【智慧駕駛】馭勢科技吳甘沙：智慧駕駛，有多少AI可以重來

3月14日，北大AI公開課第四講邀請到了馭勢科技聯合創始人&CEO、原英特爾中國研究院院長、英特爾首席工程師吳甘沙老師親臨現場，與北大人工智慧創新中心主任、百度七劍客之一、酷我音樂創始人雷鳴老師一起，就智慧駕駛領域展開深入的討論和交流。

吳甘沙：智慧駕駛，有多少AI可以重來

雷鳴：吳甘沙和我也是很長時間的好朋友了。他以前是英特爾研究院的院長，帶領整個英特爾研究院在中國的工作。一年多前，甘沙離開了英特爾中國研究院，創立了馭勢科技，現在是創始人兼CEO。目前，無人駕駛在人工智慧領域十分火熱，可能是最大的，最有前景的幾個方向之一，在全球範圍內也非常熱。昨天，英特爾花了100多億美金收購Mobileye。可見這一領域確實非常火熱。而且，中間大家的競爭、合作、收購、創新、創業，非常的熱鬧。下面有請甘沙，跟我們分享一下這個領域的一系列乾貨。

 

吳甘沙：謝謝，非常榮幸今天能夠在這個晚上跟大家一起共度，分享一下我們對於智慧駕駛的一些看法。原來講座的題目叫無智慧，不駕駛。後來有人跟我說，你拿這東西去糊弄90後，肯定不行，所以就只能想了一個新的名字：有多少愛AI可以重來。其實大家看這個名字就清楚，過去十多年，智慧駕駛已經發展出來了一套AI體系，而現在，我們覺得可以把其中的一些東西推翻重來。一開始有個免責宣告，因為我知道今天有很多人在看，所以這裡面涉及到一些第三方的圖片，視訊，當然也有一些我們自己的（圖片、視訊）。

為什麼要做智慧駕駛？在我們選擇一個方向，選擇一個職業的時候，要問這個問題，而且不止問一遍，要問好幾遍。如果說你的答案是能夠經得起數次的考問，那真的是值得做的。

為什麼要做呢？我們今天在城市裡面看到很多的問題，堵車導致交通事故，違規駕駛等。大家知道如今全世界每年，因為交通事故死亡140萬人。那麼，交通事故又會導致路更加堵，百公里的油耗產生廢氣，排放霧霾等一系列的問題。而另一方面，停車難，又是另一個問題。給大家分享三個資料。第一，一輛車96%的時間是停著的，他而且需要兩個停車位；第二，根據一個統計，在城市的商業中心CBD附近，35%的航行里程是與找停車位相關；第三，大城市15%以上的土地是用來停車的。所以大家可以想象，“房價貴”軍功章裡也有車的一半。因為房價會使得我們很多年輕人只能夠生活在遠離城市中心的郊區。於是大家看到了睡城，上下班的潮汐效應。還有一個觸目驚心的資料：中國一天可能因為上下班交通浪費在路上10億個小時。而五六千年以前古埃及人建造一座大金字塔就花了這麼點時間。因此，我們如今一天浪費這麼多的生產力。我們有一些解決方案，無論是搖號、限行、交通擁堵費，還是網約車，都沒辦法根本性上解決這些問題。我們認為系統性解決這個問題，要靠智慧駕駛。

我們首先看今天為什麼有那麼多問題——本質上可能因為車太多。例如北京，有接近六百萬私家車，而提供按需出行服務的計程車只有7萬輛左右。對於我們絕大多數人來說，首先叫車很難，其次叫車很貴。還不如自己買輛車。這就是後面的邏輯。但是我們相信有了智慧駕駛之後，在10年之後，北京的交通狀況就不一樣了。首先，城市裡面車輛的總保有量可以減少一半，只有100萬輛私家車，還有200萬輛是計程車。而這些計程車是無人駕駛計程車。那麼根據大資料的運算規律，我們可以根據全城人群的分佈和出行的規律，把這200萬輛車分佈在城市的各個角落。保證每個人一叫車，兩分鐘之內就來車。而且，我們叫車的費用可以降到今天的1/3。今天人力的成本（司機的成本）很高。

同時，未來新能源，每公里的成本又比今天的燃油要低。再加上，如今大量的油是浪費在空駛上，未來這個排程演算法足夠的好，沒有空駛，那麼這塊的成本也省下了。因此，我們相信一定能夠做到計程車費降下來。從此，城市的一系列的問題都可以解決。這個是國外某個大學的一個想象：未來城市裡的車整整齊齊地開。大家看到，今天這麼一小段距離可能只有兩輛車，而在這個場景下呢，大家捱得緊緊的，這麼短的距離可以容納8輛車。道路的容量可以提升3倍。此外，可以極大減少90%以上的交通事故。同時，當第一輛車檔掉風阻，後面的車可以開得非常省力，能源的效率也得到提升。至於停車，這種模式對停車位的需求極大地降低。城市裡面熙熙攘攘，這些車都不需要停下來，晚上可以停到郊區去。即使需要停下來，只需要一個小小的停車位。大家知道，今天停車位必須足夠大，因為太多人手潮，是新手。

在未來，這樣的場景就會出現，大家可以想象，城市裡每一條道路都會變得更窄。大量的停車位可以釋放出來，因此房價會下降。大家可以腦補一下，一系列的情況都會發生。這樣一個場景，在商業上也是一個巨大機會。大家知道，如今，“滴滴出行”一天的峰值能夠達到2100萬單。這什麼概念呢？阿里巴巴全品類的電商相加一天大約是3000-5000萬單。美團、大眾點評吃喝玩樂住加起來一天大約1300萬單。因此，出行是相當剛性的、高頻的需求。但是，再往上走，其實很困難。因為受限於能夠提供服務的車和人，再加上人力成本，其實今天快車比計程車也便宜不到哪裡去。想再往上走，要突破這兩個侷限的，必須通過無人駕駛的計程車。

我相信未來滴滴一定是無人駕駛。一旦有無人駕駛，一天達到5億單是完全沒有問題的，這將成為電商所有品類當中最大的交易量。而且，未來的車可能長得不太像車，其交通工具的屬性會降低，商業空間的屬性會增加。大家再一次腦補，在裡面放一臺咖啡機，它就是移動星巴克；放一塊大螢幕，它就是移動萬達影城；放塊小螢幕，它可以是移動的分眾傳媒；在裡面放一套辦公裝置，它就移動的寫字樓。未來你叫車，可能就十來塊錢，但喝杯咖啡需要二三十塊錢，看場電影需要三四十塊錢。因此，整套新的商業體系就會呈現出來，因此也給我們帶來一個巨大的機會。

引用中國古人的一句話：時來天地皆同力，運去英雄不自由。看到這麼一個大場面，大機會，我相信值得我們搭上未來20年。當然，因為一位老先生跟我說這個20年太長了，也許20年後大家都不用車，用飛行揹包，用動力外骨骼，所以還是改成10年。也有人問，現在很多巨頭在這裡佈局，目前進入是不是太晚了？其實並不晚，我給大家看一個資料。今天谷歌代表了業界最強水平，是無人駕駛5000英里需要一次人的干預；相較而言，特斯拉3英里需要一次人干預。但是，與人的駕駛相比起來還有差距。像美國平均駕駛員行駛105000英里，出現一次小的事故；行駛9000萬英里出現一次死人的事故，所以差距不小。再加上，技術發展非常快，大家經常聽見一個名詞叫“後發優勢”。其實，谷歌大量的技術是從2007年，2009年開發的。雖然它不斷地加入新東西，但是若你從零開始，可以把最新的AI的技術加進去，就是非線性的加速。所以，對於後來者，其實還是有機會。我們相信，未來10年是智慧駕駛技術發展的黃金時代。

那下面就會真正的講AI了。智慧駕駛裡面有一些什麼樣的AI技術？我認為，有三樣非常重要，我把它分成3種司機：第一種，叫新司機。想象一下，剛剛從駕校裡面考到了駕照，你懂得交通規則，能夠保證不去撞車和撞人；第二階段，你開著開著，變成了一個認路的司機，在任何情況下都不會迷路；第三個階段，就變成老司機。老司機體現在3個方面：一、開車開得非常好；二、你不肉，這個很有競爭性；三、碰到一些新的情況，你也不慌。

