病友們都在看雜志、刷Instagram的時候，Shari Forrest打開了手機上的一個aPP，開始訓練一個將要用在無人車上的人工智能。
54歲的Forrest并非工程師或程序員，她靠撰寫教材來謀生。盡管如此，在平時有空時，F(xiàn)orrest依然會在Mighty AI上登錄，然后把自己的時間花在給行人、垃圾桶，以及任何其他你不希望無人車撞上的東西做標記上。
Mighty AI是一家人工智能眾包服務平臺。在這里，F(xiàn)orrest的“同事”們在全球范圍內還有20萬人。這家公司提供的主要服務包括計算機視覺、自動駕駛、自然語言處理等。今年1月，公司剛剛宣布完成1400萬美元B輪融資。
“如果能趁著排隊的工夫賺幾塊錢的話，何樂而不為呢。“Forrest說。
對于無人車產業(yè)而言，在自動駕駛時代真正到來之前，類似Forrest所做的這種數(shù)據(jù)標注工作都是不可或缺的。要對自動駕駛賴以實現(xiàn)的AI進行訓練，所需的數(shù)據(jù)量往往超出了想象。
谷歌和通用這種公司很少去提這件事情，但正是像Forrest一樣的人們組成的勞動力大軍，構成了那些嗡嗡作響的數(shù)據(jù)中心背后的基石。
多數(shù)開發(fā)自動駕駛技術的公司會聘用成百上千名員工，然后把這種教會無人車識別行人、騎行者和其他障礙物的工作外包到印度或中國。這些工人需要對長達數(shù)千小時的視頻逐幀進行標記。
“機器學習是個神話，就像《綠野仙蹤》一樣。”硅谷硬件孵化器公司Lemnos Labs的投資人Jeremy Conrad說，“標記團隊對每家公司都至關重要，我們一段時間內仍然需要他們，因為戶外環(huán)境十分多變。”
人工智能、傳感器質量和計算能力的巨大進步，給無人車的革命打下了技術基礎。然而，盡管出現(xiàn)了這些創(chuàng)新，但在未來很多年內，人類仍然需要在幕后默默奉獻，才能讓這些系統(tǒng)保持最好的狀態(tài)。
“在我看來，人工智能從業(yè)人員整體都很自大，認為電腦可以解決一切。”Mighty AI創(chuàng)始人兼CEO MATt Bencke說。人工智能系統(tǒng)也都存在同樣的問題：電腦需要通過人工添加標簽的龐大數(shù)據(jù)進行“學習”，然后利用這種‘模型’在今后看到類似的物體和形態(tài)時將其識別出來。
訓練無人車面臨的挑戰(zhàn)比其他人工智能應用更大，因為汽車所要面臨的場景和環(huán)境是開放性的。即便是針對不同時間的燈光和天氣環(huán)境進行調整后，城市環(huán)境仍會因為建筑、活動或事故而在一夜之間發(fā)生變化。
“標注過程通常都是一項非常隱秘的成本，很少被人提及。”自動駕駛創(chuàng)業(yè)公司Drive.ai首席執(zhí)行官Sameep Tandon說，“這非常痛苦，也非常麻煩。”
無人車所需的精度也高于其他人工智能系統(tǒng)。汽車之所以能夠自動駕駛，是通過將它們借助攝像頭和傳感器看到的周圍環(huán)境，與車載3D地圖進行比對來實現(xiàn)的。安全是頭等大事：如果GOOGle Photos的面部識別無法正確認出一張照片中的人，那也沒什么大不了；但如果Waymo的無人車無法識別行人，就會引發(fā)致命事故。
在爭相開發(fā)無人車的過程中，企業(yè)的衡量標準都是他們的累計行駛里程。Waymo今年5月表示，他們的汽車已經(jīng)在公共道路上試駕了300萬英里，而特斯拉去年表示，他們已經(jīng)借助Autopilot系統(tǒng)，通過現(xiàn)有的車主收集了1000多萬英里的駕駛數(shù)據(jù)。
然而，里程越多，就意味著這些公司的后臺數(shù)據(jù)處理人員需要手工從事更多工作。短短幾英里的駕駛里程就會產生數(shù)十GB的數(shù)據(jù)，這些數(shù)據(jù)很快就會變得過于龐大，以至于無法通過車載無線網(wǎng)絡進行傳輸。相反，必須首先保存在硬盤之中，然后再傳輸?shù)降酵獍行摹?/span>
這樣一個擁有尖端技術的行業(yè)，卻采用如此陳舊的模式，的確令人感到意外。
硅谷自動駕駛系統(tǒng)開發(fā)公司PlusAI首席執(zhí)行官David Liu表示，每駕駛一個小時，就需要花費數(shù)百個小時才能將其轉化成有用的數(shù)據(jù)。
他說，“我們需要幾十萬，甚至幾百萬小時的數(shù)據(jù)”才能讓無人車隨處行駛，并且需要“數(shù)十萬人來實現(xiàn)這一目標”。
但大型科技公司通常不肯披露無人車所涉及的人工程序。Waymo、Uber和特斯拉均拒絕對此置評。
“很難聽到有人談論此事。”華盛頓大學計算機科學與工程教授Dan Weld說，“他們都喜歡說，機器學習很神奇。”
曾經(jīng)擔任Waymo和Uber工程師的Anthony Levandowski曾于2013年在加州大學伯克利分校的公開演講中，將谷歌的印度團隊稱作一個由“人類機器人(20.15 +0.05%,診股)”組成的團隊，他們負責標記街景服務采集的各種圖像。
這種勞動密集型工作的成本并不低。業(yè)內人士估計，要創(chuàng)建和維護每座美國城市的地圖，一年的花費約為數(shù)十億美元。
有的創(chuàng)業(yè)公司從中看到了機會，PlusAI、Deepmap和Drive.ai都聲稱可以使用“深度學習”來降低人工成本（關于Drive.ai完全用深度學習來做無人車的方案，戳這里），但仍然可以維持安全駕駛所需的精度。但其他業(yè)內人士仍然懷疑，深度學習難以徹底擺脫對人類的依賴。
Mighty AI的 Bencke指出，F(xiàn)acebook、YouTube和Twitter面臨的挑戰(zhàn)，是如何在他們的社交平臺上應對欺凌和恐怖主義等各種負面內容。“如果深度學習具備這種能力，你不認為它現(xiàn)在就應該已經(jīng)解決這個問題了嗎？”他說，“這個問題沒有無人車那么復雜，而且市場很大。”
當下，AI的智慧在更大程度上仍然取決于它所用來訓練的數(shù)據(jù)的質量。Bencke稱自家的平臺會用自己的機器學習技術，來判定每個人最為擅長的領域，并以此來分配工作。沒人因此變得富裕，但對于Mighty AI來講，這無關緊要。
Forrest說，自己去年在這項工作上掙了300美元，大部分都用來網(wǎng)購了。她從沒見過無人車，更別提乘坐一次。但她知道自己正讓它們變得更為聰明，也對這項技術的未來充滿信心。
微信掃一掃
