车企和互联网巨头大举投资打车软件到底想要什么？
06-18
今天，在浙江余姚举行的第三届中国机器人峰会上，中国工程院李德毅院士分享了他在无人驾驶领域研究的最新进展，明确指出自动驾驶的核心就是驾驶大脑，它和汽车厂商所做的事情有着明确的分工，而这个“大脑”的驾驶活动更多的是技巧、记忆和经验，而不是知识、推理和计算。
另一个历史机遇的崛起可能是人工智能。
我今年72岁了。
作为一个“70后”，我想谈谈创业创新的四要素。
我问许多同行，他们认为技术很重要；我问年轻的同事，他们告诉我，资金更重要，没有钱什么都做不了；有人告诉我团队很重要，也有人告诉我想法很重要，所以我今天想报告一下我的看法。
我们先来说第一个问题。
大家都觉得出国留学很容易，然后在FaceBook这样的国外公司待一段时间，然后在中国创业。
事实上，事实并非如此。
您拥有令人自豪的经验和核心技术。
但我们不能下海吗？一个没有成果载体的初创公司无疑会消亡。
我的下一个视频是我的观点，有点吓人。
请看一下这个。
创业成员固然拥有自己令人印象深刻的工作经验和核心技术，但如果整个团队没有核心技术形成的清晰、原创、独特的成果载体，就不会有耀眼的创新亮点。
相反，该公司只是变成了一个研究所来攻克难题。
如果技术不孵化，长期不能生产产品，这样的企业肯定会消亡。
比如10个人做互联网+9个人会死，如果20个人做人工智能+十几个人会死。
你需要弄清楚。
你要技术、核心技术还是技术成果？我崇尚技术成果。
无人驾驶的核心在于驾驶大脑。
作为一个70后，我今天分享的亮点有哪些？驾驶大脑、认知大脑，我可以说这和汽车厂商做的事情并不冲突。
我模拟的是驾驶员的大脑，他建造的是汽车。
当我谈论智力时，我谈论三大智力。
我们习惯于谈论计算智能、感知智能和认知智能。
我刚刚参观了余姚研究院，我说机器已经超越了人类的计算，我们现在的重点是交互智能和记忆智能。
我家里已经用坏了三台扫地机，所以我想现在还是不要用比较好。
买不起。
你不相信你能用它。
一是打扫不干净，二是该打扫的地方总是不扫。
该怎么办？那么，我现在该怎么办？我不是先看到，然后感知。
这是常态。
我所做的就是盲目而不感知，同时看到和感知，先感知然后看到。
我所做的就是利用现有的认知并依靠当前的感知。
于凯说，我的驾驶大脑数据流程图价值1000万。
我把这个给余姚的同志们看看你们能不能做得到。
我的驾驶大脑有一个即时记忆池??、一个情景记忆池和一个决策记忆池。
如果我们使用扫地机器人的话，每天这样扫的话，那就是一个非常好的机器人了。
这是由于记忆能力不同、认知能力不同造成的。
驾驶活动更多的是技巧、记忆和经验，而不是知识、推理和计算。
驾驶大脑的差异反映了个体智力和运动协调能力的差异。
世界上不存在两个相同的驾驶大脑。
这就是所谓的机器人。
我们认为未来汽车中运行的驾驶大脑将是相同的。
真正驱动汽车的不是汽车本身，而是驾驶员。
人类的认知需要大脑和机器的整合。
所以，我们提倡我们的机器人里面有一个调试总线，可以扩展成一个自学习总线，可以学习人怎么开车。
那么，机器人在驾驶时发挥的作用主要是通过消化吸收所学到的知识，深入学习，并将其转化为自己的行为。
这张图也非常好。
用手机拍照。
手动驾驶时，有3路机器视觉、1路图像、1路GPS、1路雷达。
这三个视觉通道构成了当前驾驶情况图。
驾驶员通过生活视觉的认知形成对方向盘、油门、刹车的控制。
。
把当前的驾驶情况和一个认知组成一个团队，把这个团队放入深度学习神经网络中，让它学习并形成驾驶记忆。
如果开十天的话，数据量可不小。
如果整天从办公室到家，从家到办公室，11天就够了。
机器人会说 - 我可以打开它。
当机器人正在行驶而驾驶员不在时，它可以搜索这张地图并使用相应的认知来驾驶。
驾驶如此简单，汽车制造商如何做到这一点？这是司机的事。
因此，汽车厂商只能做自动驾驶。
这种深度学习可以是长期学习、统计学习和进化学习。
人们确实从错误中学习。
下面我们就来说说开车时如何预防事故的发生。
同时我们还有负向学习，这样当我们在开车时遇到各种危险并做出错误的动作时，我们用神经网络生成一个事故记忆棒并做好这件事。
下次开车时，您仍然可以在没有司机的情况下开车。
如果再次出现错误，就会有另一个学习过程。
这是消极的学习。
这和Alphago的学习机制非常相似。
因此，我们的机器人的整个框图是双驱动双控制架构。
这张照片也很有价值，也可以拍张照片。
