源涵蓋了閉路電視攝影機(Closed-circuit television, CCTV)、各種分辨率的移動式攝影機、以及自動駕駛車輛的傳感器等。而系統(tǒng)模塊化的優(yōu)點在于可以隨著環(huán)境做出不同的預測和調整，例如，雨天風險大小、行人是否分心、地區(qū)差異等。利用深度學習(deep learning)的設計，該制程的可讀性將會提高，也將改善該模型的效能。

真正的人工智能公司是擁有統(tǒng)一的自動化數(shù)據(jù)數(shù)據(jù)庫，也就是一個戰(zhàn)略數(shù)據(jù)采集的地方。在設計自動駕駛車輛的過程中，創(chuàng)建數(shù)據(jù)集以及使用數(shù)據(jù)集，將會是設計過程與機器模型深度學習中，一個互補條件下的完美結果。

開發(fā)深度學習模型時，特別困難的地方是確定哪些才是所謂真正的變量(variations)。大多數(shù)的情況下，圖像和聲音都會轉換為數(shù)行和數(shù)列的數(shù)據(jù)，而普遍對深度學習的誤解是，人工智能學習系統(tǒng)模型都需要使用大量數(shù)據(jù)做為訊息來源。但在預測自動駕駛路徑時，如果為了同時考慮天氣，而把因為下雨導致轉彎速度下降所加入的道路標記，改成添加一個“下雨”的功能到軟件里，模型將不需要再進行密集型學習，就能進一步提高其性能。

另一方面，由于數(shù)據(jù)都是由人類所產(chǎn)生，因此，在深度學習的情況下，加入心理學的概念將有助于理解為什么某些數(shù)據(jù)產(chǎn)生的結果，或者某些神經(jīng)網(wǎng)絡會存有誤差。如果以行人過馬路的行為為例，一般人皆可知道，倫敦的行為模式并不能轉移到孟買，反之亦然。如此一來，學習過程將不再是訓練一個全新的模型，而是收集并關注特定的數(shù)據(jù)，以便對新環(huán)境進行更新。

產(chǎn)品改良的過程，有一件事特別令人注目，也就是當用戶使用產(chǎn)品時，設計人員能持續(xù)開發(fā)深度學習解決方案，并與用戶交互學習，使得每個新生成的數(shù)據(jù)點變成動態(tài)的學習。這個過程結合了深度學習與強化學習，稱為深度強化學習(deep reinforcement learning)。

深度強化學習可應用于多的地方，其中也包括自動駕駛車輛與行人之間的相互作用。舉例來說，當行人了解每次只要將一只腳放在路上，車輛就都會停下來，那么當行人想要穿越馬路時，就會更頻繁的做這個動作。這件事若使用傳統(tǒng)的深度學習算法，必須重新訓練整個模型或至少是模型中幾個層的訓練成本，但深度強化學習的模型可以自動將這樣的行為加到該項目中。

總而言之，在收集和準備數(shù)據(jù)的過程中，透過設計方法的改進，將可以改善大部分的數(shù)據(jù)管理作業(yè)。而借著設計和工程視角間的切換，將可以避免在特定領域遇到障礙，而有助于實現(xiàn)模型學習的結果。

人工智能將逐步改變我們的生活，汽車的自動駕駛也僅僅是其中的一小部分，讓我們一起展望未來，期待更加智能，更加便捷時代的到來。