据外媒报道，根据毕马威的最新报告，深度学习和其它机器学习技术将给汽车和运输行业带来巨大变化。到2030年，这些进步产生的价值将达到1万亿美元。

毕马威汽车行业负责人加里·希尔伯格（Gary Silberg）在题为《我看见，我思考，我驾驶（我学习）》（I see. I think. I drive. (I Learn)）的报告中列举了现有的无人驾驶汽车可能面临的一些障碍：“你如何让汽车在红灯亮起时停下？让它在红灯亮起时仍能右转？但纽约是个例外，那里红灯亮时右转是违法行为。或者如何识别出红灯时禁止右转的特定区域？如果人行横道上有行人该如何处理？如果你前面有人违法闯红灯怎么办？如果有自行车不按车道行驶，快速超过你时，又该怎么办？”

毕马威认为，如果一辆汽车没有接受特定的指令来告诉它应该在特定情况下采取哪些措施，或许就只能被迫停车，或者采取其他司机（或其他无人驾驶汽车）无法理解的应对方式。

例如，特斯拉最近就发布了一段Autopilot技术的视频，人们可以从中发现那辆汽车在好几个地方意外停车，或者对某些情况作出了不自然的反应。深度学习可以帮助汽车根据之前的结果更好地理解这些状况。

希尔伯格补充道：“如果一辆汽车不会学习，那仍要依靠数百万行的代码。如果采用如此复杂而含糊不清的方式，全自动驾驶汽车在未来很多年里都无法实现。”

深度学习如何让汽车更加聪明

深度学习可以在特定的层分析一个场景，最初很原始，但复杂度会逐步提升。通过在每个层上学习与这个场景有关的信息，并辅以训练措施，系统便可改进自己的能力，做出正确的决定。

在数据总量相同的情况下，深度学习比预先制定的算法更加精确，后者需要手动编程，而且要依赖最基本的编程逻辑——例如，IF路上有猫经过，THEN刹车。

深度学习也比机器学习更加精确，后者也需要借助人类的帮助来判断各种变量，包括车道标记、护栏和行人。深度学习则比机器学习更进一步，可以识别各种新的变量（例如红灯亮时可以能否右转这种细微差别），而且能够扩大神经网络的规模。

汽车厂商还必须在语义抽象和端对端学习两种深度学习方法间做出选择，二者各有优劣。前者是一套模块化系统，可以帮助程序员知道护栏探测系统或停车信号探测系统是否负责特定错误，但需要采取很多人工编程工作。

后者则是一套全盘系统，利用大数据来自动判断护栏，并根据人类驾驶实例进行优化。这种模式的表现可能更加精准，但却很难训练，也不容易做出适当的调整。

汽车行业的未来

该报告称，由于94%的交通事故都是由司机造成的，采用深度学习技术的汽车可以挽救成千上万人的生命。这种技术还可以为不方便出行的人提供便利的服务，提升卡车的安全性，提高生产效率。除此之外，还有望降低交通拥堵，增强交通运输系统民主化。

如何才能实现这些目标？首先，人才至关重要。能够开发深度学习系统的人并不多，这些人未来几年将面临很高的需求。谷歌、微软、英伟达、IBM和英特尔已经挖走了其中的多数人才，而高等院校还无法在这一领域培养足够的毕业生。

汽车厂商或许也需要通过共享方式开发新型汽车拥有模式，而不再一味依赖私家车。OEM厂商也必须大幅提升汽车本身的计算能力，这有可能要借助基于GPU的车载系统来分析大量数据。

这些真的价值1万亿美元吗？考虑到企业目前从深度学习中获得的种种利益，不难想象实际数字可能还会更大。