其實，智慧駕駛要達到這3個方面：一是感知和認知的理解部分；二是地圖和定位；三是認知的決策部分。先看感知和認知的理解，傳統上無人駕駛，他是從“鐳射雷達”開始。鐳射雷達，向你呈現出來一個幾何的世界。這個幾何的世界是在你的記憶當中，你通過與這個幾何世界互動，能夠實現無人駕駛。大家可以看到，無論是樹，草坪，車輛，房子等等，鐳射雷達都能夠很準確地把模型建立出來。谷歌第一代、第二代、第三代無人駕駛車，上面有個鐳射雷達。這其中有個細節，最近大家看到谷歌的宣告，他說把鐳射雷達的成本降低了90%。其實他在過去的某一個時間點，開始做自己的鐳射雷達。我認為他做了一個罩子，把鐳射雷達藏在裡面，為了隱藏自己在做鐳射雷達的這麼一個啊做法。百度的第一代、第二代車的頂上有鐳射雷達。兩邊和後面有3個小的鐳射雷達。頂上的鐳射雷達，在國內市價是70萬人民幣；3個小的鐳射雷達，每個大約是七八萬人民幣。這是錢堆出來的。我們做了一個低速車，上面其實也有一個鐳射雷達，就是七八萬人民幣。那麼顯然，這東西很貴，自然而然會讓大家去想我有沒有其他的解決方案——就是基於視覺以及毫米波雷達，超聲波等等這些輔助感測器啊。但是，最重要的還是視覺，視覺構建的不是一個幾何世界，是一個畫素世界。基於一個畫素世界，要去理解和預測，這是基於視覺的智慧駕駛。

那麼，我們拿在這一塊商業化最為成功的特斯拉為例。這輛特斯拉Model S上面就有一個單目攝像頭，作為它的主要的感測器；下面保險槓前面正中，有一個毫米波雷達；車週週邊一圈有12個超聲波感測器。大家可以看到這些小圓口都是超聲波感測器。它通過這3種感測器，能夠很好地達到新司機的要求，去理解規則，去感知這個世界。大家看這是一個典型的特斯拉行駛的情況，在這條雙向路上，有兩車道，大家可以看到它通過視覺把這兩車道都標識出來。而且，車通過視覺，始終能夠保持在車道中間開。他邊上的超聲波感測器，發現後面有車超車了。大家可以看到左邊也有感測器，說明對面有來車。他現在打了右轉，開到右邊車道上，因為邊上有欄杆，這時候超聲波始終是在激發的狀態。大家可以看到在整個的這個過程當中，視覺雷達和超聲波都在發揮作用。

但是，這樣一套方案事實上是有缺憾。這是在去年5月份發生了一起事故。當時，一輛大貨車，在這個路口左拐橫在了這條馬路上，而一輛特斯拉的ModelS高速的開了過來。注意，像這樣的一個輔助駕駛系統，駕駛員必須得全神貫注把注意力放在路上。而當時駕駛員在玩哈利波特。它的感測器沒有發現這輛大貨車。於是，他從車的下面鑽了過去，之後駕駛員就當場身亡。這個悲劇的產生跟現在視覺方案的缺陷有關。

第一，視覺受到光照條件的影響。當時特斯拉的解釋就是，當時車迎著晨曦，形成了強逆光，這對判斷是有影響的；第二，這種演算法，你可以把它歸納叫做的Detectionby Recognition，就是必須在你的資料庫裡面有這麼一個障礙物，你要必須得recognize它，它才能夠得detect。大家可以想象這個資料庫必須得有足夠的完備。因為，比如說在這邊的高速上開，可能只有車；那在另外一條高速上開，他可能會有其他的動物，可能會出現了事故，會有人。所以，這個資料庫必須得完備。非常遺憾的是，橫著的車輛不在他的資料庫裡，所以他不能detect它，因此沒有發現。

我們再看另外一個情況，比如說這輛特斯拉在開的時候，沒有認出來柵欄，因為主要靠車道線。所以，像這樣一些系統事實上是有缺陷。那怎麼辦呢？一種辦法，就是重新回到幾何世界，通過攝像頭去構建一個幾何的世界是。這是我們做的雙目立體攝像頭，無論是靜態的障礙，我還是動態的障礙物，我都有一團點雲來去標識它，點雲呈現暖色調，代表離我們比較近；呈現冷色調，代表離我們比較遠。當一輛車剛剛出現的時候，是暖色調，隨著它漸行漸遠的變成冷色調。這其實就是一種解決問題的辦法，即不用再去recognize他是什麼東西，但我必須得通過對這個幾何世界的建模去了解這裡有障礙。哪怕這個障礙物是不規則，雖然不能認得出來他，但是我知道這邊有個障礙物，這是解決問題的一種辦法。那麼還有一種辦法——通過更好的計算機視覺，即所謂的語音分割。通過更好的分割辦法，去發現障礙物，找到可行駛區域。大家注意剛才沒有發現籬笆牆，其實他對可行駛區域判斷出錯。如果有一個很好的分割演算法，這個障礙物上面沒有紫色，那麼只有可行駛的區域，才被塗上紫色。這時，汽車對環境的感知能力就提升了。就是將可行駛區域的檢測和車輛檢測結合在一起。比如說這邊需要經過一個天橋，出天橋的時候，出現了過曝的情況。這時候你的視覺演算法要足夠的魯棒，才能夠保證不會遺漏掉障礙物。還有這個訓練模型要魯棒，大貨車跟普通的車是不一樣的，也要能夠把它檢測出來。剛才說的這些都是已經在使用的方法，還有很多可以去改進的地方，提幾個點：第一，即使是用了深度學習，在一個複雜場景裡面，對障礙物的識別率，比如對車輛的識別率可能只有90%出頭，對自行車騎車者，只有百分之七八十。有種辦法是，通過更多的標註資料。今天我們一般訓練可能拿10萬張標註資料去訓練。如果有能力去獲得幾十億張，甚至是幾百億資料，那訓練出來模型準確率會非常高，那麼久存在如何去收集資料。

收集了資料之後，如何去對它進行標註。10萬張這樣級別，我還是可以去通過眾包的方式請人去標註，但幾百億張級別肯定是沒辦法。這時候呢，大家在研究基於機器學習,做半自動的標註，先讓機器學習去標註，還有就是通過預訓練，預訓練是遷移學習的一種表達。比如，我先在IMAGE NET上面訓練出來一個模型，然後再用這10萬張圖片再去訓練。未來一個更好的一個辦法，可能是通過線上學習，或者是自監督學習的方法。大家注意，我們的一個假設是沒有標註資料。沒有標註資料，要麼就從其他領域遷移過來，要麼就是線上學習，通過自監督學習進行標註。比如，你在開車的時候，絕大多數情況都開得很好，突然需要一次人的干預，那這時候機器就會發現，針對某一個處理得不好的場景，能不能進行一些標註。

還有一個，就是嵌入式的部署，因為汽車上面是一個嵌入式系統，而不是一個資料中心，要考慮實時性，模型的大小，計算量等。你可能要對影像進行壓縮，無論是downsampling還是encoding。然後，對模型進行壓縮，無論是通過定點化,量化等很多方法，通過級聯演算法，用計算量更高的，但是識別更好的卷積的方法。級聯演算法可以減少region proposal。；另一個就是多工網路。在一個層面，一個網路可以檢測人車，交通標誌，車道線等；那另外一個層面，可以把檢測分類和語義分割放在一個網路裡面，這樣也有利於在汽車上面進行部署。這些都是非常值得探索的新的AI的方向。

第二步就是認路的司機該怎麼去做，這裡需要地圖和定位，傳統上，旺旺採用XJBD方法。大家熟悉這種籃球就知道啊，就是通過打亂仗的方法來去解決定位的問題。首先我可以用一個高精度定位的系統，叫RTK。這個系統依靠衛星，地面基站，多個天線做差分計算，去獲得釐米級的定位精度。那大家可以看到，這是我們的車，這輛車上有兩個蝶蝶形的天線。通過這樣一種天線，來獲得定位。但是問題是在哪裡？大家看這是這個車，這其實是我們拿著感測器，故意歪歪扭扭地走，絕大多數情況下定位非常好。到這裡訊號跳得非常厲害，因為這個建築物比較高；換一個時間點，大家可以看到西邊訊號出現了很多的跳躍，那這意味著什麼？光靠這個東西是不行的。

那麼，XJBD就要用了，加上新的系統。RTK是提供了一個絕對精密的系統。這裡，我們加上視覺里程計，就是記錄影像幀與幀之間視覺特徵點發生的位移。比如，若是30幀每秒，在這個30毫秒中，特徵點發生了位移。而這個位移其實就是你的車的攝像頭，或者是整輛車姿態的變化。如果把這些位移記錄，且積分，可以實現一個不錯的視覺里程計。這一套系統其實在某些場景下是非常有用。這是全宇宙最複雜的立交橋——西直門立交橋，很多GPS是不工作的。若有這麼一套系統，你可以做到相對的定位；還有一種場景，大家知道這個視覺特徵點是希望在幀與幀之間是靜態，即這個視覺特徵點本身是不會動。但如果在園子裡面，很多樹葉它是會動，會導致你的累積誤差變大。怎麼辦？在園子裡，每過一點距離，就樹兩個牌子，其實它是一個視覺參考。這時候我其實已經偏離了道，通過這兩個視覺參考物，類似於三角定位，可以重新去做一次定位。

