基于大数据和深度学习的智能汽车

基于大数据和深度学习的智能汽车

注：本文转自中国电动汽车百人会以“新能源汽车与智能汽车前沿技术”课程，本文为智车优行科技有限公司CEO、联合创始人沈海寅在培训课上的发言内容精编。

2017年7月16-17日，中国电动汽车百人会以“新能源汽车与智能汽车前沿技术”为主题举办系列课程，邀请清华大学、百度、沃尔沃、博世汽车、科大讯飞、智车优行、中兴智能汽车等机构的专家，进行为期两天的分享交流及深度探讨,旨在通过培训课程让业界人士了解最新前沿技术以及发展趋势，促进技术交流、产业链融合及跨界合作。本文为智车优行科技有限公司CEO、联合创始人沈海寅在培训课上的发言内容精编。

第三次工业革命主要是计算机本身和互联网的结合，给我们带来了很大的转变。人们目前生活中最离不开的就是这次工业革命带来的影响。现在，我们将人工智能称为第四次工业革命，也叫做第二次信息革命，因为人工智能在未来给我们带来的影响可能远远超出于我们今天的想象。

从1956年达特茅斯会议开始，就意味着人工智能的启蒙，但是在中间过程中，其学术和流派其实发生了很大的变化，也经过了几次的遇冷。80年代的时候是第一次AI的低谷，2000年的时候是第二次AI的低谷，到今天算是2.5次，一次高峰0.5，下来算1，这样一次循环我们今天其实来到了2.5次。2.5次跟以前有什么不一样呢？有些业内人士指出，AI有点像流感，一波流行了以后又消退了，然后过一段时间又来了一波。很多人担心，这波浪潮是否又会沉寂下去？我们提到人工智能的时候，很多人脑子里对它的概念就像科幻电影里呈现出来的那样。但是由于我们的期待和实际做出来的产品之间的落差非常大，所以就使得AI人工智能的应用又沉寂下去了。

这次爆发跟以前相比有什么区别呢？我认为这次爆发是以深度学习作为人工智能非常典型的特点。比如，DeepLearning到2012年开始逐渐起步，它的识别率在不断的上升，而错误率在不断的下降。例如，我们必须通过两三次的交往才能够记住一个人，其实人对图象识别也是有一定错误率的。通过DeepLearning的计算以后，机器对人脸的识别已经超过人类了。也就是说，在单一的性能上，机器学习或者深度机器学习能够获得效果已经达到跟人一样，或者超过人的学习效果。

再举一个非常简单的例子就是AlphaGo。去年3月份AlphaGo横空出世，它跟李世石PK了一下，当时比分是4：1。我们国内天才的少年柯洁今年和AlphaGo又比了一次，是以0：3败退。这意味着我们用以前的算法是很难去穷尽一种思维活动，机器其实用深度学习已经完胜了。这意味着这次人工智能的爆发有非常多的通用性，比如语音识别领域，我们过去所用的一些算法跟今天用的算法是完全不一样的。科大讯飞最近推出了一个产品，在翻译领域非常大的突破，这些突破背后用的算法都是一样的。就是说过去语音识别当中所获得的突破，并不能给我们带来在图象识别上这样一些突破，或者讲图象识别当中获得的突破并不能影响到我们自动驾驶领域。但是今天的一个通用算法，就像人如何去学习一样，机器学习可以通过不断的数据累积，现在可能还是以监督学习为主，但是在未来或者在现在，已经出现越来越多的半监督学习和无监督学习，机器可以不断的自我进化。原来我们讲做一个算法，比如过去我们做一个ADAS的算法，会局限于本身的优劣当中，就是说程序员对算法是可控的。今天为什么大家对深度学习会有一点恐惧心理呢？是因为深度学习算出来的算法是一个黑盒子，我不知道它里面是什么东西。即使你是最早去训练这套算法的技术人员，到最后拿到算法以后，他也不知道这个算法里面到底是怎么运行程度的。就像人的大脑一样，我看到一个人，我知道这个人是一个人，但是我不知道里面是通过什么样的逻辑来看到一个物体是人。在这里，核心的点在于算法其实已经变得越来越不重要了，而用什么样的数据来去训练模型就变得越来越重要，其实这就是我们未来讲自动驾驶当中非常核心的一点。

对于汽车行业来讲，已经在多个维度发生了革命性的创新。在过去汽车行业130多年历史当中，每一个行业它在发生单个维度变化的时候，其实传统的强者往往是有能力通过自我的革新去获得创新，可以跟上这个潮流，并且继续保持他的强者地位。但是就跟我们人类进化一样，我们讲达尔文《进化论》，核心的内容是说要基因突变，在外界生存环境在发生突变的情况下，只有基因突变者才能活下来，适者才能生存。对于汽车行业来讲其实也是一样，包括像智能汽车、动力系统、燃料电池、纯

电动汽车的出现，各个领域都在发生着变化，商业模式、销售模式、售后服务模式等等也在变化。当多个维度下发生变化的时候，核心就是最后一个，如果只抓住一个维度的变化的时候，往往很有可能会失去在其他维度上对于创新的理解。

