丹尼·兰格(Danny Lange)负责Unity的人工智能工作，Unity是在模拟和计算机图形领域较为知名的公司之一。他们在不同的行业工作，但本周我们主要谈论的是汽车．
这是一个在AI游戏变得很酷之前就已经参与其中的人，现在他正致力于一些与Unity相关的前沿项目。在这次采访中，我们和Danny讨论了模拟环境的价值所在。
我们听到的模拟大多是在视频游戏当然了，Unity确实在这一领域中应用了他们的技术，但在像汽车这样的领域中，在环境中导航是很重要的呢?
当然，我们需要有实体车在路上行驶，以吸收来自实体道路和实体环境的数据，但是否有可能将一些数字汽车分割成数字环境，以模拟物理，模拟道路，模拟相同数量的行人风险，看看它们在这些不同的环境中是如何成功的没有真正的身体风险在路上损坏一辆车或一个人?
事实证明，这是有价值的。
我们和兰格联系上了2019年BootstrapLabs应用AI大会在旧金山于19世纪4月19日。我去年在那里发了讲话，我知道训练这个事件的Bootstraabs的人。在他们把它拿下来之前，他们给了我一个有趣的人们与之交谈的人，这就是本周与兰格说话的机会。
订阅我们的AI在工业播客您最喜欢的播客服务:
专业知识:计算机科学/人工智能和机器学习
短暂的识别:兰格于1993年获得丹麦技术大学计算机科学博士学位。在Unity Technologies之前，他曾担任Uber的机器学习主管，亚马逊的机器学习总经理，以及微软的Hadoop大数据分析首席开发经理。
采访中强调了
(04:30)你能告诉我们模拟的世界环境和物理力量在汽车中发挥了什么作用吗?
DL：如果你稍微回来并考虑游戏，当你玩游戏时，你就在这个带有物理学的3D世界;你与事物碰撞，你摔倒了，你试图生存，这样的东西。
然后想想汽车世界，在那里我现在可以在你可以通过城市开车的道路上驾驶虚拟车。我可以看到环境如何推断该车辆的决定，说是一个无人驾驶车辆，这基本上是一个游戏更换者，这基本上是今天发生的事情，你可以基本上模拟交通中的车辆并从中学习。
(05:30)是什么让这成为可能?
DL：游戏中有很多我们称之为“世界建设”的内容，所以你需要建造城市、建筑、树木、人行道等。而且还不止于此;你还必须构建我们所说的“情节动态”，也就是行人、骑自行车的人、周围移动的其他汽车、交通灯……一天中的时间……不同的天气。
然后很快你就有了一个虚拟世界，你的汽车现在必须在交通中行驶，使用机器学习来训练汽车，使用机器学习来实际生成环境的动态来挑战自动驾驶汽车。
设想一下，如果你有计算能力的话，你可以让那辆车在2000种不同的交通环境和天气中同时行驶如果我们做得足够了......我们可以在所有正常的道路条件下培训一辆新的汽车模型，比我们在现实世界中驾驶的200辆车更快的时间。我猜这是承诺，对吗？
DL：是的。这样想。以Alphabet旗下的Waymo公司为例，他们正在打造一款自动驾驶汽车。到今天为止，他们已经驾驶这些车辆在真正的道路上行驶了大约1000万英里。在美国，每1亿英里就有1人死亡，所以仅仅开1000万英里并不能告诉我们这辆车有多安全。
所以我们要做的就是尝试进入虚拟世界，因为就像你说的，我们可以有2000种平行驾驶体验。2000年很低，大概是1万或2万，不同的云服务中有很多服务器我们让Unity能够在云服务中执行，所以你可以扩展。
然后，你不再需要在挂钟时间上运行。想想如何为人们制造所有游戏，人们在人类时间玩游戏，但如果我想训练车辆，我实际上可以速度加快它，并且基本上在一些虚拟时间内驱动它比壁钟更快的方式．
That is where that amount of training helps one particular aspect of AI systems which is the ability to generalize, so if the system hasn’t seen enough, crazy, unlikely episodes…then it’s really hard to throw a real-world crazy episode at it, where it hasn’t seen anything like that in the virtual space.
