被高估的自动驾驶与被低估的算法

过去的事实证明，人类向来不善于预测。要么总是高估短期发展，低估中长期进程，要么压根猜错了方向。

基于自身需求和社会发展，人们确信，AI是解决交通问题的终极工具。资本同样确信这一点，到2020年以前，全球AI产业投资将达到4000亿美元，60%的投资和新创公司诞生在中美两国。

停滞不前的自动驾驶

但投资人已经发现，找新项目越来越难，而项目变得昂贵，这是资本泡沫出现的信号。

就短期而言，AI的效能和回报都被高估了。

作为自动驾驶研发的领先者，谷歌旗下的Waymo正在凤凰城郊区部署自动驾驶车队，并已经开始收费服务。对于本地智能决策的实用项目而言，是巨大的阶段性成功，尽管服务区域和服务人群都做了精心的限制和挑选。显然，这是限定场景下的L4级别自动驾驶应用。

然而，当地居民热衷于取笑Waymo的自动驾驶车辆。这些白色的克莱斯勒Pacifica在高速路上试图并线却总不成功，最后被迫驶下公路；或者在经过十字路口时把车道占住，不敢拐弯，导致追尾。人类司机不耐烦过于守规矩的交通参与者，他们粗鲁地按喇叭，根本不管AI是否听得懂。

Waymo的CEO克拉夫西克则暗示AI的笨拙状态还要持续多年，他认为L5级自动驾驶的实用部署可能需要“数十年”，这和他3年前的乐观态度形成鲜明对比。

算力的瓶颈在哪里？

这多半源于工程师们对AI训练时的心力交瘁。真实世界的工况复杂程度，很难通过固定模型调参，达到完全覆盖的目的。和公众认识的相反，获取数据是容易的。只要法律允许且车主们同意，地球上每天运行的十几亿辆汽车，都可以装上廉价传感器，获取行驶数据，上传云端。

如此海量的元数据，必然存在大量重复的冗余数据。工程师们花了很长时间，编写算法，提炼并构建对AI训练有最大价值的数据库（即训练模型）。

不过，数据后期的分类标定、数据质量以及算法，存着在很多的不确定因素。而公众和监管机构都坚持，自动驾驶汽车需要测试数亿至数千亿公里，才能验证它们在减少交通事故方面的可靠性。这无疑加大了AI应用在自动驾驶的难度。

由于算力的局限，致使AI训练过程变得很长。数据量超出硬件承载的上限，AI就无法表现得老练得体。也因为同样的原因，人们必须事先筛选数据，避免硬件崩盘。

众所周知，随着硅基芯片加工极限迫近，单个芯片的算力提升乏力。摩尔定律不是法律，它只不过是从业者观察到芯片业蓬勃发展时期的规律而已，而这一规律正在走向终结。

因为硅原子的直径是0.3nm，这是不可逾越的物理限制。而且，门控电路很难控制单个原子。此时的量子效应不可忽略，电路逻辑从确定状态变成概率，芯片逻辑将一塌糊涂。目前人类在水中雕刻硅片的“刀具”是深紫外光——接近X射线的波长，硅加工当下的极限是7nm，而提升的终点可能是2-3nm。

既然电路密度提升愈来愈困难，扩大面积、增加立体维度，不就仍可以扩张电路复杂度吗？考虑到能耗带来的尺寸翘曲和散热问题，无论二维还是三维扩张，都受到严格限制。即便全球顶尖加工能力，硅片面积扩张后，成品率也不可避免地急剧下降。

当前人类仍在不断提升算力，靠的是大规模并联，多芯片算力协同的代价，则是数据内部传输的效率低下和功耗急剧上升。

新架构可能不是最终答案

2016年战胜李世石的AlphaGo仍是传统的冯诺依曼结构，配置了1202个CPU和176个GPU，功率17万瓦，下一盘棋电费3000美元。而李世石的大脑就算满负荷运行最多也只20瓦，只够点亮一盏昏暗的白炽灯。这不是一场公平的决斗。在人脑面前，AI笨拙得惊人，也低效得惊人。

而第二年战胜柯洁的AlphaGo则采用了4片基于云的TPU，构成180TFlops算力（1T哈希率=1万亿次运算）。而2018年谷歌推出的TPU3.0，具备100P（1P哈希率=1000万亿次运算）算力。作为代价，TPU3.0必须采用水冷机制。超算的冷却更需要庞大设备，微软的内蒂克项目干脆建在苏格兰奥克尼群岛冰冷的海底。

TPU本质上是专用场景的ASIC芯片，对冯诺依曼结构的瓶颈进行优化，不能处理文本，专门用于深度学习的神经网络计算。计算密度无法提升的时候，我们依靠改善架构，继续榨取算力。

但是TPU的体积、功耗和麻烦的冷却设备，都注定它不可能充当车载本地AI。基于高速网络的云端算力，减轻了本地AI的负担。不过，这些提升终有尽头，而且尽头近在眼前。

在硅基芯片的潜力挖掘殆尽之前，我们必须找到更强大的算力。量子计算和化合物半导体、生物计算都具备替代潜质。而大多数国家资本，正在大规模地押注量子。但是截至目前，世界上还没有真正意义上的量子计算机，也很难估量什么样的方案能更有效地束缚微观态的量子。量子计算机的实用化预测，从5年到50年不等。

在人们担心强AI失控之前，AI本身还未能对算法进化做出什么贡献。算法的巧妙依赖于人脑。对于人类来说，个体知识体系并不重要，算法的优化源自人类经验积累。这和芯片电路规模扩张，有异曲同工之妙。在合理功耗下算力足够强，是AI胜任高级别自动驾驶的唯一现实路径。

在硅基芯片潜力挖掘殆尽之前，探索出新路径来，决定了AI的未来。这就是我们无法看清未来的原因。