還有一種情況，我們在環境裡面貼了一些二維碼啊，車輛在行駛時，會時時檢測這個二維碼來幫助進行定位。剛才我們這個園子裡面要樹兩塊牌子。如果我有二維碼就非常有用。因為二維碼本身它是encode的資訊。而且二維碼的形狀和大小，能夠幫助我們能夠去了解相對的距離和角度，這個就是XJBD的做法。還有一種方法，就是通過SLAM（同步的建圖和定位）。這項技術，歷史悠久，有名的無人車先驅塞班斯蒂安特隆，他最早就是做機器人的SLAM。就是利用鐳射的點雲做這麼一個SLAM，就是能夠同步建立地圖，同時進行定位，這是我們的基於視覺的SLAM。剛才說鐳射雷達貴，我們做一套基於視覺的SLAM，在視覺的特徵點非常豐富的情況下，他也能夠工作得很好。在地下停車場沒有GPS，你需要去導航啊，需要新的技術，我們做了這個基於是視覺的SLAM，基於鐳射雷達的SLAM，都工作得非常好，能夠非常自如地進行行駛。當然了，如果能夠把這兩種技術結合在一起啊，那置信度就變得更高。我們未來要實現高度的自動駕駛，甚至是無人駕駛的話，是需要高精度地圖。假設百度或者是高德能夠提供給你高精度地圖？那你可以怎麼辦？

這個是國外一家公司叫Care，他做的高精度地圖是什麼樣子是吧？有很多車道的資訊，地面視覺資訊以及三維空間裡面各種交通標誌，車道線，能夠幫助他來進行定位，具體怎麼做呢？這是我們在沒有高精度地圖的情況下做了一套實驗系統，那他的做法就是在三維空間裡檢測。你看這個紅色的就是檢測到交通標誌，然後在地圖裡存了交通標誌以及它的絕對位置這種對映。於是，我不斷去檢測，檢測的時候進行匹配，匹配不到，無所謂；一旦匹配到，我建立連線，就知道在什麼位置。其實這就是一個假設，若有三維空間的高精度地圖，可以利用這種方法進行定位。當然還有一種方法是通過地面的二維，地面上也有非常豐富的視覺特徵，我能夠把這些視覺特徵啊變成一個類似於高精度地圖的這樣一個資料。這是我實際看到的場景，能夠根據高精度地圖進行匹配，能夠幫助獲得橫向或者縱向10釐米的定位精度。因此，利用這些地面的豐富的兩維視覺特徵可以進行定位。有時候，地面上有很多的陰影，只要你的演算法足夠的魯棒，也可以定位。當然如果說是向量化的高精度地圖，那可能還要做一些事情，比如要把這個向量重新渲染成為一個圖片啊。然後，把你實際看到的東西跟這個圖片，進行比較，定位。

在這一塊我們認為未來還有很多的機會。

第一，SLAM技如何能夠做到更加魯棒？大家知道SLAM技術由於視覺質量技術，非常受限於在環境當中能夠發現的這些特徵點，比如說四處都是白牆，是很困難。

其次，多感測器要進行融合，在什麼情況下，哪種感測器給出來的資料的可信度是更高，怎麼能夠把它們融合起來，或者用另外一種感測器來幫助這種感測器？這個融合演算法其實也有很多的探索；還有，就是基於基礎高精地圖不斷地對地圖的更新和學習。因為四維也好，百度也好，他們可能全國只有100輛掃街的車，因此對於基礎地圖的更新是非常慢。如果每一輛車，不但具備定位的功能，也能夠幫助地圖進行更新，那使用者始終會拿到最新的地圖。這些都是值得去探索的方向。

第三，我們再看老司機要做什麼。 為大家看一下我們一個demo，是在一個真實的交通環境當中。上路前，我們在車頂上放了兩樣東西，打火機，盒子，然後在這個路上面開20多公里，加速、減速、換擋、超車，最後這幾樣東西還是穩穩地放在地上，這說明老司機的第一步拿到開得很穩，很舒適；二、是開的不肉，具有社會性和競爭性。這時，車不是呆呆的機器，與其他人類司機有互動，尤其在與很多如狼似虎的人類駕駛員競爭路權的時候，要有競爭性。所以，做無人車就像詠春木人樁。大家都看過葉問吧，他就是跟一個靜態的一個木人樁在練。但事實上你在路上開是在闖少林18銅人陣。因為駕駛員都會騙你，都會欺負你。這時候，你要更好地去判斷路上的態勢去評估這些可能是人或動態的物體，評估他的動機，預測他們的行為。然後，合理地獲得路權。這時，傳統的監督學習就不夠。監督學習是我給你一個狀態啊，我能夠對它進行一個預測，而這個預測，對外界環境是不會有影響的。但是，實際開車的時候，你不斷跟環境互動。因此，需要新的學習方法，就是比較通用的強化學習的方法，來去實現跟環境的互動。當然了，這是一個比較廣泛含義上的強化學習，這裡面可能也包括像馬爾可夫決策過程，迴圈神經網路等。如果，前車上普通掉下來的東西，下面我這個車怎麼辦？那麼它通過一個迴圈神經網路會去做推理。你看這個東西，在地上彈啊彈，機器就會知道這個東西是有彈性，且質量不會太重。這時，我的駕駛決策可能是輕微的減速，能避開就避開，但不要緊急剎車，或者是串到其他車道去了；而如果前車掉下來一個重傢伙，你通過迴圈神經網路是可以判斷出來，你可能只能夠緊急制動，對吧？這就是一種通過跟環境的互動方式，去推知其他物體的物理特性，預測他們的行為來去決定我該怎麼樣。

這是新加坡MIT做的一個工作。這有一輛無人車，在有很多行人的環境裡，他就開得非常肉，因為他一看見有人動他就得制動。對吧，所以就開得非常不爽對吧？我們有個同事，當時做了一個工作啊，它其實基於的一個叫OnlinePOMDP ,其實就POMDP，就是partiallyobserved的馬爾可夫決策過程。他所謂的online只是讓它變得更快。那麼這時候呢？他會track每一個行人，他是怎麼動，然後通過MDP馬爾可夫決策過程，去預測下一步的行動軌跡，會不會跟這個車相交。如果不相交，那我就不用剎車了。當然，其實這裡面有一個理想化的假設，就是說每一個人的行為是符合馬爾可夫過程特性的。所以馬爾可夫是指，你是下一個狀態完全取決於當前的狀態和你這個action。但事實上，在開的時候，其實你的下一個狀態取決於很多其他的司機，他是一個multi-agent的環境，這樣，用簡單的馬爾地夫過程就不行了。

這時候就需要更好的強化學習。比如，汽車要環島。那麼大家可以看到它怎麼做的？就是這輛車露出一個頭，然後去試探這邊的車，看他加速還是減速。加速的就是比較猛的司機，那我惹不起，就停下來。然後再往前湊一湊。這種深度強化學習，從某種意義上來說，AlphaGo下棋與開車是類似的。當他看到了整個盤面黑白局面，來決定下一步怎麼下。那開車呢？其實也是根據對方司機的行為來決定我下一步怎麼辦。

 

那麼老司機的第三部分呢？就是怎麼去處理未知的情況，能夠開得萬無一失。這裡面涉及到的是人工智慧的魯棒性。我們把人工智慧分成這四象限，上面是虛擬世界，下面是實體世界，左面是非關鍵任務，右邊是關鍵任務。大家看，這是李飛飛他們做的工作。這是一個小男孩拿著一個棒球棒，這很顯然是識別錯了。但是在虛擬世界非關鍵任務上問題不大，對吧？但是如果說，在虛擬世界的關鍵任務，比如金融這個領域，一旦出錯，就會出現千億美金市值突然消失這樣一種場景，對吧？我們再看實體世界非關鍵任務，一個掃地機器人。它做得不好嗎？線都纏在一起也沒關係。但是，在實體世界的關鍵任務上，像自動駕駛一旦出錯就問題很大。那麼汽車上面的可靠性和魯棒性非常重要。大家知道嗎，一輛賓士S級轎車，上面的程式碼量是波音787夢想客機程式碼量的16倍。大家可以想見，要對一輛車進行很好的測試，要求非常高。但事實上，比程式碼更難的是資料和上面的隨機演算法機器學習。假設兩輛車出廠的時候是一樣的，一輛賣給了雷鳴一輛賣給了我，但開了一個月以後，這兩輛車行為完全不一樣。機器學習意味著根據給它的訓練集來學出一套東西，如果訓練集給的不好，那是會出問題的。谷歌做了一個比較有趣的工作，它訓練了一個神經網路去識別啞鈴，訓練出來了以後它把這些特徵視覺化出來，結果發現它生成的啞鈴都帶著一條肉色的東西。研究人員百思不得其解，後來一看輸入集，都是肉色的胳膊，所以它認為啞鈴都是帶著這條胳膊的。

