在过去的几百年里，交通运输业经历了多次变革和革命——我们现在正处于交通运输人工智能形式取得重大突破的阶段。无论是通过提高可靠性的自动驾驶汽车、提高安全性的路况监测，还是提高效率的交通流量分析，人工智能都引起了世界各地交通业老板的关注。

事实上，交通行业的许多人已经发现了人工智能的巨大潜力，预计到 2026 年全球市场将达到 38.7 亿美元。此类支出可以帮助公司利用计算机视觉和机器学习等先进技术来塑造交通的未来，从而提高乘客安全、减少道路事故并减少交通拥堵。

交通领域的深度学习和机器学习还可以帮助创建“智能城市”，例如我们在格拉斯哥看到的，该技术监控车辆停留时间、停车违规和交通密度趋势。以下是我们将介绍的内容：

自动驾驶汽车的概念并不新鲜。通用汽车公司早在 1939 年就推出了它。但只有在我们当前的人工智能交通时代，公司才能使用计算机视觉技术（如对象检测）来创建智能系统，对视觉数据进行解码和理解，从而——本质上——允许车辆自行驾驶。

虽然自动驾驶汽车听起来很复杂，但在其背后构建人工智能的想法实际上很简单：该算法被输入大量相关数据，然后被训练以检测特定物体，然后采取正确的行动，例如刹车、转弯、加速、减速等。

模型需要识别哪些对象？

道路上的其他车辆、道路标志、交通信号灯、车道标记、行人等。为了收集和使用数据，自动驾驶汽车使用摄像头和传感器。为了训练模型并使其可靠，它需要持续不断地输入大量数据。

当然，仍然存在一些挑战。

算法需要访问大量相关数据，而恶劣天气和不平坦地形等情况也会造成问题。其他问题包括光线不足以及自动驾驶汽车在路上遇到不明物体的可能性。当然，当我们中的许多人想到自动驾驶汽车时，我们会不自觉地想到特斯拉。

特斯拉——连同 Uber、Waymo 和 Motional 等公司——多年来一直致力于自动驾驶汽车，始终保持领先一步。与交通行业 AI 中的其他一些公司不同，特斯拉采用纯粹基于视觉的方法，使用配备摄像头的汽车收集视频和图像数据，而无需在其自动驾驶堆栈中使用高清地图和激光雷达。

从技术的角度来看，这实际上是一种更复杂的方法，主要是因为神经网络仅在视频数据上进行训练，因此实现最高准确度的需求变得至关重要。然而，Karpathy 指出：一旦你真正开始工作，它就是一个通用的视觉系统，主要可以部署在地球上的任何地方。

特斯拉的自动驾驶团队也积累了大量数据——多达 1.5 PB 的数据，包括 1,000,000 个 10 秒视频和 6,000,000,000 个对象，每个对象都带有速度、深度和边界框注释。

这并不是说特斯拉完全依赖人工数据标注。相反，它通过将人工审查与自动注释工具相结合来改进注释过程。人工智能系统仅限于自动驾驶汽车——它们还用于卡车、公共汽车和机场税，这些创新对物流和整个供应链中的人工智能产生了巨大影响。

事实上，麦肯锡曾预测，自动驾驶卡车将降低运营成本约 45%。环境影响也将大大降低。