你好，这里是科技前哨，继续跟你分享新兴科技企业有关的新鲜见闻。

今天，我们要介绍的这家公司AutoBrains就声称自己的自学习AI会成为自动驾驶技术中的颠覆性存在，它的技术优势在哪，真的可以打败现有的人工智能吗？科技前哨带你一探究竟。

1.不懂情报学的神经科学家不是好的人工智能专家

AutoBrains的创始人是伊格尔·雷切尔高兹（Igal Raichelgauz）是位以色列人，他的经历也颇有以色列特点。

伊格尔最早是位神经科学家，毕业于以色列理工学院，毕业后在以色列国防军8200精英情报部门工作，后来从该部门离职创办了一家基于SMS的消息传递公司Figment，此后又在英特尔担任过技术开发，后来他甚至又攻读了博士学位，研究大脑皮层神经网络。

也正是这段经历让他跨界进入人工智能领域，伊格尔攻读博士学位期间，人工智能正经历新一轮热潮，很多概念都没有定型。在了解人工智能的技术后，伊格尔发现神经科学与人工智能的联系十分紧密，神经科学可以帮助人工智能发展更完善。

2007年，伊格尔与他的老师乔什·泽维（Josh Zeevi）共同创办了Cortica，总部位于以色列特拉维夫。Cortica公司通过模拟人脑皮层神经网络所展示出的神经生理功能，开发了一种生物计算技术，即模拟人脑中发生的神经元活动，让计算机以人类的方式学习。

对人工智能越来越了解，让伊格尔对人工智能技术有了新的看法，他认为现在的人工智能模型还是太“傻“了，只能算是模式识别的机器，不能说有多聪明，如果没有大量的人工标注的数据喂养，人工智能根本无法工作。

人工智能只有做到不依赖人工标注数据的自学习才能算是真正的智能，如何才能实现这个目标呢，有着神经科学领域背景的伊格尔想到，模拟人脑的学习机制或许是个好办法。

2019年，Cortica公司为了深化与德国运输巨头大陆集团的合作，分拆出了AutoBrains，由伊格尔带领团队专注研发自学习人工智能框架，解决自动驾驶的问题。

2.如何让人工智能无监督学习

目前的人工智能算法基本都是同一套逻辑，需要人事先对数据做好标注，解释清楚每样东西是什么，人工智能算法才能在一次次训练后学会识别、分辨各种东西。

特斯拉、Waymo等自动驾驶企业为了解决这个问题，采用了人工智能自动标注的方式，不过伊格尔认为这种方法只是小修小补，要做大的颠覆还要回到人工智能的源头，神经科学上。

AutoBrains做过一个实验，在一只老鼠的大脑皮层装上电极片，不断向老鼠大脑发送音频和图像的电信号，他们发现的每一个信号都有一个特定的神经反应，他们把这些相同的神经反应叫做“数字签名”。

老鼠并不明白这些东西是什么，但它的多种感官相互作用，共同刺激大脑皮层，自动将相似的情景进行分类并打上标记，随着接触多了它就能判断一个东西、一类情景，这也就是自学习的原理。

AutoBrains为了让人工智能模拟这种学习过程，将摄像头、雷达、音频传感器信号结合到一起，作为一个数据输入来训练人工智能，计算机自动根据各种数据的相似程度做判断，把类似的数据分为一类，打上“数字签名”。

AutoBrains常常将自己和另一家以色列公司Mobileye对标，根据他们给出的数据，采用这套自学习的技术能让成本降低33%，只需要Mobileye10%的算力就能解决问题。

如今Autobrains已经用大量驾驶数据训练人工智能识别20万种“数字签名”，现在他们正在进行第二步，训练单个神经网络来处理应对每个签名时的反应。

3.它真的可以颠覆自动驾驶吗

AutoBrains从2019成立至今经历了3轮融资，总融资额1.4亿美元，但仍然处在技术落地的前夜。

Uber自动驾驶团队前负责人说过：“自动驾驶领域有太多的过度宣传”每个企业都会把自己的技术说的很好，但是最后还是要看事实说话，AutoBrains设置了两个级别的自动驾驶，第一套辅助驾驶系统计划2023年商业推出，高级的全自动驾驶系统，AutoBrains的工作人员只是说“正在开发中”。

其实L2级别的辅助驾驶系统现在已经很常见了，AutoBrains的卖点主要是价格便宜，硬件要求低，但是算法的性能如何我们并不能下定论。目前AutoBrains已经与宝马集团取得合作，将为宝马未来的车型开发自动驾驶系统；并且，大陆集团也宣布与AutoBrains合作，基于瑞萨入门级V3H开发了一套单目摄像头自动驾驶方案，成本比以前的系统降低30%，主要满足L2级辅助驾驶的功能要求。

那么AutoBrains的自学习方案能有颠覆性的表现吗？我们的判断很明确，这套技术方案本身有很大的价值，但并不能颠覆自动驾驶市场，因为它的本质只是产业增强型的技术。

对AutoBrains而言最大的问题在于他们的方案还未落地，这套自学习方案用在识别上可能很有优势，但自动驾驶除了识别，还有规划、执行两个阶段，他们的研发之路并不平坦。

从产业的角度看，不需要数据标注的无监督学习确实是重点，只是现在路线众多，AutoBrains的这套方法能否笑到最后也未可知，到了产业层面，有时候并不是你的技术更厉害就更有未来，技术研发需要众人拾柴，正确的方案大量研究者共同投入也需要等上几十年才会实现。

以上就是今天的内容，希望你能有所收获，如果你喜欢我们的节目，欢迎分享给你的朋友，这会对我们非常有帮助，更多精彩内容明天再见~

科技前哨，每天都为你点亮。