整理 | 王藝
8 月 24 日，2017 全球汽車 AI 大會在上海舉行。優達學城（ Udacity ）聯合創始人兼總裁，史丹佛大學終身教授，原谷歌副總裁、Google X 實驗室聯合創始人 、谷歌無人車之父塞巴斯蒂安 · 特龍（ Sebastian Thrun ）來到現場，分享他與無人車結緣的故事，以及他對無人車未來的一些思考。
塞巴斯蒂安 · 特龍在2017 全球汽車 AI 大會
塞巴斯蒂安 · 特龍於 1967 年生於德國索林根，1995 年獲得波恩大學計算機與統計學雙博士學位，後任教於卡內基梅隆大學。2003 年，特龍加入史丹佛，也正是在那時，他開始了其無人車研究的程式。作為世界頂級的人工智慧專家，特龍在 39 歲時當選美國國家工程院院士，被美國著名商業雜誌 Fast Company 評為「世界上第五個最有創造力的人」。英國衛報則稱之為「20 位網際網路自由戰士之一」。
2007 年，谷歌掌門人 Larry Page 和谷歌聯合創始人 Sergey Brin 邀請正在史丹佛任教的特龍，請他主導在谷歌內部建立一個硬體創新實驗室，也就是後來的 Google X 實驗室。這個全球矚目的「奔月計劃工廠」已經產出包括無人駕駛汽車、Google Glass 在內的眾多標誌性專案。
2012年初，受可汗學院啟發，特龍參與創立了 Udacity。這是一家盈利性教育平臺，提供大規模開放式線上課程。特龍在史丹佛所授的「 CS 373：無人駕駛汽車設計」是 Udacity 首批上線的課程之一，它吸引了來自 190 個國家的 16 萬名學生，其中年齡最小的只有 10 歲，最大的已經有 70 歲了。具有傳奇色彩的塞巴斯蒂安 · 特龍來到中國，為中國無人駕駛從業者帶來怎樣的啟發？這裡是機器之能整理的核心要點：
- 特龍的無人車之路始於 DARPA 的一次沙漠挑戰賽
- 2013 年的時候，無人車就會看紅綠燈並依此判斷周遭環境了
- 一旦一輛車習得一個事故模型，車聯網上的所有車輛就都能學會，從這一點來說，人工智慧的學習效率遠高於人類
- 在 2050 年之前的某一個時間節點，機器駕駛將全面超過人類駕駛
- 無人車的出現能夠使老人、小孩、甚至殘障人士輕鬆駕車出行
- 在未來共享汽車的版圖中，自動駕駛將佔很大比例
- 若自動駕駛成為可能，全球將有 10% 的卡車司機失業
以下為經過整理的演講實錄：
首先我為大家介紹一下無人駕駛。其實，我在這方面的研究已經超過十年了。今天我會先講一下自動駕駛的歷史、現在的發展情況、以及未來的發展前景。
每當提到自動駕駛，我都會非常興奮。特別在當我還是小孩子的時候，當時電視和電影中經常會出現這樣的畫面，一輛車不需要人類駕駛員就可以非常快速地在路面上行駛。後來，我的一個朋友在一次交通事故中喪生了，當時他駕駛的汽車與一輛卡車相撞。
其實每年都有上百萬人殞命於交通事故，特別是在中國。中國人口眾多，道路上的的車輛也多，汽車的數量遠遠高於自行車。不過放眼全球，其實我們所面臨的問題是一樣的。
我與無人駕駛結緣於 2004 年，也就是 13 年前。當時美國政府有一個計劃，美國國防部先進研究專案局舉辦了一個關於汽車無人駕駛和自動駕駛的挑戰賽（ DARPA Grand Challenge ）。這個比賽的評選標準是參賽的無人駕駛車輛能否在莫哈韋沙漠中行駛超過 140 英里。當時參賽隊伍中有很多來源於大學車隊。
