塞在車陣裡一點也不好受，而且也得付出相當代價。塞車除了讓人頭痛和趕不上開會，還讓美國駕駛人一年浪費掉三千多億美元。
研究人員提出就算是少量的自動駕駛車也能大幅改善交通流量。Lex Fridman 與他在麻省理工學院（MIT）的研究團隊建立一款遊戲，加快在未來落實這個目標的腳步。
DeepTraffic 這套遊戲模擬尋常高速公路的行車環境，玩家使用深度學習來操控自己的車輛。這項模擬內容讓初學者也能領略到複雜高深的科技概念，且遊戲化的作法也推動專家們開發嶄新技術。
以神經網路操控車輛
想像一下你開車洛杉磯某條車水馬龍的高速公路上，必須決定要跟前車保持多近的距離、何時要切換車道，還有要怎麼避免追撞其它車輛，這便是路徑規畫。任何人藉由 DeepTraffic 都能設計和訓練一套深度神經網路來執行這項作業。
Fridman 在矽谷舉行的 GPU 科技大會裡，介紹如何以強化學習為基礎發展出這套遊戲。透過神經網路因採取預定的行動而獲得獎勵的作法，而實現人工智慧。一再重複這些獎勵，神經網路便學會如何執行。
在這項遊戲裡，神經網路操控紅色車輛在繁忙的高速公路上行駛，目標是盡快在車陣中穿梭前行。初學者使用瀏覽器裡的 javascript 來調整參數和變更車輛的駕駛行為。資深玩家則是經由 OpenAI Gym 進入 DeepTraffic，使用 Python 介面來訓練神經網路。
閃電飛車手：DeepTraffic 的玩家使用深度學習技術，讓車輛飛快在車陣中穿梭前行。
DeepTraffic 原本是一項 Fridman 為了在 MIT 的課程所發展出的教材，在課程內容和遊戲開放供大眾使用時，獲得熱烈迴響。到目前為止有超過12,000人提出他們的 DeepTraffic 遊戲模型，競爭可謂相當激烈。績分榜上可以見到名列前矛的玩家，還有他們的神經網路所達到的最快速度。
遊戲讓玩家們相互競爭，增加了不少趣味性，然而在實體環境裡風險可是大多了。自動駕駛車必須規畫兩點之間的安全行車路線，而各種路況頻生，此時就得藉助於人工智慧。DeepTraffic 這一類教育工具有助於培養下一代的人工智慧開發人員，且路面解決方案也將為車業生態體系改頭換面。
下方提供了 Fridman 在 GTC 的完整演講內容影片，其中介紹了路徑規畫的層級、強化學習、優缺點，以及訓練 DeepTraffic 神經網路的詳細技術資料。
在此可觀看GTC 大會裡其它汽車產業相關會議內容，十月時還能參加 GTC Europe 大會，更深入瞭解自動駕駛車輛的未來發展動向。
精選圖片提供：rust.bucket, licensed via Creative Commons.