wugansha

作为近来创投圈最受关注的新兴领域之一,自动驾驶所带来的话题讨论一波接着一波,大家参与的热情也持续高涨,驭势科技便是活跃在这其中的一员。这家由英特尔中国研究院前院长吴甘沙创办的公司似乎要向人们证明,带着过硬的技术在价值6万亿的市场中掘金是一件非常正确的事。近日,驭势科技举办了一个小型媒体沟通会,吴甘沙接受了动点科技的采访。

价值6万亿的自动驾驶

正如一开始所提到的,吴甘沙本是英特尔中国研究院院长,带领团队向人工智能与机器人方向发力,但他发现赶对风口的创业公司往往比大公司崛起得更快,如是便萌生了离职的想法。2015年,吴甘沙初次接触自动驾驶领域,被自动驾驶价值6万亿的巨大前景所吸引,为此决定离职,并放弃了手中一大笔即将变现的英特尔期权。

吴甘沙解释称这6万亿可以具体分为6个万亿——即有6个细分领域,每个细分领域价值都可达到万亿以上:

第一,就是整车市场本身。根据今年4月份由工业和信息化部、国家发改委和科技部三部门联合发布的《汽车产业中长期发展规划》,到2020年,我国一年新车销量将达到3000万台,其中将有超过50%的汽车拥有DA(驾驶辅助)、PA(部分自动驾驶)或CA(有条件自动驾驶)功能。

第二,出行也一个万亿美金的市场。这个可以从网约车的火爆看出端倪。据了解,2016年,仅滴滴平台日峰值订单就超过了2000万单,而与之形成对比的则是阿里巴巴一天的单数也只有3000万到5000万单,美团点评,吃喝玩乐住加起来一天也就1800万单。

然而除了政策法规上的约束以外,网约车还有一些问题需要克服,首先就是人贵,网约车需要依靠司机去开车,因此,如今网约车基本和出租车差不多贵;其次是缺人,当所有司机都进驻这个平台之后,接下来新的司机从哪里来?

而破除上述瓶颈的一个很好的尝试便是共享,共享汽车、共享单车,让用户自己去开或骑车。但这也有问题,车是固定停在某一个地方的,如果用户不在附近便是不可能使用得上的。因此,其资源利用率偏低。目前国内某领先的共享汽车每辆汽车每天使用率只有2小时左右,而共享单车每辆车每天也只能使用5-6次左右。

“那如何解决这些问题呢?我们认为只有无人驾驶出租车!没有驾驶员,没有‘人贵’问题,可以无限复制,没有‘人缺’问题。因此,一天出到几亿单完全不是问题。”吴甘沙告诉动点科技。

第三,物流市场价值巨大。中国物流成本其实非常高,商品售价中很大一部分便是物流成本,如果通过无人驾驶做主干端物流以及末端物流,便意味着商品价格将降下来。“我们做的测算显示可以降低三分之一左右。”

第四,自动驾驶汽车就是移动的商业地产。未来,汽车作为交通工具的属性将越来越低,而作为商业空间的属性将越来越高,这就意味着放一个咖啡机就是移动星巴克,放一块屏幕就是移动的万达影城,放一套办公设备就是移动写字楼,当无人驾驶将每一条路每一辆车都变成商业地产的时候,想象空间就变得十分巨大了。比如分众传媒,仅仅只是在电梯上放了一块屏幕,便成就了一家价值上千亿的上市公司。

第五,是关于能源的。未来,我们可以像去油站加油一样换电池,而这将推动分布式供电系统的形成,比如家家户户楼顶的太阳能电池板。当这些电无法并网的时候,可以将其运用于自动汽车,并将自动汽车当做是一个储能单元,一旦城市供电不足时,便可以将这些电卖出去。

第六个就是社会效益。一份来自摩根士丹利的分析报告显示,自动驾驶给美国带来的效益将达到1.3万亿美金,相当于GDP的8%,其中1600百亿来自燃料的节省,1500百亿来自交通拥堵的减缓,5600百亿来自交通事故的减少,4200百亿来自运输效率的提升:比如通过车辆之间以及车辆与道路设施之间的互联互通,提高行驶安全性,汽车安全距离得以缩短,同样距离的路段下可以容纳更多的车,同时第一辆车冲破风阻之后,后面的车也将更加省电,节约能源。

吴甘沙表示这个世界上没有第二个人工智能技术能够实现如此大的市场规模和社会效益。

前景很光明,道路很曲折

不过,吴甘沙也承认,自动驾驶汽车的前景虽好,但想要实现却并不容易。这些阻碍涉及法律法规政策、基础设施、技术、成本以及社会接受度等各个维度。

比如在政策方面,吴甘沙认为国内自动驾驶基础法律,即允许自动驾驶汽车在某些时段某些路段上路还需要1到2年时间;无人驾驶基础法律则预期还要有3-5年才能通过。

当然,最关键的还是技术本身,吴甘沙认为在开放城市环境下,想要实现真正的无人自动驾驶,至少还需要5-10年。“比如目前业内效果最好的谷歌无人车,其大概每5000英里需要一次人的干预,但与人相比还是不够,美国驾驶员大概是165000英里才会出一次小事故,每9000万英里才会出一次致命事故。”具体而言,吴甘沙认为通用场景下的无人驾驶还面临技术上的3大挑战:

1、如何处理真实复杂场景。传统自动驾驶企业都会选择在一个比较理想的实验的环境下做测试,效果可能会很好,但是在真实复杂环境下可能就不行了。吴甘沙认为这就好比是练拳击,仅仅跟木头人练拳练得再好,也很难与真正与人搏斗。

“这就意味着人工智能首先要了解当前的态势,即能够判断当前的危险程度是多大,然后,人工智能还要预测对方的动机,以此做出危险程度最小的应对措施。”

2、人工智能的鲁棒性。鲁棒性,即系统在异常和危险情况下能够继续正常运行的能力。智能驾驶涉及到用户的生命财产安全,所以对鲁棒性要求很高。

要解决自动驾驶的鲁棒性问题,吴甘沙给出了一个他认为正确的方案,那就是融合当前所有的机器学习算法:用深度学习获得下意识的直觉;利用强化学习,不断地适应环境,熟能生巧;学习开车或处理事故时的逻辑推理过程;储存并学习如何运用背景知识,相当与人的经验;最后还要有迁移学习的举一反三能力。 其中只有深度学习依赖大数据。

一架飞机的软件测试和验证成本接近其总成本的一半,而一辆奔驰S级轿车上的代码量是波音787梦想客机代码量的16倍。因此,吴甘沙认为对自动驾驶汽车软件方面再怎么重视也不为过。这里的主要问题在于目前人工智能所强烈依赖的大数据驱动的机器学习,诸如深度学习还有很多bug:

  • a、训练集中度或偏差,比如用人举着哑铃的图片作为数据输入,不断训练的结果是,机器可能会将这段举着哑铃的胳膊也当成识别哑铃的关键特征。在智能驾驶里面,如果深度学习学习到的某种障碍物必须有某个特征点才是障碍物的话,那极有可能造成车祸。
  • b、难以应对开放环境下的未知状况我们今天的深度学习是给出一个标注好的数据集,然后运行深度学习算法从中学习规则。然而,我们很难甚至无法穷举开放环境下的所有状态,而一旦某些数据不在上述标注好的数据集里,那这对人工智能而言就是完全未知的。同时,若没有其他可替代的人工智能工具的话,机器在面临这些情况时便可能无法做出正确的判断。
  • c、深度学习是一个黑盒模型,我们知道它起作用了,但不知为何起作用,不具备可解释性。比如,在人眼看起来是一样的两张照片,深度学习却可能只认得出其中一张而认不出另外一张,只因为两张图片在像素级别有一些人眼根本分辨不出来的差别。另外,深度学习也很容易被欺骗,业内有专家会做一些毫无意义的杂乱图片,但深度学习却有可能将它们认定为有意义的东西。

也有人企图通过生成性对抗网络等手段预防黑盒模型的缺陷,甚至已经有学者试图理解深度学习起作用的原理,但到目前未知其还欠火候。

3、为智能驾驶系统给出一个可预期的置信度。对于自动驾驶而言,必须要有足够多的数据才能证明它是不是安全的,足够多的数据是多少?兰德公司给的数据是100亿英里,只有这么多数据才能有95%的置信度。“然而,在新车上市之前,哪里有车能跑这么远?”吴甘沙说到。

或许唯一的解决之道便是建立一个虚拟仿真系统。据了解,驭势科技正在与一些公司合作,期望通过大数据快速建模,快速建立特定地区三维模型,并在仿真系统中模拟不同的光照、不同的天气等。“通过这样的模拟仿真器,我们就能更好地实现百亿英里的测试。”吴甘沙还表示,“AlphaGo为什么这么厉害,他只研究了人类十几万棋局,但却在模拟器中自己跟自己下了上亿盘!”

虽然人们在通用场景下的无人驾驶已经有了一些可喜的尝试,不过,在吴甘沙看来,通用场景下的自动驾驶时代还未到来。

那么,自动驾驶应该如何尽快落地?

既然自动驾驶还有这么多难题需要解决,那是否就意味着自动驾驶还需很多年才能落地呢?其实不然。

吴甘沙认为人们往往会将最先进的技术、最成熟的技术以及最快商业落地的技术相混淆。“目前最成熟的是谷歌的技术,它从2009年便开始做了,但并不先进,因为其技术基础是2009年-2010年的。”吴甘沙透露他们正在与国外某研究机构合作,研制最先进的自动驾驶技术。他坦言,想要商业落地还需要几年;有些技术虽然不够先进,但却能够尽快落地。

吴甘沙认为目前能够在2到3年内得以商业落地的自动驾驶只有两个,一是高速公路上的2到3级自动驾驶技术,二是基于限定场景、增强环境+低速的自动驾驶技术。其中高速公路的国内方案由于技术仍然有大量需要完善的地方,其落地还需要相对更长的时间,而后者则更快。

因此,驭势科技目前更加看好且大力推动的便是限定场景、增强环境(即去除不确定性)+低速条件下的自动驾驶。吴甘沙认为,在限定场景、增强环境下的低速自动驾驶,驭势科技只需要1年便可以商业实现。

而这也似乎并非空穴来风,据介绍,驭势科技目前已经在广州白云机场、杭州来福士购物中心等地开始了持续的技术验证和试运营服务,大规模商业化运营指日可待。吴甘沙还提出了智能驾驶“落地为安”的一些思路,通过客户需求和应用场景牵引功能的开发和软硬件的组合优化,在兼顾安全性和成本的前提下,跨越从演示到部署运营的死亡之谷,建立商业闭环,实现从技术创新到客户价值创造的跃迁。