 

又比如俠盜獵車手，這樣一個賽車遊戲，原來是人在開，現在呢？是用AI去開，去訓練你的模型等等。另外，深度學習就是黑箱，不知道為什麼，他就工作的那麼好，但有時候，他就莫名其妙的會出錯誤，按照周志華老師的說法，他說我們人類犯錯誤的時候，一下子會從九段變成八段，而機器學習如果犯錯誤，一下子從九段就變成了零段。那麼這時，事實上你不可能把你的生命交給這麼一個東西。我們再舉一些例子，谷歌做過這麼一個有趣的實驗：左邊那個圖跟右邊那個圖我們人眼看上去是一模一樣。事實上，它們在畫素級別上有些差別，這些差別不足以讓我們人眼做錯誤的判斷。但是呢，機器學習能認出來這是校車，但認不出來，這個也是校車。現在我們把它叫做對抗。這些案例，能夠幫助機器學習的引擎優化。人們會造出一些東西，來欺騙深度學習，比如說這個東西，我們肉眼看上去啥都不是，但是深度學習認為它是一個獵豹。而這個東西呢，深度學習把他認成了帝王棋了。

大家也開創出一些新的方法，比如說生成性的對抗網路。一個是生成器，給你造出來一些假圖片，另外一個是辨別器，他能夠去分辨哪個是真哪個是假。所以，下一階段，我們說今天我們的智慧駕駛的人工智慧都是weakAI，那麼10年以後，我們也不指望它能夠變成strong AI，或者是稱為artificial general intelligence。只是希望它能變成stronger的weak AI。比如說深度學習，尤其是端到端的深度學習，它學習出來的是一種車感。而這種車感不足以讓你能夠開好車。它有時候可能需要跟背景知識和常識結合起來，比如說我們人開車的時候看到那裡有一個停車位，但我竟然沒有把車停過去，深度學習系統是學不出來這個道理的，因為人的背景知識是，看到這個車位的兩邊一輛是寶馬，一輛是賓士，我還是離他們遠一點好。所以這種深度學習需要跟背景知識和常識結合。還有，它需要跟遷移學習結合起來，舉一反三，觸類旁通。還有，比如說基於貝葉斯的邏輯因果推理，能夠使得我們的自動駕駛系統變得更好。還有，今天我們看自動駕駛的問題，往往是把一個視訊拆成很多的幀，在每一幀上進行檢測進行判斷。那麼，另外一種思路是從整個視訊的連續過程的角度去看這個問題，能不能從這個連續的過程當中推匯出動態、動機、因果關係等等知識。還有一個就是現在也很火的，大家知道YannLeCun，他原來把機器學習分成3類，強化學習、監督學習和無監督學習。然後他現在調整了一下，分成新的3類：強化學習、監督學習和預測學習。他把預測學習作為無監督學習的一種最重要的方法。事實上，現在已經出現了新的方法，通過預測視訊當中下一幀長什麼樣來進行增加。其實我們人在做任何事情的時候，無時無刻都在做預測，比如說大家回家，肯定有這樣的經驗，你走進門，進電梯，按電梯到頂層，基本上都不太經過你的腦子。它不斷的通過一個預測系統在工作。然後你出了電梯去開門，感覺抓空了，這時候預測失敗。唉，這時候你發現原來提早出來了，對吧？所以說這種預測越來越重要。

最後想說一下穿過AI落地的迷霧。現在我們看到很多人工智慧做出來，Demo非常好，但是它離真正落地，離部署其實有很長的道路。做demo的話，你100次當中有1次成功就行了，把成功的視訊放在網上，大家都覺得很牛，對吧？那麼你真正部署了以後，100次當中有1次失敗就完蛋了，對吧？而且，你拍demo時可以在車上裝6個、9個鐳射雷達都無所謂，但是真正落地的話成本就變成了考量因素。而且你不僅僅要考慮車，還要考慮基礎設施，考慮整個運維的系統。另外，從演算法能力到系統能力，你演算法做好了，下一步要考慮魯棒性和實施性，但更重要的是軟硬體的垂直整合。我和雷鳴有一個共同的朋友叫李志飛，他一開始是在微信裡面做了一個出門問問，是吧？一開始全是演算法人員，結果他發現這個東西沒辦法變現。他說我還是做一個終端吧，於是做了一個手錶，然後又做什麼後視鏡，結果慢慢地他公司裡做演算法、做人工智慧只佔一小部分了。大部分的人都在做軟硬體垂直整合。另外，就是對需求和場景的理解。大家知道，今天我們所有的人工智慧都不是通用人工智慧，都需要針對特定場景和需求去適配你的人工智慧。

最後我想說的是，對於愛車的人也好，極客也好，演算法系統的工程師也好，其實智慧駕駛是一個非常非常sexy的工作。這也是為什麼我們要去做這麼一個工作的原因。我們希望能夠建立一個非傳統的經營合夥人公司，聚集全球的創業精英，能夠為他們賦能，能放大他們的才華。為11億人交付安全舒適低成本的智慧駕駛技術產品服務。我給大家看一下，最早我們是從車庫開始創業的，我覺得做智慧駕駛，你一定得從車庫開始創業。我們的工作環境當時是非常艱苦的，但是現在我們的環境就好多了，變成辦公室了。當然，這裡面有各種各樣的車是吧？可以看到我們做了很多種車，像這樣的一些低速的車，像這樣一些高速的車，而我們的辦公環境也非常有意思，你有各種各樣的工具，我們的環境我們的辦公室裡面還有籃球場，然後你可以去動車。我覺得這對於很多人是很有意思的，對吧？特別是男孩，小時候開始就有一個對汽車的熱愛，所以你現在可以自己去動車了，讓我們能夠把我們的程式碼收到這個車裡面，大家可以看到，這是我們在路上去測試我們的程式碼，那麼我這個程式碼更新了以後放進去，你就會發現它開的更好了，這種成就感是非常強的。這套系統實現了100公里時速無人駕駛，它自己還有超車的功能。大家可以看到，如果前車開得太慢了，太肉了，它可以非常敏捷的拐到快車道上漂亮的操作，然後再回到中間車道上。

這是我們的另外一個研發基地，大家可以看到我們做的車，在這個研發基地裡面整天的跑。這種車的使用場景非常簡單，用手機把它叫來，告訴它去幾號，它就把你送過去了。當你的程式碼，能夠讓這些車顯示出來靈性的改變時，成就感非常大。這個小車也很有意思，我們直接買了一輛老年代步車，然後改裝了它。在這輛車上，我們做了一個很有意思的功能，我們希望它們不僅無人駕駛，而且無人維護。所以，我們在這上面做了一個自動充電的東西，當它發現自己沒電的時候呢，它會找到一個帶有無線自動充電功能的停車位，以一種非常準確的姿態，停進去就開始充電。

然後，我們的下一步要往上走。我們想設計我們自己的車，最早的靈感是從這張熊貓照片來的，然後我們就做出來了這個車的縮微模型。然後，我們就把真的車做出來了啊。大家知道，我們公司才成立了一年，就把這個車做出來了，大家可以看到它跟我們原來的車的不同之處在於外面看不到線，看不到露出的感測器，所有感測器都隱藏在車身裡面，而且，車前面有一個led螢幕，負責跟行人跟環境當中的其他車輛進行互動。因為今天我們車這邊有一個駕駛員，他可以跟行人進行互動，比如說揮揮手讓你經過。而現在呢，完全通過視覺語言來去做。這個車裡面變得非常的簡單，大家可以看到，裡面是木地板，一個L型的半環形的沙發，後面有個紅色的按鈕，是緊急剎車，然後前面有一個大螢幕，大家傳統上看到車裡面的一些儀表盤、各種操控裝置都沒有了。

這是從車子後面往前看，我們還有一個攝像頭，可以視訊會議可以玩直播，對吧？現在直播很火。這是從側面看進去。很多媒體給它取了名字，像什麼移動包廂啊，移動吧檯啊，確實挺像，是吧？