未来改变汽车属性的核心是智能化，各个论坛上大家都讲汽车未来会有“四化”：轻量化、电动化、网联化、智能化。很多人说智能化就是讲智能驾驶或者自动驾驶、无人驾驶，网联化就是说汽车可以联网了。其实在讲智能化的时候，我们的定义是跟很多专家和车企不同的，具体到后面我会提到。

最近一段时间特斯拉的股价稍微往下跌了一些，但是在过去有连续三个月的时间特斯拉是美国市值最高的车企。特斯拉在2016年一共才生产了8万多辆车，向用户交付了7万多辆车，而通用在2016年一共有千万辆车，福特有660万辆车，这两个规模大家可想而知，是完全不可类比的，但是为什么资本市场给了特斯拉这么高的估值呢？原因在于过去汽车行业的核心是生产制造能力，但是在今天生产制造大家都认为你已经是一家车企应该具备的基本条件，并不具有一个溢价的空间在那里。但是像特斯拉，虽然可能他的自动驾驶的路线等等跟其他的企业不一样，但是我们觉得至少在今天来讲，它是最早把自动驾驶或者辅助自动驾驶能够真正商用化的一家企业。同时，特斯拉是现在世界上唯一已经量产的智能汽车，其它所谓号称自己是智能汽车的，其实离真正的能汽车的定义还差那么一点。如果这辆车是智能汽车的话，他就会在摆脱原来车企和用户之间，在你的汽车卖给用户以后任何关联问题，他跟用户之间是实实在在不断的24小时连接起来的，而且他能够不断的给用户推送各种各样的服务，而且更重要的是在于，特斯拉能够获得所有用户的最核心的数据。

在一个月前，特斯拉跟用户签了一份协议，就是只要在你的屏幕上点个“OK”就可以让用户允许特斯拉不断的去搜集去数据。就是说现在就有可能十几万用户在不断的帮特斯拉在磨炼它的算法，把数据传到特斯拉的服务器上面，然后特斯拉服务器不断的去训练他的模型。所以这种情况下，特斯拉的自动驾驶进度一定是比其他的车企更快的。这也是为什么资本市场用他们的钱来投票，告诉大家说：“什么才是未来”。

85%的高管认为，智能网联系统未来会比汽车本身拥有更大的价值，能够创造更多的销售额和利润。因为资本不是一个慈善家，他一定是要为你将来能够创造出更多的利润和销售额来买单的。但是，为什么现在其它的车企还要去搞更多的制造、要去建造更多的产能呢？其实这个惯性还是非常巨大的。

未来到底我们的利润结构会发生什么样的变化呢？2015年到2030年，共享出行以及基于大数据的服务，还有像新的供应商，包括新的技术、新的软件，这些会占到的营收比例将超过20%。在我们的利润当中，会发现这部分所占的利润可能会更大。所以说，在未来我们的整个营收和利润的结构也会发生变化，传统的利润在不断的下降。当然这个例子还是一个预估，我们觉得其实在这个里面，能够做的事情还有更多。

车企在新车研发的时候抠成本非常厉害。经常为1块钱成本决定这件事情到底做不做，或者到底选这个供应商还是选那个供应商，但是大家有没有注意到，特斯拉所有的跟自动驾驶相关的硬件，并不是付了钱就把硬件装上去，没有买就不装上去，其实是标配的。仅仅说，你付了钱以后，我把这个功能给你打开，就是你现在可以自动驾驶，硬件都是装在上面。为什么特斯拉愿意去花这个钱全系标配呢？其实这个就回到刚刚的数据，在未来数据的价值其实更大。

现在基本上特斯拉的用户当中愿意付钱去买这个功能的大概60%的数量，就是说将近1/3人其实没有打开用，特斯拉其实是花了2万块的冤枉钱，但是如果去考虑这2万元在你搜集数据，尤其在搜集我们实实在在在路上跑的那些非常例外的数据的时候，你会觉得这2万元是非常值得的，因为其他车企可能要花费更多的时间去搜集。基于车辆互联给我们带来的技术和服务到底有哪些呢？这个里面我们看到，包括智能出行，刚刚讲的共享出行，是一个非常大的环节，还有很多增值的服务，这个里面其实有非常非常多的事情是可以做的，即使我们现在做的当中，就已经发生了有很多是可以去支撑起来的另外，随着自动驾驶的功能实现以后，能够做的事情其实就可以更多了。

汽车行业的关键词在发生变化，大数据、智能化、电动化、IOT、自动驾驶，中间是有汽车，但其实这个也在发生转变，就是说我们把这个核心，从汽车本身更多的转到了自动驾驶里面去了。

