李瑞敏：人工智慧在智能交通領域的應用

對於數據的分析應用有這麼兩個途徑，一是傳統的統計分析建模，這個已經應用多年，且還是作為交通研究的主流在不斷的深化，二是新興的人工智慧，應用較為新穎的各種技術，如深度學習等，來從數據中實現智能，也即從某方面講，大數據已經不僅限於數據層面，也是一種技術乃至思維方式。

因此，這裡要談談的是人工智慧，通俗起見，順應潮流，倒不妨借用另外一個熱詞「大腦」，雖然二者並非一樣。

背景

2017年年中，國務院印發《新一代人工智慧發展規劃》，其中將「智能交通」作為「推進社會治理智能化」的一個重要方面，從國家層面賦予人工智慧在交通領域中的定位，而「智能交通監控、管理和服務系統」則是其中重要的內容。

2016年的雲棲大會提出來「世界上最遠的距離」一說，也推出了「城市（數據）大腦」。

2017年的雲棲大會通過多個用戶的現場報告，闡述了「城市大腦」在智能交通領域的應用效果。

同時，一些智能交通系統領域的相關企業也都開始提出「大腦」或類似的概念，今年內數個較大的智能交通系統企業都以各種形式在各種關口推出新的系統或平台，無一不融入「大腦」的理念（無論其使用的名稱是什麼），似乎看來智能交通系統終於回到正途找到「大腦」了。而此情形，在年末的全國智能交通系統年會上又推向了一個高峰，不僅僅大腦迭出，「心臟」也開始上陣。

機遇

人工智慧的發展歷程顯示，讓機器以擬人化的方式去思考，或許不是最佳路線，例如曾經機器翻譯的發展，而近年來在大數據的推動下取得了較大的突破，其他如圖像識別、語音識別等也基本如此。

在今年最火的主題之一：下圍棋方面，依舊向人類知識進行學習的alphaGo戰勝了人類的頂級選手，但很快就敗在了不再大量使用人類棋譜的alphaGo zero的手下，是否也預示著人類的經驗和知識作為輸入或許在某些領域已經拖了人工智慧的後腿。

但是無論怎樣，大數據+深度學習來支撐人工智慧的發展在短期內尚是主流，從alphaGo到alphago zero，變化的是學習使用的數據，不變的是依然需要有靠譜的數據來支撐機器的自主學習。

因此，如前文所述，隨著智能交通領域海量數據的不斷積累，未來應用人工智慧技術提升交通系統的運行及服務水平成為可能。

計算機的能力及長處在於超級的計算能力，對於能夠窮舉或者分類等方面有著先天的優勢，但是是否在所有的領域都能夠發揮作用，個人認知非常有限無法斷言。但現實中有一些提法：專用弱人工智慧近來進展較大，但是在通用弱人工智慧和強人工智慧方面，似乎推進不足。

交通管理領域或許可以視為一個專用的領域，有著自己的範疇和特點，人工智慧技術層出的今天，或許可以成為未來人工智慧技術應用領域的又一突破點。

人工智慧在智能交通領域的應用，可視為已經有多個方面，例如圖像識別、語音識別等，作為智能交通系統領域一種很重要的基礎技術，圖像識別技術的推進肯定可以有助於一些智能交通系統功能的進一步提升和開發。

除了圖像識別、語音識別、機器視覺等應用在推動交通管理的智能化進展外，我們也期望人工智慧能夠在專家系統、智能控制、輔助決策、優化調度等方面提供更強有力的有針對性的支撐。

籠統來看，人工智慧目前在某些領域表現的開始比人類強大，但尚不是在所有的（或者說眾多的）領域都已經表現的比人類強大，因此人工智慧到底能給城市交通管理系統帶來什麼程度的智能化，還可以不斷的探討和探索。

挑戰

和下圍棋相比，城市交通管理領域或許在如下方面更具有挑戰性：

管理控制後果的不確定性、管理控制環境的部分可知性和動態性、意外和突發情況等。因此，人工智慧技術在智能交通領域的應用和發展也要面臨著更為複雜的情形。

對於人工智慧技術在交通信號控制領域的應用，如果用傳統的人工智慧搭建的方法，從模仿人的思維角度來看，是否一個有經驗的交通工程師的水平可能就是機器最終所能達到的水平？

當然，「機器智能最重要的是能夠解決人腦所能夠解決的問題，而不在於是否需要採用和人一樣的方法」，如果以數據驅動的方式，擁有自我學習的能力，或者說學習的能力（AlphaGo zero）遠超交通工程師（圍棋高手）的水平，那麼最終是可能達到一個更高的水平。

但是，現有的數據資源及人工智慧技術是否已經能夠支撐交通管理、交通控制等領域的智能化需求呢？例如雖然上篇提到我們現在有級數級增長的交通「大數據」，但是是否實現了交通系統的全部可知呢？

1）數據的問題

無論各類單位如何去宣傳已經有了多大多大的數據，在全樣性、準確性上又有多少達到了完美的程度，誠然，可以說大數據大到一定程度不需要全樣也可以，那準確性呢？

時至今日，交通領域的檢測器有無數種，間接的檢測手段也很多，但是是否都有著這樣那樣的瑕疵呢？不知道未來信號控制是否還需要流量數據，至少現在的演算法還是需要的吧，那麼在流量檢測方面，各類檢測器的精度達到多少？另外在覆蓋率方面呢？固定式的檢測器就不談了，移動式的檢測器目前恐也難以100%的時段100%的空間覆蓋吧？

一些數據在實現路網的交通狀態分類估計擁堵狀態中可以有良好的應用，但是是否就一定能夠足夠支撐信號控制這樣要求更為精細的工作？目前尚無法斷言能還是不能，因為大數據的一個特點也是可以應對不確定性，因此需要我們發揮聰明才智更好的去研究。

2）演算法的問題

從alphago到alphago zero，演算法方面也是有了改進，因此，實現了新的進展。在交通控制方面，要實現人工智慧的「大腦」，或許可以參考其他領域的演算法，也可能與人工智慧在其他領域的應用技術有所不同而需要有突破性的演算法，現在有很多的科研人員已經在從事該方面的工作，期待能夠看到突破性的進展。

3）確定性vs不確定性

仍以下棋為例，在下一步棋前，對於棋盤上已有的情形是100%準確了解的，但是在交通管理（如信號控制）中，在做出下一個決策的時候，是否能夠100%（100%！）準確地了解當前已有的情形呢？

同樣，在下一步棋後，計算機可以對對手所能夠做出的選擇乃至到最終結局都有個效益估計，但是交通呢？如何對未來進行接近100%的預測，這恐怕又是一個難題。同時，交通中的隨機性更強，一起事故、一起違法、一個闖紅燈的行人等，都可能對正常的交通流運行帶來較為明顯的影響。

當然，大數據的理論基礎是信息科學，其本質就是要消除不確定性，但是要應對交通的不確定性應該還是有大量的工作要做。當然，這裡只是對比下棋，人工智慧可能有無數種技術方法，總應該有一種能夠滿足交通的需求吧？

未來

無論如何，人工智慧、互聯網公司的進入算是給多年傳統的智能交通（管理）系統的發展注入一股新的活力，帶來了新的概念的同時，也在觸動傳統交通工程領域的思考和提升，期待未來能夠有所顛覆。傳統上城市交通領域所研究的模型不可謂不多，然作用似乎有限，未來期待在數據的支撐下，通過科研機構、行業企業等的充分融合和協作，充分應用人工智慧的技術，實現新的突破。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！