而深度学习正站在全球人工智能的十字路口，卷积神经网络一般用于点云图像识别和感知阶段的自学习。
然而，我们采取了新的方法，使用卷积神经网络进行形式化，将基于可用路权的驾驶情况图与反映驾驶操作全部内容的认知箭头形成的图对用于深度学习。
在认知阶段进行学习，大大减少和简化了实时处理的数据量。
因此，我们之所以在比赛中取得更好的成绩，主要是因为我们将认知情境化，将即时记忆中的大数据“缩小”，即感性理解后转移到工作记忆区域进行深度学习。
创新创业四要素 我们来谈谈创新创业四要素。
第一个问题。
当我们谈论技术时，我们必须谈论这项技术的创新亮点。
第二个问题，在谈资金的时候，就是谈资金的注入点。
每个人都担心拿不到钱，尤其是年轻人。
与你相反，我担心如何花这笔钱。
现在最大的困难就是钱花不出去，没有订单，没有量产。
你有钱有什么用？它不能被损坏。
所以，真正有能力花钱的企业才是真正的新企业。
有人在项目路演时说，我想投资1000万，获得50%的股权。
我说你的解释太粗暴了。
你应该更详细一点。
如果你有能力花，一千万你想怎么花？出来的时候会有人给你钱。
第三个问题，讲市场，一定要讲卖点。
我认为我们学者不像西方人。
下围棋能赚多少钱？谷歌升值的速度有多快？ Alphago以4:1击败了九段围棋大师李世石，那个广告赚了很多钱。
我们中国也做到了这一点。
2009年，我们用北京邮电大学的围棋程序Lingo和于斌对弈，并让两个人在中央电视台现场直播。
我们以2：0击败了于斌。
但我们是发展中国家，所以我们没有影响力，没有钱，更没有广告费。
当时，人们认为计算机可以在两三年内与人类进行 9 路围棋比赛，但机器在 19 路围棋比赛中击败人类是没有希望的。
五年后，我发现这种认识是错误的。
所以在Alphago获胜之后，我提出了四个问题供大家思考。
我认为深度学习的四个局限性是人类与机器之间无休止的战斗。
人在前，机器在后，或者机器在前，人在后。
Alphago和深度学习都有很大的局限性。
We Go 玩家正在与机器对弈。
齐感觉自己被骗了，因为他已经在我们之前完成了测试。
此时，我们提出深度学习的四大局限性。
其中，第一，太多的学习参数是任意的。
本来应该是这样，但现在已经不是这样了。
第二是算法的收敛性无法保证，第三是没有反馈机制，第四是大量的情况没有累积，即没有累积时间。
在这种情况下，深度学习就不是人工智能的重点了。
让我们想象一下，如果我们现在让不同的阿尔法戈互相对战，会发生什么。
因此，我认为更令人兴奋的程序不应该是Alphago程序，因为围棋机器人手很难制作。
如今，人们抓住碎片并移动它们。
制作围棋机器人更是难上加难。
相比之下，我觉得车子的动作非常灵敏。
更精彩的是人类和赛车手之间的比拼，这让比赛变得更加精彩。
自动驾驶的魅力何在？我们是否认为我们不是在与市场竞争时间？我们希望它的汽车更加敏捷、灵活，但我们要做的是驾驶大脑。
我们的卖点是驾照，我们的驾驶大脑就是卖驾照的！卖的是驾驶经验，卖的是道路熟悉程度。
驾驶经验和驾照无法替代，熟悉的道路无法替代，地图也无法替代，所以驾驶大脑未来的场景是非常有前景的。
最后我用一张照片来结束。
其市场的第一桶金在哪里？摘要：李德毅所关注的自动驾驶板块，恰逢近期该领域的工业化热潮。
无独有偶，我们从他的讲话中也可以看到一种强调“落实”和“务实”的新学术风格。
他明确指出，自动驾驶的核心在于机器大脑，机器大脑的驾驶活动更多的是技能、记忆和经验，而不是知识、推理和计算。
目前谷歌自动驾驶汽车的大力收集数据和特斯拉自动驾驶主动收集车主数据也可以佐证这一点。
值得反思的是，作为一个70多岁仍活跃在学术界的人，他特别关注学术成果能否落地。
他甚至尖锐地认为，只搞技术、苦苦研究问题的研究院式创业是“必死无疑”，显然这是他多年学术研究经历后的深刻反思。
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
06-18
06-17
06-18
06-06
06-17
最新文章
三只松鼠：门店扩张已全面暂停
Nvidia 已准备好“统治”AI
【创业24小时】2023年11月16日
【创业24小时】2022年10月20日
倒计时一天，浙江这座小镇要火了！
沃图网络获数千万A轮投资，加大投入海外网红营销SaaS平台建设
泰山天使基金部分退出拉手半年回报180倍
西格数据完成1000万元A+轮融资，国发创投领投