四、“大数据悖论”：无人驾驶汽车的出路

人工智能与大数据之间有着千丝万缕的联系，但总括起来，可以化用一句名言来表述：人工智能是站在大数据的肩膀上发展起来的。可以这样说，没有大数据的昨天，就没有人工智能的今天和明天。因此，谈论人工智能与智慧交通之间的联系，自然而然就要谈论大数据这个基础，甚至无法回避大数据存在的缺陷对无人驾驶汽车的影响。

大数据指导下的城市交通，由于其数据反馈的精准性和及时性，为众多穿行于城市交通线路中的车辆提供实时出行路线，在使用这个导航的人数较少时，用户普遍受益。但是，随着平台注册的车主越来越多，便利就逐渐消失，甚至产生相反的效果，在动态反馈的数据实时更新的情况下，越来越多的车主开始不断地跟随新路况调换车头，直至车主在两条不同的路线上疲于选择，最终导致其不知何去何从，大数据的福利最终演变为大数据的灾难——大数据悖论。

暂且不论被大数据悖论愚弄后的车主的心态，无法回避的一个问题是，未来人们是否可以借助人工智能来解决这个看似荒诞可笑的问题？回答当然是肯定的！那么，基于人工智能的交通变革，出路何在？

近期研究发现，当人们提起大数据与人工智能时，往往将两者分开来看待。绝大多数人对大数据的发展都持肯定的态度。当然，在某种程度上来说，这是人们对大数据的本质没有深入了解所致。另外，人们对待人工智能的态度则不然，肯定与否定的态度基本持平。这是源于人工智能处在一个新的起步阶段，其发展不完善所致，这是再正常不过的现象。不过，正是人们对人工智能所持的这两种不同的观点，对于人工智能本身而言，是极有利于其不断发展完善的。

只要你稍微留意就会发现，当前人们对于大数据的认识基本上还停留在表层，最普遍的解释就是大数据就是指数据的“大”。那么人们是怎样理解大数据的“大”呢？主要是基于大数据的“4V”特征——Volume（数据体量大）、Variety（数据类型多）、Velocity（处理速度快）、Value（价值密度高）。但是，即便看到了这几个特征，就真正理解大数据了吗？事实不是的。自人类诞生以来，人与人、人与物、物与物的联系之中就不断生产出“数不胜数”的数据。可见，大数据的如上特征自古就有，只是近几年来研究人员进行了总结概括罢了。要理解大数据的本质，必须回到互联网世界来进行探讨。

1982年，传统的互联网NCP协议由于其互联性极弱的缺陷而被停用，取而代之的是以鲍勃·卡恩和文特·瑟夫一起发明的互联网TCP/IP协议被广泛运用，使得无数设备终端能够互联互通，这才最终把固有的大数据呈现出来。因此，从起源看本质，大数据的本质就可以表述为万物互联对客观性的陈述。如此看来，在某种程度上，由大数据催生的大数据产业，其本质就是在解决不同数据之间的“连接”问题：在商业领域，解决的是人与商品的“连接”问题；在搜索领域，解决的是人与数据的“连接”问题；在服务领域，解决的是人与人之间的“连接”问题等。

说到大数据相关的应用，就不得不提及大数据分析师。这是因为大数据的应用主要表现在运用数据的连接功能上，大数据本身无法进行自我价值挖掘和价值判断，数据连接背后的价值体系需要大数据分析师进行深入的挖掘，才能在应用层面将大数据的价值变现。

正是因为大数据应用产业的这一特点，才使得“大数据悖论”现象的出现，让人们陷入大数据交通的困境。但是，基于人工智能的智慧交通则不然。人工智能是基于计算机复杂网络的智能系统，它能在极大程度上克服大数据应用缺乏“自主分析”的弊端。随着大数据存储能力、数据传输能力、深度学习能力的大幅度跃升，人工智能交通在克服大数据悖论对交通的消极影响方面具有革命性的超越。

当我们回到大数据悖论对交通的消极影响的具体情境，不难发现，如果能够对整座城市的所有车主出发前的交通状况进行数据反馈，那么，大数据悖论的消极影响也就消失了。也就是说，在这个新的条件下，大数据悖论对某个时段出行的少数人或者多数人都不会产生消极影响。然而，这种情况只是一种理想状态，只有同时满足以下三个条件，这种理想状态才成立：第一，所有车主每天的行程基本固定；第二，不因其他事务而临时调转车头；第三，全城车主用车时间相同。显然，现实生活中是不可能同时满足如上条件的。城市中的交通工具，唯一能满足这三个条件的就是公交车，但所有人都会坐公交车去上班吗？答案是否定的。所以，为了让生活在一座城市中的所有人都能享受便捷而不拥挤的出行服务，这个艰巨的任务就落到了人工智能与智慧交通的创新应用上。

为应对城市交通大数据悖论，人工智能交通是这样做的：在未来，城市的交通管理系统、交通服务系统、交通基础设施数据系统、交通安全警示系统等，都将统一纳入人工智能交通系统，这个系统在具体的运用场景中表现为从源头到目的地的动态监测过程。以上下班高峰期为例，现有的大数据交通反馈系统（如高德地图、百度导航等），基本都会出现交通拥挤的情况。

