回顧剛剛過去的4月上海車展，自動駕駛收獲了前所未有的關(guān)注度。
華為、百度、滴滴、大疆等一眾科技企業(yè)紛紛秀出看家本事，我們仿佛能看到，自動駕駛正從苦心孤詣默默前行的人工智能技術(shù)工程領(lǐng)域出圈進入大眾視野，這不由令人想到100多年前世界上第一輛內(nèi)燃機車轟動巴黎世博會的歷史性場景。
站在當(dāng)下的時間節(jié)點，快速掌握自動駕駛制勝之道，無疑對這個行業(yè)有著重要和深遠的意義。
科技巨頭高質(zhì)量數(shù)據(jù)，中國玩家的“秘密武器
細看車展期間眾多科技企業(yè)在自動駕駛上的強調(diào)重心，你或許會發(fā)現(xiàn)，相比過去幾年對車聯(lián)網(wǎng)、車載操作系統(tǒng)、智能座艙的關(guān)注，今年車展上科技企業(yè)們開始強調(diào)落地、規(guī)模、量產(chǎn)，以及最關(guān)鍵的——系統(tǒng)適應(yīng)中國復(fù)雜路況的能力。
一方面，適應(yīng)中國路況是「自動駕駛中國隊」相比以特斯拉、谷歌Waymo為代表的硅谷陣營的巨大優(yōu)勢所在。
另一方面，跑通復(fù)雜路況的背后，是對高質(zhì)量數(shù)據(jù)的獲取能力驗證。
自動駕駛汽車本質(zhì)即一套大型、通用、移動屬性的人工智能，而當(dāng)前人工智能所依靠的底層理論是基于人工神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)技術(shù)。
2012年，多倫多大學(xué)的研究生阿萊克斯·克里澤夫斯基和教授杰弗里·辛頓提出深度學(xué)習(xí)網(wǎng)絡(luò)，以大量標注數(shù)據(jù)集為基礎(chǔ)，讓人工神經(jīng)網(wǎng)絡(luò)自主學(xué)習(xí)更深層、包含更豐富語義的信息，達到更精確的識別效果。
這個過程可以簡單理解為輔導(dǎo)小朋友寫作業(yè)，從不會寫到會寫，靠的是大腦的算法能力，而深度學(xué)習(xí)解決的就是算法問題，其所采用的聰明的算法模型，不僅能學(xué)會，而且學(xué)得很快。
再比如抖音、淘寶、拼多多、美團等各大互聯(lián)網(wǎng)平臺的「猜你喜歡」，通過對用戶瀏覽行為數(shù)據(jù)的大量收集和歸納，形成一套懂我們的算法模型，繼而套用模型預(yù)測更多用戶可能感興趣的商品。
自動駕駛汽車同樣需要通過深度學(xué)習(xí)技術(shù)，自主識別自身當(dāng)前所處交通場景下的各式物體，并基于環(huán)境數(shù)據(jù)形成有預(yù)測能力的算法模型，指導(dǎo)分析決策。
具體來說，可以把自動駕駛拆解為感知、決策和執(zhí)行。其中感知（即人類駕駛員的“眼睛”）和決策（即人類駕駛員的“大腦”）為兩個核心步驟。
對于機器智能來說，“看到”這一動作背后的本質(zhì)是識別，而想讓自動駕駛感知系統(tǒng)的整體識別率足夠精準，就需要借助不同傳感器的優(yōu)勢組合，對大量物體的多維數(shù)據(jù)如圖像、視頻、3D點云圖等進行融合感知。完成了對周邊物體的精準融合感知，下一步便交由自動駕駛大腦進行分析和決策。
從行業(yè)整體發(fā)展階段來看，目前多數(shù)自動駕駛系統(tǒng)在普通場景下的決策表現(xiàn)已經(jīng)相當(dāng)完善了，主要難點在于對各式罕見路況下Corner Case（長尾場景）的及時響應(yīng)能力。
在技術(shù)不出現(xiàn)質(zhì)變的情況下，處理好Corner Case就是未來自動駕駛落地的臨門一腳，也是最主要的難題。
這一腳球，靠的就是高質(zhì)量數(shù)據(jù)。
所謂高質(zhì)量數(shù)據(jù)，就是只有在極其復(fù)雜路況、極端天氣、有地域特色的特殊駕駛習(xí)慣、特殊路況標識等罕見長尾場景中才能收集到的數(shù)據(jù)。
從感知到?jīng)Q策，自動駕駛需要大量真實交通場景下的多維、長尾數(shù)據(jù)喂養(yǎng)，高質(zhì)量數(shù)據(jù)的獲取速度和規(guī)模很大程度上決定了自動駕駛技術(shù)落地的時間表和商業(yè)化體量。
