人工智能汽车的影响仍不确定

专家表:半导体工程坐下来讨论软件更新汽车,人工智能是有道理的,为什么有一种越来越强烈的乐观,与杰夫•泰特的首席执行官Flex Logix;首席执行官管理者Veerbhan Kheterpal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。本文的第一部分,点击在这里。第三部分是在这里。

SE:有这么多的软件进入新的车辆,我们可能需要不断更新,我们已经在我们的智能手机。的影响是什么?

布希:我们已经在那里了。我开车在我的第一个电动汽车和屏幕一片空白。我的第一反应是,“我做什么?”我的儿子告诉我把它关掉,再打开它。我甚至没有考虑过这样做的车。果然,我停了下来,又把它断断续续地,它开始工作。同样的事情,工作与Windows使用汽车。

Teig带来一个全新的意义:“蓝色屏幕的死亡。”

泰特:在学习方面会发生什么是汽车制造商将随着时间的推移,找到方法来收集数据,总在一个中心位置,并使用这些数据来提高可靠性。但它会小心处理控制,每个人都使用相同的工具。

SE:进入汽车,我们有这么多的架构。我们已经从ecu域控制器带状结构,但并不是每个人都是采用区域的方法。所以现在你有高度创新但不一致的方法,和软件需要写给所有这一切。的影响是什么?

Kheterpal:这是关于宗教。我一直在开会的地方,在那里人们可以争夺架构和汽车需要是什么样子的。幸运的是人工智能,部分车辆有点隔离。人工智能是一种混合,一般。在边缘的边缘。摄像头的芯片在车里做一些推测,例如,然后中央计算机做更多的推论跨多个传感器。AI的状态通常是试图远离战争,无论你建筑的宗教战争。它适合上,成为一种应用程序层。这就是我们看到的不同的客户端架构。

布希:我不认为这个问题是任何不同于我们一直面临的问题在过去的30年。曾经有一段时间,我们说,好吧,处理器需要单线程和我们要更快地运行它们。然后我们说我们需要多核处理器。然后我们说,‘好吧,我们需要对网络的服务质量,让我们有更高的带宽。这些类型的多个架构之间的争斗很好的行业。它允许人们部署资本和有竞争力的球队,看看出来最好。也许我们会有10000人工作在10个不同的架构,然后15年后我们会有20000人1架构和使它更好的工作。

Kheterpal:汽车几乎是像一个数据中心软件需求,你今天运行的模型,将完全不同于你可能想要运行10年从现在。所以必须足够强大和灵活的部署的硬件来处理不同的模型和预处理和后期处理任务和推断统计学。一旦你船AI的架构层和软件将运行在,你就完成了。你不改变20或25年。

SE:有一些巨大的变化。早期的自动驾驶原型在树干一台超级计算机。不过,展望未来,我们将看到这些巨大的变化,还是会有更多的增量式的改变?并将这些变化从一个地方到下一个呢?

泰特:每个人都在这个行业是赶上和超过特斯拉,这是一个setter。他们想要至少匹配高端功能特斯拉,和特斯拉很可能将继续创新与人继续试着跟随他们甚至超越他们。地区差异,当你卖一个产品,将是推动周围的地方在各种不同的条件下,你没有奢侈品的发展汽车对纽约和爱荷华州的不同的车很好。

布希:很难告诉会成功。但有人裂缝通常发生了什么代码在特定的时间,他们提供一定的特性在一定的价格水平和一定的可用性,满足客户的需求。成功了一段时间。尽管所有的争论是一个大的中央计算机还是云是如何参与到培训中,它真的可以归结为谁先满足客户需求。如果他们成功了,那么每个人都将它们复制。你赌谁先到达那里。

Teig:人们开始的架构是一个有一个中央计算机,所有这些数据从kajillion传感器和数字出来一箭。但现代汽车数百磅的布线,因为所有的数据,你从一个地方搬运到另一个地方。那太荒唐了。生物解决这类问题是感官与大量的本地处理,所以大脑不是由生物系统互连。因此,尽管汽车公司的宗教在这个地方,它应该是智能传感器技术在汽车。所以他们消化图片你看到左边的车,和总结数据,做同样的汽车的右侧。这些总结然后发送到那个在中间的东西。这意味着你更有可能是向后兼容的。中间的系统可能会改变随着时间的推移,它的硬件和软件,但是你仍然想要同样的信息发生了什么在车。这些edge-of-the-car产品仍将做大量的预处理,即使中央系统仍在进化的。