這個視訊中有的車輛可以以超過 140 英里的速度行駛，有的擁有非常好的防側摔效能，其中那個當時參賽的最小的車，是由來自於加州大學伯克利分校的學生製造的，我當時問了一下它的研發人員，他表示很有信心，說下一次一定會做得更好。
在 2005 年的時候，當時我還在史丹佛做兼職教授，主講 AI 。那個時候我認為 AI 做的還不夠好，我們有能力對 AI 做大幅度的提升，所以我在史丹佛大學建立了自己的研究團隊。但是我們研發出來的無人駕駛車只能行駛大約 10 到 20 英里，這是遠遠不夠的，我們必須要讓車輛能夠在道路上持續行駛才行。
這是我在史丹佛大學建立的第一個團隊，團隊的成員都是我的學生。由於當時資金不夠，我也沒能力給我的學生髮工資，只能給他們提供更多的課程作為回報。我的課堂主題就是無人駕駛、自動駕駛，他們反過來還會給我交學費。
我們遇到了非常多的問題和困難，但最終車還是研發成功了。同年（ 2005 年），《時代》雜誌採訪了我們，寫了相關的文章，文章的關注點放在我們團隊在無人駕駛方面所遇到的困難上。後來這是在另外一個大學，他們也有相關的專案，這是他們當時的無人駕駛汽車翻車的照片。
雖然困難很多，但我覺得，我們不應該被眼前的這些失敗所困擾，後來《紐約時報》還去採訪了研發這輛汽車的人。這段視訊展示了一輛非常小的車，它可以實現自我平衡的功能，但其實當時它的表現效能還不太好。在2005 年那個時候，大家都不覺得無人駕駛在以後會成為現實，當然，這是 12 年以前的事了。那個時候只有書呆子才相信無人駕駛能夠實現，大部分人都不這樣覺得。但我們作為科研人員，就是要把不可能變成可能。
在這個視訊裡我們可以看到，這輛史丹佛大學研究的無人駕駛汽車，已經行駛了大約100 英里。這個由機器人駕駛的汽車在非常彎曲艱險的路面上行駛，我們用這種直升機對整個行程進行了視訊記錄。由於路況不佳，這輛無人車行駛了超過 6 個小時才駛滿 100 英里，而且行駛軌跡非常崎嶇，如果車上有人的話會非常危險。不過這在當時是有很大意義的，因為它獨自駛完了 100 英里的全程自動駕駛。
在今天，我們能夠越來越清晰地意識到技術正在以很快的速度改變人類的工作和生活。不論你現在的工作是什麼，也許在未來的某一天，你會在一夜之間發現，某一項技術正在全方位地取代或者輔助你的工作。在全球範圍內有很多專家正在致力於促成這件事，他們非常瘋狂，特別是在無人駕駛以及自動駕駛方面。
這是有一次我們在美國華盛頓航空航天博物館展出的無人車，當時我遇到了一位來自於谷歌的老友，我們就無人車話題展開了探討，其中提到了當年的沙漠挑戰賽。他說：「我也關注那個比賽，但是我沒有覺得特別有趣，因為谷歌的客戶完全不在乎無人車能不能在沙漠中行駛。」回首當年我們參加比賽時的想法，單單是因為覺得在沙漠中的無人駕駛任務是無法完成的，很有挑戰性，所以就去試了。再後來，我和大陸集團的一個朋友進行了合作，建立了一支非常小的團隊。我們到商店買了很多的零配件安裝到這輛車上，包括鐳射雷達、感應器、感測器等等。
其實無人車就是沒有司機的車，因此需要一個非常強大的計算機系統來幫助車輛進行運算和決策，代替人腦。但是計算的第一步，是車輛需要能夠看見路況，因此我們在車上加了這些感測器。組裝除錯完成後，我們首先在洛杉磯的鹽湖城進行實驗。我們想看看傳統車輛和這些雷達以及感測器結合後能夠擁有怎樣的新效能，後來我們又在加州進行了路測。
上面是2010 年的谷歌無人車，下面是 2012 年的，可以看到已經發生了一些變化，不論是外在還是效能都有所提升。
這個是 2015 年的新款，大家可能對這輛比較熟悉。它更小了、更有科技感了。
