1樓：好奇貓
電腦適應的場合得是有規則。如果開車的人沒有規則，我覺得電腦是無法準確動作的。電腦必須得預設在一定的規則內才能開始計算。
如果沒有這個前提，那麼不論它要做什麼都去判斷這個是屬於正常情況還是屬於不正常情況。電腦好像就陷入了一直在思考哲學問題中去一樣。
就像CAN匯流排上的節點，它是真的掉線了呢還是根本就沒裝備這個節點，作為監控一方的ECU根本是不能知道的。
2樓：
...雖然噴的人居多，
但我還是傾向於贊同王垠新的博文。
考慮到涉及太多經濟糾葛，匿了
全自動駕駛已經實現了大部分時段的自動駕駛
可靠性還是難以實現。
1、即便是最高端的感測器...與人類正常視力的肉眼還是差距挺大的這裡指的是全方面綜合引數。
2、人工智慧，要想知道，人類的大腦運作原理到現在仍然是一團糟。
連原理圖都未搞清楚，
如何要模仿、複製它， 很難
3、現實世界的運作極為複雜，各類不可預見性問題都會出現可任何小概率事件都會是100%爆發的大事件，比如特斯拉的車禍身亡，
想讓大眾接受，怕是乙個艱難的過程。張泓冰
3樓：待飛羅
大家覺得
虛擬駕駛員(或者說是遠端駕駛員)
這個創意是否比自動駕駛短時間內更靠譜?
至少停車方面應該比所謂的自動泊車靠譜多多的吧
4樓：徐志摩
王垠關於機器學習其實講的挺有道理的。但是不能說沒前途。機器學習，人工智慧的發展的確可以將人類從一些繁重的勞動中解放出來，提高生產效率。
至於人工智慧模擬人腦，我一直覺得只是個烏托邦研究夢想，一直在努力，但可能現在連門都沒摸著
5樓：那個老高了
完全不知道自己在說什麼的文章，自動駕駛主要就是感測器的距離判斷來確保安全，再加上一些各國交規的情況處理。最差情況下也就是在安全距離內自動停車而已，這功能早就有了好吧。
機器學習是達不到人的程度，識別動物之類的準確率也確實不要太期待，雖然有大神做出來，但也不能正常產業化。
不過識別動物和自動駕駛有個毛關係啊。
6樓：Desmond
首先，這篇文章有個預設的假設:自動駕駛技術應用於城市的大街上。
現在的技術程度可能還沒有達到具有很高的安全性。
但是，如果在旅遊區，工業園區等封閉的場所完全使用自動駕駛的汽車。這樣建立乙個汽車的區域網路。從安全性上考慮，技術可行性是沒有問題的。
我沒有足夠的根據也不想去找，來王垠的說法。但是即便王垠的說法確實是正確，自動駕駛技術的未來仍然是光明的:我們可以在城市裡建立一條自動駕駛汽車專用道。
7樓：
有句話說，說好的一起裝比，全特麼讓你裝了。
看到人家google， Tesla研發無人駕駛逼格高的東西，先把別人家的技術都噴了一通，然後又將機器學習說的一無是處，跟人比起來簡直弱智，最後說與其瞎折騰，不如腳踏實地，人家研發技術好好的怎麼就不腳踏實地了？
8樓：
不懂機器學習~但是懂開車。20w+公里有了。
開車安全其實並不是簡簡單單的遵守交通規則就可以了的。
安全駕駛需要眼觀六路耳聽八方。我爹是個200w+公里的老司機，他說過一句，開車安全不是避免你撞人，而是避免人撞你。
舉點可能會造成事故的情況。
晚上12點多路上看到一輛車搖搖晃晃的。兩車道。他速度為40公里，限速為60。前面和邊上沒車。後面乙個車開著遠光。
晚上一條寬闊馬路。前方綠燈，車輛不多但各個車道都有車，當你距離綠燈100m左右的時候你車速60，綠燈開始閃爍。後面有兩輛跟你相距70m左右的泥頭車。
晚上一條兩車道馬路，車輛不多，有隔離帶柵欄但植物不多，對面車輛有幾個開著遠光很刺眼。你在小車道前方有三輛車，大車道有幾輛大巴和拖頭，前方隔離帶有掉頭區。掉頭後是乙個小區。
傍晚高速上因事故堵車。前面大約4輛車處就是事故點，佔據了你和你右邊兩條車道。你需要變道到最右邊的車道通過。
這些情況其實很常見。但是如果你不注意的話很容易就會有事故發生。有些是可能有行人違規，有些是可能有車輛違規。你要站在他們的角度上來考慮如何避開他們。
