“真正的智駕大模型應(yīng)該像條野狗，即它不能囿于家養(yǎng)的環(huán)境和數(shù)據(jù)，而是在真正意義上的開放域海量數(shù)據(jù)之上產(chǎn)生的?！?/p>

ChatGPT的爆發(fā)，讓大家看到了大模型的無(wú)限可能性。這個(gè)熱浪席卷到了各行各業(yè)，智能駕駛行業(yè)也不例外。

大模型就像是雷神之錘，如果沒有適合它的釘子，就難以發(fā)揮被期許的價(jià)值。而大模型能否和智能駕駛進(jìn)行聯(lián)動(dòng)，如果可以，它又能為智能駕駛給予多大的想象空間，這些依然是目前需要討論的問題。

這也有了清華大學(xué)鄧志東教授的這番有意思的比喻。

近期，由辰韜資本主辦、中信證券協(xié)辦的“未來(lái)以來(lái) 創(chuàng)見未見”第二屆智能駕駛商業(yè)化落地與產(chǎn)業(yè)發(fā)展趨勢(shì)主題研討會(huì)在北京舉行。

在“AI大模型如何賦能智能駕駛”主題論壇中，清華大學(xué)人工智能研究院視覺智能研究中心主任鄧志東教授、北京極佳視界科技有限公司CEO黃冠博士、北京愷望數(shù)據(jù)科技有限公司CEO于旭、蘇州智加科技有限公司首席科學(xué)家崔迪瀟博士參與了討論。

以下是圓桌對(duì)話的現(xiàn)場(chǎng)內(nèi)容，雷峰網(wǎng)(公眾號(hào)：雷峰網(wǎng))《新智駕》做了不改變?cè)獾木庉嫼驼恚?/strong>

主持人：當(dāng)下基本上所有的論壇都言必提大模型。大模型跟智能駕駛產(chǎn)業(yè)是否能結(jié)合、如何結(jié)合，是本場(chǎng)活動(dòng)需重要討論的話題。首先有請(qǐng)各位嘉賓先講講自己對(duì)AI大模型的理解。

崔迪瀟：有大模型，相應(yīng)的就有小模型、普通模型，那說明一定有一些問題是普通模型解決不了的，需要用大模型去解決。

我更多會(huì)站在應(yīng)用的角度去看大模型，比如它是否能做一些普通模型做不了的事情，以及它是否能做得更好、更快、更便宜。如果要將大模型賦能到自動(dòng)駕駛的研發(fā)中，核心要看的是在整個(gè)技術(shù)研發(fā)迭代過程中，大模型是否能讓自動(dòng)駕駛研發(fā)效率提高，研發(fā)成本降低，還能讓性能持續(xù)穩(wěn)步地提升。

黃冠：我們認(rèn)為，自動(dòng)駕駛大模型是必須的，在其中，通用性跟泛用性是關(guān)鍵，成熟的自動(dòng)駕駛大模型一定要結(jié)合語(yǔ)言模型和多模態(tài)。而要具備通用性，需要結(jié)合一套自監(jiān)督的范式去實(shí)現(xiàn)壓縮物理世界。

于旭：原來(lái)智能駕駛的數(shù)據(jù)行業(yè)，背后有很多的人工，而大模型出現(xiàn)之后，用AI去做AI，在這個(gè)方向上可以有更多的想象空間，比如怎么把大模型用到數(shù)據(jù)架控的產(chǎn)線上，包括怎么讓最后的大模型能有好的結(jié)果，我們看到很多新的機(jī)會(huì)。

鄧志東：大模型賦能自動(dòng)駕駛，需要以人類的自然語(yǔ)言、人類的思維貫穿智能駕駛的感知、預(yù)測(cè)、規(guī)劃、決策、規(guī)控等整個(gè)鏈條和環(huán)節(jié)，同時(shí)還需要綜合運(yùn)用多模態(tài)的視覺語(yǔ)義、常識(shí)以及專業(yè)知識(shí)，讓它有跨任務(wù)、跨領(lǐng)域、跨場(chǎng)景的泛化能力。它會(huì)帶來(lái)一場(chǎng)大的變化。

主持人：AI不能算是新事物，大模型也不是新事物，但AI、大模型跟智能駕駛結(jié)合在一起，它就變成了新鮮事物。它正在進(jìn)行產(chǎn)業(yè)化，也正在進(jìn)行新的探索，現(xiàn)在有一個(gè)問題需要搞清楚，什么是智駕大模型？大家對(duì)它的定義是什么？