好，這是最後一頁，我覺得引用一下我們們錢穆老先生的話：要認識你的時代，帶領你的時代。我覺得真正要做到這一點是不容易的。一定不是一個人在戰鬥，一定是跟先行者同行，跟開創者共創。未來呢，也希望能跟在座的或者是線上的有些同學，一起去開創這麼一個大場面。好，謝謝大家！

雷鳴對話吳甘沙：如何評價英特爾收購Mobileye？

 

 

---

經濟學人首個無人駕駛特別報告: 你能獲得自由, 但要付出代價

和傳統汽車曾經改變世界一樣，自動駕駛汽車也會改變世界。汽車時代曾經犯下的錯會是這次變革走在正確道路上的寶貴經驗。譯文有刪節。

編譯 | 微胖

來源 | 經濟學人

 

重新發明輪子

 

每天，約有 1 千萬人使用 Uber。這家公司正讓叫車服務在全球 82 個國家、600 多個城市變得越來越常見。

但是，在匹茲堡寒冷的冬天早上，跑在路上的那輛沃爾沃 XC90 並不是一輛普通的 Uber 用車：

座位之間的觸屏正顯示著車輛周圍的情況，比如行人、車輛和騎自行車的人。點選觸屏並告知你的目的地，沃爾沃會自動出發，沒有司機（坐在駕駛員座位上的是實驗人員，不是司機）。這是一輛自動駕駛汽車。

汽車甚至知道匹茲堡當地的駕駛習慣——「匹茲堡左」：即使綠燈已經亮了，汽車仍然會禮貌地讓對面汽車左拐。

自動駕駛汽車與人類司機最大的區別在於，它並沒有努力躲開路面上臭名昭著的坑，時而顛簸。測試員有時會接管車輛，比如指引汽車通過最近道路標誌線有變的施工地點。

雖然自動駕駛汽車並未完全準備好取消人類監督。但近些年來，自動駕駛技術進展迅速。如今，已經可以在幾個美國城市道路上看到這些汽車。

在匹茲堡和鳳凰城，Uber 的自動駕駛汽車正載著測試員執行著。Waymo 更進一步，在鳳凰城的一個郊區 Chandler 測試駕駛座上都沒有人的小型貨車。

公司計劃在今年提供商業叫車服務。而美國最大的汽車公司通用汽車希望於 2019 年用雪佛蘭 Bolt 提供自動駕駛汽車服務，這些車甚至沒有方向盤和腳踏板。

在矽谷和匹茲堡這兩個主要自動駕駛中心，也可以見到科技巨頭、創業公司和汽車製造商們執行的自動駕駛汽車。

在世界其他地方，自動駕駛交通工具也在大學校園、商業園區執行或沿著特定公交車道提供服務。就連 1 月份的 CES 都被自動駕駛車輛搶盡了風頭。突然，似乎每個人都開始隨大流了。

計算機視覺和其他機器學習系統近期取得的進展是一個原因。從晶片製造商到軟體公司，科技人士都認為自動駕駛會是一個利潤豐厚的新興市場。

Uber 和其他叫車服務的興起讓汽車行業認知發生了巨大變化。汽車製造商意識到需要認真對待自動駕駛汽車，因為它們會重塑整個產業。

自動駕駛技術和叫車服務的結合，以及電動汽車轉向也會改變許多人擁有自己汽車的所有權邏輯。已開發國家的叫車服務費用約為每英里 2.5 美元，而自己開車每英里成本為 1.2 美元（見圖表）。

但是，司機成本佔了叫車服務成本的 60%。投資銀行 UBS 預測，自動化、競爭和電動化（雖然購買不便宜，但是運營起來會便宜不少）會削減掉 70% 的叫車服務成本，降到每英里 0.7 美元。

所以，一個典型美國家庭每年裡程約為 1 萬英里，如果使用自動駕駛汽車的計程車服務，每年可以節省 5000 美元。另外也有一些其他好處，比如喝多了，你的孩子也能幫忙開車。

一旦汽車變成自動駕駛汽車，汽車所有權也會發生實質變化。UBS 預測，2025 年後，自動駕駛汽車會迅速起飛，到 2035 年，80% 的人會使用它們。

BCG 預測，到 2030 年，美國公路四分之一的乘客週轉量都會變成共享的自動駕駛電動車服務，城市汽車數量會降低 60%，尾氣排放量降低 80%，交通事故降低 90%。

儘管一些人希望擁有自己的車，但是一半的自動駕駛汽車將用於叫車服務。全球看，自動駕駛汽車和叫車服務融合帶來的「乘客經濟」規模將達 7 萬億美元，一家諮詢公司 Strategy Analytics 說。

汽車製造商、科技巨頭、創業公司和叫車服務公司已經開始競爭。汽車製造商雖然懂造車，但是對複雜的軟體所知甚少。技術公司知道機器學習和計算機視覺，但是不懂造車。叫車服務公司的應用程式裝在數以百萬的使用者手機當中，顯然提供了切入市場的路徑。所以，我們就看到了圖表中各種混搭風格的合眾連橫。（見圖）。

英特爾買下了 Mobileye。通用汽車買下了 Cruise, 成立了 Maven 並且投了 Lyft 5 億美元。福特解僱了自己的 CEO，部分也是考慮到公司在自動駕駛領域的落後。

現在，公司投了 10 億給 Argo，也與 Lyft 聯合起來。德爾福收購了 nuTonomy 並更名 Aptive。Uber 也同意從沃爾沃購買 24，000 量自動駕駛汽車，並與戴姆勒合作。

戴姆勒已經收購了 Uber 在歐洲和中東的競爭對手，也擁有自己的叫車服務。歐洲最大的汽車製造商大眾則與 Aurora 達成交易，等等。

總之，技術板塊與汽車製造板塊正在彼此撞擊，引發地震。這一變革既會改變其這些行業，餘震更會產生深遠影響：自動駕駛汽車會成為像智慧手機一樣的變革之物。

手機重塑了 20 世紀的世界，無論是在好的方面還是壞的方面。自動駕駛汽車也會改變人類的生活、工作與娛樂。

在城市規劃中，自動駕駛汽車會是一個解決許多難題的大機遇。如果在 20 世紀，汽車賦予人類行動自由，那麼 21 世紀，自動駕駛汽車會賦予人類獨立於汽車的自由。

但是，正如汽車帶來了負面效應，自動駕駛汽車也將引發關於安全、網路安全、責任與公平的擔憂。

本期《經濟學人》的專題報告會假設通往全自動駕駛的技術障礙都會被克服。文章將討論自動駕駛汽車對以下各個方面的影響：個人出行、汽車產權以及汽車製造，也會討論更為廣泛的給社會經濟和文化造成的連鎖影響。

我們的日常生活如何被重塑？自動駕駛汽車會重塑城市嗎？二十世紀汽車崛起引發的教訓，有哪些值得 21 世紀的自動駕駛汽車吸取？

出售的是乘車服務，而不是車輛本身

 

如果想購買一輛屬於自己的自動駕駛汽車，估計要等下一個十年了。

 

自動駕駛汽車首先會出售給計程車隊運營方，而不是個人。主要原因有兩個：

首先，鐳射雷達感測器仍然很貴，會比車輛其他部分成本的總和還貴。對於車隊來說，價格貴不是個太大的問題，因為車輛在整天的運營過程中會有收益。

 

第二，如果運營地理區間限定在精細地圖所涉範圍內 (比如城市中心)，在保持自動駕駛車輛的安全和可靠性方面，車隊會更加適合。

 

所以，你的首次自動駕駛體驗，可能來自叫車應用，而不是自行購買的車。

 

目前，Waymo，Uber、Voyage、Navya 等都在嘗試執行自動駕駛汽車的計程車服務。BCG 的 Nikolaus Lang 預測，大規模的部署最有可能始於部分城市地區中有地理圍欄的計程車服務，比如新加坡或杜拜，接下來幾年會擴充套件到其他地方。

 

要想自動駕駛汽車便宜到個人買得起，並能在預定好的、有地理圍欄的區域內執行，估計是許多年以後的事情了。

而與此同時，便宜的計程車服務或許會讓許多都市人放棄汽車所有權。自動駕駛技術和叫車服務的結合，讓許多汽車製造商的「自身商業模式面臨最為深刻的挑戰。」一份近期的 BCG 報告指出。

 

這也是我們看到汽車製造商正湧進叫車服務領域，推進自己的自動駕駛專案的原因。

未來，汽車的所有權只是一個可選項，出售的是搭乘服務而不是汽車本身。

 

