为什么AI在汽车在哪里

专家表:半导体工程坐下来谈谈,人工智能在汽车的主要挑战是什么,与杰夫•泰特的首席执行官Flex Logix;管理者Veerbhan Kheterpal的首席执行官二次曲面;首席执行官史蒂夫Teig感知;库尔特·布希,Syntiant的首席执行官。下面摘录的谈话,在现场观众面前DesignCon举行。本文的第二部分在这里。第三部分是在这里。

今天SE:使用人工智能,将来会有用吗?

Teig今天肯定被用于图像处理各种各样的物体识别,目标检测和分割——越来越多的语言处理和音频处理和其他形式。我们有非常强大的模式匹配技术在几乎所有的应用程序,因为模式匹配出现在几乎任何你使用的技术。所以还有很多这种技术应用的空间——在边缘,在云中,无处不在。

Kheterpal:我只是开车,有相当多的图像处理技术,它是基于ai。这些车辆的芯片和软件实施五年前,和现在的车辆。这包括辅助制动和lane-keeping。这些功能使用积极的人工智能。此外,语言模型越来越巨大,他们所做的越来越多,人类通常在做任务。我们将看到生成人工智能图像在不久的将来成为主流。但展望遥远了,很难预测。

布希:人工智能,特别是深度学习,最终的模拟-数字转换器。人们问,“这是什么好?这是有利于弥合现实世界和数字世界。因此投资者喜欢说它无处不在。如果你看,计算了,他们可能是对的。当微处理器或单片机建成,人们认为真的没有很多地方可以使用它。今天,有250亿微控制器每年运送。他们在一切。他们甚至在贺卡。人工智能是在很大程度上我们看到的一切。 Today, it’s largely confined to things with lots of compute. But over the years, we’ve seen compute move from something that’s plugged into the main power source in a data center to something you can carry in your pocket. That’s what we can expect with AI. It will allow us to classify lots of things — many more things that we use as humans today.

泰特:对于汽车和工业应用,最大的用例将预防性维修,检测异常振动和噪音来自引擎的模式和其他设备和传感时的改变。

Teig:人工智能技术的早期和中期阶段到目前为止一直集中在试图复制人类可以做的事小玩意。机会是做人类做不到的事情。这就是将是激动人心的部分,就像预测会发生故障时,使用形式和风格的驾驶和互动与其他车辆,没有人类能做的事。这些都是在某些方面,仅仅lane-keeping更有趣。它意识到所有的交通道路,你会做出怎样的选择呢。大道还没有丰富的探索。

SE:这是非常不同于最初的预测是AI,即按下按钮或告诉你想去的地方,然后你会坐下来做别的事情。在一些预测,甚至没有一个方向盘。我们接近了吗?

布希:不是,因为我真的很喜欢开我的车。

泰特:这里有很多的法律问题。事实是,如果你想要部署一个全自动的汽车,它可能需要比最好的司机。你16岁可能是最糟糕的司机在路上,但汽车公司将举行一个更高的标准。

Kheterpal:完全无人驾驶一直是在未来的未来。这里应该是两年前,它应该在这里三年从现在。这将需要更多的时间。当我们说自动驾驶,没有方向盘,这将是至少10至15年从今天开始,基于我们和各种芯片的公司他们想要推动这些算法。即将是协助功能,这将创建安全三级有限的汽车自动驾驶。这些功能现在被推出。

Teig:有一个好消息和一个坏消息。好消息是我们已经拥有的技术。特斯拉提供足够支持,或多或少,有点受限制的情况下自动驾驶在高速公路上。这是好多了——尽管其局限性——比你可能想象仅仅几年前。坏消息是这是非常通用的,任何情况下自主驾驶,因为人工智能模型我们有如此脆弱,比科学更基于民间传说。据推测,一些团队将工程师自主驾驶,收集这么多的数据,工程一个又一个的用例,在年底前十年将会有完全自主驾驶。但这将是大量黑客的潜在的人工智能技术,而不是优雅,成熟的、美丽的科学解决方案。

SE:你所有的暗示是,AI不会接管一切。相反,它更多的是一组工具,对于几乎所有人都很有用。是这样吗?