而中國恰好擁有全球最大的汽車銷量規(guī)模、最長道路里程數(shù)、最豐富駕駛習(xí)慣，能夠獲取海量高質(zhì)量數(shù)據(jù)訓(xùn)練自動駕駛AI。
不難推斷，高質(zhì)量數(shù)據(jù)將成為中國玩家在這場自動駕駛攻堅之戰(zhàn)中看不見的制勝「秘密武器」。
而制約高質(zhì)量數(shù)據(jù)獲取的最大問題在于成本，時間成本和資金成本。
時間方面，美國一家科技智庫曾經(jīng)發(fā)布報告，一套自動駕駛系統(tǒng)至少需要經(jīng)過至少170億公里驗證才能達到量產(chǎn)條件，如果組建一支100輛測試車隊，以40公里時速24小時不停跑，要500年時間。
資金方面，相比幾年前，自動駕駛硬件成本最高的激光雷達已經(jīng)壓到了十萬以內(nèi)的區(qū)間，但依然沒有突破當(dāng)前汽車市場上最跑量的A級車價格區(qū)間。這種成本基數(shù)下，想要覆蓋從哈爾濱到海南的真實數(shù)據(jù)，資金投入是難以想象的。
數(shù)據(jù)驅(qū)動，自動駕駛進入認知智能時代
以上，我們探討的只是高質(zhì)量數(shù)據(jù)的獲取環(huán)節(jié)。
從海量高質(zhì)量數(shù)據(jù)獲取到系統(tǒng)真正上路應(yīng)用，還要將數(shù)據(jù)轉(zhuǎn)化為可識別路面上各種對象，并對實時變化周邊環(huán)境進行推理和推斷的算法模型。
早在二千多年前莊子就曾慨嘆「以有涯隨無涯，殆已」，極端場景同樣無法窮舉，這就需要推測和預(yù)測。
回想我們開車從新手到老司機的過程，我們也不需要跑遍所有道路，而是通過大腦本身的學(xué)習(xí)和推理能力，就能處理之前沒有見過的路況。
這套學(xué)習(xí)和推理能力，是人類大腦超越初級機器智能的底層原因。
回到自動駕駛的應(yīng)用層面。
一套具備高商業(yè)化價值的高級別自動駕駛系統(tǒng)，必然是一套具有高通用性的系統(tǒng)，能夠快速“上車” 大多數(shù)車型，且其算法模型的學(xué)習(xí)和推理能力覆蓋盡可能多地域場景的「認知智能」。
這里的“認知智能”，要求該自動駕駛系統(tǒng)“能理解、會思考、善預(yù)測”，擁有處理復(fù)雜場景和情形的能力，像人類駕駛員一樣具備比較好的“預(yù)測能力”。作為人類駕駛員，我們面臨的道路競爭目標雖然很多，但因為每天看多了，基本可以判斷什么樣的路口會突然躥出行人、哪些非機動車可能違規(guī)（如外賣小哥會突然超車）等。建立在人類高層認知基礎(chǔ)上，通過預(yù)測，我們會把注意力放在容易出問題的方向和距離上進行觀察，以保證在很高的水平上安全通過。
同理，機器自動駕駛的道理也一樣。機器學(xué)習(xí)的目的，就是在訓(xùn)練數(shù)據(jù)集中學(xué)習(xí)到一個最優(yōu)模型，并且這個最優(yōu)模型對未知數(shù)據(jù)有很好的預(yù)測能力（即模型具有很好的泛化能力），從而實現(xiàn)感知智能到認知智能的關(guān)鍵突破。
由此可見，認知智能對于數(shù)據(jù)規(guī)模、獲取成本、數(shù)據(jù)質(zhì)量，以及對系統(tǒng)數(shù)據(jù)處理能力要求很高，能夠用更快速度收集到大量真實數(shù)據(jù)，并有能力快速將數(shù)據(jù)用于算法訓(xùn)練玩家，就能夠獲得持續(xù)的領(lǐng)先優(yōu)勢。可以說，「認知智能」是自動駕駛終局實現(xiàn)的基礎(chǔ)。
自動駕駛的“最后一公里”
隨著量產(chǎn)自動駕駛系統(tǒng)批量落地和迭代，自動駕駛行業(yè)已經(jīng)進入深水區(qū)，誰先搶占數(shù)據(jù)高地，突破corner case的高質(zhì)量數(shù)據(jù)獲取和認知智能束縛，誰就有機會最先站上自動駕駛的制高點。
而立足中國這一訓(xùn)練認知智能的最佳訓(xùn)練土壤，先行用風(fēng)車戰(zhàn)略打通高質(zhì)量數(shù)據(jù)獲取和認知智能落地閉環(huán)的毫末智行，必然將在中國自動駕駛引領(lǐng)全球進入認知智能時代的浪潮中、在全球范圍內(nèi)的自動駕駛「最后一公里」路上，扮演先鋒角色。
文章來源：毫末智行（有刪減）
