我们这十年用了很多的时间让我们的程序员一边开车，一边调程序，调的很辛苦。在过程当中我们慢慢的悟出了一个真理，真正能够叫机器人开车的不应该是程序员，应该是驾驶员。有今天的驾驶员长期互动，已经把车同化为人体的一部分，成为与身体无缝对接的真实外延。因此机器人驾驶脑在驾驶员开车时形成一个脑和机器融合在一起的，实现一个梦想。这是我们最近几年的追求。

我们原来的驾驶脑里面有一个工作总线，还有调试总线，现在我们把调试总线开展为自学习总线，完成统计学习和进化学习，研发有个性的智能车。一旦当前的认知与过去经历的记忆进行了混合对比，驾驶脑便能对不确定的未来做出合适的决策，完成大脑的创造性，运动的灵巧性，以及对车无穷无尽的过程。这个过程太重要了。这个自学习非常有意义的是和AlphaGo围棋的深度学习网络非常一致，是一个评估网。我们这个叫自学习操作网。我们将驾驶员对油门、制动、方向盘的操控量增加为一个认知箭头，箭头拐弯多少表示你拐弯多少，油门和刹车只能取其中之一，用两个颜色表示出来。因此我们把驾驶员的动作变成一个箭头，通过一个驾驶态势图图像化。这样就变成了人工驾驶的时候经常出现的问题，如果能通过深度学习形成一个驾驶记忆的话就好了。当然人的学习一个很重要的是在错误中学习。我们同样把一次次的驾驶事故也形成了事故记忆。驾驶脑利用搜索配备引擎，实时在记忆当中搜索，自己找到或者推理求出符合当前驾驶态势的认知箭头，学以致用，形成控制指令的输出，克服了宏观认知的形式化困难，细分了约束期间，通过大量微观认知的形式化，降低了形式化的难度，缩小了在线推理范围。我的报告值得的就是这四句话，克服宏观的形式化困难，通过大量微观的形式化降低难度，缩小推理范围。

比如说现在有一个有经验的驾驶员在开车，人工驾驶。他通过他的视觉形成对他驾驶态势的判断。而在这同时我们也要感知系统也在工作，而且形式化驾驶态势图。驾驶员的操作他的态势是在他的头脑里面，但是他的操作我是能感受出来的，我就画出一个箭头，把当前的驾驶态势和驾驶员操作的结果变成一个图，叫做驾驶态势人质箭头图堆。如果从首都机场到天安门30分钟能到，我用36000个认知箭头变成36000个图堆，用深度学习加成了驾驶记忆。下次开车的时候人没有了，机器在开车，机器根据当时感觉到的驾驶态势，通过搜索来解决推理问题，形成了一个驾驶认知的箭头输出。然后再把这个箭头变成方向盘，这就是我们的高招。这就是我们最骄傲的地方。

最近我们已经把这个大数据都采来了，我们现在正在做深度学习，如果有哪位跟我们合作我们很高兴，可以把我们的大数据库给你，我们一起来做这个深度学习。

通过深度学习实现自学习，也就是统计学习或进化学习。当然一个人开车过程当中遇到了几次小磨小蹭，甚至遇到几次比较大的事故你终身难忘。机器人要吸取教训，同样我们在这样的情况下，采用这样的箭头，造成的事故形成一个事故记忆，下次机器人开车的时候又遇到了这个态势图，找到了事故处置的时候怎么造成事故的，这个箭头是万万不可用的，于是我们就有了事故指引。如果你的车上有事故记忆，当你做错误操作的时候能切断你，你肯定是会高兴的。同时怎么做到的呢？一个就是驾驶态势工作总线，一个是自学习总线，基本上是感知板块、认知板块、交互板块、自学习板块，但是它们之间并不乱，尤其是工作总线带宽我必须保证。而学习总线上我们就可以学到这个图的方法，形成驾驶记忆。然后把这个对汽车的操作放到汽车的线上去。

驾驶脑成功的关键是驾驶认知的形式化，如果说我们做得比较好的话还能拿个冠军，我认为我们的工作起了核心的作用。深度学习站在全球人工智能的风口，普遍把卷积神经网络用于点云图样式，感知架构的自学习。而我们却另辟蹊径，把卷积神经网络用于形式化之后的驾驶态势图，这就大大的减少了数据量，大大的简化了图里的实效，我们认为这里还有一点创新之处。回顾十几年来我们参加的比赛曾经迷惑过、迷盲过，试来试去，换车、换平台、换电源、换模块。通过多车交叉检验，尤其是2015年我们的联合课题组实现了交叉验证、常态实验。我的模块在你的车上试，你的人到我的组里来。形成了全新的设计图，这是北京到天津的，这是18米绕桩的。还有无人驾驶的，我们是全程无人工干预，到开封不到40公里的过程。我们现在正在做宇通大客车在场区内部的通勤。

