人工智能与自动驾驶

目前，人工智能正在掀起一片大规模热潮。这项技术真的能为社会和工业带来预期的根本性变革吗？就像世纪交替之际互联网的出现那样？

— 派斯纳：从媒体报道中的确可以观察到一定程度的热潮。第一波是 2022 年秋季随着 CHATGPT 的出现所引起，接下来可能会有更多热潮——以及失望。但长远看来，这条道路是非常明确的：未来几年，人工智能将达到人们在不久之前还无法想象的水平。看看我们周围有多少人类智慧的产物，然后再想象一下，在未来，所有这些东西都将建立在与人类不相上下，或在某些领域甚至更胜于人类的人工智能基础上。这将会带来巨大的改变。我们确实处于一个重大转捩点。

— 马恩博：在我看来，世纪之交的互联网在这里还不够用来作比较。如果我们回顾一下技术发展历史，就会看到过去 2000 年里大部分工业发展是发生在——从形象上来说——脖子以下。从水力发电到蒸汽机等创新，再到全自动生产，基本上都是为了将人类的肌肉力量和其灵巧敏捷性“机械化”。如果现在颈部以上的部分——也就是智力——也被”机械化“，那么无论企业还是社会都会发生重大变革。

那么，我们正在面临着思想的工业化吗？

— 马恩博：这样的结论很大胆，但也可以这么说。眼前变革的重要性确实可以和工业革命相提并论。在企业里，人工智能可以同时在多方面发挥作用：人工智能可以提高流程效率，从而加快速度并增加成本优势。与此同时，我们也可以提高产品的性能和效率，这可以是创新功能或是改进产品质量。也就是说，我们可以借助人工智能做得更快、更节省成本且更好。

— 派斯纳：提高经济效益和质量确实是人工智能的关键影响。除此之外，人工智能也可以帮助我们更轻松地处理复杂的议题。或许我们可以借此控制住当今的主要经济问题——专业人才短缺、能源和资源稀缺、可持续性。

在哪里可能出现风险？

— 派斯纳：当然，使用人工智能也可能加剧我们的问题——例如训练大型语言模型必须消耗巨大的能源量。而且，人工智能还可能造成新的不平等或是加剧现有的不平等现象。只要看一下世界地图，就可以明白这一点：所有主要人工智能热点都位于北方，模型训练也都在那里发生。相反地，在全球南方却只是使用人工智能，而地球上绝大部分地区目前还完全处于“人工智能沙漠”。

— 马恩博：每一种新技术都同时蕴含着风险和机会。但我们可以确定的是，这类强大的技术绝对不容忽视。对于商业企业而言，它们必须尽快且负责任地利用这种技术，因为我们正目睹技术半衰期如何不断地缩短。在我们祖父母的时代，技术周期还维持在人类寿命的一半；在我求学期间，大概还有十年。如今，技术周期大概只能维持一两年，有些甚至比企业的典型适应期还要短。这为新玩家带来了契机，同时也对传统企业形成了挑战。那些依赖经验或累积数十年独特卖点的企业，绝对不能错过这班列车。极端强势的技术和快速至极的变化速度同时发生，这的确是非常特别的组合。

保时捷工程集团如何使用人工智能？

— 马恩博：其中一个例子是在自动化驾驶功能的验证流程中使用人工智能。这些系统不仅要在标准状况下做出可靠的反应，在特殊交通状况下也应当如此。请想象一下，在阿尔卑斯山区的赶牛活动中，一头装饰华丽的母牛走在路上。这虽然是一种不寻常的交通阻碍，但系统还是必须能可靠识别出这头动物。许多车辆每天都要行驶许多里程，目的在于搜集尽可能多的“视觉教具“，以便验证不同情况下的自动化驾驶功能。要在行车的传感器和视频数据中辨识出不寻常的情景——例如赶牛活动中带着饰品的母牛——就好比大海捞针。在某些情况下，甚至只有 0.0001% 的记录是相关的。因此，我们就这方面训练出一个人工智能，目的就是要识别并提取出这类所谓的罕见场景，从而大幅提高开发和验证过程的效率。另一个人工智能的应用实例是大型语言模型（LARGE LANGUAGE MODEL），我们已经将其用于软件开发，它有助于提高例如所谓的软件编码的效率。如果我充分描述一个问题，训练有素的大型语言模型就可以非常有效率地在第一个开发阶段生成相应的代码。这意味着，以前由专家所执行的函数编码工作，可以通过人工智能机械化完成，而且质量良好。进一步的代码优化和集成步骤，现今大多仍由专家们负责。然而，人工智能在这方面的能力正在快速发展，