当人工智能系统运用于交通领域时，城市的配套交通服务体系全部被纳入人工智能算法当中。当一辆车准备从某地出发时，人工智能交通服务系统就会将车主现有的出发地与目的地之间的3～8条线路进行数据推算，包括各条路线的基本数据，如在施工导致不可通行的数据、当前预测要经过车辆的数据、已经在行车辆的数据、近期安全事故发生次数的数据、红绿灯数量等，进行深入综合分析。在人工智能交通系统启动之后，随着人工智能交通系统自动深度学习的数据积累，人工智能支撑下的无人驾驶技术将坚持“出发地到目的地之间的距离最短原则”“出发地到目的地之间的路程所花的时间最短原则”和“交通线路网上运行车辆并行数量规模最小控制原则”的原则。届时，无论是多数人出行的路线规划，还是少数人出行的路线规划，都会根据这“三大原则”重新规划路线。

这一点，看似大数据交通也可以做到，实则不然，它能做到的仅仅是数据积累，更多的预测和计算功能是由大数据分析师代为完成的。人工智能为何能够实现？这就不得不回到大数据与人工智能的关系问题中去寻找答案。

大数据与人工智能之间，既有不可分割的联系，又有相互独立的特征。如果不能正确认识它们之间的联系，你所理解的人工智能可能就是缺乏“营养”的新型数据治理工具；如果不能正确认识它们之间的区别，你就会误入歧途，将大数据与人工智能混为一谈。

大数据与人工智能的联系体现为“相辅相成”的关系。大数据与人工智能的发展是相辅相成的，大数据技术的飞速发展，促成了人工智能的第三次崛起，积累的海量数据，为人工智能的生长提供了源源不断的养分，也就是深度学习所需的数据。同时，人工智能的发展，又在发展中不断完善大数据技术，不断积累更多的数据，使得大数据的发展开始从人为处理复杂数据的劳动变为一种自动化抓取数据的过程，让大数据的价值更为高效地体现出来。

事实上，如果没有人工智能算法的发展，“实时性”作为大数据价值变现的一个重要前提就很难得到满足。因为传统的获取大数据的过程是一个耗时费力的过程，但人工智能的深度学习算法，通过数据爬虫等相关软件，已经把整个网络空间变为了数据加工的库存场所，在需要数据时可以及时获取，这就避免了很多不必要的时间成本和空间成本。

从联系的方面来看，基于大数据的人工智能技术，在相辅相成的发展过程中，将传统的大数据技术的时间成本和空间成本降到了最低，满足了无人驾驶汽车的实时性要求，并能通过人工智能的深度学习算法，将某个特定区域的交通情况全盘考虑进它的视野，这就满足了无人驾驶汽车对如上所提的“三大原则”的需求，在更大程度上规避了大数据指导下的时间局限性和空间局限性的缺陷。

大数据与人工智能的区别，概括起来主要体现在两个方面：功能定位不同，大数据主要集中在数据的输入和存储，以及厘清大数据之间的关系，人工智能则关注的是数据的应用，表现为数据的输出与价值变现；对结果的看待方式不同，大数据主要关注的是结果的获得过程，如果需要从这个结果中寻找某种未来的可能性，则需要更多的人类专家投入更多的预测分析时间。人工智能则不同，人工智能更多的是基于由数据结果而产生的关联性分析，更关注的是智能决策和学习能力的获取，对未知的领域具有极强的关联性预测能力，能够迅速调整自身与环境的适应能力，哪怕获取的数据之间只有细微的差别。另外，它相较于大数据而言，具有更高的效率和准确性，随着应用场景数据的积累，人工智能的运用模型就越发成熟和高效。

从大数据与人工智能的区别与联系中，我们能够清晰地看到人工智能的优势。对于大数据的运行速度慢、处理数据不及时、数据存储成本高、学习能力不足等缺陷，人工智能都在自己发展的领域将之变为自身的优势所在。自然而然，大数据缺陷所致的大数据悖论，无人驾驶领域的消极影响在这里似乎能够很好地得到解决。

从人工智能的优势来看，前文叙述的“三大原则”（出发地到目的地之间的距离最短原则、出发地到目的地之间的路程所花的时间最短原则、交通线路网上运行车辆并行数量规模最大控制原则）所需的系统控制能力，基本都在人工智能系统控制的范围内，只要将现有的交通领域基础设施进行更换，使得数据的感知和获取能够及时、准确，嵌套进去的人工智能深度学习算法就能从根本上实现，并且这对于人工智能来说，算不上什么难题。出行做到了真正的舒适、便捷、畅通无阻。

曾经，杭州是国内第五大交通拥堵城市。近日，经过在交通领域引入人工智能技术，目前杭州在交通拥挤名单中已经下降为第57名。对此，阿里巴巴就指出，这要归功于城市大脑发挥的作用，在杭州市通过路口摄影机获取的影像及汽车和巴士位置的GPS数据，平台将这些信息以人工智能（AI）进行收集和分析，切实防范和舒缓了交通堵塞的情况。