整理：微胖、蒋思源、李亚洲、朱思颖

AAAI-17 人工智能大会正在火热进行中，机器之心在现场的分析师参加完一场 Workshop 之后发回了精彩的报道。此场 Workshop 探讨的主题是人工智能与自动驾驶。

已过去的十年见证了连接和自动化汽车（Connected and Automated Vehicles）的飞速发展。CAV 本可以避免在过去十年发展过程中的 90% 以上的交通事故；大量减缓交通拥堵；大幅降低汽车能源消耗；显著提高道路使用率。然而，现有的 CAV 系统不足以应对大规模多种数据分析的挑战，这些数据由车载传感装置——摄像机、雷达、红外线、激光雷达等所获取。并且这些 CAV 系统不能在复杂驾驶环境下做出时间要求严格（time-critical）的决策。要解决这两个难题，单独的人工智能技术，例如，感知（perception），j2直播，规划（planning）以及推理（reasoning）等难以胜任，需要支持紧密合作的创新型计算方法的加入。

这个研讨会的使命是打造人工智能社区内的协同环境——囊括计算机视觉、认知、推理、学习、规划和 CAV。这个活动的三个目标：（1）确认 CAV 系统中的关键人工智能挑战；（2）发掘应对这些挑战的有前景的人工智能解决方案；（3）丰富这个多学科课题的未来研究。

以下是机器之心分析师闫骥记录的研讨会内容：

介绍

这篇文章报道了 2017 AAAI 主题为「用于连接和自动化车辆的人工智能」研讨会。我对这场研讨会的总体印象是与会者就这一论题从广泛、不同视角进行了交流。既有技术深度的分析，也有法律和社会应用这一大框架下的讨论。发言人员背景广泛：有的来自联邦高速公路管理局（FHWA），有的来自学术界，比如纽约大学从事人工智能研究，或交通管理研究的人员。还有的来自知名科技公司，比如 FAIR 和百度 IDL。另外还有自动驾驶领域创业公司的创始人，比如 AutoX 以及 ISee.ai。

深度学习和自动化驾驶

这场研讨会一开始，贾扬清博士发表了演讲，谈到了深度学习框架近期取得的一些进展。他的演说集中讨论了所谓的四个原则——MAPS。

M—模块性（Modularity）：现在，在 Caffe、Theano、TF 等框架中有很多冗余 APIs。既然很多深度学习模块是可以重复使用的，那么，一个更好的重组方式就是将公共模块下推到共享核心库中。

A—增强计算模式。他指出，当前深度学习社区趋于使用更低浮点精度的数值计算（1），这有很多优点：降低模型大小、节能、更快的网络链接以及更好的性能

P—便携性。他表示，人们对在移动设备上运行强大训练过的模型的需求越来越多。他通过打开一个摄像头，用苹果手机展示了一个 demo。这个 demo 可以实时做图像分类识别。模型是在使用简化版的 Resnet 在 ImageNet 数据上训练完后在手机本地运行的

S - 可扩展性。他展示了近些年来，神经网络在深度/大小方面日益递增的情况。

Later. Two PHD students from NYU gave a talk on end to end training

接下来。两位来自纽约大学的博士研究生就端到端的训练发表了他们的看法。

近期，英伟达的工作（2）使得端到端的训练引发人们关注。基本上，论文假设已经有了一个教师策略（teach policy）。然后，使用使用监督学习来训练网络，模拟这个教师策略。这一方法的主要不足在于学习的算法只能在教师策略接触过的状态上进行训练。但是，当汽车处于教师策略从未涉及过的危险状态时，情况会很危险，因为算法还没有学会如何安全运行。

接着，他们展示了一个解决问题的办法，所涉及的论文是几年前的了（3）。直观上，训练学生策略的方式是迭代的。在首次迭代时，学生仅在教师策略见识过的状态基础上进行训练。每进行下一次迭代，学生就会基于自己习得的策略采取行动。这使得学生可以进入教师之前没有见过的状态中，对于每个未曾见过的状态，学生也会询问并存储来自教师策略的行动并用以训练。这一方法使得学生可以进入具有潜在危险的状态并学习如何恢复。这一方法的不足之处在于必须假设总有一个可以询问的教师策略，而这在自动驾驶案例中，是不切实际的。