一个大型语言模型每天给出的答案都可能稍有不同。这与注重可靠性和精确性的传统工程学如何和谐共处？

— 马恩博：在这方面我们的确必须重新思考。至目前为止，工程学科都着重在学习科学定律，以及如何将所学知识应用在技术问题上。工程师们日常应用的电子化程序，也普遍以数学和实证方法为基础。专家们只需要投入足够的精力，就能够自主且明确地执行或者至少清楚理解这些程序。现在，人工智能带来了一种全新的方法，基础原理是利用大量数据集进行训练。这是一个根本上的差异。不仅在总体验证战略方面，在以该战略为基础发布产品时也必须考虑到这一点。因为即使工程师无法再“渗透”每一个步骤，还是必须保证最后能获得可靠的结果。例如“可解释人工智能”等方法的目的就是让人在内容上能够理解人工智能的结果。还有其他验证程序结合了典型的和基于人工智能的方法。

— 派斯纳：机器学习代表了重大的范式转移。我们还不清楚这些系统如何获得结果。所以，我们不能再引用航空领域的说法：“如果你不再理解系统在做什么，就把它关掉。”但是我们也可以通过这种新的工作方式获得新的见解。例如在医疗领域，长期以来一直采用一种可以识别和分类不同类型皮肤癌的程序。从这样一个系统中也可以导出新的指标，协助人类做出正确的决定。

未来的工程师还需要精通确定性模型吗？

— 派斯纳：当然！否则我们就完全任凭人工智能摆布了！我们需要有人来检查人工智能提供的结果是否合理。此外，取得结果的途径有时候也很重要。比方说，当我在互联网中搜索信息时，有很多文章我通常只会略读一下，但在这个过程中我仍然可以学到很多新事物，扩展我的眼界。如果我使用 CHATGPT 来搜索，我可以获得立即可以运用的结果，但我就失去了左看右看这个过程——但许多创新点子就是这么来的。

— 马恩博：还有，人工智能可以在简单任务中减轻人脑的负担，例如在制备数据时。这样，人员就有更多时间可以用在创意工作上。人工智能被视为工具，而不是竞争对手。

企业要如何让员工准备好接受这样的工作形式？

— 马恩博：目标应该是“人工智能民主化”：这个议题必须传达到公司的所有末端节点，让每个人都能看到并抓住新技术的契机。因为这个议题对我们来说如此重要，所以保时捷工程集团在内部设立了一个专门负责大数据和人工智能的主要部门，那是我们的核心。然而，要成功实现“人工智能民主化”，需要一个更广泛的应变管理原则。我们必须另外展示务实的解决方案，推动旗舰项目，让新方法的正面特色更显而易见。如果我们能成功做到这一点，这个主题就可以更快地自行发展。这里需要的是来自中央的”推动“，再加上来自组织各部门的”拉动“。

在人工智能领域，欧洲至今只取得了一项开创性成就：我们是第一个通过《人工智能法案》对这项技术进行规范的共同体。欧洲在全球人工智能竞赛中处于什么地位？

— 马恩博：全世界不同地区对于人工智能这个议题采取不同的处理方式：在欧洲，我们较倾向采纳风险导向的观点。我们努力预测并避免问题的发生。而在世界其他地区，机会导向的观点则占主导地位。这是因为在那些地区，一些开发项目能更快完成，对我们作为一家公司来说，重要的是通过在全世界各地的业务来了解当地人工智能的研究和发展、应用和监管方面的差异，借此全面了解全球的人工智能，以便为我们的客户提供量身定制的解决方案。

— 派斯纳：整体来说，我认为我们应该更专注于我们在德国的优势！我们在研究方面处于有利地位，通过联邦政府的人工智能战略，许多资源也得到了善用。与美国相比，我们缺少的是私人投资。所以我们在开发大型语言模型方面缺乏竞争力。但或许这也不是必要的。人工智能毕竟是一种通用技术，原则上就像电力一样。重点不在于是谁发明的，而在于谁能够快速有效地运用。我们还没输掉这场比赛。我们必须从根本上重新思考过程，特别是在员工的帮助下。这种共同创造的传统是我们在德国没有充分利用的优势。

科技界已经开始谈论通用人工智能（Artificial General Intelligence，简称 AGI），也就是一种比人类更优秀的全面性人工智能。从长远来看，这种技术会出现吗？

— 马恩博：如果问伏特或爱迪生，如今的电力能做什么，他们可能也无法对现代的实际情况做出很好的预测。对这么长的时期做出预测是很困难的。我认为，目前的当务之急是找出技术的重要性，并建立相应的应变管理机制。基本上，我们人类倾向于用线性方式思考发展。但是，新的人工智能技术一旦站稳脚跟，就会开启一系列新的可能性，并产生指数级的影响。而预测有什么样的影响，更可能是哲学家的任务。

— 派斯纳：我真的相信，未来会有一种 在某些方面比人类更优秀的人工智能，这也许会在这十年内发生。但问题在于：90% 的人还能理解这些进步吗？或者，人工智慧将成为少数精英的话题？我认为这是未来的一个重要任务：我们必须确保技术是用来服务所有人的。