今天想跟大家分享一下我们自己对于自动驾驶领域的一些理解，这个理解不一定对，但是我们在用高昂的学费去赌我们的这个方向。对于自动驾驶来讲所需要的，首先是复杂的传感器系统，所以在我们这个车上，我们第一代，一开始销售的车是带4个摄像头，不包括360度环视的摄像头，就是跟自动驾驶相关的是4个，前向是3个、后向是1个，我们还会在后面立刻迭代到第二代的视觉系统，它就带8个摄像头，如果再加上环视摄像头，在车上围绕一圈有12个摄像头。这个里面大家可能就已经意识到了，我们走的自动驾驶的路线可能跟百度路线还是非常不一样的，因为我们是希望用非常合适的成本，能够让我们的自动驾驶进入到用户的生活里去，所以我们更多的是用图像算法来去解决的。当然光图像其实也不够，我们在这个里面设了5颗毫米波雷达，1颗前向的，还有4颗是在4角上，是5颗毫米波雷达。其中1颗是77G的，还有4颗是24G的，但是未来我们也会替换到77G的。还有超声波雷达，像现在仅仅给倒车用的，作用范围大概3米—4米，但是我们下一代超声波雷达达到6米，包括自动泊车都可以提供更好的精度。这个就是我们的传感系统。

第二点需要的是数据融合。就是如何把刚刚的那些传感器合在一块。我们的第一代车是没有带激光雷达的，但是我们给激光雷达预留了位置，在今天我们认为像那种在车顶上转的，那种光学试的激光雷达是不可能达到量产水平的，这个价格承受不了的，只有当固态激光雷达成熟以后才有可能。但是激光雷达不可能说360度这样转，这样就放在前向，这样使得激光雷达是用在非常情况下，比如其他传感器，我的视觉传感器和我的毫米波雷达失效了以后，它可以来作为另外一个冗余的传感器来进行识别，所以我们这里没有把它刻意的画出来。第三个，就是控制。我们到底应该在什么样的场景下来去控制这辆车。第四个，线控的执行器，我们做车的时候，现在很多车要改成一辆自动驾驶是非常困难的，至少电机天生就是线控的，但是刹车到底该怎么办、转向该怎么办，这种都是线控器应该做的。还有环境感知，当然这个是跟传感系统相关的，包括定位，包括路径的规划、决策的执行。

这个里面想重点讲一下，AlphaGo围棋能够战胜人，其实AlphaGo里面就用了两个人工智能的模型，第一个叫对当前事态的判断，比如说棋子下去以后，黑和白到底目前谁占优？我希望去判断一下目前的形势到底是什么样的形势，这是一个静态的判断。并且要对下面走什么棋进行一个模拟分析。自动驾驶其实也是一样，我们需要不断的对当前这个环境进行判断，这个判断其实就属于环境感知，同时再去对后面决策产生影响，所以它是一个模型，比如前面有人、距离多少米有辆车，是对当前的情况进行一个判断。同时再有一个模型，是在感知条件下到底如何决策，也就是说，我对路径的规划和我决策的执行，他是一个动态的过程。所以说你会发现，虽然下围棋和做自动驾驶是完全不同的两个领域，但是他的核心即算法的骨架是完全一致的。

SAE对自动驾驶分为5级——从L0到L5，其中最核心点是从L2到L3，其实是很大的转变。因为L2还是以人为主，到L3的时候系统的决策权就要更高，所以一定情况下需要系统进行自主判断，这个里面其实就完成了一个质变的过程。

作为奇点汽车来讲，我们在自动驾驶领域有一个路线图，其实讲这个路线图的时候，就是我们对自动驾驶到底应该如何来设计，这里面有两条路径，一条就是像百度、谷歌，做真正的没有人驾驶，就是人不干预到，甚至方向盘都可以去掉。还有一种路径，是像很多整车企业在不断的做，从L1到L2到L3不断迭代上去的方式。我们的方向叫硬件先行、软件滞后，什么叫硬件先行呢？因为我们觉得，首先希望根据用户的这个需求，打好一个硬件的基础，然后有了这个硬件以后，我们并不着急在发布那天就说我们车是自动驾驶的第几级，而是先从比较低级的层级开始做起，以后通过累计的数据搜集和不断的深度学习，实现逐步的升级。所以我们的图就是这样的，在2017年，我们做的研发都是围绕L2来进行的，但硬件的规划其实远远超过了L2的需求，如果仅仅想做L2的话完全没有必要用这么好的硬件以及这么多的传感器。这些是为了到2018年能够往L3去升级，到了2020或者2021年的时候，老的用户不需要换车，只需要重新的把软件升级，或者说再加个激光雷达就能够升级到L4，所以这个是我们的一个路径。我们希望让车拥有“成长”的力量，这个“成长”其实是软件，这些成长在联网公司里面大家都觉得是理所应当的。但是汽车是硬件，所以如果按汽车硬件定义，如果要实现新的功能，只有可能到下一代汽车才能实现，这是我们想要挑战的一点。所以，过去讲人工智能变化或者车的变化，是从硬件为主到最后慢慢变成软件、软件硬件一体化，到了人工智能时代以后，对车的定位就是车其实未来就是一个机器人，这个就是我们对于车的一个最终级的定义。