Kheterpal:这种体系结构非常适用于汽车行业设计和船舶车辆经过良好测试的模块,这放在一起来创建一个完善的系统测试。他们已经这样做了很长时间,它适合这个edge-within-the-edge架构。

SE:一个人工智能的差异在于,结果以概率而不是固定的数字。如何确定什么是足够好?它是80%,还是99.999% ?在路上和你在意对象可能是一个特定的199品种的狗,或者你只是关心它运行在你的车吗?

泰特:你正在试图做的是使驾驶更安全,比只是离开它所有的司机。外部识别的模型不断变得更好。这不是什么不够好。那就是有这种技术使得驾驶体验更好、更安全的比没有它。汽车制造商正在寻找。他们想要更好的和更好的模型。人类不完美,AI模型不可能得到完美的。但它们越来越好。

Kheterpal:在一天结束的时候,这些模型都是由工程师和科学家的数据。他们会从一个模块测试数据,他们会说,‘这是结果。”,那么通常发生的是,足够的测试后,基于公司或集团的任何数据,有一天,有人说,“看起来不错。船。“你可能最低的否决,概率太低,这是不可接受的。但当它开始满足的所有测试数据的酒吧,除了今天你没有更多的信息,然后你说它是不够好。显然,您必须确保如果失败了,那么别的事情发生。也许汽车拉到一边并停止,或者使用紧急制动。自动防故障装置必须存在。但模型运送是最好的集团或公司的能力来验证的。

Teig:关注模型的概率自然是一块烫手的山芋。身体一切都是概率。我们的模型在物理和化学是概率。测量都是不一样的。纯粹数学是纯粹的数学,但任何物理本质上是概率。统计作为一门学科使我们能够估计的故障概率的函数的概率,我们测量的东西,等等。在一天结束的时候,如果立法者或标准组织或者谁说这个系统将会失败的概率小于1 100000年,例如,我们可以做一些计算,看看是否这就是。相比之下,老式的汽车都是概率,,但它不是植根于科学原理。

布希:我们讨论的是人工智能中一个非常私人的设备。人们喜欢他们的汽车。我们周围的东西。我们开车,它的舒适。但它不是一个工程问题。这不是是否需要100%或90%。真正的问题是人工智能是否人们使用的东西,以及是否创建一个人喜欢的用户体验。如果不是,那么人们就不会使用它。如果我开车的速度限制在自己驾驶汽车,它做了一些拯救我的超级不舒服,我可能要关闭这个功能。作为一个产业,我们并没有真正花了很多时间。但展望未来,这将是下一阶段了。 How do I take the math and then effectively leverage the AI program and turn that into a good user experience? Amazon Alexa is a good example of this. With the first Echo, you had to say ‘Alexa’ a whole bunch of times before it started responding. Then it got better. But there also has to be a human in the feedback loop. It’s not just training with data. It’s training with humans, and the humans have to define the end user experience. If we don’t do that, no one’s going to use it.

在AI SE:没有什么是完美的。总有偏见的数据。但是当机器开始训练机,有添加剂的影响吗?

Teig:可靠性测试可靠性测试,你是否测试机械的东西或一个人工智能的软件程序。我们总是可以拥有标准如何可靠的系统需要,和我们进行测量和统计数据。正如你想确保在建的物理车不太可能崩溃,因为它通过生产线上的各种安全检查,从概念上讲它不是任何不同human-constructed人工智能与人工智能构建人工智能。在一天结束的时候,这是一个工程产品。

Kheterpal:但你可以想象看起来你会如果你想卖一个人工智能系统,将列车最终在车辆船舶的人工智能,因为酒吧是非常高的汽车智能训练。汽车一直是保守的比其他行业所采用。他们会更加小心。

相关的
为什么AI在汽车在哪里(上面的第1部分面板)
真正的自治不会很快发生,但有许多有用的特性,将采用过渡。
安全、安全性和可靠性的人工智能汽车上面的第3部分(面板)
人们相信车辆足够将他们的手离开方向盘?