四、“大數據悖論”：無人駕駛汽車的出路

人工智能與大數據之間有著千絲萬縷的聯系，但總括起來，可以化用一句名言來表述：人工智能是站在大數據的肩膀上發展起來的。可以這樣說，沒有大數據的昨天，就沒有人工智能的今天和明天。因此，談論人工智能與智慧交通之間的聯系，自然而然就要談論大數據這個基礎，甚至無法回避大數據存在的缺陷對無人駕駛汽車的影響。

大數據指導下的城市交通，由于其數據反饋的精準性和及時性，為眾多穿行于城市交通線路中的車輛提供實時出行路線，在使用這個導航的人數較少時，用戶普遍受益。但是，隨著平臺注冊的車主越來越多，便利就逐漸消失，甚至產生相反的效果，在動態反饋的數據實時更新的情況下，越來越多的車主開始不斷地跟隨新路況調換車頭，直至車主在兩條不同的路線上疲于選擇，最終導致其不知何去何從，大數據的福利最終演變為大數據的災難——大數據悖論。

暫且不論被大數據悖論愚弄后的車主的心態，無法回避的一個問題是，未來人們是否可以借助人工智能來解決這個看似荒誕可笑的問題？回答當然是肯定的！那么，基于人工智能的交通變革，出路何在？

近期研究發現，當人們提起大數據與人工智能時，往往將兩者分開來看待。絕大多數人對大數據的發展都持肯定的態度。當然，在某種程度上來說，這是人們對大數據的本質沒有深入了解所致。另外，人們對待人工智能的態度則不然，肯定與否定的態度基本持平。這是源于人工智能處在一個新的起步階段，其發展不完善所致，這是再正常不過的現象。不過，正是人們對人工智能所持的這兩種不同的觀點，對于人工智能本身而言，是極有利于其不斷發展完善的。

只要你稍微留意就會發現，當前人們對于大數據的認識基本上還停留在表層，最普遍的解釋就是大數據就是指數據的“大”。那么人們是怎樣理解大數據的“大”呢？主要是基于大數據的“4V”特征——Volume（數據體量大）、Variety（數據類型多）、Velocity（處理速度快）、Value（價值密度高）。但是，即便看到了這幾個特征，就真正理解大數據了嗎？事實不是的。自人類誕生以來，人與人、人與物、物與物的聯系之中就不斷生產出“數不勝數”的數據。可見，大數據的如上特征自古就有，只是近幾年來研究人員進行了總結概括罷了。要理解大數據的本質，必須回到互聯網世界來進行探討。

1982年，傳統的互聯網NCP協議由于其互聯性極弱的缺陷而被停用，取而代之的是以鮑勃·卡恩和文特·瑟夫一起發明的互聯網TCP/IP協議被廣泛運用，使得無數設備終端能夠互聯互通，這才最終把固有的大數據呈現出來。因此，從起源看本質，大數據的本質就可以表述為萬物互聯對客觀性的陳述。如此看來，在某種程度上，由大數據催生的大數據產業，其本質就是在解決不同數據之間的“連接”問題：在商業領域，解決的是人與商品的“連接”問題；在搜索領域，解決的是人與數據的“連接”問題；在服務領域，解決的是人與人之間的“連接”問題等。

說到大數據相關的應用，就不得不提及大數據分析師。這是因為大數據的應用主要表現在運用數據的連接功能上，大數據本身無法進行自我價值挖掘和價值判斷，數據連接背后的價值體系需要大數據分析師進行深入的挖掘，才能在應用層面將大數據的價值變現。

正是因為大數據應用產業的這一特點，才使得“大數據悖論”現象的出現，讓人們陷入大數據交通的困境。但是，基于人工智能的智慧交通則不然。人工智能是基于計算機復雜網絡的智能系統，它能在極大程度上克服大數據應用缺乏“自主分析”的弊端。隨著大數據存儲能力、數據傳輸能力、深度學習能力的大幅度躍升，人工智能交通在克服大數據悖論對交通的消極影響方面具有革命性的超越。

當我們回到大數據悖論對交通的消極影響的具體情境，不難發現，如果能夠對整座城市的所有車主出發前的交通狀況進行數據反饋，那么，大數據悖論的消極影響也就消失了。也就是說，在這個新的條件下，大數據悖論對某個時段出行的少數人或者多數人都不會產生消極影響。然而，這種情況只是一種理想狀態，只有同時滿足以下三個條件，這種理想狀態才成立：第一，所有車主每天的行程基本固定；第二，不因其他事務而臨時調轉車頭；第三，全城車主用車時間相同。顯然，現實生活中是不可能同時滿足如上條件的。城市中的交通工具，唯一能滿足這三個條件的就是公交車，但所有人都會坐公交車去上班嗎？答案是否定的。所以，為了讓生活在一座城市中的所有人都能享受便捷而不擁擠的出行服務，這個艱巨的任務就落到了人工智能與智慧交通的創新應用上。

為應對城市交通大數據悖論，人工智能交通是這樣做的：在未來，城市的交通管理系統、交通服務系統、交通基礎設施數據系統、交通安全警示系統等，都將統一納入人工智能交通系統，這個系統在具體的運用場景中表現為從源頭到目的地的動態監測過程。以上下班高峰期為例，現有的大數據交通反饋系統（如高德地圖、百度導航等），基本都會出現交通擁擠的情況。

