HOFOLDING, Tyskland — de andra förarna skulle inte ha märkt något ovanligt eftersom de två snygga limousinerna med tyska registreringsskyltar gick med i trafiken på Frankrikes Autoroute 1.
men vad de bevittnade — på den soliga höstdagen 1994 — var något som många av dem skulle ha avfärdat som helt enkelt galen.
det hade tagit några telefonsamtal från den tyska billobbyn för att få de franska myndigheterna att ge klartecken. Men här var de: två grå Mercedes 500 Sel, accelererade upp till 130 kilometer i timmen, bytte körfält och reagerade på andra bilar — autonomt, med ett inbyggt datorsystem som styr ratten, gaspedalen och bromsarna.
årtionden innan Google, Tesla och Uber kom in i den självkörande bilbranschen hade ett team av tyska ingenjörer ledda av en forskare som heter Ernst Dickmanns utvecklat en bil som kunde navigera i fransk pendeltrafik på egen hand.
historien om Dickmanns uppfinning, och hur den kom att bli allt utom bortglömd, är en snygg illustration av hur tekniken ibland utvecklas: inte i små stadiga steg, utan i bommar och byster, i osannolika framsteg och oundvikliga retreater —”ett steg framåt och tre steg tillbaka”, som en AI-forskare uttryckte det.
Ernst Dickmanns, den tyska forskaren som testade självkörande bilar på europeiska gator på 1980-talet och 1990 | Janosch Delcker för POLITICO
det är också en slags varning om de förväntningar vi ställer på artificiell intelligens och gränserna för några av de datadrivna metoderna som används idag.
”jag har slutat ge allmänna råd till andra forskare”, säger Dickmanns, nu 82 år gammal. ”Bara så mycket: man bör aldrig helt förlora syn på tillvägagångssätt som en gång var mycket framgångsrika.”
från himlen till gatan
innan han blev mannen ”som faktiskt uppfann självkörande bilar”, som Berkeley datavetare Jitendra Malik uttryckte det, tillbringade Dickmanns det första decenniet av sitt yrkesliv och analyserade de banor som rymdskepp tar när de återinträder jordens atmosfär.
utbildad som flygingenjör, steg han snabbt genom Västtysklands ambitiösa flyg-och rymdgemenskap så att han 1975, fortfarande under 40, säkrade en position vid ett nytt forskningsuniversitet i Tysklands väpnade styrkor.
de tre autonoma vägfordonen vid PROMETHEUS-demonstrationen i Paris, oktober 1994. Från vänster till höger: UniBwM VaMP, Daimler VITA-2, Daimler VITA-1 | foto av Reinhold Behringer
vid denna tidpunkt hade han redan börjat fundera över vad som snart skulle bli hans livsuppdrag: lära fordon hur man ser. Platsen att börja, Dickmanns blev alltmer övertygad, var inte rymdskepp utan bilar. Inom några år hade han köpt en Mercedes-Skåpbil, installerat den med datorer, kameror och sensorer och började köra tester på universitetets lokaler 1986.
”kollegorna på universitetet sa, ja, han är en oddball, men han har en track record så låt oss bara låta honom göra det”, sa Dickmanns under en intervju i sitt familjehus, beläget steg från en lök-kupolkyrka i Hofolding, en liten stad utanför Munich.
1986 blev Dickmanns van det första fordonet som körde autonomt — på skidpan vid sitt universitet. Nästa år skickade han ner en tom del av en ännu öppnad bayersk autobahn med hastigheter som närmar sig 90 kilometer i timmen. Strax därefter kontaktades Dickmanns av den tyska biltillverkaren Daimler. Tillsammans säkrade de finansiering från ett massivt paneuropeiskt projekt, och i början av 1990-talet kom företaget fram till en uppfattning som först verkade ”absurd” för Dickmanns.
” kan du inte utrusta en av våra stora personbilar för den slutliga demonstrationen av projektet i Paris i oktober och sedan köra på motorvägen med tre banor i allmän trafik?”han kom ihåg tjänstemän frågar.
han var tvungen att ta ett djupt andetag, ”men då sa jag till dem att med mitt team och de metoder vi använder tror jag att vi kan göra det.”