下面我们讲讲第三个内容，决策脑。人在认知方面最终要做的不管多么复杂，其实就是做还是不做，是决策的问题。无论你有多少知识，多快的推理，多高的情商，多么善于沟通，最终反映出来的是选择，所以《哈利·波特》里有一句话，决定你成功的，不是你的能力，而是你的选择归根到底就是决策的能力。生命科学家要把我们的大脑搞清楚，有多种的组织组成。通过核磁共振将人脑分为166个区加以研究，只研究大脑某一部分的时代离我们越来越远，我们更重要的是研究它们之间的关联。生物学家们企图造出一个人工的干细胞，我认为挑战也是蛮强的。我们物理学家跟生命科学家有点不同，我们因为对生命科学了解的不如人家深，但是我们非常关注脑认知的七个大块，其中好几个都是微观、宏观，进行神明科学的研究。而我们这些搞理工和IT的人，觉得应该用物理学的方法，语言、知识、文明、传承，都是后天学习的。包括驾驶在内的所有的技巧，他们的原材料都来自客观世界，因此我们要研究人脑成长和认知的社会性。给我们提供了很多的方法，我们如何在信号，甚至在符号，甚至在行为，来研究人的智能是很重要的。多年来我们创造了定义概念和定量数据，我们提出过云模型，数据场，今天我们又提出了驾驶脑，还有其他行业专门支持的功能脑。我们认为这些方法解决不确定性因素是最有效的。需要我们学科的交叉融合。但是生命科学和物理学都是很有个性的学科，要把它交叉进来也很难。

我们强调记忆认知、计算认知、交互认知，三位一体。其实记忆有时候比知识更重要。广义知识驱动的智能难在形式化，碎片化和狭小区间形成的形式化相对比较容易，在认知过程当中人脑神经的交互也是不或缺的。因此我们提出多层次的认知网络，客观技术的局限性。60年过去了，我们设计了一个logo来纪念人工智能60年的光辉历程，我们认为人工智能奔跑的时代是一步一步走过来的，尤其是在今天移动互联网的支撑下，人工智能走到了人们关注的焦点上，如果说人类围棋手一生也许只能参赛1000盘棋，而AlphaGo一天就能下300万盘棋。从这个意义上讲计算机的围棋脑的智能程度超过人。因此我主张对人工智能要有点敬畏之心，不要说它是弱智能，我觉得还是要有一点敬畏之心。围棋本质上是动力学的问题，假如把棋盘扩大一倍，变成38道，哪个赢得快，我作为程序员我觉得围棋脑快，人可能觉得脑子不够用。

我们人工智能学会组织的围棋比赛是九路，当时只是一个电脑笔记本，今天人家用了170个GPU，1200个CPU来比的。驾驶员一天开八小时车，他不可能永不疲劳的跑。而驾驶脑可以做到，驾驶通过自学习可以会聚多人的驾驶认知，远远高于单个驾驶员驾驶技巧的速度。我对北京的道路很熟悉，但是我还可以把它变成天津的道路，一个人要既熟悉北京的所有道路又熟悉天津的，不是一天的事情，但机器脑完成的比较快。所以智能很重要，可以战胜人类的优秀个体，我是这样看的。就是驾驶脑开得比你好，是可能的。人工智能的核心不仅仅是算法，这是我们传统的看法，传统的认为什么叫软件，等于程序加数据，认为程序是最重要的，把数据放到程序里，形成人工智能。今天在大数据的情况下更重要的是学习，要让程序放到数据里面去，形成数据驱动的人工智能，用记忆认知、技术认知和交互认知形成决策脑，展现出当前人工智能井喷的局面和灿烂的前景。

我们可以构筑驾驶脑、围棋脑、翻译脑等等，哪怕不具有组织机构，但在宏观上并不亚于个别人的情商和智商。用人工智能构建千千万万的认知脑，并通过移动互联网、云计算，就可以倒逼一脑万用的人造生物脑。这就是说为什么我们对人工智能要有一点敬畏之心。

在我们的星球上围棋和汽车都是人类的发明，而且我们要迎来机器人新人类，围棋机器人要发展成为人类的伙伴，他们有智慧，有个性，有行为能力，甚至还有情感。机器人给人类带来的影响将远远超过计算机和互联网在过去几十年间，已经对世界造成的改变。人类的发展史，就是人要学会运用工具，制造共聚合发明机器的历史，科技不停步，人类永不满足。智能手机可以成为你的助理，曾经的很多工作岗位都将被机器人替代，但同时又自然的涌现出新的工作岗位，人类将更加优雅智慧的生活。人类善于更好的调教帮助机器人，利用机器人的优势，弥补机器人的不足，用新的机器人淘汰旧的机器人。反过来人类也找到了利用机器人提升人类的智慧和能力和方法。因此机器人一定会让人类自身更智能，各色各样的机器人为我们迎来了人与机器人共舞的新时代，人类始终是领舞者，谢谢大家。

触摸水滴，坠入智能国