這一變革給汽車製造商們帶來巨大機遇。

如今，全球汽車製造市場規模約為 2 萬億美元，而個人出行市場規模則高達 10 萬億美元。

不過，這也讓這些汽車製造商們面臨新的競爭對手，比如科技公司和叫車服務公司。一些汽車製造商們推出了自己的出行服務，而其他公司更願意扮演車隊管理人（fleet managers）的角色，為出行服務運營商們提供「產能」，並根據公里數收費。

還有一些汽車製造商們甚至打造「白標（white label）」車隊，它可以包裝成某個城市或叫車服務網路的自動駕駛服務。

 

自動駕駛汽車的計程車服務預計產生的收益會吸引到機構投資人。

因此，將自身轉變為汽車資產管理者會是汽車製造商們一個合乎邏輯的選擇。而事實上，這些製造商們的融資部門也已經涉入了車隊管理領域。

 

對於使用者來說，定價模式也會發生變化。

Uber 已經在一些城市嘗試類似通訊行業的月付計劃，以某個固定價格享受一定次數或里程數的出行服務，就像以一定價格享受一定量的電話、簡訊和資料流量服務。

 

目前，全球汽車銷售量約為 8 億輛，而自動駕駛汽車會給這一銷量帶來巨大影響。由於 95% 的時間都處在未被使用的狀態下，將這一情況轉變為共享出行服務會極大減少路上的車輛數量。

UBS 預測了到 2030 年，全球車隊的規模情況（見下圖）。但是，如果自動駕駛車隊在 50% 的時候都處在使用中（而不是 5%），那麼這些車的更新頻率會更高。

因此，除非汽車的「生命週期」能被大幅延長，否則，每年所需新車數量會呈上升趨勢。

但是，特斯拉的量產問題已經表明，在大量生產汽車的同時，確保汽車可靠並不是件容易的事情。

這些汽車製造商們多年來擁有的核心技術就是優異的製造技術，所以，即使在自動駕駛汽車的時代，一家汽車製造商仍有大買賣可以做——只不過與今天的生意有所不同：

做了 100 多年的硬體，如今也需要嚴肅對待軟體和服務了。而這意味著新的人才、收購和合作。

 

自動駕駛汽車也加速了向電動汽車的轉變，而電動汽車所需的組建和組裝線工人更少。

 

發生變化的不僅僅是汽車製造商，還有汽車本身。

自動駕駛汽車看起來和普通汽車無異。但是，如果不需要方向盤和腳踏板，自動駕駛汽車的外形和大小可以有更多的想象空間。

大眾公司的 Sedric 和 賓士的 F015 呈倉狀，乘客可以面對面坐著。

未來，自動駕駛汽車或許應該有一些隔離的空間，這樣才能鼓勵人們與陌生人共享出行服務，而家庭成員出行可以訂閱不同設計的車輛——家人可以坐在一起的那種。

 

不過，所有這些對於汽車經銷商來說，都是壞訊息。

如今，很多經銷商已經很難賺到錢了，它們主要是通過汽車金融和服務中獲取利潤，因此即使汽車產權的微小變化也會給它們帶來重創。

汽車修理廠和零部件商也會受到影響。如果自動駕駛車輛降低了汽車事故量，一些汽車部件供應商們會將自動駕駛汽車視為未來盈利的威脅因素。

而保險商們也會因所有權和事故數量的降低而受到影響。醫療保險和個人傷害賠償案件代理律師也會受到波及。

不過，最直接受到自動駕駛服務影響的是那些開計程車、送貨車和卡車的人們。

 

我們已經可以看到，接下來幾十年，自動駕駛汽車將引發汽車產業及其相關產業鉅變。但其後續影響去不會僅僅止步於此。

就像若干年前誕生的汽車一樣，自動駕駛汽車也將對文化和社會產生深遠影響，而影響最明顯的地方就是城市。

 

城市規劃：新的烏托邦

如果你是一輛汽車，美國是個很棒的地方。現代城市，特別是美國城市擁有大量公路和停車空間，是屬於汽車和人類的城市。

 

自由駕駛汽車去任何地方，路上沒有擁堵，將車停在目的地——這些期望指引了 20 世紀的城市建設。高速公路、通勤郊區以及強制性停車要求等設計改變了城市。

如今，自動駕駛汽車會再一次變革曾經以傳統汽車為中心的城市建設設計。

 

「十年來，第一次有機會去反思城市發展。」MIT 城市研究教授 Alan Berger 說。

 

簡單圍繞車輛來設計城市，不僅會帶來擁堵，還會影響人們對公共出行服務的使用，讓一種毫無計劃的擴張蔓延，所有這些都是城市規劃者無法接受的。

而弔詭的是，自動駕駛汽車要麼會反轉這些趨勢，要麼會加速它們，這取決於使用規則，特別是定價體系。

 

由於自動駕駛汽車隨時清楚自己所處位置，因此，採用細顆粒度的道路收費機制，根據一天時段、路況等收取擁堵費，會容易許多，這也能夠將自動駕駛車輛變成一種強大靈活的政策調控工具。

先看交通堵塞問題。

轉型自動駕駛汽車會提升汽車佔有率，減少汽車數量並緩解交通堵塞。但是，低成本的自動駕駛服務也會鼓勵更多的人更多地出行，這就是我們熟悉的「誘導性需求」，如果出行成本低又方便的話。

如此以來，路上到處都是自動駕駛車輛卻不見乘客。最糟糕的情形莫過於我們創造了另一種形式的交通堵塞——自動駕駛汽車的擁堵。

但是，認真的出行定價會防止這一現象的發生。

有些城市已經有了不同種類的針對擁堵的收費策略，或鼓勵汽車共享的規則，比如專屬的共享車道。有些機構會針對使用路邊停車處進行收費，比如機場。

自動駕駛汽車讓更多不同形式的收費模式成為可能，比如考慮時間、地點、車輛型別、乘客數量、路況等，以最大化共享服務同時最大可能降低擁堵。

會對公共出行系統造成什麼樣的影響？

UC 戴維斯分校的一項研究表明，Uber 和 Lyft 的興起讓公共汽車的使用率跌了 6%，輕軌使用率降低了 3%。自動駕駛汽車會更加便宜，所以會讓使用公共交通系統的出行的人數減少。這或許會影響公共交通建設的投資，進而引發更多的「捷運沙漠（transit deserts，意思是指公共交通服務不足的地區——譯者注），結果，大量出行依賴公共交通系統的居民（特別是窮人和老人）所能享受到的服務卻供給不足。

自動駕駛汽車的叫車服務最適合人口密集的城市中心。但也有一個更加樂觀的設想：

使用自動駕駛汽車解決「最後一公里」的難題，這樣，在人口不那麼密集的地區，公共交通系統也會更加方便可用。一些城市已經執行了自己的自動駕駛車隊。

自動駕駛汽車的興起也有望與城市結構改造同步。

如今，許多歐美大城市的工作崗位正從市中心流向邊緣地帶，從一個郊區前往另一個郊區（而不是市中心）上班的人數也越來越多。

那些擁有密集的公共交通網路系統的歐洲和亞洲國家，很容易應對這種去中心化趨勢，但在美國，對基礎設施進行改造的成本會非常高。而自動駕駛汽車的叫車服務非常適合用來解決這一問題，成本也是可以承受的。

這也會導致城市擴張。一方面，城市居民轉向叫車服務也會導致城市人口更加密集，因為現在用來泊車的區域會讓位給住房建設。與這種新的高密度住房配套的還有乘車與落車地帶的規劃，泊車空間會更少。

另一方面，自動駕駛汽車也會鼓勵城市擴張，更遠距離的通勤也會變得可以接受，因為乘客可以在移動中工作和休息。不再親自駕駛，城市中心也更加容易出入，自動駕駛汽車會增加城市生活的活力。

由此看來，自動駕駛汽車會讓城市更加密集也更加擴張，這取決於道路收費機制。

自動駕駛汽車也有可能讓建立新型郊區成為可能。如果說過去 100 多年來，汽車顯著改變了我們的風景，那麼，我們曾經交給車輛的風景可以被返還給生物系統。

比如，給植物更多的土地。生物多樣性、更好的土壤保水性將降低城市中心的洪水風險。

最終，城市中心也會有所不同。城市已經儲備了許多寶貴的不動產，以停車場、車庫等形式。如今，它們必須決定如何使用這些意外之財了。住房建設會是一個明顯的選擇；公園是另一個。一些街道可以重塑，增添更多具有想象力的用途。

20 世紀，由於缺乏合理定價體系，汽車革命帶來的許多問題。

今天，只要在城市與交通系統的建構方式上，賦予城市規劃者與政策制定者更加廣泛的選擇，我們就可以藉由合理定價，讓自動駕駛革命避免曾經的彎路。而挑戰在於，如何明智地加以選擇。