當人工智能系統運用于交通領域時，城市的配套交通服務體系全部被納入人工智能算法當中。當一輛車準備從某地出發時，人工智能交通服務系統就會將車主現有的出發地與目的地之間的3～8條線路進行數據推算，包括各條路線的基本數據，如在施工導致不可通行的數據、當前預測要經過車輛的數據、已經在行車輛的數據、近期安全事故發生次數的數據、紅綠燈數量等，進行深入綜合分析。在人工智能交通系統啟動之后，隨著人工智能交通系統自動深度學習的數據積累，人工智能支撐下的無人駕駛技術將堅持“出發地到目的地之間的距離最短原則”“出發地到目的地之間的路程所花的時間最短原則”和“交通線路網上運行車輛并行數量規模最小控制原則”的原則。屆時，無論是多數人出行的路線規劃，還是少數人出行的路線規劃，都會根據這“三大原則”重新規劃路線。

這一點，看似大數據交通也可以做到，實則不然，它能做到的僅僅是數據積累，更多的預測和計算功能是由大數據分析師代為完成的。人工智能為何能夠實現？這就不得不回到大數據與人工智能的關系問題中去尋找答案。

大數據與人工智能之間，既有不可分割的聯系，又有相互獨立的特征。如果不能正確認識它們之間的聯系，你所理解的人工智能可能就是缺乏“營養”的新型數據治理工具；如果不能正確認識它們之間的區別，你就會誤入歧途，將大數據與人工智能混為一談。

大數據與人工智能的聯系體現為“相輔相成”的關系。大數據與人工智能的發展是相輔相成的，大數據技術的飛速發展，促成了人工智能的第三次崛起，積累的海量數據，為人工智能的生長提供了源源不斷的養分，也就是深度學習所需的數據。同時，人工智能的發展，又在發展中不斷完善大數據技術，不斷積累更多的數據，使得大數據的發展開始從人為處理復雜數據的勞動變為一種自動化抓取數據的過程，讓大數據的價值更為高效地體現出來。

事實上，如果沒有人工智能算法的發展，“實時性”作為大數據價值變現的一個重要前提就很難得到滿足。因為傳統的獲取大數據的過程是一個耗時費力的過程，但人工智能的深度學習算法，通過數據爬蟲等相關軟件，已經把整個網絡空間變為了數據加工的庫存場所，在需要數據時可以及時獲取，這就避免了很多不必要的時間成本和空間成本。

從聯系的方面來看，基于大數據的人工智能技術，在相輔相成的發展過程中，將傳統的大數據技術的時間成本和空間成本降到了最低，滿足了無人駕駛汽車的實時性要求，并能通過人工智能的深度學習算法，將某個特定區域的交通情況全盤考慮進它的視野，這就滿足了無人駕駛汽車對如上所提的“三大原則”的需求，在更大程度上規避了大數據指導下的時間局限性和空間局限性的缺陷。

大數據與人工智能的區別，概括起來主要體現在兩個方面：功能定位不同，大數據主要集中在數據的輸入和存儲，以及厘清大數據之間的關系，人工智能則關注的是數據的應用，表現為數據的輸出與價值變現；對結果的看待方式不同，大數據主要關注的是結果的獲得過程，如果需要從這個結果中尋找某種未來的可能性，則需要更多的人類專家投入更多的預測分析時間。人工智能則不同，人工智能更多的是基于由數據結果而產生的關聯性分析，更關注的是智能決策和學習能力的獲取，對未知的領域具有極強的關聯性預測能力，能夠迅速調整自身與環境的適應能力，哪怕獲取的數據之間只有細微的差別。另外，它相較于大數據而言，具有更高的效率和準確性，隨著應用場景數據的積累，人工智能的運用模型就越發成熟和高效。

從大數據與人工智能的區別與聯系中，我們能夠清晰地看到人工智能的優勢。對于大數據的運行速度慢、處理數據不及時、數據存儲成本高、學習能力不足等缺陷，人工智能都在自己發展的領域將之變為自身的優勢所在。自然而然，大數據缺陷所致的大數據悖論，無人駕駛領域的消極影響在這里似乎能夠很好地得到解決。

從人工智能的優勢來看，前文敘述的“三大原則”（出發地到目的地之間的距離最短原則、出發地到目的地之間的路程所花的時間最短原則、交通線路網上運行車輛并行數量規模最大控制原則）所需的系統控制能力，基本都在人工智能系統控制的范圍內，只要將現有的交通領域基礎設施進行更換，使得數據的感知和獲取能夠及時、準確，嵌套進去的人工智能深度學習算法就能從根本上實現，并且這對于人工智能來說，算不上什么難題。出行做到了真正的舒適、便捷、暢通無阻。

曾經，杭州是國內第五大交通擁堵城市。近日，經過在交通領域引入人工智能技術，目前杭州在交通擁擠名單中已經下降為第57名。對此，阿里巴巴就指出，這要歸功于城市大腦發揮的作用，在杭州市通過路口攝影機獲取的影像及汽車和巴士位置的GPS數據，平臺將這些信息以人工智能（AI）進行收集和分析，切實防范和舒緩了交通堵塞的情況。