Daimler ökade projektets finansiering. Billobbyister utjämnade tvivel inom den franska regeringen. Och i oktober 1994 plockade Dickmanns team upp en grupp högt rankade gäster från Charles de Gaulle flygplats, körde dem till den närliggande motorvägen och bytte de två bilarna till självkörningsläge.
”ibland tog vi händerna från ratten” — Reinhold Behringer, en av ingenjörerna som satt i förarsätet under demonstrationen
en ingenjör stannade kvar i framsätet på varje bil — med händerna på ratten om något gick fel-men bilarna körde.
”ibland tog vi händerna av ratten”, sa Reinhold Behringer, en av ingenjörerna som satt i förarsätet under demonstrationen, med spänning fortfarande i hans röst 24 år senare.
tidningar sprang förstasidan berättelser om demonstrationen, han mindes. Och ett år senare tog Dickmanns team En omkonstruerad bil på en ännu längre resa och reste mer än 1700 kilometer på autobahn från Bayern till Danmark och nådde hastigheter på mer än 175 kilometer i timmen.
inte långt efteråt var projektet över. Tekniken Dickmanns använde slog sina gränser. Daimler tappade intresset för att finansiera den grundforskning som behövs för att gå vidare. Inom kort var Dickmanns banbrytande ansträngning allt utom bortglömd.
sommarbarn
historien om artificiell intelligens är en historia av buzzy springs följt av vad forskare kallar ”AI winters” när uppmärksamheten och finansieringen försvinner.
Dickmanns arbete med autonom körning började under den första vintern och slutade efter att en andra träffade fältet.
forskning om AI — ansträngningar för att få maskiner att utföra uppgifter som annars skulle kräva mänskligt tänkande — startade i slutet av 1950-talet. Från sina tidiga dagar präglades fältet av hype, vilket ledde till att några ambitiösa forskare som ekonomen Herbert Simon förutspådde på 1960-talet att maskiner skulle ”kunna inom 20 år göra något arbete en man kan göra.”
Spurred av sådana löften exploderade finansieringen — men tekniken misslyckades med att leverera och bubblan sprängde i mitten av 1970-talet. pengar minskade och AI-forskning skickades till backroom labs.
inuti UniBwM autonomous experimental vehicle VaMP, på den bakre bänken där datorsystemet installerades för enkel åtkomst och övervakning | foto av Reinhold Behringer
denna första AI-vinter var en av anledningarna till att Dickmanns höll sitt arbete med maskinsyn till stor del för sig själv under de första åren. Han var medveten, han sa, att ” folk skulle ha sagt att killen har en skruv lös någonstans.”
när han skickade sin självkörande Skåpbil ner en tom tysk autobahn i mitten av 1980-talet hade en annan AI-vår anlänt. Hans proof of concept genererade tillräckligt med intresse för att anställa ett team som så småningom skulle växa till 20 personer före 1994 Paris demonstration.
sedan kom en annan vinter, i början av 1990-talet, och Dickmanns fart förlorades.
”det var ett intressant koncept”, säger Behringer, ingenjören som satt bakom ratten i Paris. ”Men för många var det fortfarande alldeles för futuristiskt.”
att lära en bil att se
tekniker säger att det finns två typer av uppfinningar: De som glödlampan, som har använts och kontinuerligt förbättrats sedan de först uppfanns. Och de som supersoniska plan — kom ihåg Concorde? – som förkroppsligar revolutionär teknisk process men är för avancerade för att överleva, åtminstone vid tidpunkten för deras uppfinning.
Dickmanns självkörande bilar tillhör den andra kategorin.
när han började utveckla dem i början av 1980-talet behövde datorer upp till 10 minuter för att analysera en bild. För att köra autonomt måste en bil reagera på omgivningen, och för att göra det beräknade Dickmanns att datorer skulle behöva analysera minst 10 bilder per sekund.
inför det som såg ut som ett oöverstigligt hinder, hämtade han inspiration från mänsklig anatomi. Bilar, bestämde han, bör programmeras för att se gator som människor uppfattar sin omgivning.