崔迪瀟：在定義智駕大模型之前，需要先定義大模型。什么是大模型？怎么定義這個(gè)“大”？通常理解，“大”可能是模型參數(shù)量的“大”。但個(gè)人覺得，“大”背后反映的是它能做多少事情。

大模型需要有通用性，本質(zhì)上要解決跨任務(wù)的通用性，意味著它需要能解決不同的任務(wù)，有跨知識(shí)領(lǐng)域的通用性。GPT里面就有通用性，能夠把所有不同的任務(wù)統(tǒng)一到自然語(yǔ)言處理的框架中。

此外，當(dāng)模型的參數(shù)在達(dá)到一定的數(shù)量級(jí)之前，參數(shù)量和性能呈現(xiàn)線性相關(guān)性，這個(gè)階段參數(shù)量提升，性能就會(huì)線性提升。在參數(shù)量達(dá)到更大規(guī)模以后，系能會(huì)有一個(gè)非線性的提升，這種性能顯著提升之后，會(huì)有大家提到的涌現(xiàn)的現(xiàn)象出現(xiàn)。

這也是大模型受到關(guān)注的關(guān)鍵。

那智駕里面是否真正存在我們討論的所謂大模型？

一方面，我們現(xiàn)在看到的智駕大模型更多是汽車行業(yè)的垂直模型，它們分布在各個(gè)智駕技術(shù)棧，或者是特定場(chǎng)景的端到端；

另一方面，因?yàn)樽詣?dòng)駕駛它是一個(gè)又像開源又像閉源的人工智能系統(tǒng)，我們既要強(qiáng)調(diào)泛化性，也要強(qiáng)調(diào)可控性，同時(shí)它的一致性也是要保證的。

但事實(shí)上系統(tǒng)泛化能力提升會(huì)帶來(lái)一些問題，比如它的某些涌現(xiàn)可能對(duì)智駕系統(tǒng)是不可控的、也是不可接受的。所以，我并不認(rèn)為在智駕領(lǐng)域存在真正意義上的大模型，這是我個(gè)人的理解。

于旭：剛才崔總對(duì)大模型的分享非常精彩，結(jié)合這個(gè)點(diǎn)說一下我的理解。質(zhì)量的涌現(xiàn)讓我們?cè)谧詣?dòng)駕駛可以用新的思考、新的方式帶來(lái)行業(yè)的規(guī)?；?，包括這些新的體驗(yàn)感。大模型是帶來(lái)了曙光，我們認(rèn)為這個(gè)曙光可以分階段地進(jìn)入到自動(dòng)駕駛行業(yè)里，比如可能先從局部進(jìn)入再逐步發(fā)展到全局，這是一個(gè)長(zhǎng)線的過程。

黃冠：我們非常相信自動(dòng)駕駛大模型。在我們看來(lái)，整個(gè)自動(dòng)駕駛行業(yè)發(fā)展經(jīng)歷了三個(gè)階段和變革。

第一階段是Waymo帶來(lái)的L4 Robotaxi進(jìn)行了一套系統(tǒng)化運(yùn)營(yíng)；第二個(gè)階段是特斯拉那一套靠視覺和AI帶來(lái)行業(yè)成本的降低和泛化性的提升；而第三次則是這次大模型給行業(yè)帶來(lái)的想象，它會(huì)把這個(gè)行業(yè)的上限無(wú)限撐高，走向L4或者AGI，并且同時(shí)提升數(shù)據(jù)、研發(fā)、測(cè)試等各個(gè)層面的效率。

而自動(dòng)駕駛大模型該如何解決，核心的問題還是通用性跟泛化性的問題該怎么解決？第一，需要把語(yǔ)言引進(jìn)來(lái)，因?yàn)檎Z(yǔ)言有很強(qiáng)的認(rèn)知能力，比如我知道我開車我不能走懸崖?，F(xiàn)在這一套自動(dòng)駕駛方案既識(shí)別不了懸崖，也不知道能不能走懸崖，但是語(yǔ)言的大模型是知道不能走下懸崖的。

