股债双跌停牌，万达有大麻烦了吗？
06-18
区块链如何改变数字世界和地缘政治？使用不当会带来什么样的灾难？ “去中心化”真的值得追求吗？硬件、算法和数据公司都声称“推动了人工智能 20 年的进步”。
事实真的如此吗？为什么有人说“机器学习只是炼金术”？真正的“机器智能”为何迟迟未能实现？为什么人们总是对“自动驾驶”心存警惕？ L5真的能实现吗？激光雷达解决方案在机器视觉领域处于领先地位吗？一周前，在《麻省理工科技评论》和DeepTech联合举办的“EmTech”峰会上，无数只出现在教科书和维基百科中的人物聚??集在一起。
他们中的一些人在23年前就建立了“机器视觉+交通解决方案”的雏形。
有人联合+世界巨头，研究区块链的真实应用。
有些人在自动驾驶领域工作多年，熟悉道路上的每一个坑坑洼洼。
NewSeed 从他们的演讲中收集了最令人惊奇的见解。
这些为区块链和人工智能奠下第一块砖的人如何看待当今的尖端技术？区块链：前所未有的新机遇也可能导致前所未有的灾难。
演讲者是 Hyperledger 执行董事 Brian Behlendorf。
Hyperledger由Linux基金会发起，是一个开源项目，旨在推广区块链的数字技术和交易验证。
全球各大公司，如IBM、英特尔、埃森哲、戴姆勒、摩根大通、百度金融等都是会员。
Brian Behlendorf，图片由 EmTech 赞助商提供 区块链的本质是什么？经常有人问我：区块链是什么？它包含两个概念：分布式账本和智能合约。
分布式账本是一个独特的数据库。
它就像一本记录本，可以永远记住固定的顺序，内容不会被篡改。
智能合约是两方相互沟通的工具。
比如我和你打赌明天北京会下雨，然后用智能合约来记录。
如果不下雨，智能合约会自动把钱给获胜者。
与区块链一起，我们正在将“血钻”撤出市场。
在区块链身上，我们可以追踪有关产品的一切。
钻石行业联手建立了一个项目，阻止来自冲突地区的血钻进入市场。
从钻石被挖出来的那一刻起，它就会被记录在区块链的账户上。
无论如何交易或运输，每一个环节都会被记录。
如果我拿到一批钻石，发现区块链没有任何记录，我就知道它们的来源不明，可能是来自冲突地区的血钻。
有人说，我们可以利用云技术来实现这一点吗？当然。
但区块链的本质是创建一种信任机制，让交易双方能够互相信任。
土地所有权是另一个典型的应用。
世界上许多政府在土地所有权方面的可信度非常低。
官员篡改数据库、改变土地历史，而且很难被发现。
现在，印度和美国伊利诺伊州等国家将房地产数据放在分布式账本上。
我们可以追踪土地交易的每一步，了解业主和抵押贷款人是谁以及交易何时进行。
此类记录还可以防止故意破坏。
人类新的“数字身份”雄心勃勃且危险。
许多人对区块链感到兴奋，认为它可以创建数字身份。
在美国，身份管理一直是一个问题。
我们希望每个人的证件、证明、身份证、护照都有记录。
同样，印度也在开发此类应用。
一般来说，我们整个服务可以分为公开的和私有的、许可的和非许可的。
其中，公开和私人是指谁可以读区块链，许可和不允许是指谁可以写区块链。
比特币和以太坊都是公开的和未经许可的，民意调查是私人的和未经许可的，土地私人所有权申请是公开的，个人医疗记录是未经许可的。
个人健康数据和个人健康数据一样，可以在数据链上共享，但不能完全公开，因为它们非常敏感。
我们需要一些只有医生和我们自己才能读懂的标记。
必须有一个领导者来实现“最小化集权”。
区块链已经被广泛使用，但仍然存在很多安全问题。
所有软件都存在漏洞，无论是手机还是电脑。
区块链身边潜藏着更多危险。
黑客可能会用垃圾数据淹没我们的系统。
此外，由于区块链具有不可逆性，一旦发现漏洞，可能会导致永久不可逆的数据泄露。
我们以前经历过这个。
一旦出现问题，我们没有任何智能合约或架构可以强制节点删除数据。
因此，当区块链携带个人数据时，我们需要第三方监督，即所谓的社会契约。
例如，美国的《健康信息隐私和可移植性法案》、欧盟的《通用数据保护条例》等。
这些法规不仅可以防止数据泄露，还可以在必要时实现数据恢复。
它可以是国家法律或人为法规。
但无论是什么，我们都必须对智能合约和区块链有一定的治理。
领导力非常重要。