inuti UniBwM experimental vehicle VaMP på en allmän motorväg i Danmark den 11 November 1995 | foto av Reinhold Behringer
det mänskliga ögat kan bara se en liten plats i mitten av sitt synfält i hög upplösning. På samma sätt tänkte Dickmanns att en bil bara bör fokusera på vad som är relevant för körning, till exempel vägmarkeringar. Detta sänkte mängden information ombord datorer var tvungen att bearbeta.
han hittade också andra beräkningsgenvägar-en betydande mängd beräkningstid frigjordes när Dickmanns insåg att han inte behövde spendera värdefull processorkraft för att spara varje bild. Han programmerade också bilen för att lära av sina misstag och gradvis förbättra sin förståelse för omgivningen.
sammantaget räckte det för att hålla bilen på vägen — knappt.
att köra på en motorväg visar sig vara en av de enklare uppgifterna som en självkörande bil kan utföra. Förhållandena är väldefinierade: trafiken flyter förutsägbart, i en riktning. Banor är tydligt markerade.
och även då gick demonstrationen inte perfekt. ”Det var ett test,” sa Behringer. ”När det till exempel fanns en bil framför oss som täckte vägmarkeringarna, och på andra sidan tvättades markeringarna bort, då hade körfältets identifieringsfunktion ett problem.”
America calling
efter den andra AI-vintern satt in, och buzzen kring Paris-demonstrationen bleknade bort, sa Daimler till Dickmanns att det” ville ha en produkt för marknaden så snart som möjligt”, påminde han. Biltillverkaren hade tappat intresset för sin dyra grundforskning, vilket sannolikt inte skulle producera några verkliga applikationer inom de närmaste åren.
”i efterhand var det förmodligen ett misstag att dessa projekt inte omedelbart fortsatte”, säger J. I. O. R. Schmidhuber, meddirektör för Dalle Molle Institute for Artificial Intelligence Research i Lugano, Schweiz. ”Annars skulle det inte vara någon fråga om vem som skulle leda på fältet idag.”
tyska företag fortsätter att hålla de flesta-nästan hälften av alla-patent inom självkörningsteknik, men nyare spelare, bland dem amerikanska tekniska jättar som Alphabet ’ s Waymo, har kommit ikapp. Experter beskriver den nuvarande tävlingen om ledarskap inom autonom körteknik som nacke och nacke.
”det finns en djup brist på medvetenhet om vad som har gjorts tidigare, särskilt bland maskininlärningsforskare — – Longtime AI-forskare
”det är möjligt att kastade bort sin tydliga avantgarderoll eftersom forskningen inte konsekvent fortsatte vid den tiden,” sa Schmidhuber. Han tillade att bilproducenter kan ha skytt bort från självkörande teknik eftersom det verkade vara i motsats till deras marknadsföring, vilket främjade tanken på en förare som ansvarar för att styra en bil.
i slutet av 1990-talet vände Dickmanns utomlands och tecknade ett fyraårigt kontrakt med United States Army Research Lab.
samarbetet ledde till en annan generation av självkörande bilar, som kunde navigera i mer komplicerade ytor; dess resultat-publicerade runt tiden Dickmanns gick i pension — fångade Darpa, Pentagons Division emerging technologies. Det inspirerade byrån att lansera en serie ”utmaningar”, från och med 2004, uppdrag uppfinnare med att skicka självkörande bilar racing genom spektakulära territorium.
dessa utmaningar, som främjades av massiva marknadsföringskampanjer, var första gången en bred allmänhet hörde talas om autonom körning. De gjorde tyskfödd datavetare Sebastian Thrun – som vann utmaningen 2005 som Stanford University-professor och senare grundade Googles självkörande team-en kändis i AI — samhället.
UniBwM experimental vehicle VaMP under ett stopp / foto av Reinhold Behringer
under tiden föll Ernst Dickmanns banbrytande arbete i glömska.
när 2011, 17 år efter Dickmanns Paris-demonstration, New York Times körde en förstasideshistoria om Thruns ansträngningar att bygga en självkörande bil, var den tvungen att köra en korrigering efteråt och klargjorde att ”även om Mr.Thrun utvecklade en förarlös bil, var han inte den första som gjorde det.”