布希:是的,AI做对就像是CGI(计算机生成的图像)的电影。你几乎不知道它的存在。人工智能需要透明。它需要帮助你做你的任务没有你真的知道它的存在。我有一辆车从2014年开始,什么也不做,一辆车的现代,很多东西。在这短的时间有这些功能,帮我开车。在未来,它应该能够做检测当我受损或累了。但它应该无缝地发生。

Teig:有司机管理系统来检测嗜睡,酗酒,注意力不集中。我们可能会看到更多的舰队,而不是消费者应用程序,因为货运公司的法律风险。司机管理系统将在那里第一次由于假定消费者的监督。

SE:多远是人工智能技术,可以确定当组件或系统失败在一辆车吗?

泰特:我们没有直接参与,但在与客户讨论我们听说过芯片感应的声音,无论是设备,汽车,电梯电机,货物装入器或洗衣机。

Kheterpal:预见性维护,平台公司或人工智能软件公司。但实际上它是挑战船预见性维护技术由于时间失败,需要证明ROI。所以你把AI和等待失败。斜坡快速部署没有收入。

布希:我们都把我们的汽车服务,服务经理会在车里,开车,听它,希望识别问题。没有理由你不能做,今天和人工智能。这需要一些工作,但AI的全部数据。它是关于收集数据、培训,测试,做一遍。技术的存在。有足够的处理,有能力收集数据和清洁,并做QA过程。只需要工作,而不是大量的工作。

Teig:第一个70年,我们建立了软件,你想要改变X到Y,你必须找出一些聪明的算法。然后,给出答案,你会使Y。今天的人工智能的主要区别是你可以带一大堆X和Y和算法本身能算出来。但它的适用性是软件,所以编程是不同的。但是如果你有足够的X和Y,和你信任算法和有足够的代表性数据,那么这个技术我们可以生成。如果你不,你有一个更大的问题比生成预测模型。你会得到多有趣数据听起来与你的数据有什么问题吗?

SE:但最理想的情况是你想确定这个问题之前,让这些声音,对吗?

Teig:是的,还有消费者应用程序可以告诉你,温一壶水会沸腾两分钟。这是一个很有用的,因为它允许你去做别的事情。

SE:人工智能芯片在车上学习本身,还是将所有的学习发生在别的地方?

布希:学习是将边缘,可能比我们预期的更早。培训学习是另一个词,或者基本上重新训练模型基于经验。我们将会看到,在所有类型的边缘AI设备。但它可能会轻微的变化。你不想要这些东西对你发疯。然后,大胆,也许该算法改变80%而不是20%。这可能是类似的援助。如果我上配备,在某些汽车它学习如何关闭我要在墙上,并最终改变公园本身。或者你想要一辆车以某种方式做出反应。我们会看到很多的定制。 There’s no reason why a processor that can do ADAS can’t train the model. The amount of processing we’re talking about is a lot. Do you need all that? Probably not. But it is available and you can train things on the fly. We already train models on our phones.

Kheterpal:这是一个很好的观点。有模式在其他应用程序中,我们已经这样做了微调。你调整为特定任务和用例,并且经常不是在超大型数据中心的设备。这对汽车应用程序将会发生。它可能是插入汽车时,做一些微调。所以有那些形式——你怎么做,你怎么增加,你使用什么数据。另一方面,在现实世界中,我们仍然没有看到足够的。这是非常早期,发生在研究实验室。但用例和示威活动的能力。

Teig:从技术的角度来看这是可能的。但是有两种不同的学习,其中一个是有意义的最后一个问题。有意义的一个是学习我的电话我的脸。的算法如何像素转换成面临不变,和数据库的脸应该解锁我的手机是定制的。但是如果你有对象的技术能力在学习,将会支持吗?如果一个汽车公司在130000年有130000个不同的项目不同的汽车,他们将有问题支持。有法律问题和支持问题。虽然这听起来像是一个好主意让一辆车学习多远从一堵墙,我想这是非常不同的从学习如何公园。

泰特:同一点,汽车的安全是最重要的关注。它不会帮你如果你的车有所有这些特性如果你不到达你的目的地在一块。汽车将会是最后一个地方人实验的事情,你改变的东西。每次工程师提高他们做得更好,但有时会犯错。很多事情会发生在你的车撞了一个肿块。与自学推论芯片,只有这么多有意义的地方。只有当这个完全是防弹的,它会进入汽车的安全部分。

相关的
人工智能汽车的影响仍不确定以上第2部分(小组讨论)
软件更新,用户体验,和可靠性因素如何成功将在汽车的人工智能。
安全、安全性和可靠性的人工智能汽车(以上圆桌会议的第3部分)
人们相信车辆足够将他们的手离开方向盘?