我並不認為機器學習能做到這一點。畢竟你只能告訴機器什麼是對的。因為錯有無數種。
最合理的是開設自動駕駛專用道。但這和修條地鐵有啥差別。
我不知道機器學習是不是要在100年後才能實現自動駕駛，畢竟50年前的世界的人們根本沒法想象今天的一切。但是這肯定沒有google和tesla說的那麼美好。一切日常自動化裝置都是在比人類靠譜4-5個數量級的時候才可能大規模推廣。
目前？可能還低那麼一兩個數量級。
9樓：
王垠在其它方面的水平我不好評價，但是他在機器學習方面確實是不懂。
「 普通人只需要開1000 mile就能學會開車，而這些自動車學習了幾百萬，幾千萬，幾億mile，仍然門都沒有摸到。」
機器相比人腦的乙個優勢是可複製性，只要有一輛車可以做到自動駕駛，那麼從這輛車裡提取的引數可以讓所有的車都能夠做到自動駕駛。乙個普通人學會開車需要1000mile，那麼1萬個人學習的總路程跟機器相差無幾。
們對於自己的腦子以及感官的工作原理，仍然所知甚少，卻盲目的認為那些從統計學偷來的概念，改名換姓叫「機器學習」，就能造出跟自己的頭腦媲美的機器。
現在的機器學習已經不只是統計學了，深度學習已經複雜到統計學不夠用的程度了，而且學習策略也不只侷限於data－hungry了。
事實上，隨著層數的加深，人類已經越來越難明白機器的學習過程了，所以才會有調參是一門玄學的說法。
10樓：桂能
1.王垠根本不懂機器學習。
2.統計跟邏輯並不是涇渭分明的兩種東西。
3.王垠自己做的東西都無一例外地沒有效益，無論短期長期。
4.在自動駕駛方面，所有的折衷方案，都可以作為乙個feature被整合到機器學習中來，這兩方面的研究並不是非此即彼的。
11樓：
自動駕駛確實是有意義的研究和應用，但是離成熟還早著呢。
你們怎麼這麼樂觀。。。
做人臉識別的某些人，我也是在說你們！再等5年吧！
不代表有了DL，就可以這麼樂觀了，略顯浮躁了做科學的，要冷靜客觀的看待任何科技進步，不要過於樂觀了。。。尤其是人臉識別和自動駕駛都是應用在財產和生命安全這樣的領域，慎重一點啊。
12樓：
人工智慧走了多少年，起起落落的，這一波也不看好，神經網路畢竟還是太計算化統計化了，谷歌那個識別油管上貓的能力也是超大量資料給喂出來的，你讓三五歲小孩跟小貓玩一會他就會做得更好了。
看過相關思考，認知的公開演講，神經電與神經遞質，調控激素起的作用，神經元生長調節機制基本上是連線的本質。神經網路一開始也被認為是奇技淫巧，但它通過大量資料填喂後的效果就是漂亮，但都是專用的，加上後期的跟風，大資料，深度學習，好像所有人都用就一定是正確的一樣。
想實現人工智慧，深度學習，大資料是不行的。更重要的是乙個模型，人類大腦認知，思考的模型，已存在的東西，我們每天都在用的東西，多少代了，連自己的腦袋都沒搞明白，好懈怠，被功利束縛的群體。
飛機發明是空氣動力學的推動，不僅僅是對鳥揮動翅膀的仿生，更準確地說，學其本質，學其神。然後把本質用來創造新的事物。人工智慧是個全人類的大課題，因為首先是理解人本身的認知，思考過程，程式設計大師們要跨界才有靈感啊，乙個事物還沒出現時，多探索吧，發現人工智慧的過程也只是人的乙個認知過程。
哦，可能圈內人更容易被已有的套路束縛，更多的跟風，保持清醒，審視你的每個連線。
13樓：蔣甬杭
人能快速學會開車，更主要的是人出生後已經爬走跑跳+坐車騎車積累了海量資料，大腦已經完全理解了這個3維空間。用人腦和機器比賽誰學車快就是耍流氓。
14樓：
真正的大神不評價別人的工作。
Chris Urmson: How a driverless car sees the road
世界上首個破解iPhone 和索尼PS3的小夥子，又乙個人在車庫裡造出了無人駕駛汽車_36氪
15樓：