第二，需要針對(duì)物理世界場(chǎng)景，尤其是視覺場(chǎng)景需要有一套方式去進(jìn)行自監(jiān)督地壓縮。多模態(tài)則是認(rèn)識(shí)各種懸崖的，它可以再跟自動(dòng)駕駛結(jié)合起來(lái)，加強(qiáng)自駕大模型對(duì)世界的泛化認(rèn)知和感知理解能力。

綜上，我們理解的自動(dòng)駕駛大模型是，能夠解決通用性和泛化性，把視覺、語(yǔ)言和多模態(tài)引進(jìn)來(lái)，通過物理世界的預(yù)測(cè)解決自監(jiān)督的物理世界壓縮的問題。

鄧志東：什么是智駕大模型？首先要有人類的語(yǔ)言智能與人類思維貫穿；其次能綜合利用視覺與多模態(tài)的語(yǔ)義，同時(shí)還要有常識(shí)，還必須有駕駛的專業(yè)知識(shí)。

這其中比較關(guān)鍵的是視覺語(yǔ)義，尤其是對(duì)駕駛場(chǎng)景與目標(biāo)、語(yǔ)義地圖、決策規(guī)劃進(jìn)行時(shí)空關(guān)系的世界建模。常識(shí)的利用部分，可以直接使用文本大型語(yǔ)言模型，比如現(xiàn)成的ChatGPT，準(zhǔn)確說是利用GPT-4的API，用這個(gè)API調(diào)用，可以把一般性的交通知識(shí)、交通法規(guī)，包括駕駛行為相關(guān)的一系列常識(shí)，都放進(jìn)去。

但是光有常識(shí)還是不夠的，因?yàn)樗赡軟]有那么精細(xì)、專業(yè)，本身在預(yù)訓(xùn)練時(shí)也沒有喂養(yǎng)更多的場(chǎng)景數(shù)據(jù)。我們還需要利用駕駛知識(shí)、駕駛技巧、駕駛經(jīng)驗(yàn)這類專業(yè)知識(shí)，這就需要發(fā)展智駕GPT之類的定制化垂域GPT。

這些我們現(xiàn)在正在探索著基于視覺和文本在做，但是因?yàn)槲谋臼欠?hào)系統(tǒng)，所以我們需要把符號(hào)系統(tǒng)和真實(shí)物理世界的時(shí)空連續(xù)系統(tǒng)進(jìn)行語(yǔ)義對(duì)接。對(duì)接起來(lái)之后視覺的所有語(yǔ)義都可以用ChatGPT的文本語(yǔ)言智能進(jìn)行貫穿。

對(duì)接很重要，因?yàn)槲覀儸F(xiàn)在要做的就是視覺語(yǔ)義與文本語(yǔ)義的對(duì)接或?qū)R。對(duì)接可以通過自監(jiān)督的方法，在潛空間里進(jìn)行，現(xiàn)在看來(lái)是能夠成功的。

對(duì)接之后就聯(lián)系起來(lái)了，視覺的語(yǔ)義及其關(guān)系都用文本語(yǔ)言智能貫穿，就可以引入常識(shí)和專業(yè)知識(shí)，真正實(shí)現(xiàn)知識(shí)驅(qū)動(dòng)。視覺語(yǔ)義與文本語(yǔ)義的對(duì)接或叫g(shù)rounding，現(xiàn)在可以利用視覺-文本預(yù)訓(xùn)練模型實(shí)現(xiàn)?？傊缒B(tài)或者多模態(tài)的通用人工智能非常重要。

弱人工智能時(shí)代過去了，相信以后會(huì)發(fā)生很多變化。比如不需要再去為單一任務(wù)做大量標(biāo)簽，因?yàn)榕曛筮€解決不了問題，做到95%的準(zhǔn)確率都難，增加一個(gè)訓(xùn)練集之外的類別或換一個(gè)任務(wù)或場(chǎng)景，馬上就會(huì)出現(xiàn)問題。

利用完全監(jiān)督學(xué)習(xí)的弱人工智能方法是不可取的，很難產(chǎn)業(yè)落地。以后也會(huì)出現(xiàn)專業(yè)分工或供應(yīng)鏈，比如可以直接提供各種預(yù)訓(xùn)練模型，包括圖像、視頻、點(diǎn)云的預(yù)訓(xùn)練骨干模型，也有多模態(tài)或語(yǔ)言的，甚至將各種預(yù)訓(xùn)練模型集成到專業(yè)硬件里面做到車載，用戶僅需用提示詞微調(diào)一下或直接作為功能模塊就可使用，達(dá)到比自己研發(fā)更好的性能。

