自駕車最後一哩，深度學習是核心

在虛擬世界訓練，快速優化AI效能

要在自駕技術領域後來居上，快速取得資料無疑是重中之重，除了利用傳統的方式蒐集來自感測器的資料，解方之一，也包含源自於虛擬世界中的模擬合成     資料，以截長補短，透過AI模型生成人類難以分辨或標示的資訊，例如速度、深度、遮蔽物，以填補真實世界中的資料落差。

「無論是自駕車，或眾多擁有重大商業價值的AI系統，未來需要處理的工作變異度將會越來越大，過去蒐集人工標註的訓練資料，再運用監督式學習的方法已不敷使用。」在清華大學電機工程系任教，同時也是Appier首席人工智慧科學家的孫民指出，為了訓練出精準度更好的AI系統，就需將真實世界訓練資料得出的模型，透過虛擬世界的自主學習、增強學習，大量且規模化的累積和精進資料的質量。

清華大學電機工程系任教、Appier首席機器學習科學家孫民     

這項技術聽來困難，但當孫民以電玩GTA（Grand Theft Auto）等開放世界或沙盒式遊戲為例，說明在電玩中，已可讓玩家體驗以不同人物視角，在不同的城市探險，甚至讓玩家對設定進行修改，創造自己的遊戲方式。「為了豐富玩家遊戲體驗的電玩採取的模式，是自駕技術很好的借鏡對象，也可改善過去需依靠雷達和光達感測器的重資本投入問題。」

除了透過虛擬世界，進行規模化訓練，孫民和Google研究員所發表的一系列「自動化機器學習（AutoML）」研究，包含”Dpp-net: Device-aware progressive search for pareto-optimal neural architectures”、”QoS-aware Neural Architecture Search”及” Instanas: Instance-aware neural architecture search”，都是利用AI自動去學習在不同裝置上如何達到最佳的準確度，以便讓系統即時作出更趨近於真實情況的決策建議 。

人機協作，縮短學習曲線

從生成對抗網絡的應用，到在虛擬世界中快速訓練，看似讓AI取代人類的疑慮更深。但身為臺大資工系教授及NVIDIA AI Lab計畫主持人的徐宏民卻認為，「人與機器不是對立的，而是可以共同協作的。」

臺大資工系教授及NVIDIA AI Lab計畫主持人的徐宏民(圖中)

徐宏民以團隊在2021年未來科技展獲獎發表的「基於互動感知的自動化物件偵測學習」技術為例，說明以往機器手臂要針對全新產線加以設定時，至少要兩個禮拜的時間，但這項技術因透過「人機協作」，讓重新設定的時間大幅縮短到一小時。

「而且不同於以往，要透過專家來設定，這套系統只要有經驗豐富的現場作業員，就可進行重新設定。」徐宏民強調。

透過「人機協作」，除可應用在機械手臂，加速智慧工廠的轉型，更是眾多傳統車廠有別於自駕新創公司採「一步登天（Moonshot Solution）」路線，堅持從輔助駕駛系統逐步（Step by Step）往L4、L5發展的理論基礎。

而當AI結合這些深度學習的核心技術，得以攻克高安全性、低容錯率的汽車產業後，不僅有助於讓相關技術延伸到電商、服務業，乃至醫療、照護等領域，更讓機器人不再只是機器，而是能帶有溫度，並提供豐富體驗。