（10:30）虚拟空间中的部分是什么，我们可以模拟非常接近现实？什么是更难的部分？
DL：我们发现的是，我们开始发生的情况，我们开始意识到越来越精确，越来越准确的物理模型......试图尽可能接近地模拟现实世界，似乎是另一个趋势[反而]。[这个]是......模特[ING]世界有很多噪音的世界。
而不是精度,我们只是把一个很大的噪音,所以摩擦,我们让它有很多变异,重力,我们让它有变化,然后我们做的是坡道的训练数据的数量基本上现在火车…机器学习模型。
他们......看到了更多的变化，所以当你把它带入现实世界时，就有这种更大的可能性，即现实世界现在在您的分发范围内。因此，我们必须在精度下加倍，我们必须加倍数据量，将噪声扔进其中，并基本上得到更多的强大系统，这是一个相当新的趋势。
这是最长的尝试，几乎已经开启了几十年，我们试图在非常确定的代码和非常有限的术语中实现东西，如果存在的陈述......和真假以及所有这些东西。
实际上，如果你深入到原子层面，就会发现力学基本上就是统计学。所以没有什么是100%的，我认为很多公司今天非常成功，因为他们意识到客户并不是那么确定的。
你在统计世界,当你看客户,当你看到无人驾驶车辆,当你看机器人,还有其他所有这些环境中的事情,如果你试图模型太准确,你就会错过它,你不能预测。
所以我们看到人们一直在使用“大数据”这个词。我不会走这条路，但这是一种很大的模拟。在噪音很大的情况下，你的系统基本上已经看到了大部分可能的情况。
(15:30)我们想要运行模拟以获得价值的业务领域在哪里?
DL：最重要的是自动驾驶汽车。这是我们看到我刚才描述的模拟的第一个领域。还有很多其他的模拟正在进行，其中一些你可能不认为它们只是严格的模拟，但是……想象一下签名，汽车的内部，你已经完全在软件中完成了。
现在你穿上你的虚拟现实眼镜,你的耳机,你可以坐在椅子上,但你可以看到内部的汽车在你的面前,你可以试着找出如果你可以伸手触摸所有的按钮,意义是否离你太远。所以实际上你是在模拟车内的体验在你把零件组装起来之前。
[该值]实际上是一个非常宽的阵列。其中一些是视觉，基本上能够在相机后面训练计算机视觉技术。我们称之为认知方面，看看车辆周围的事情和导航。但也有Lidar和雷达等东西。
我们还模拟激光雷达和雷达,整个的目的是实际构建这些机器学习模型,能够解释激光雷达信号,雷达信号,和视觉信号,把它放在一起,打造最完美的感知周围的世界。
那些东西不能发生在街上。当你在街上开车太危险了，大部分时间都没有很多东西正在继续下去，你只是跟随你面前的汽车。
我可以告诉你98%到99%的时间都没有什么有趣的事情发生，因为你真的只是跟在你前面的车后面。
(19:30)你认为这项技术在汽车领域的未来会是怎样的?
DL：这显然是车辆可以合作的时候。当车辆能相互配合时，它们就能与交通灯配合，它们就能与它们所行驶的城市配合。这不仅适用于汽车，适用于整个世界。
我们将会看到这些AI系统最初是专门针对特定需求,但是当他们之间能够沟通和协调解决问题,我们没有实现,所以你可以说多个AI系统协作解决的任务,这是当我们真的会看到一个改变,无论是自动驾驶汽车还是社会的许多其他方面。
我们谈论的不是很多智能的，非常有洞察力的个体车辆，而是一个智能网络，它能够相互作用，使整个系统的人和东西移动得更好。
订阅我们的AI在工业播客您最喜欢的播客服务:
这篇文章是由BootstrapLabs赞助的，是根据我们的透明组织编写、编辑和发布的Emerj赞助了内容指南．了解有关我们在我们的ei-communustocomationience的信息了解更多信息Emerj广告页面．
标题图片来源:创新工作- IEEE