這個(gè)階段我相信很快就會(huì)到來(lái)。

以后編程的方式也可能會(huì)發(fā)生變化，不用再去對(duì)場(chǎng)景的每個(gè)細(xì)節(jié)都去做算法編程，去查漏補(bǔ)缺但還是有邊緣事件沒有Cover到。以后就讓它自己在實(shí)踐交互中進(jìn)行學(xué)習(xí)，因?yàn)樗幸曈X、懂語(yǔ)義，有常識(shí)，也有專業(yè)知識(shí)。

可以這么比喻，就像一個(gè)新手剛從駕校出來(lái)，也不需要再做文本方面的知識(shí)培訓(xùn)了，所要做的事情就是實(shí)踐，多開車，多上路，實(shí)踐多了就變成老司機(jī)了。

主持人：如果這樣的話，是不是意味著在智駕大模型里面不需要標(biāo)注了？

鄧志東：標(biāo)簽要用工業(yè)化生產(chǎn)的方式，人工標(biāo)注就是數(shù)據(jù)飛輪的一個(gè)啟動(dòng)或需要人工去做其他的專業(yè)標(biāo)注。不是現(xiàn)在家家需要標(biāo)簽，小作坊式的，可能是做預(yù)訓(xùn)練骨干模型的公司去提規(guī)?；瘶?biāo)簽需求或做規(guī)?；a(chǎn)，包括利用大模型這樣的東西，混合人工與機(jī)器，部分有問題的標(biāo)簽還需要人工去審核清洗等。

黃冠：ChatGPT也需要標(biāo)注。

鄧志東：另外，對(duì)通用人工智能，要用開放域數(shù)據(jù)。這個(gè)數(shù)據(jù)不需要你去專門采集做閉集標(biāo)簽，互聯(lián)網(wǎng)上有很多駕駛視頻，利用眾包或通過其他供應(yīng)商，也可以給你提供全世界各種各樣真實(shí)的視頻駕駛巨量數(shù)據(jù)，這個(gè)我們叫開放域數(shù)據(jù)。

它的類別不再是固定的數(shù)量，比如1000種物體類別；視覺-文本對(duì)也可能不規(guī)整，噪聲或污染也可能比較嚴(yán)重，也需要進(jìn)行人工加機(jī)器的清洗、對(duì)齊等。

但可以做到萬(wàn)億token以上的巨量，智駕大模型依然什么都可以檢測(cè)、分割與識(shí)別出來(lái)，而且還是零樣本使用或不需要用戶進(jìn)行再訓(xùn)練?，F(xiàn)在各家車企做的大模型或小模型，可以看成是一只家養(yǎng)的狗，而真正的智駕大模型應(yīng)該是野生的狗。

在我們的認(rèn)知里，野狗總比家養(yǎng)的狗生存能力要強(qiáng)很多，因?yàn)樗鼈兩嬖凇耙巴狻?，接觸到的環(huán)境遠(yuǎn)比家狗接觸到的要惡劣、復(fù)雜。

相應(yīng)地，真正的智駕大模型，不應(yīng)該是在閉域數(shù)據(jù)集里進(jìn)行預(yù)訓(xùn)練，而是在真正意義上的開放域海量數(shù)據(jù)里產(chǎn)生。

于旭：大模型需要有一個(gè)質(zhì)量涌現(xiàn)的過程，這個(gè)背后需要巨大量產(chǎn)車在外面跑，現(xiàn)在這個(gè)時(shí)間階段上，大家都在量產(chǎn)上爭(zhēng)分奪秒。這里面看到了很多新機(jī)會(huì)，像在數(shù)據(jù)的加工生產(chǎn)上，標(biāo)注作為一個(gè)剛需，以前是加工，現(xiàn)在是面對(duì)的場(chǎng)景有很多，包括像剛才鄧?yán)蠋熖岬降拈_源，用大模型分割一切，這套做法我們剛好把它應(yīng)用在了現(xiàn)在的主機(jī)廠服務(wù)里面，最后質(zhì)量的把控還是要靠人來(lái)做。