這個視訊是我們在 2010 到 2011 年之間祕密進行的一次實驗，視訊是以車輛的視角拍攝的，當時我們在真正的城市環境和山路上均進行了路測。我們發現即便是在夜晚，車輛也能夠非常平穩地駕駛。其實我們非常喜歡在這種長的彎路和山路上進行實驗。這些視訊顯示出當時我們的技術已經很先進了，在行駛過程中沒有出現任何問題。這個動畫模擬的是我們試駕超過 1000 英里的時候的情況。
這段視訊展示了我們的鐳射、雷達以及攝像頭感測器的佈局，它們捕捉到的畫面能夠非常清楚地顯示周圍的環境以及障礙物。車輛周圍十公里以內的所有細節都能「看」得一清二楚，而且是 360 度的無盲區探測。
機器的記憶力非常強大，就像大象一樣。我們只需要將駕駛相關的資料預先存到系統中，系統經過自行分析處理，就能夠記住所有的資料從而學會安全駕駛。加上清晰的 3D 影象，能夠達到意想不到的效果。
現在我們的無人車已經能夠「看」到路況，那麼車輛怎麼知道我現在在哪以及要駛向哪裡呢？這涉及到我工作的核心要點——VMI 定位。我們與美國政府合作，他們向我們提供 30 多顆衛星進行定位。但是使用這些傳統衛星，精度只能達到 2-3 米，這對無人駕駛汽車來說遠遠不夠。我們希望通過 VMI 和實時計算，能夠讓定位精度達到釐米或毫米級。通過 VMI，車輛能夠更好地瞭解周圍的情況，還能對前方路段進行預測，防患未然。
馬路上的交通是動態的，我們當然還希望能夠對周圍環境進行動態的呈現。我們需要通過這些鐳射雷達、攝像頭、感測器，以 3D 的方式對道路上的車輛、行人、自行車進行統計，區分哪些是動態物體哪些是靜態物體，計算動態物體的移動速度是多少等等。我們經過數年的研究，開發了能夠追蹤所有物體的技術。現在大家看到的就是很多行人、汽車、自行車往來穿梭的場景。可以想見，這些物體的數量是非常龐大的，我們要怎樣更好地實現如此複雜的場景識別呢？比如說我們會觀察紅綠燈，在綠燈亮起的時候，車輛知道自己能夠通行，它同時也應該知道在這個方向上的人、汽車、自行車都會前進。那麼，如果在交叉路口，如果我們知道這個路口的交通訊號燈是怎樣設定的，就能夠讓系統更容易地解讀到路面上不同物體的行為。
在 2013-2014 年的時候，技術就已經能夠達到這樣的程度了。另外，機器不會喊累，也不會酒駕，而且異常精確。毫無疑問，機器駕駛比人類駕駛具有更大的優勢。當然機器也會犯錯，如果系統出現了故障，我們需要建立一個有效的機制來讓人類駕駛員接管車輛。但就目前的情況看來，人類介入的比率正在逐漸變小。經過一千次、一萬次模擬駕駛訓練，假以時日，我認為未來可能在 3 萬英里、5 萬英里、甚至 50 萬英里才需要人類介入一次。
大家可能會問，無人駕駛汽車會不會取代人呢？其實人工智慧和機器學習的原理與人類的學習方式是非常不一樣的。大家一般都開過車，或者最起碼看見過別人開車。對於人類駕駛員來說，很多時候要在路上磕磕碰碰才能逐步的精進駕駛技能，一個人類駕駛員需要遇見不同的事故才能學會規避以及處理。然而學習的代價是高昂的，有的時候甚至會讓人喪命。
谷歌的軟體在這一方面有一個很好的功能，每一個無人駕駛車輛學習到的駕駛技術，都能夠通過車聯網的方式使其他車輛掌握，也就是說一個交通事故的模型能夠通過車聯網的方式被網路上所有的車輛使用。從這個角度來說，人工智慧是超過人的。無論你對技術抱有多大的懷疑，一兩年之後你都不得不承認，機器的學習能力遠超你的學習能力。這一點我已經很早就意識到了，在 2015 年的時候我就預測，在 2050 年之前的某一個時間節點，機器駕駛一定能夠全面超越人類駕駛。