”det finns en djup brist på medvetenhet om vad som har gjorts tidigare, särskilt bland maskininlärningsforskare”, säger en långvarig AI-forskare, som bad att förbli anonym.
han tillade att han regelbundet intervjuar högt rankade kandidater som avfärdar femåriga papper som ”föråldrade” eller helt enkelt inte vet om forskning som gjorts under tidigare decennier.
vintern kommer?
i 2018-som AI genomgår ännu en runda av hype-kan en ny vinter vara hotande? Vissa tycker att det är en tydlig möjlighet.
mycket ny forskning om AI har varit i så kallad ”deep learning”, där algoritmer ”lär sig” genom att känna igen mönster. Dess underliggande princip-att hitta korrelationer i komplexa data-fungerar bra för de flesta applikationer men visar sig vara en återvändsgränd i vissa fall. Och eftersom djupinlärning drivs av data är dess algoritmer alltid lika bra som de data de matas.
Filip Pi Ackikniewski-en San Diego — baserad datavetare och författaren till en uppsats med titeln ”ai Winter is well on its way”-sa att mycket av finansieringen som strömmar in i AI, särskilt i samband med självkörande bilar och robotik, bygger på orealistiska förväntningar om vad djupt lärande kan göra.
foto av Ernst Dickmanns
”det här är den plats där förväntningarna kolliderar med verkligheten,” sa pi Kazakkniewski. ”Och många människor kommer att bli irriterade över att de investerade så mycket pengar, och förväntningarna uppstår inte.”
Virginia Dignum, professor vid University of Delft, kom överens om att om AI-forskare fortsätter att fokusera främst på djupt lärande, ” någon gång kommer människor att bli besvikna.”Fältet, sade hon, måste se bortom det och investera i andra tillvägagångssätt som beror på mindre data, eller modeller baserade på orsakssamband snarare än korrelationen djupt lärande bygger på.
men ändå — ekande utbredd åsikt bland forskare och analytiker — betonade Dignum att hon inte tror att en annan ”AI-vinter” kommer när som helst snart. Till skillnad från tidigare bommar förvandlar dagens Utvecklare banbrytande AI till kommersiella verkliga applikationer tack vare de senaste tekniska framstegen som började i början av 2010-talet, särskilt inom datorkraft och datalagring.
Pathfinder
detta gör situationen annorlunda än tidigare generationer, som ofta sägs göra ”blue skies research” — forskare som Ernst Dickmanns, som sa att han tänkte vid tiden för sina experiment att det skulle ta årtionden mer tills autonoma bilar någonsin skulle bli en vardaglig verklighet.
Dickmanns, som sitter i sin vinterträdgård, sa faktiskt att han fortfarande tror att autonoma fordon fortfarande är ett decennium eller två borta.
de självkörande fordon som för närvarande testas använder en annan, mindre beräkningsmässigt dyr process som behöver mindre processorkraft i omborddatorn. De kompenserar för skillnaden genom att använda kartor, GPS-positionering och databaser över tidigare observerade objekt.
”jag är glad att jag kunde vara en av pionjärerna. Men om jag kunde börja på nytt idag, med den teknik som finns tillgänglig, skulle det vara en helt annan historia” — Ernst Dickmanns
snarare än att verkligen ”se”, sa Dickmanns att de litar på vad han kallar ”bekräftelsevision.”Det betyder att de kan fungera bra på vägar och områden som har kartlagts i stor utsträckning men misslyckas när det gäller mindre kontrollerade miljöer.
det tillvägagångssätt han pionjärer — som han kallar ”pathfinder vision” och som fortfarande bedrivs vid ett par forskningsinstitutioner — skulle tillåta bilar att fungera var som helst. ”Vid någon tidpunkt kommer människor att inse att efter en storm, efter en jordbävning, eller betydligt oftare i ett militärt sammanhang när du kommer in i nya omgivningar, kommer det inte att fungera,” sa han.
en dag förutspår han att branschen kommer att inse begränsningarna i sitt tillvägagångssätt, och hans arbete kommer att se en återuppkomst.
” jag är glad att jag kunde vara en av pionjärerna, ”tillade han,” men om jag kunde börja på nytt idag, med den teknik som finns tillgänglig, skulle det vara en helt annan historia.”