問題並不在AI上，從連續世界跳躍到有限規則約束範圍內需要作出的努力遠比技術實現要複雜。如果乙個地區說OK我們今天起飛機預設全部自動駕駛，這個不是問題，畢竟對飛機來說這個在數量、範圍、限制和自由度上比汽車有太多優勢，汽車在這方面需要解決的歷史相容問題明顯要多得多，畢竟我們一直行走在地上。所以從這個角度來看文章，其中不無道理。
16樓：趙金昊
對於ML這種方面的問題，如果你認為這篇博文或是這個問題下某些其他回答的思維方式令你難以理解，你可能需要先學習乙個：
1 任何在我出生時已經有的科技都是稀鬆平常的世界本來秩序的一部分。
2 任何在我15-35歲之間誕生的科技都是將會改變世界的革命性產物。
3 任何在我35歲之後誕生的科技都是違反自然規律要遭天譴的。
道格拉斯·亞當斯的科技三定律
只是我們很希望看到，第二階段的科技，可以發展成第一階段的成果，以此來打第三階段堅持者的臉吧。
17樓：歐陽崑崙
我覺得王垠這篇文章說的是對的，但有概念不清之處。例如，他說自動車不靠譜有點絕對了，自動車可以在某種程度在某些特定情況下實現自動駕駛，例如沒有非機動車和行人闖入的的封閉公路。
他說的人工智慧在人類醫學研究明白自己的大腦之前很難實現，這個是正確的。
他的文章以自動車引出人工智慧，引起大家爭論的就是這一點，自動車是否需要真正的人工智慧。
贊同他的是認為人工智慧目前實現不了，反對的是認為自動車可以實現。
我認為某種特定路況下的自動車可以實現，就像飛機在起飛後可以自動駕駛一樣，但完全取代人類駕駛的全天候全路況自動駕駛還不可能。
人工智慧的實現目前還看不到眉目。不信五年後看，應該會逐漸冷下去。
18樓：
垠神懂得真多， 然而他忽略了個問題：
自動駕駛不需要學會開車， 只需要學會從你設定的起到開到終點並且不撞車、不違反交通規則就行了。
這些技術上都是可以實施的。
19樓：YellowOnions
開過12小時960miles就叫學會開車？能應對大部分情景？
那中國交規規定新手一年內不能上高速又為何？
自動駕駛不是達到人類駕駛的100%，面對突然加插等未必處理好得過人類，但它的未來在於就是沒有突然加插。
如果每個人都是追求近期目標，人類還是和猴子搶香蕉算了，種什麼香蕉樹。
20樓：行雲
比較同意@曾博老師的回答，在人類識別貓的例子裡，除了神經元數量的差別外，還有乙個重點是人類的神經元引數應該是在第一次看到貓之前就訓練過了，他之前只要看過類似概念的東西就可以學習它們的特性。更別說在人類出生前通過遺傳得到的引數了。所以他這樣直接拿來對比太不公平了！
如何評價王垠新博文《未來計畫》？
懷才不遇說白了是乙個兌現能力的問題。這類人能看到自己專業能力的優勢，卻看不到自己兌現能力的劣勢。兌現能力是什麼呢？兌現能力就是審時度勢，對時機的把握。所以兌現機會是動態的，外部和行業景氣，人力競爭程度，行業用人唯才有效性有關。it和金融是套路更新最快，才華量化比較客觀剛性，資訊透明的行業，真正有才華...
如何看待王垠的博文《我和權威的故事》？
我們現在的電腦科學本來在自然中是不存在的，是人類通過數學構建起來的乙個知識系統。這個系統中有各種各樣的工具和元件，它們都執行在一定技術基礎之上。摩爾定律還未失效，這些技術基礎也在一直變化。昨天的權威放到今天很可能就會不合時宜，他發明的某個工具也不好用了 因為基礎變了。而且，工具是拿來用的，不是拿來看...
如何看待王垠的博文《數學和程式設計》？
Martin awodey 為什麼要把時間花在看王垠寫東西上？想找工作，想實用的話，Scala和Akka 都熟悉了嗎，想深入理論的話，了解下Homotopy type theory是否更好？ winddxr 如果乙個技術 學科方向學習太難，那一定是我們闡述它的語言比這個問題本身落後太多。如果學科本身...