新闻 
千万奖金撬动千亿产值:谁在疯狂对赌科学的未来
千万奖金撬动千亿产值:谁在疯狂对赌科学的未来千万奖金撬动千亿产值:谁在疯狂对赌科学的未来
在这三种模式之外，其实还有一种，也是DARPA喜欢的模式——公开的竞赛，最知名的莫过于DARPA在2004到2007年举办三届自动驾驶挑战赛。科技突破主要是解决两类问题，一类是科学的前沿问题，比如机器是否能像人类一样识别图片（机器学习问题），又比如复杂的蛋白质折叠问题，困扰了人类很久；另一类是推动技术的突破，比如私人航天是否能有所突破，而不是为国家所垄断，又比如到底如何实现自动驾驶？围绕着上述四个问题，过去三十年举办过四次轰动全球的竞赛，且每一场竞赛都“如愿以偿”地带来突破。
一、产业大奖赛
DARPA在2004年至2007年间举办的三届自动驾驶挑战赛，是全球自动驾驶技术发展的关键起点。为了极大激发技术创新，赛事奖金从100万美元逐步提升至200万美元。2004年的首届沙漠挑战赛虽然没有队伍完赛，但成功验证了自动驾驶的可行性。随后在2005年，多支车队成功完赛，并确立了感知、定位、规划、控制的核心技术架构。到了2007年，城市挑战赛更进一步，实现了复杂交通环境下的自动驾驶突破。
这一赛事不仅探索出早期自动驾驶主流的技术路线，更培养了第一代自动驾驶核心人才。赛后，这批研究者纷纷投身产业界，直接催生了Waymo和Cruise等美国自动驾驶领域的头部企业、虽然这一赛事与特斯拉创立无直接关系，但其奠定的技术基础与行业共识，深刻影响了全球自动驾驶发展，为后续技术路线的竞争、商业化落地和人才储备提供了重要支撑。
同样2004年在美国举办了X大奖赛的比赛。比赛要求民间团队在两周内两次完成亚轨道载人飞行，最终Scaled Composites团队凭借“太空船一号”夺冠 。X大奖的发起人彼得·戴曼迪斯（Peter Diamandis）在1996年就宣布设立1000万美元的大奖，灵感源自日本《朝日新闻》于1930年设下2.5万美元重赏，招募首位完成“不着陆跨太平洋飞行”的勇士。《朝日新闻》的奖金撬动了参与者上百万美元的资金投入，让戴曼迪斯看到了奖金的杠杆效应。
X大奖赛不仅打破了政府对航天的长期垄断，也确立了低成本、商业化航天的发展方向，还直接催生了以亚轨道旅行为核心的私人航天公司维珍银河——其前身就是获得X大奖的“太空船一号”飞行器。同时，它创造的产业环境也为后来SpaceX 等商业火箭公司的崛起奠定了基础。
值得注意的是，从2004年获得奖金到2021年真正实现首次载人商业飞行，维珍银河用了整整17年。从创立到真正在美国湾区实现无人驾驶出租车全面落地，Waymo花了更长的时间。这也从侧面反映出，技术突破之后，商业化落地仍需要漫长的积累和持续的技术迭代。
二、学术大争锋
在人工智能发展的漫长历程中，机器能否像人类一样识别图片中的猫一直是核心难题之一。在2010年之前，机器学习技术在图像识别领域的表现并不理想，识别准确率低下，无法满足实际应用需求，人工智能也一度陷入发展低谷。为了推动机器学习技术在图像识别领域的突破，斯坦福大学李飞飞团队发起了ImageNet项目，并举办了每年一度的ImageNet挑战赛，成为推动人工智能深度学习革命的关键事件。
赛事于2010年至2017年共举办了8届。首届获胜系统的准确率为72%，而人类的平均准确率为95%。两者之间存在巨大差距，这也反映出当时机器学习技术在图像识别领域的不足。但这场竞赛为全球的研究者提供了一个统一的测试平台和对比标准，让大家能够清晰地看到自身技术的差距，明确研发方向。
真正的历史性转折发生在2012年，多伦多大学教授杰夫·辛顿带领的团队以基于神经网络打造的AlexNet夺冠，将准确率跃升至85%，一举引爆了AI领域的深度学习革命，让这一年成为这一轮AI大潮的元年。AlexNet的突破，彻底改变了人工智能的发展格局。在这之后，ImageNet挑战赛成为全球人工智能领域的盛会，吸引了来自世界各地的顶尖团队参赛，技术迭代速度大幅加快。2015年，ResNet模型在ImageNet挑战赛中实现了重大突破，图像识别准确率达到96%，首次超越人类水平；2017年，SENet模型作为最后一届ImageNet挑战赛的冠军，其性能已远超人类，图像分类任务接近饱和。此后ImageNet挑战赛停止举办，转向更难的方向，如视频理解、小样本学习、无监督学习等。李飞飞作为这场竞赛的发起者之一，赢得了“AI之母”的美誉，而辛顿更则被尊为“AI之父”，并在2024年凭借深度学习技术获得诺贝尔物理学奖。
[加西网正招聘多名全职sales 待遇优]
| 分享: |
| 注： | 在此页阅读全文 |
| 延伸阅读 |
推荐: