|
在2016年，我们看到了无人驾驶的未来。这不仅体现在社交媒体上讨论的热度、传媒中超高的曝光率，而是在从政策法规的推进、从大公司到创新公司的布局、软硬件技术和算法的进步中，一个可以看得见的未来画卷，正在徐徐展开。 对无人驾驶的资本布局正在纵深化展开。有传统汽车厂商和各种解决方案提供商的联手，有互联网巨头的加入，有投资机构们和创新公司们在整车解决方案、传感设备、地图等方面的试水。 当谷歌无人车项目正式更名为“Waymo”，并宣布与传统车企合作，以及在不久前与lyft携手；当百度开放自动驾驶平台“阿波罗”计划，似乎为我们展开了无人驾驶走向商业化的重要进程。 但是无人驾驶仍然是一个存在质疑的领域。去年特斯拉自动驾驶车辆的车祸引发了大众对其安全性的质疑；美国加州禁止了Uber自动驾驶车辆的上路测试；国内的自动驾驶车辆路测也处于暂停状态。 无人驾驶的商业化，尤其是对于众多创业公司而言，究竟应该如何迈出关键性的一步？ 驭势科技给出了自己的答案。“两到三年内实现商业化落地的场景，我认为只有两个，一个是高速公路的L2、L3级的自动驾驶，还有一个就是限定场景的、低速的无人驾驶。”驭势科技CEO吴甘沙说。 在今年年初CES2017的展台中，驭势科技发布的针对城市空间的无人驾驶电动车引起了关注。这是一款全新的交通品类：城市移动包厢。在内部，座椅是环形排列的，没有搭载常见的汽车方向盘和仪表盘，所有传感器都融入外形，车内外还具有多个屏幕，乘客与行人可以互动交流。 而在当时，吴甘沙表示，驭势科技更大的野心在于，这是在未来两年内实现量产无人驾驶汽车的解决方案。 几天前，驭势科技展示了自己在商业化进程方面的成绩：率先在广州白云机场、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。 驭势科技与白云机场合作，投入了一辆无人驾驶车在航站楼与停车场之间提供摆渡服务，于3月31日-4月1日广州举办“2017中国机场服务大会”期间，向中外旅客展示人工智能与机场服务相结合的先进技术。 抵达旅客可以在停车场内“自动约车”，并搭乘无人驾驶车到指定的停车位。无人驾驶车内设有4个座位，没有方向盘、油门和刹车。乘客提着行李上车，只需按一按钮，车即可自行启动，按照优化的路线前往目的地。驭势科技的无人驾驶车配备包括激光雷达、双目摄像头等在内的多种先进传感器，以及基于深度学习的人工智能算法。 而在杭州来福士广场，驭势科技与凯德集团合作首次试水大型地下停车场的无人驾驶车自动摆渡服务模式。此项应用中，消费者可以在电梯口呼叫车辆，系统将自动识别其停车位，进而将乘客送至停车位。 这种应用需要克服多重挑战。首先由于地下停车场无法获得GPS信号，无人驾驶车需要依靠基于机器视觉的定位技术实现导航，难度极大。其次，地库道路相对狭窄，有密集的行人和社会车辆，对于无人车的感知能力和规划决策能力有极高的要求。在该项目之后，驭势科技和凯德集团也计划后续继续拓展无人驾驶技术应用创新，挖掘更多的创新服务模式。 2016年，前英特尔中国研究院院长吴甘沙宣布，离开已经为之工作了16年的英特尔，成为驭势科技的联合创始人、CEO。“我相信未来。”在去年接受黑智的采访时，他说。彼时，他告诉黑智，他给自己树立的目标是“真正成为世界第一家、能够量产的无人驾驶平台提供商和服务商”，并且提出，作为创业公司，就是要在主流玩家之外做“边缘创新”的思路。 现在，他的商业化思路应该是更为清晰和明确了。“自动驾驶，是一个6万亿美元规模的市场。”吴甘沙说，“通用场景下的无人驾驶还需要5年甚至10年的时间，而在无人驾驶商业化方面，我们也有更深的体会。” CES2017展台上的驭势科技无人驾驶车 以下为吴甘沙口述，经黑智（VR-2014）编辑整理： 自动驾驶：6万亿美元市场的构成智能驾驶是一个未来的符号。之所以美好，是因为它是一个6万亿美元规模的市场。之所以说它是6万亿美元，实际上它是6个万亿美元市场组成的。 首先，是万亿美元的汽车市场。一年全球光卖车就有7000亿美金，它和周边带动的产业加起来，大约能达到2万亿美金左右。 根据2017年4月最新发布的《汽车产业中长期发展规划》，我国汽车产量仍将保持平稳增长。根据《规划》，预计2020年将达到3000万辆左右、2025年将达到3500万辆左右。到2020年，汽车DA（驾驶辅助）、PA（部分自动驾驶）、CA（有条件自动驾驶）系统新车装配率超过50%，网联式驾驶辅助系统装配率达到10%，满足智慧交通城市建设需求。到2025年，汽车DA、PA、CA新车装配率达80%，其中PA、CA级新车装配率达25%，高度和完全自动驾驶汽车开始进入市场。 这也就是说，到2020年的时候，你在高速上开车的时候，左右看一看，可能两边的车辆都在使用L2、或者L3级的自动驾驶功能。 第二个万亿美元市场是出行。我们现在可以看到，滴滴的峰值日单量可以达到2100万单；ofo短短一两年的时间里也达到日单2000万的规模；阿里巴巴每天产生订单3000-5000万单；美团点评一天是1800万单……出行市场，是一个非常刚性，而且是高频的需求。但是，现在网约车再往下走，遇到了一些瓶颈。这个瓶颈并不仅是网约车新政的约束，而是它本质上的问题。
有人说，我们可以用共享汽车、共享单车来解决这两个问题，确实，它们能够解决一些这两个瓶颈，但是同时它们本身也是有问题的。首先是资源使用率偏低，其次，管理成本也是很大的一个问题。 我认为，只有通过无人驾驶，去实现按需出行，能够解决这个问题。无人驾驶车辆首先不需要驾驶员，解决“人贵”问题；其次，它可以无限复制，不存在劳动力短缺的问题；第三，它很自觉，没有路怒，不发脾气，而且，不会犯错。 如果这个市场能够起来，我们相信，一天它要冲到几亿单，也是没有问题的。 第三个万亿美元市场是物流。国内的物流成本是很高的，根据《2015年全国物流运行情况通报》数据显示，2015年社会物流总费用为10.8万亿元，占GDP的比率为16.0%。如果说通过无人驾驶来去做主干线上的物流。如果通过无人驾驶来去做末端的投递，那么这些成本都可以节省下来，这也意味着我们的商品价格会随之下降。 第四个万亿美元市场是商业地产。这可能需要大家脑补一下。未来的汽车，交通工具的属性会越来越低，而商业空间的属性会越来越高。在这么一个空间里边，你可以布置不同的场景，当每一辆车、每一条路都变成商业地产的时候，其商业模式创新的空间就会变得非常巨大。 第五个是能源市场。在未来，利用风力、家家户户的太阳能电池板，都可以成为发电场所，所以这会是一个典型的分布式能源互联网。而电动车，将会发挥越来越大的作用。传统意义上的汽车是两台沙发加四个轮子，现在我们可以对它重新定义：它是一个大型的移动终端，它是一个商业空间，它还是一个储能单元。电池可以自动充电，还可以换电。 第六，智能驾驶带来的社会效应，又会形成一个万亿美金市场。在美国，一年因为智能驾驶带来的社会效益可以达到1.3万亿美金，相当于GDP的8%。1600亿来自节能的节省，5600亿来自交通事故的减少，4200亿来自生产力的提升。 未来，城市的格局，也会因此而发生变化。在我自己看来，没有第二项人工智能技术，或者甚至说，其他方面的技术，能够达到如此之大的市场规模和社会影响力。 驭势科技白云机场试运营项目 智能驾驶的实现路径和时间表我觉得现在智能驾驶要实现规模化和商业化，还有五个较大的障碍。 第一是法律、法规政策限制。 法律、法规政策这方面，包括自动驾驶的基础法律、公共道路的测试规范，以及国家对于自动驾驶的性能指南和测试标准等。在国内，我认为它们要趋于完备还需要3-5年的时间。 第二是基础设施还不健全。 基础设施涉及到的问题，包括高精度定位覆盖，这在中国的一些大城市已经可以达到厘米级覆盖，它要发展起来我觉得大约还需要1年的时间就够了；高精度地图的覆盖，可能还需要3年左右；还有V to X通讯的覆盖，未来它的终极解决方案应该是基于5G，而5G大概是在2019-2020年开始商业化部署。 第三，技术还不够成熟。 在开放城市环境下，实现无人驾驶需要5-10年。谷歌已经做到驾驶五千英里才需要一次人干预，就是说一年才需要一次人干预，但是离商业化还有很长的距离。而L2、L3级的自动驾驶要实现大规模普及，要需要三年的时间。 第四，成本偏高。 无人驾驶我们常说，成本最贵的部分就是激光雷达，它的成本从今天的7.5万美金降到几百美金可能是需要三到五年的时间。那么，我们做的低速无人驾驶电动车的价格，要降到10万-20万的区间，可能就需要三年。 10万-20万的价格是什么意义？就是说今天的一辆车，再加上一个司机一年的工资。降到这个区间就意味着，它的大规模商业化已经可以出发了。还有就是CV-X高精度定位等服务成为免费的服务大概也要用到3+年的时间。 第五，社会接受度也是一个有待去验证的问题。 如果要商业化，那么，你一定要去选择这个时间表上合适的这些点。 驭势科技和商业地产跨界合作 通用场景无人驾驶的挑战我们要实现自动驾驶商业化，其实要回答两个问题：第一个就是，为什么通用场景的无人驾驶还差一些火候？另外一个就是，自动驾驶商业化应该通过一个什么样的方法落地。 通用场景的无人驾驶，现在面临技术上的三个挑战。 第一个就如何去处理真实的复杂场景。传统上很多做自动驾驶的企业，都会在一个比较理想的环境里面去做一些测试。但是真正要部署，会面对如何处理这个真实场景复杂程度的问题。 在真实场景中的无人驾驶，要学会判断态势；要评估道路、其他参与方的动机或是行为，用强化学习（reinforcement learning）来模仿“老司机”，在与环境的互动中寻找更好的方法。但这还有待验证。 第二，人工智能的鲁棒性。鲁棒性一方面是通过代码来实现，另一方面是通过数据。代码可以通过许多覆盖的测试来实现，但是数据很难做覆盖测试，关键是数据会影响它的行为，因为数据上面跑了很多随机算法和机器学习。有了随机算法和机器学习，它的行为就变得不确定了。 关于这个我可以说一下，现在大数据驱动的机器学习非常火，但其中给还有一些“命门”存在。一个是训练集的偏差，一个是开放动态环境里的所有状态无法穷举，还有就是大数据驱动机器学习尤其是深度学习的“黑盒子”问题。 我们未来希望能够把今天的各种各样的机器学习的算法都融合起来，不仅需要深度学习，还需要强化学习，不断地去适应环境；然后，我们还需要逻辑的推理，将迁移学习引进来，还要掌握基于贝叶斯的因果推理。未来无人驾驶的智能，还需要很多不需要大数据的能力。 第三就是，如何为智能驾驶系统给出一个可预期的置信度。 去年特斯拉5月出了一场车祸，可他们给自己辩解，这个车开了1.3亿英里才一次事故，美国的平均水平是9千万英里，这都比平均水平好的多得多，还有什么可质疑的？但是学过统计学的都知道，这是不成立的，为什么？数据样本太少，不具备统计的显著性，如果第二天再出一次事故，就变成1.3亿除以2，成了6500万英里，所以一定要有足够的数据才能证明是否安全。要多少数据呢？兰德公司做的一个数学模型显示，大概要开100亿英里，才能够有95%的置信度。 我如果没办法在实际的道路上开那么久，我得想办法在虚拟的环境当中开那么多。虚拟环境其实就需要仿真器。我们最早的仿真器可以去测试我们的规划、角色，但是它不足以去验证我们计算机视觉的算法。现在我们也在跟一些公司和科研机构在合作，希望能够基于大数据快速建模，以及有照片级的真实度，能够去测试计算机视觉的算法。通过这样的一种模拟仿真器，就能够更好地去进行百亿英里的训练，而且这个训练当中，你可以把强化学习升成性对抗网络放进去，打造智能驾驶的AlphaGo。 自动驾驶商业化的可行性战略关于商业化落地方面，两到三年内落地的可能性，只有两个：一个是高速公路的L2、L3级的自动驾驶，还有一个就是限定场景的、低速的无人驾驶。 现在L2的自动驾驶技术其实并不成熟。对于创业公司来说，这一块还是一个很长很长的落地周期。我们采取的策略，就是“和”。 “和”的含义，其实类似于传统的零和游戏，我们现在希望把它变成生态繁荣，我们愿意跟上下游包括主机厂商和供应商，来做一些源代码、知识产权和数据的共享。 很多人以为我们这个是百度阿波罗计划推出来之后才做的。其实，我们很早就开始和多家车厂开始这样的合作。我们短期内不要求有商业化的考量，我们更多希望的是，使得整个生态能够繁荣起来。 在限定场景、增强环境的低速的无人驾驶这块，主要是针对场地车、场内车，比如像园区、景区、度假村、主题公园、机场等场景。我们认为，到2020年，这个市场将达到100-200亿规模。到2020年的时候，我们有没有可能转化5%-10%，变成无人驾驶，前提就在于车的价格是否能做到10-20万元之间。 出行的最后三公里，是我一直非常看好的。 我们也认为，只有通过软硬件的全栈，才有可能控制产品的质量和体验，才能够实现商业化的落地，而我们恰恰是一个全栈的公司，从这个车的设计、制造，到传感器，到智能化的算法，到硬件，基本上全面覆盖。 如果说我们的策略刚才是“和”，那么现在就是“和而不同”的“不同”。也就是说，我们会选择一个跟主流车厂关注的市场不同的一个边缘市场。在这里面，现在还没有生态，我们把生态创造出来，把整个的价值链创造出来，通过快速的商业化迭代，把这个运维体系商业壁垒建立起来。 最后我要做的总结就是，AI要落地，一定要做好几个转换。第一就是从技术驱动到客户驱动的转换，第二个就是从技术创新到价值创造的转换。规模化、商业化的落地，就是要创造两个价值。一个叫客户价值，客户为什么愿意买你的东西，因为对他来说是有价值的，人力成本降低了，效率提升。还有一个就是商业价值，对我们公司来说，我们不是靠VC活着它，我们自己有造血机制，我们需要具有自己的商业价值。 落地的大法，我自己总结的，就是7条：
|
|
|