主持人：請(qǐng)問一下極佳的黃總，做智駕大模型剛開始需要很多的數(shù)據(jù)，極佳如何解決數(shù)據(jù)冷啟動(dòng)的問題？

黃冠：智駕大模型可能不是一個(gè)只靠駕駛數(shù)據(jù)訓(xùn)出來(lái)的模型，那樣永遠(yuǎn)沒有認(rèn)知，沒有多模態(tài)能力。所以我們認(rèn)為它冷啟動(dòng)，確實(shí)要把語(yǔ)言模型和多模態(tài)模型引入進(jìn)來(lái)，只有這樣，才能向著智駕大模型這樣一個(gè)方向走。

語(yǔ)言模型已經(jīng)見過海量數(shù)據(jù)，有非常強(qiáng)的認(rèn)知能力；而多模態(tài)的模型，也見過了大量的圖像視頻3D數(shù)據(jù)。

把語(yǔ)言模型、多模態(tài)模型引進(jìn)之后的第二步，則是數(shù)據(jù)要在場(chǎng)景下去做適配、對(duì)齊，或者是通過自駕的數(shù)據(jù)自監(jiān)督做自駕場(chǎng)景的壓縮。在這個(gè)場(chǎng)景下需要大量的數(shù)據(jù)，但是如何才能讓整個(gè)行業(yè)去共享乘用車數(shù)據(jù)，需要國(guó)家層面、行業(yè)層面以及企業(yè)層面都要多做一些合作和深入探討。

主持人：接下來(lái)有個(gè)問題問一下智加科技的崔總，您是做無(wú)人駕駛重卡場(chǎng)景的，關(guān)于量產(chǎn)車的數(shù)據(jù)采集，如何確保低成本高質(zhì)量、并且符合法規(guī)要求的數(shù)據(jù)收集以及傳輸？

崔迪瀟：這可能跟大模型本身不太相關(guān)，這是在我們走向大規(guī)模量產(chǎn)或者走向更大海量數(shù)據(jù)過程中就需要解決的問題，低成本高質(zhì)量必須同時(shí)滿足，因?yàn)楦叱杀靖哔|(zhì)量、低成本低質(zhì)量數(shù)據(jù)獲取是不需要努力的。

自動(dòng)駕駛的數(shù)據(jù)獲取跟系統(tǒng)的架構(gòu)有關(guān)系，下面討論的所有觀點(diǎn)不包括端到端自動(dòng)駕駛，因?yàn)槎说蕉俗詣?dòng)駕駛的數(shù)據(jù)應(yīng)該怎么獲取，我個(gè)人沒有非常一線的工作經(jīng)歷，我很難妄下結(jié)論，怕被打臉。

針對(duì)現(xiàn)在模塊化的智駕系統(tǒng)，最好的方式把它的數(shù)據(jù)系統(tǒng)做得靈巧可伸縮，核心是所有的數(shù)據(jù)采集觸發(fā)的時(shí)間點(diǎn)和時(shí)長(zhǎng)、采集的數(shù)據(jù)幀率和分辨率、數(shù)據(jù)維度和壓縮比、回傳策略等都是和特定的任務(wù)相關(guān)的，也就是被采集數(shù)據(jù)所在的具體模塊和數(shù)據(jù)采集要優(yōu)化的目標(biāo)。

我們有一套包含500多個(gè)標(biāo)簽的場(chǎng)景分析體系，根據(jù)系統(tǒng)的表現(xiàn)決定回傳的采樣頻率。

為了降低回傳成本，數(shù)據(jù)壓縮也需要考慮，比如直接把圖像壓縮到70%，再解出來(lái)，能不能得到跟Raw Data一樣的效果，如果不能，再對(duì)應(yīng)地調(diào)整。

在檢測(cè)端的數(shù)據(jù)是要回傳單幀還是多幀？時(shí)序任務(wù)，應(yīng)該在當(dāng)前時(shí)間點(diǎn)往前往后各回傳多少幀？如果是安全性相關(guān)的任務(wù)，那它在整個(gè)數(shù)據(jù)回傳的過程中優(yōu)先級(jí)應(yīng)該怎么設(shè)置？

相關(guān)問題我們?cè)陂_發(fā)過程中都會(huì)結(jié)合場(chǎng)景和系統(tǒng)性能做很多定制化的設(shè)計(jì)。

設(shè)計(jì)過程確實(shí)比較繁瑣，但這些工作必須做。我們系統(tǒng)有在線實(shí)時(shí)的指標(biāo)回傳功能，每隔幾分鐘到一個(gè)小時(shí)就能看到量產(chǎn)車上關(guān)鍵指標(biāo)的變化，這些指標(biāo)的變化也會(huì)再次影響線上系統(tǒng)的數(shù)據(jù)采集配置。

