人工智能和5G時代的到來，將帶領人類走入科幻世界嗎？

上世紀末的《黑客帝國》中，數據核心的母體控制着數以萬計的個體。本世紀初的《我·機器人》中，家用機器人與數據核心也有無延遲的數據溝通。

光怪陸離的電影中，構建科幻世界的永遠有兩個關鍵詞：人工智能，數據傳輸。前者突破了科技的上限，後者將變革深入到生活的各個角落。

那麼，隨着人工智能技術的發展和5G時代的到來，一切條件均已具備。人類距離自己的想象還有多遠？

答案是肯定的，AI和5G的到來會帶領人類走入科幻世界。

但有個前提，你是如何定義科幻二字？我的理解是已存在在人類對未來的幻想中但仍未實現或正在實現的過程中，這其中的過程則需要依靠科技來完成——這是定義科幻的必要條件，沒有之一。

那還有問題需要回答：你心中的科幻世界是怎樣的？

長期以來，人類對未來的想象會體現在文學作品、以及視覺化的影視作品上，而當我們看到這一問題時，那些看過的科幻小說又出現在腦海中，反過來向我們呈現具象化。

《蘭亭集序》中有這樣一句：後之視今，亦猶今之視昔。與其說科幻小說、科幻電影是人類對美好未來追求與嚮往的一種表達形式，我更認爲這是少部分人類“先知”已預示到了未來世界的發展狀況，並通過影視、文學等藝術形式進行傳遞：

如果當時是A點，未來是B點，他們站在了B點看待問題並通過文字、影像等形式展現給了尚在A點的我們。例如儒勒·凡爾納，他筆下的科學幻想無異於科學的預言。他作品中的想象，如潛水艇、直升機、霓虹燈、導彈、坦克等，在20世紀幾乎全部成爲了現實，甚至還預言了登月。大神在此，一起膜拜↓

那麼，現實與科幻世界的距離就是科技的發展程度——現實與科幻的距離並不遠，只是還需要科技力量實現跨越，之前的跨越可能依賴於蒸汽機、電能、內燃機等，而如今接力棒已經交給了AI和5G中。

我們接着解析這道知乎問題，到了最關鍵的一步：AI和5G作爲一種科技升級的力量，將如何帶領人類進入科幻世界？進入怎樣的科幻世界？

就從答主印象深刻的幾個電影來回答吧。

首先是斯皮爾伯格導演的《人工智能》——儘管內核仍是探討愛與永恆，但無限接近於人的機器人是電影對人工智能終極形態的預言。電影背景是21世紀中期，那時人類的科學技術已經達到了相當高的水平，由於資源緊張，必須控制人口，所以無需消耗資源的機器人成爲社會運轉的關鍵一環。深藍和那時還未出現的AlphaGo已經被“鄙視”了，嘖，我們這種生於上世紀的人都屬於古董了吧……

這部電影撐起了我還未真正接觸AI前、對未來人工智能的全部想象，尤其是裘德洛的那張帥臉（劃掉，沒有）：

這部科幻電影拍攝時間是2001年，那時候對AI機器人的設定是：長得和人一模一樣，說話字正腔圓，擁有人類的反應甚至是能感知到疼痛，說話字正腔圓如今智能語音及NLP技術已經實現了，而後者“擁有人類的反應”——達到這步則需要讓AI擁有視覺和觸覺：如今隨着深度學習浪潮的湧現，計算機視覺技術不斷革新，機器的視覺能力甚至已經超越人類，那如何讓機器擁有觸覺呢？

答案是神經擬態計算技術。與目前只有視覺的系統相比，將觸覺引入機器人技術能夠顯著提升系統能力和功能，並且神經擬態芯片在處理此類感官數據方面能夠超越傳統架構。

神經擬態計算以原生的方式支持獨特的脈衝神經網絡（SNNs）。這是一種特殊的網絡，可以模仿人腦神經元的動態連接和強化方式將計算模塊進行分佈和自學習。SNN中每一個“神經元”都可以被多路輸入的包含時序信息的脈衝單獨激發，並向網絡中其他神經元發送脈衝信號，從而直接改變神經元的電學狀態。

今年7月，新加坡國立大學（NUS）的兩名研究人員，同時也是英特爾神經擬態研究社區（INRC）的成員發表了最新研究結果，表明在機器人領域，與基於事件的視覺和觸覺感知相結合，英特爾神經擬態計算大有可爲。

人類的觸覺足夠靈敏，可以感覺到不同表面之間的細微不同，哪怕這些差異僅僅是一層分子的區別。然而，現在大多數機器人的操作都是基於視覺處理。新加坡國立大學的研究人員希望用他們最近開發的人造皮膚來改變這一狀況。

在機器人技術中啓用類似於人類的觸覺，可以顯著提升當前系統功能，甚至可以產生新的用例。

根據他們的研究，這種人造皮膚在檢測觸覺方面，可以比人類的感覺神經系統快1000倍以上，並且在識別物體的形狀、質地和硬度方面，可以比人類眨眼速度快10倍。

也就是說，只要和“裘德洛”輕輕牽下手，無需計算機視覺，他就知道是我來了。

以上just我的科幻世界。來看下更實際落地的用途，新加坡國立大學團隊嘗試利用英特爾Loihi神經擬態研究芯片處理來自人造皮膚的感官數據。在最初的實驗中，研究人員使用配有人造皮膚的機械手讀取盲文，將觸覺數據通過雲傳遞給Loihi，以將手感覺到的微突轉化爲語義。在對盲文字母進行分類上，Loihi達到了92％以上的準確率，而功耗卻比標準的馮·諾依曼處理器低20倍。