我接觸深度學習的時候是在 1988 年，當時我還是一名研究生，接觸到了很多 AI 和其他的先進技術。時間發展到現在，我們看到在過去兩年人們的意識已經開始向 AI 轉變。這不是一般的轉化，而是大規模的轉化。這兩年我們談到無人駕駛、AlphaGo，談到用人工智慧診斷癌症、進行遠端醫療，其核心在於深度學習技術。從 80 年代深度學習提出以來，就一直在推動技術的前進。
現在人工智慧技術的發展非常快，機器能夠通過自己的錯誤進行學習。比如教育小孩子的時候，你不可能將所有的意外事故一條一條地告訴他，而是給他環境讓他自己去學習、去適應。計算機也是一樣，你把大的規則輸入到系統，它會通過深度學習的方式進行創新性的分析。不同的是，一個機器學好了之後，其他機器也能受益。這樣的學習速度當然會超過人類，這在人類歷史上是一個非常大的轉變。
大家都知道我在離開谷歌之後創辦了 Udacity，這是一個學習平臺，在平臺上你能夠學到包括深度學習、自動駕駛的相關課程，同時我們也設計了各種各樣的題目。我們開展了一個深度學習專案，向學生提出挑戰，在我們模型的基礎上，學生需要思考怎樣讓谷歌的自動駕駛技術更加智慧。比如怎樣讓機器更快地學習、辨別它所在的車道、判斷當前位置在車道上的偏移程度。我們設定的挑戰是隻用 3 個攝像頭完成任務，一般情況下，學生們經過一週左右的學習就能夠使一輛無人車在模擬公路上行駛。
下面我再跟大家分享一個視訊，這個視訊展示了一個真實的無人駕駛車輛的行進情況。史蒂夫很早就使用無人駕駛，是首批「敢於吃螃蟹的人」，他覺得無人駕駛對他的生活產生了很大的影響。視訊中他無需雙手就能開車上班，但事實上，史蒂夫是一位 50 歲的盲人，他在 40 歲的時候由於生病失去了視力。視訊中我們看到，他把車停在這裡，下車去購買食物。世界上有很多像史蒂夫一樣的人有這樣的需求，包括學生、老年人以及殘障人士等等。史蒂夫在失明之前有一份很好的工作，薪水非常不錯，但後來因為他的眼疾，基本上沒有辦法正常生活，更別說工作。現在有了無人駕駛的輔助，史蒂夫又能不受限制地出行了，他可以自己開車去取乾洗的衣服等等，而不需要別人的幫助。
除了道路上的無人駕駛，我們還有其他層面的技術研究，例如這輛豐田普銳斯，我們把它用作賽車無人駕駛的測試車輛。它的行駛速度非常快，而且它的大腦能夠自動選擇最佳路徑。在實際時間測量實驗中，我們沒有打斷過普銳斯，讓他自由發揮，實驗證明它的駕駛速度遠高於人類。
最後我想向大家分享的是在 2014 年的一個專案，是我們和 Uber 合作的一個共享汽車平臺專案，使用者可以通過這個平臺和其他人共享無人駕駛汽車。現在共享汽車在中國非常流行，那麼如果共享汽車變得更加舒適、更加經濟，對我們每個人而言都是有益的。在這個視訊裡我們看到，只需登陸 APP，點選按鈕預約共享汽車，它就會自己開到你面前。這個原型我們在大約幾個月之前就做好了，有兩種模式可以選擇：你開車，或者讓車自動駕駛。
我們認為，未來自動駕駛在共享汽車方面是一塊非常大的市場。現在在全球，共享汽車都是一個非常火的概念。我們認為，未來幾年自動駕駛也會被融入進共享汽車的板塊裡。還有就是卡車司機，全球有那麼多的卡車司機。如果自動駕駛真的成為現實，其中有 10% 的卡車司機將被替代。另外，未來如果自動駕駛實現的話，下至幾歲小孩，上至百歲老人，都能駕駛汽車出行。所以我們要耐心等待，在未來將這種不可能變成可能。