主持人：感謝大家，咱們現(xiàn)在聊聊趨勢(shì)。接下來(lái)請(qǐng)大家分別講講個(gè)人對(duì)于自駕大模型或者智能駕駛行業(yè)還有就包括機(jī)器人、具身智能這些新鮮事物未來(lái)發(fā)展的圖景。比如說未來(lái)三年大家可以感知到的AI大模型，智能駕駛的可能性等等，聊聊自己的判斷。

于旭：大模型讓我們看到算法的門檻變低了，這個(gè)時(shí)候就像過去的移動(dòng)互聯(lián)網(wǎng)一樣，當(dāng)時(shí)有很多的APP，現(xiàn)在在算法新的時(shí)代里面，又有非常多的AI應(yīng)用。我們?cè)趧?chuàng)造更好的大模型，這個(gè)技術(shù)手段也希望能應(yīng)用到更多的商業(yè)場(chǎng)景中，使得AI應(yīng)用有不斷的提升。它給我們帶來(lái)了很多希望，我還是非?？春眠@一技術(shù)的。

黃冠：長(zhǎng)話短說，我們非?？春眠@個(gè)趨勢(shì)，我們覺得大模型可能對(duì)從駕駛到具身智能到通用機(jī)器人，都會(huì)帶來(lái)很不一樣的東西，就會(huì)從數(shù)字世界的AGI走向物理世界的AGI。

崔迪瀟：當(dāng)前自動(dòng)駕駛行業(yè)，大模型已經(jīng)在發(fā)揮一些作用，比如感知端、駕駛決策端，我們都看到了大量很好的技術(shù)演示和應(yīng)用。至于規(guī)控端會(huì)不會(huì)做大模型，我個(gè)人持保留意見，因?yàn)槟壳霸诳刂粕?，我們依然需要?duì)車輛做精確建模。

雖然看到很多演進(jìn)趨勢(shì)，令人振奮，但必須要提醒一個(gè)事實(shí)，即大模型依然沒有脫離深度學(xué)習(xí)框架，不可避免地會(huì)存在統(tǒng)計(jì)性和概率性問題，大規(guī)模應(yīng)用中一定有它處理不了的場(chǎng)景。

對(duì)于所有做L4的同事和同行來(lái)說，必須要保持警醒，大模型可以加速L4到來(lái)，但它不能解決所有L4的問題。在L4的系統(tǒng)架構(gòu)設(shè)計(jì)中，我們要在一個(gè)更強(qiáng)大的數(shù)據(jù)驅(qū)動(dòng)的智駕大模型的基礎(chǔ)上，繼續(xù)堅(jiān)持做安全冗余，因?yàn)長(zhǎng)4是一個(gè)既要求泛化性，又要求可靠性和一致性的系統(tǒng)，這兩點(diǎn)不一定靠大模型就能解決掉。這是我的一個(gè)額外觀點(diǎn)。

主持人：教授做個(gè)總結(jié)。

鄧志東：未來(lái)自動(dòng)駕駛的研發(fā)范式會(huì)發(fā)生很大的改變，主要有四個(gè)方面：

第一，從完全監(jiān)督的學(xué)習(xí)方式變成零樣本學(xué)習(xí)，類似分割一切；

第二，從原來(lái)基于閉源的眾包數(shù)據(jù)集變成利用開放域的巨量數(shù)據(jù)；

第三，從原來(lái)的單任務(wù)變成多任務(wù)，最后變成一個(gè)與任務(wù)無(wú)關(guān)的通用模型，比如原來(lái)的視覺語(yǔ)義模型只能做分割，但不能做檢測(cè)、分類或者不能做跟蹤，后面就會(huì)變成所有都能做；

第四，會(huì)從原來(lái)的弱人工智能變成研發(fā)與使用通用人工智能，從對(duì)每個(gè)細(xì)節(jié)的算法編程，變成一個(gè)能夠主動(dòng)融入真實(shí)物理世界、親自實(shí)踐、親自與物理環(huán)境進(jìn)行交互學(xué)習(xí)的機(jī)器“人”。

雷峰網(wǎng)雷峰網(wǎng)

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。