 一個不同的世界：可見與不可見後果

 

購物中心、高速公路、飆車、路怒症...... 汽車以未曾預料的方式改變了我們的世界。給予無數人行動自由的同時，我們也付出了沉重的代價。

從事自動駕駛研究的人士認為，這項技術的主要好處就在於減輕這些代價，特別是道路交通事故、汙染以及堵塞。

特別是，自動駕駛汽車可以極大降低交通事故中的死傷數量。

已經有相關證據證明自動駕駛汽車更加安全。Waymo 已經在公共道路上行駛了 400 萬英里，僅涉及過由駕駛其他車輛的人類司機引發的事故。自動駕駛汽車擁有超人般的感知，可在毫秒之間剎車，而人類的反應速度約為一秒左右。

但是，「比人類更好」也是一個比較低的標準。人類已經準備好容忍人類司機引發的死亡，但是自動駕駛車輛必須多少永遠正確。

一個比較現實的目標是將人類司機水平提升千倍。這會將美國每年交通事故死亡率從 4 萬起降低到 40，相當於 1900 年的水平。

如果可以實現這一點，我們的後代回顧歷史，會覺得人類駕駛汽車簡直就是反常。

為了充分利用低得多的執行成本，幾乎所有的自動駕駛車輛都會是電動的，這也會降低兩類有害氣體的排放：懸浮粒子和溫室氣體。

不過，自動駕駛汽車是否會降低交通擁堵，遠不夠明朗。

20 世紀的教訓是，想通過多修路解決擁堵問題，反而鼓勵了更多汽車出行。

如果自動駕駛汽車夠便宜也方便，那麼，人們使用這種服務的次數也會更多。然而，我們有理由認為道路不會那麼擁擠。

因為廣泛使用叫車服務會讓道路空間的利用率高效的多；計算機控制的汽車很善於路線規劃；而且，一旦被廣泛採用，這些汽車能夠比現在人類駕駛的汽車以更加近的車距共同行駛，增加道路容量。

然而，將自動駕駛汽車視為汽車製造出的問題的終結者，會有落入歷史窠臼的危險。當汽車被發明時，人們也曾將之視為解決馬車引發問題的妙方，比如越來越多的馬糞和馬尿，以及馬的屍體和傳播的疾病。

如此看來，汽車更加清潔和衛生，這也是 20 世紀人們迅速採納汽車的關鍵原因。

此外，汽車變革了零售業，催生了擁有許多商店和停車場的郊區購物中心。自動駕駛汽車和電子購物，將再一次變革零售業。

「未來，沃爾瑪或許就是一個車隊，可以出售你能在實體店裡買的任何東西。」維吉尼亞大學的 Peter Norton 說。或者你可以叫一輛自動駕駛汽車帶你回家，上車後安排買菜或去哪裡吃飯。

而且商店、餐館或其他公共設施為什麼非要固定在一個地方呢？咖啡店或者小吃攤可以在某個中央倉庫補貨，然後再在早上深入到街坊鄰里，晚上再開往娛樂設施集中的地區。出售鞋子、衣物和化妝品之類的移動商店可以定期拜訪特定居民區，或招手即停。

汽車製造商正在測試可以停在消費者家門外的送貨車。簡訊通知使用者車到了，輸入程式碼即可從一個鎖定的隔間領取購買的東西。自動駕駛技術的低成本送貨服務的採用，會刺激本地各種東西的生產，特別是食物。

另一種可能性在於，餐飲和零售可以負擔路費，鼓勵客戶的大駕光臨。

自動駕駛汽車也會提供其他服務，在去往辦公室的路上健個身或者請理髮師登門服務。而且，自動駕駛汽車可以催生新的社交形式，比如為青少年提供新的社交機會。

共享網路也會人以群分，根據相似的興趣分配乘車服務。自動駕駛汽車還可以作為移動聚會場所，或者長途旅行的睡眠倉，作為酒店和低成本航線的替代選擇。

但也必須留意意想不到的後果。

一個是自動駕駛汽車會給予那些不能開車的人以自由和獨立：比如老年人、未成年人和殘疾人。但是，自動駕駛汽車也會侵蝕人們的隱私。

如果人們不再駕駛汽車，後果之一可能會引發新形式的隔離。另外，自動駕駛汽車也會引發器官捐獻的短缺和菸草銷量的下降（在美國，加油站的香菸銷量佔了全部銷量的一半）。

如果汽車不再是獨立與自我定義的象徵，那麼，其他東西會取而代之。自動駕駛汽車將改變日程生活的基底，就像傳統汽車那樣。

 

新的道路規則

 

規制複雜新技術很難，特別是演化迅速的新技術。

 

自動駕駛技術已來，政策制定者應該做些什麼，以確保這種新技術能夠安全、平滑地到來並兌現承諾？

 

政策制定的直接目標應該是，在確保自動駕駛汽車安全的同時不會抑制創新。美國許多州都允許處在實驗階段的自動駕駛汽車上路，公司承擔相應的法律責任。

 

Auroa 的 Chris Urmson 認為，與這些自動駕駛汽車公司密切合作，釋出指導綱領而不是制定嚴格的規則, 監管者的做法是對的。

 

「在沒有真的可以加以規定的事情之前，沒有大躍進到嚴格規定，這很重要。」

 

而在光譜的另一端，新加坡政府已經為迎接自動駕駛汽車的到來做出了最實際的支援。

 

比如，政府推出了「駕駛測試（driving test）」，自動車輛必須通過這種測試方能上路。雖然這並不意味著安全保證，但卻設立了一個最起碼的標準。

美國波士頓也有類似規定，要求自動駕駛車輛進入更為廣泛的地區之前，接受小範圍區域的測試。

 

其他地區，監管方已經允許在公共道路上進行有限的路測，雖然他們是想了解一下自動駕駛車輛有多安全，但是簡單的里程積累無法證實車輛安全。相反，監管者應該與汽車製造商和技術公司討論，定製新的安全標準。

 

這就像新藥研發。首先，在實驗中證明這個藥物可行。然後進行臨床測試，最後向主管部門申請判準藥物推向市場。

目前，自動駕駛正處在臨床測試階段：針對真實使用者，測試技術的安全性和有效性。但仍未走到最終的審批階段。

 

自動駕駛汽車的審批會是什麼樣子呢？最終，審批意味著有一份正式證明：車輛具有完全自動駕駛功能，可出售給使用者。

但一開始，審批的物件可能是某個自動駕駛計程車隊的運營方，而不是汽車供應商。因為運營方可以密切確保和維持車輛的安全性。

 

即使是新藥，也無法確保百分百安全，但因為利大於弊，我們仍然值得冒一冒險。對於自動駕駛汽車來說，情況是一樣的。畢竟，人類駕駛也不是沒有風險。

 

我們還可以將自動駕駛技術與飛機進行類比。

 

飛機的「黑盒子」資料記錄以及測試，已經讓飛行運輸有了長足進展，儘管仍會發生空難事件，但是乘客知道飛行的安全性是被嚴肅對待的。

實際上，美國國家交通安全管理局（NTSB）已經將飛行運輸中的專業知識運用到了自動駕駛車輛中。

不過，在很多方面，自動駕駛車輛的情況比飛機要更加複雜，因為車輛行駛時周圍有很多正以無法預知的方式運動著的事物。

 

然而，無論是藥物還是飛機都有全球性（至少是區域性）的監管標準，而自動駕駛汽車沒有。隨著技術逐漸被廣泛採用，目前拼湊性的規定也要進一步簡練。另外，保險問題和法律責任也要設計出來。

 

Mobileye 的 Ammon Shashua 對目前相關規定的不確定性表示擔憂。如果全自動駕駛汽車捲入一場致命車禍，整個產業就有可能陷入這種法律上的不確定狀態，也可能會因此毀於一旦。

他提出了一套幫助界定汽車在 37 種場景下（NTSB 的事故資料庫中），該如何做出回應的規則，並希望這些規則能夠被採納成為行業標準。它們可以將汽車製造商從軟體的道德兩難選擇窘境中解脫出來，在其他方面進行創新。

 

這可能是一個好的開始。沒有一套標準，每家公司就會以各自的方式將為人類設計的道路規則翻譯到代機器遵循的程式碼中。

 

除了監管，還有政治上的坎兒。

 

看來，對自動駕駛汽車的牴觸是真的。一份調查顯示，64% 的美國人對與自動駕駛汽車分享公路表示擔憂。另一個由皮尤進行的調查顯示，56% 的美國人表示不會使用自動駕駛汽車。

如何建立公眾信任，對於推行自動駕駛汽車來說，是一件非常重要的事情。

 