考虑到这一点，我们理想的区块链就是“最小化集权”，既能保证自动化，又能考虑到人的因素。
最后一个建议。
如果您正在开发区块链技术，请务必特别注意那些添加的新节点。
他们很可能被垄断者利用。
人工智能：深度学习更像是“炼金术”，真正的突破必须通过“人脑”来实现。
演讲者是麻省理工学院计算机科学与人工智能实验室教授 Tomaso Poggio。
他是世界上最早从事人工智能研究的人之一。
他的学生分布在当今顶尖的人工智能公司，如 DeepMind（创造了 AlphaGo）和 Moblieye。
Tomaso Poggio，照片由 EmTech 赞助商提供 深度学习：我们时代的炼金术 在当今时代，深度学习有点像炼金术。
在成为真正的化学之前，它仍然需要做很多工作。
23 年前，哈萨比斯和我希望将计算机视觉和深度学习结合起来，创建一个可以自动识别行人的学习系统。
当时我们识别了行人和红绿灯，但是每秒有10个错误。
这是我们非常满意的一年。
但如今，Mobileye 每 30 英里仅犯一次错误，是当时的百万分之一。
取得如此巨大进步的原因是什么？第一个是机器学习算法，第一个是深度学习，第二个是强化学习。
它们都来自认知科学和神经科学。
深度学习的架构是在 20 世纪 60 年代研究猴子视觉系统时发明的。
它的创建是为了更好地研究猴子学习过程中大脑的神经结构。
随后福岛提出了第一个定量模型，20年前又提出了现代版本的HMAX。
这些结构都来自同一个起源——相同的层次结构。
从下到上，神经的层级越来越高，每个高层神经元只与下一层神经元相连。
2016年，我们开发了AlexNet，它是目前性能最好的架构。
基于神经科学，我们的工程研究不断发展。
这很重要，因为我们还没有实现真正的人工智能。
神经科学：人工智能的真正黎明。
深度学习可以帮助我们解决10%的问题。
剩下的90%呢？答案可能在于神经科学和认知科学的研究。
我们必须研究人类的思想和大脑。
这也是麻省理工学院大脑、思维和机器中心（CBMM）正在研究的问题。
我们希望在理解认知方面取得进展，了解整个智能架构及其背后的科学原理。
大脑中智能的产生是科学现在需要解决的一个元问题。
为了取得突破，CBMM有以下三个路径：1.计算机科学+机器学习。
2.神经科学。
3.认知科学。
我们要回答的是三个基本问题： 1. 近似理论：什么情况下深层网络会比浅层网络更有效？ 2.优化：经验风险函数应该如何设计？ 3.学习理论：深度学习为什么不会产生过拟合？这三个问题是机器学习的基石。
他们的答案很复杂，为了解决这个问题，我们需要开始思考深度学习的局限性以及一些技术理论。
不了解大脑，就无法真正理解“机器智能”。
越来越多的人将意识到，下一个重大进步将来自我们对人类智能和大脑的理解。
DeepMind很认可这个概念（他们的老板也是神经科学的）。
我们正在开发一种超越深度学习的 CBM 架构，并试图描述我们的视觉智能如何工作。
目前，能够成功应用神经科学成果的公司并不多。
我们应该集中资源进行基础研究。
当新生儿理解事物时，他会给它们贴上标签：“那是一匹小马，那是一辆汽车。
”他可以从几个例子中概括出来。
这就是典型的生物学工作原理，显然与当前机器的工作方式完全不同。
我们的大脑充满了智慧，值得更多的研究。
当我们谈论机器时，我们不能将它们与人脑进行太多比较，即使它更快。
过去 50 年来，计算机取得了长足的进步。
但就智能本身而言，机器必须向人类学习。
自动驾驶：汽车雷达会压倒机器视觉吗？ L5什么时候来？ 路线之战：车载雷达VS机器视觉，谁是未来？ 姚松（深鉴科技CEO）：两者并不矛盾。
只要能实现应用就行，算法层面我没那么关心。
但从技术角度来说，我走的是激光雷达的道路。
要让自动驾驶被接受，事故率不能仅仅降低2到3倍。
在被接受之前，它可能必须降低 1 到 2 个数量级。
目前机器视觉很难达到这种精度。
在L4级别，我认为机器视觉可能落后激光雷达多达2到3年。
雷达是更适合做L4及以上的方式。
Louay Eldada（Quanergy CEO）：其实特斯拉一直在使用雷达和芯片叠加的方法，而且解决方案非常好。
但真正的问题是，随着观测精度和分辨率的提高，机器视觉的处理时间会越来越长，需要很长时间进行处理反馈。
