通过低精度导航地图在任何区域实现无人驾驶。
(2）以谷歌、百度以及初创科技公司为主的“越级式”研究型阵营—“在特定区域里发挥全效功能”，强调通过采集某一区域的高精度3D地图信息配合激光雷达在某一区域实现无人驾驶。
但是殊途同归，两大阵营的终极愿景都是：“在任何区域里发挥全效功能”。
1.2.5 机器学习
人的大脑一直是一个未解之谜。人类如何思考，人类的大脑如何工作，智能的本质是什么，是古今中外的哲学家和科学家一直在努力探索和研究的问题。早期的研究者将逻辑视为人类智慧最重要的特征。让计算机中的人工智能程序遵循逻辑学的基本规律进行运算、归纳或推理，是许多早期人工智能研究者的最大追求。但人们很快发现，人类思考实际上仅涉及少量逻辑，大多是直觉的和下意识的“经验”。基于知识库和逻辑学规则构建的人工智能系统（例如专家系统）只能解决特定的狭小领域问题，很难被扩展到宽广的领域和日常生活中。于是，一些研究者提出了一种全新的实现人工智能的方案，那就是机器学习。
人类的聪明之处就在于可以通过既有的认知触类旁通地推理出未知的问题。如图1-9所示，人类看书（书就是数据）时，依靠自身的思考与学习从书中提炼出智慧；机器学习是让计算机利用已知数据得出适当的模型，并利用此模型对新的情境给出判断的过程。机器学习本质上是一种计算机算法，计算机通过大量样本数据的训练能够对以后输入的内容做出正确的反馈。训练的过程就是通过合理的试错来调整参数，使得出错率降低，当出错率低到满足预期的时候，就可以拿出来应用了。机器学习分为有监督学习和无监督学习。
机器学习的应用非常广泛，应用在文本方面就是自然语言处理，应用在图像方面就是图像（模式）识别，应用在视频上就是实体识别，应用在汽车上就是自动驾驶，等等。
机器学习重要的成果是2006年关于深度学习（DeepLearning）的突破。深度学习起源于20世纪八九十年代的神经网络研究。深度学习模型的灵感来自于人类大脑视觉皮层以及人类学习的方式，以工程化方法对功能进行简化。深度学习模型是否精确反映了人类大脑的工作方式还存在争议，但重要的是这一技术的突破让机器第一次在语音识别、图像识别等领域实现了与人类同等甚至超过人类的感知水平，从实验室走向产业，发挥价值。2017年11月，谷歌发布了TensorFlowLite，这是一款深度学习工具，让开发者可以在移动设备上实时地运行人工智能应用，已开放给Android和iOS开发者使用。TensorFlowLite发布时还提供了有限的预训练人工智能模型，包括 MobileNet和Inception V3物体识别计算机模型，以及 Smart Replay自然语言处理模型。开发者自己的数据集训练的定制模型也可以部署在上面。TensorFlowLite使用Android神经网络应用程序界面（API），可以在没有加速硬件时直接调用CPU来处理，确保其可以兼容不同设备。
第1章 人工智能概述
9