在自動駕駛汽車比較常見的城市，人類司機已經比較習慣了。Uber、Waymo 等已經開始在某些地方提供自動駕駛計程車服務，最初幾十秒，乘客可能會感覺興奮，但接下來他們可能就會覺得很無聊了。

但這也意味著，乘客感到安全。

 

假設公眾信任了自動駕駛汽車是安全的，監管者仍然要面臨第二個挑戰：設定運營方式和地點，以及與其他出行方式的關係。良好的定價，在理論上，能夠實現控制交通擁堵並提升大家享用服務的公平性。

 

想要鼓勵市民使用自動駕駛計程車服務的政府可以走得更遠些，控制私家車的使用（倫敦、米蘭、新加坡和斯德哥爾摩等城市已經這麼做了）或禁止它們進入某些區域。

但是，這種做法可能不會受到歡迎，不僅僅是車主。自動駕駛車輛應該被視為一種奧維爾式的技術，就像一種社會監控的工具。

 

反對者或許會站在自動駕駛車前攔住它們，阻礙交通。但是，這也會引發將自動駕駛汽車的車道欄起來，對於那些非機動車輛行人來說，這樣的城市街道比現在的更不友好。

但是，不加管制的讓自動駕駛汽車都湧上街道，也會有問題。價格戰會讓車輛湧上道路，讓交通更加擁堵。

 

無論是出行方式的設計還是定價，本質上都屬於政治問題。但是，一個城市要解決這些問題需要考慮自身經濟和政治因素。在這個過程中，以下兩個原則會幫上忙。

 

首先，在整個交通系統的背景下考慮自動駕駛，搞清楚期待新技術扮演的角色。比如，是特定區域的首選出行方式，還是解決「最初一公里」的辦法，作為其他出行方式的補充。

 

其次，留意各種自由之間的平衡。雖然自動駕駛有望讓人類不再自己開車，不再面臨擁堵，汙染和泊車的難題，但這些都是以讓渡出某些自由為代價的，比如開自己的車想去哪兒就去哪兒的自由。在一個自由的國家，自動駕駛能夠被接受的前提是，除非人類認為它增進了自由，而不是削減了自由

人工智慧賽博物理作業系統

AI-CPS OS

“人工智慧賽博物理作業系統”（新一代技術+商業作業系統“AI-CPS OS”：雲端計算+大資料+物聯網+區塊鏈+人工智慧）分支用來的今天，企業領導者必須瞭解如何將“技術”全面滲入整個公司、產品等“商業”場景中，利用AI-CPS OS形成數字化+智慧化力量，實現行業的重新佈局、企業的重新構建和自我的煥然新生。

AI-CPS OS的真正價值並不來自構成技術或功能，而是要以一種傳遞獨特競爭優勢的方式將自動化+資訊化、智造+產品+服務和資料+分析一體化，這種整合方式能夠釋放新的業務和運營模式。如果不能實現跨功能的更大規模融合，沒有顛覆現狀的意願，這些將不可能實現。

領導者無法依靠某種單一戰略方法來應對多維度的數字化變革。面對新一代技術+商業作業系統AI-CPS OS顛覆性的數字化+智慧化力量，領導者必須在行業、企業與個人這三個層面都保持領先地位：

1. 重新行業佈局：你的世界觀要怎樣改變才算足夠？你必須對行業典範進行怎樣的反思？

2. 重新構建企業：你的企業需要做出什麼樣的變化？你準備如何重新定義你的公司？

3. 重新打造自己：你需要成為怎樣的人？要重塑自己並在數字化+智慧化時代保有領先地位，你必須如何去做？

AI-CPS OS是數字化智慧化創新平臺，設計思路是將大資料、物聯網、區塊鏈和人工智慧等無縫整合在雲端，可以幫助企業將創新成果融入自身業務體系，實現各個前沿技術在雲端的優勢協同。AI-CPS OS形成的數字化+智慧化力量與行業、企業及個人三個層面的交叉，形成了領導力模式，使數字化融入到領導者所在企業與領導方式的核心位置：

1. 精細：這種力量能夠使人在更加真實、細緻的層面觀察與感知現實世界和數字化世界正在發生的一切，進而理解和更加精細地進行產品個性化控制、微觀業務場景事件和結果控制。

2. 智慧：模型隨著時間（資料）的變化而變化，整個系統就具備了智慧（自學習）的能力。

3. 高效：企業需要建立實時或者準實時的資料採集傳輸、模型預測和響應決策能力，這樣智慧就從批量性、階段性的行為變成一個可以實時觸達的行為。

4. 不確定性：數字化變更顛覆和改變了領導者曾經仰仗的思維方式、結構和實踐經驗，其結果就是形成了複合不確定性這種顛覆性力量。主要的不確定性蘊含於三個領域：技術、文化、制度。

5. 邊界模糊：數字世界與現實世界的不斷融合成CPS不僅讓人們所知行業的核心產品、經濟學定理和可能性都產生了變化，還模糊了不同行業間的界限。這種效應正在向生態系統、企業、客戶、產品快速蔓延。

AI-CPS OS形成的數字化+智慧化力量通過三個方式激發經濟增長：

1. 創造虛擬勞動力，承擔需要適應性和敏捷性的複雜任務，即“智慧自動化”，以區別於傳統的自動化解決方案；

2. 對現有勞動力和實物資產進行有利的補充和提升，提高資本效率；

3. 人工智慧的普及，將推動多行業的相關創新，開闢嶄新的經濟增長空間。

給決策制定者和商業領袖的建議：

1. 超越自動化，開啟新創新模式：利用具有自主學習和自我控制能力的動態機器智慧，為企業創造新商機；

2. 迎接新一代資訊科技，迎接人工智慧：無縫整合人類智慧與機器智慧，重新

   評估未來的知識和技能型別；

3. 制定道德規範：切實為人工智慧生態系統制定道德準則，並在智慧機器的開

   發過程中確定更加明晰的標準和最佳實踐；

4. 重視再分配效應：對人工智慧可能帶來的衝擊做好準備，制定戰略幫助面臨

   較高失業風險的人群；

5. 開發數字化+智慧化企業所需新能力：員工團隊需要積極掌握判斷、溝通及想象力和創造力等人類所特有的重要能力。對於中國企業來說，創造兼具包容性和多樣性的文化也非常重要。

子曰：“君子和而不同，小人同而不和。”  《論語·子路》雲端計算、大資料、物聯網、區塊鏈和 人工智慧，像君子一般融合，一起體現科技就是生產力。

如果說上一次哥倫布地理大發現，擴充的是人類的物理空間。那麼這一次地理大發現，擴充的就是人們的數字空間。在數學空間，建立新的商業文明，從而發現新的創富模式，為人類社會帶來新的財富空間。雲端計算，大資料、物聯網和區塊鏈，是進入這個數字空間的船，而人工智慧就是那船上的帆，哥倫布之帆！

新一代技術+商業的人工智慧賽博物理作業系統AI-CPS OS作為新一輪產業變革的核心驅動力，將進一步釋放歷次科技革命和產業變革積蓄的巨大能量，並創造新的強大引擎。重構生產、分配、交換、消費等經濟活動各環節，形成從巨集觀到微觀各領域的智慧化新需求，催生新技術、新產品、新產業、新業態、新模式。引發經濟結構重大變革，深刻改變人類生產生活方式和思維模式，實現社會生產力的整體躍升。

---

產業智慧官  AI-CPS

用“人工智慧賽博物理作業系統”（新一代技術+商業作業系統“AI-CPS OS”：雲端計算+大資料+物聯網+區塊鏈+人工智慧），在場景中構建狀態感知-實時分析-自主決策-精準執行-學習提升的認知計算和機器智慧；實現產業轉型升級、DT驅動業務、價值創新創造的產業互聯生態鏈。

長按上方二維碼關注微信公眾號： AI-CPS，更多資訊回覆：

新技術：“雲端計算”、“大資料”、“物聯網”、“區塊鏈”、“人工智慧”；新產業：“智慧製造”、“智慧金融”、“智慧零售”、“智慧駕駛”、“智慧城市”；新模式：“財富空間”、“工業網際網路”、“資料科學家”、“賽博物理系統CPS”、“供應鏈金融”。

本文系“產業智慧官”（公眾號ID：AI-CPS）收集整理，轉載請註明出處！

---

---

版權宣告：由產業智慧官（公眾號ID：AI-CPS）推薦的文章，除非確實無法確認，我們都會註明作者和來源。部分文章推送時未能與原作者取得聯絡。若涉及版權問題，煩請原作者聯絡我們，與您共同協商解決。聯絡、投稿郵箱：erp_vip@hotmail.com

---

---