除觸覺外，神經擬態計算技術還能幫助機器實現嗅覺，離科幻世界更近一步。具體如何可參考答主在另一問題“人工智能達到了什麼程度？”的回答：

人工智能達到了什麼程度？www.zhihu.com

說完關於“工具人”的科幻世界，我們再來看看“工具車”——一個人類常常發揮科幻暢想的領域：自動駕駛，這個天生帶着科幻感的領域是現在無數從事AI科技人的夢想。

《霹靂遊俠》和他的人工智能跑車組合已成爲經典。它的絕妙之處在於車自己會說話，有思維，能夠自動駕駛，不論是在打擊罪犯還是全身而退，甚至在陷於爲難之時，它都會自己開出來拔刀相助。Emmm，別的過於夢幻，但AI和5G的出現必然會帶動自動駕駛的發展。

Mobileye是以色列一家著名的專注於自動駕駛技術的AI公司，在單目視覺高級駕駛輔助系統 (ADAS) 的開發方面走在世界前列，於2017年被英特爾收購。

今年5月，Mobileye放出的一段40分鐘的自動駕駛路測視頻。在這段視頻中，我們可以看到非常複雜的城市自動駕駛場景：無保護左轉、被迫超車、十字路口禮讓行人、識別路邊停泊的車輛並提前變道等在城市道路經常出現的各種工況，Mobileye的L4自動駕駛車都很順利地通過了。

自動駕駛技術被分爲L0、L1、L2、L3、L4、L5，總共六個等級，數字越大，智能化程度越高。

目前，自動駕駛公司基本主打的都是L3技術，完全自動駕駛太過遙遠，因此L4高度自動駕駛成爲各大科技公司下一階段的發力重點。

說下技術，Mobileye已乘上“AI技術便車”：以深度學習爲代表的人工智能算法，賦予其旗下EyeQ系列芯片強大的算法性能和這一系列芯片持續的生命力。

Mobileye 的L4 demo車——周身12個攝像頭，沒有激光雷達，也沒有毫米波雷達。

爲何這麼做？因爲科幻世界中，自動駕駛汽車不能只是個demo，不能只屬於富人的體驗券不能僅有一輛。它們需要量產，需要所有L4汽車都能安全地在路上飛馳。

然而到真正商業化可用的L4自動駕駛還需要攻克很多難關，AI可助其一臂之力。

現階段的L4自動駕駛車輛傳感器套裝大多是高線數旋轉機械激光雷達，輔助以視覺感知，以及毫米波雷達的感知結果融合，但是這樣的傳感套件，由於機械雷達的結構，通過車規認證是比較困難的，暫時還無法實現前裝量產。

一個考慮可前裝量產的好的L4自動駕駛技術的感知方案，最好是考慮使用車規級的多傳感器融合的感知套件（固態或者混合固態激光雷達+視覺+毫米波等）。在此背景下，L4自動駕駛需要具備更加智能的感知認知能力。

現在的感知算法實際上更多的是實現「目標識別」的感知智能，而L4所需的“認知智能”正是現在AI技術人士奮力渴望邁上的臺階。

除此之外，作爲事關生命安全的系統，自動駕駛系統尤其需要解決安全的問題。但是以ISO26262爲代表的傳統「汽車功能安全分析」方法，已經不能夠應付L3級別以上的自動駕駛系統的開發需要了。

後續的解決方法，可能只有充分利用人工智能的輔助，通過虛擬仿真測試以及基於對抗網絡的場景生成技術，以一種系統攻防的方式進行自動化的自動駕駛安全設計與驗證，纔可能實現真正的「預期安全」的目標。

如前所述，科幻是已存在人類幻想中但尚未實現/仍在實現中的事情，那麼科幻世界事實上存在於任何場景，不僅限於電影中的“愛與遠方”“快意恩仇”，還有人類實際的生產生活——這正是計算力升級的提現。

《人工智能》、《黑客帝國》、《銀翼殺手》等多部科幻電影中，機器人之所以興起、擁有自我意識乃至後起反抗的“萬惡之源”正是地球資源枯竭，人類需要想盡辦法減少自身消耗。

這樣的科幻世界，唔，我們還是盡力避免成真吧。尋找新能源正是人類“自救”的探索之一，風電、光伏等清潔可再生能源日趨受到青睞，但風速、日照、氣溫等環境因素，會給發電設備的運行效率、設備安全等帶來很大影響。

因此，對風機等設備的輸出功率開展預測，不僅有利於調度系統合理調整和優化發電計劃，更能在減少火電佔比，減少環境污染的同時，保證電網功率輸出平穩。

這和人工智能有何關係？

傳統的電力企業會根據歷史數據及生產經驗來實施功率預測，但這方法傳統且低效，但如果讓AI介入那就不一樣了。

北京金風慧能技術有限公司（以下簡稱“金風慧能”）與英特爾一起，利用分佈式深度學習方法，結合實時氣象預報數據，構建全新的分佈式深度學習功率預測算法平臺, 來提升功率預測算法的準確性、穩定性、適應性及開發效率。

新方案採用了基於時序數據的分佈式深度學習預測算法，在英特爾研發團隊的幫助下，金風慧能選擇了在時序預測中更爲準確的長短期時間序列網絡（Long and Short termTime series Network，LSTNet）深度學習算法模型。

基於這一算法，金風慧能構建了全新的功率預測解決方案。首先，方案會將來自風機或光伏的數據導入開源Kafka 流處理平臺上，然後進行數據ETL（Extract-Transform-Load）處理（包括數據預處理和流數據處理過程），接下來系統進行模型訓練和預測，得到的權重、參數和預測結果會置入數據庫，隨着新數據的不斷加入和歷史數據的不斷積累，模型可以實現滿足不同週期的迭代優化，實現閉環的AI應用部署。