盖世汽车讯 据外媒报道，首个用于辅助和自动驾驶的自学习人工智能（AI）技术开发商Autobrains推出其最新获得的突破性成果——Liquid AI，代表着自动驾驶和高级驾驶辅助系统（ADAS）领域的范式转变。

（图片来源：Autobrains）

Liquid AI将Autobrains基于签名的自学习方法，与基于场景的专业端到端技能的模块化和自适应架构相结合，解决了即使是最好的汽车公司也难以克服的挑战。Autobrains创始人兼首席执行官Igal Raichelgauz表示：“目前的技术在处理常规驾驶任务时表现良好，但在忽然面对需要更高精度的现实驾驶场景时就有所欠缺。通过使用或实施Liquid AI，汽车公司可以缩小他们在AI方面的差距。”

传统汽车AI面临的挑战

边缘场景：可以想象，无数种意料不到的驾驶场景给传统AI带来了几乎无法解决的任务。目前使用的手动训练黑匣子系统缺乏覆盖边缘场景的内在能力。为了解决这个问题，人们尝试向系统提供更多带标签的图片，但这会导致可跟踪性和可控性损失。

成本：为了解决现实驾驶问题，可以增加现有系统的数据、标签、层和计算资源。但这会使成本和功耗不断上升，从而导致收益递减。将系统精度大幅提高10倍，需要1万倍以上的计算资源。

感知－决策脱节：感知和决策功能之间的相互作用缺失，会阻碍做出有效和精确的决策。为了让AI做出最佳驾驶选择，它需要特定的信息。然而，当细节缺失或过于复杂时，精确度就会受到影响，从而导致错误的反应。

Liquid AI的设计灵感来自于人脑

Autobrains从人类大脑中汲取灵感，人脑由类似特定于任务的狭义端到端人工智能的专门区域组成。正如大脑会根据环境（例如光线和天气条件、周围环境以及相关道路使用者）来调整其架构一样，Liquid AI也遵循相同的方法。它的工作原理如下：

专用狭义AI网络：Liquid AI由数十万个专用狭义AI构成，每个AI均为特定任务而设计，这使反应非常精确，并适合相关的驾驶场景。这种专用AI方法具有可扩展性，从用于ADAS系统的数十到数百个AI，到用于更高级别自动驾驶的数千个AI，一直到适合全自动驾驶汽车应用的数十万个AI。

自适应架构：与固定系统不同，Liquid AI的架构可动态适应驾驶环境，只在必要时激活相关模块。除了节省片上系统（SoC）硬件成本，这明显降低了功耗和计算需求。

效率和精确度：通过模仿大脑的灵活性，Liquid AI实现了卓越的性能、成本效益和安全性。

总体而言，Liquid AI弥补了传统AI和真正智能的自主系统之间的差距，例如在新兴汽车应用中。通过模仿人类大脑的灵活性，Liquid AI实现了卓越的性能、成本效益以及更强的可解释性和可控性。