雷达更加直观，可以直接扫描整个精确的3D图形。
反馈时间短，效率更高。
如果要问哪个传感器最好，我认为是雷达。
但我们仍然需要机器视觉，因为我们需要看到路标。
雷达可以处理一些非常特殊的路况和工况。
就像特别浓的雾，机器视觉操作起来非常困难，但对于雷达来说，监控的难度没有变化。
我认为最终我们将需要一个集成不同传感器和技术的打包解决方案。
如何向用户证明自动驾驶比人类更安全？吴甘沙（驭势科技创始人）：从数学上来说是非常困难的。
兰登公司做过研究，需要数亿公里的数据来证明。
但谷歌只有10000公里的数据。
那么如何说服用户呢？从心理学的角度来看，有三种选择： 1. 在受控环境中进行实验。
人类只要发现机器犯了一次错误，就永远不会再原谅；但当人们自己犯错时，他们相信自己可以改正，下次会做得更好。
所以一开始，你不能只是把它扔在路上就跑来跑去。
实验必须受到控制，例如夜间小巴或夜间公交车的调度。
2、人类有“熟悉法则”，更容易接受自己熟悉的事物。
我们需要举办很多体验活动，让人们熟悉它。
3.允许人们保留少量的控制权。
谷歌在自动驾驶汽车后座放置了两个求助和靠边按钮，可以随时让汽车靠边停车。
倪凯（和多科技创始人）：我想补充一点。
当我们还是孩子的时候，我们是如何学会骑自行车或滑冰的？刚开始的时候，背后还有人扶着，可有一天，大人突然松手了，你都不知道它已经松手了。
现在的L3.5也是如此：明明是L4，但对外却说是L3。
这样无论是从技术角度还是从用户心理接受度上都更加负责任。
姚松（深鉴科技CEO）：确实，这是自动驾驶技术的“降维”思路。
奥迪就是这么做的。
例如，如果他们要推出一个L3系统，他们首先会宣布它是L2，这需要人工监督。
这会在一定程度上增强你的自信心。
也许有一天，我的软件不会大幅升级，但会宣布为L3，大家都会接受。
许多人试图一步到位 L4。
这可靠吗？倪凯（和多科技创始人）：如果现在做L3，它的产业技术、数据积累、现金流、商业模式都已经成熟了。
但要实现L4，大家一致认为至少需要5年，也有人悲观地认为需要7到10年。
这么长的时间跨度，很可能会出现颠覆性的技术，导致你现在的工作白费。
如果你想一想，7 到 10 年前，没有人讨论机器学习，也没有人知道如何在汽车或 GPU 上进行计算。
未来无论是Mobileye还是传统公司，做L4、L5都需要强大的并行计算能力来打通平台。
吴甘沙（驭势科技创始人）：我觉得这其实是一场商业路线之争。
传统汽车厂商的商业模式是销售私家车。
它们对成本敏感并且拥有庞大的用户群。
试错的成本太高了。
他们必须一步步经历L2、L3和L4。
新兴的互联网厂商，他们的DNA就是运营，他们瞄准的是增量市场，而且他们的用户很少，所以他们可以非常激进地突破，所以他们更喜欢一步到位。
从技术上来说，传统汽车厂商和互联网汽车厂商其实是趋同的。
从L3开始，主流车型将配备激光雷达和高精度地图，这些都是过去互联网公司使用的。
我觉得路线融合之后，下一个关键点其实就是“更强的人工智能”。
将来它一定能够举一反三：它从来没有去过这个环境，比如一个新的停车场，它也一定能够找到出口。
这需要机器学习和理解能力，而这些目前还没有现成的基于激光雷达和高精度地图的解决方案。
但没有它，就不可能真正解决无人驾驶的问题。
版权声明：本文内容由互联网用户自发贡献，本站不拥有所有权，不承担相关法律责任。如果发现本站有涉嫌抄袭的内容，欢迎发送邮件 举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。
标签：
相关文章
06-18
06-17
06-18
最新文章
Android旗舰之王的过去与未来
智能手表不被开发、AR眼镜被推迟，Meta的产品经历了一波三折
为什么Cybertruck是特斯拉史上最难造的车？
更新鸿蒙3后，文杰允许你在车里做PPT了
新起亚K3试驾体验：追求“性价比”，韩系汽车仍不想放弃
阿维塔15登场！汽车配备了增程动力，理想情况下会迎来新的对手吗？
马斯克宣布创建 ChatGPT 竞争对手！ OpenAI的CEO给他泼了冷水， GPT-5可能会发生巨大变化
骁龙无处不在，是平台也是生态