首页 > 科技快讯 > 无人车：人类最伟大的AI尝试

无人车：人类最伟大的AI尝试

晰数塔互联网快讯
2019-05-17 14:30

本文来自微信公众号：Robinly（ID：RobinlyChannel），作者：Alex Ren，标题图来自东方IC

20世纪50年代出版的《星期六晚报》，美国电力公司的广告中勾勒出无人车的畅想图

照片来源：The Everett Collection

在软件和互联网之后，从来没有一个单个的细分市场受到如此大的关注、得到如此多的资本支持、并且有如此多的人才涌入。

在我看来，无人车是整个汽车软件化、互联网化、智能化中的一个重要环节，它是人类迈向自动化社会的关键技术。但是，由于第三波AI的主要贡献——监督学习的特点，无人车发展需要大量数据的积累。因此，真正的第四级乃至第五级无人车技术商业化还有待时日。而擅长产品化的公司、有技术突破能力的公司将突颖而出。

同时，我习惯性地以商业的角度、投资的角度来审视这个领域。我认为，目前的无人车公司仍处于技术突破阶段，但是一旦能够实现无人车的部分商业化，则为AI在其他更大的领域，如机器人领域的商业化打下技术、经验和人才的基础。

本文将讨论以下话题：

1. 无人车技术诞生的背景：汽车市场的历史沿革和现状—从制造到软件

2. 无人车公司的三种模式：AI驱动、造车驱动及服务运营驱动

3. 团队组建：文化的冲突

4. 未来的挑战和趋势

1. 无人车技术诞生的背景

1）汽车市场的历史沿革和现状——从制造到软件

福特”T”型车生产线

自1908年亨利·福特的福特公司推出”T型车”并把它量产之后，汽车工业在之后的近50年并没有太大的革命性变革，以内燃机驱动并大规模的量产是工业革命之后的显著特点。

丰田生产体系流程图（图片来源：Toyota Europe)

直到日本丰田在二十世纪50年代发明了“丰田生产体系” 即 “TPS（Toyota Production System）”，后来麻省理工学院称之为“精益生产（Lean Production）”。精益生产是一种以最大限度地减少企业生产所占用的资源和降低企业管理和运营成本为主要目标的生产方式。这一生产方式迎合了后来兴起的小批量定制的消费需求，使得日本汽车在国际市场大行其道。

同样在制造业具备强大优势的是欧洲国家，尤其是德国，其追求质量和完美设计的精神使得德国汽车一直是中高端汽车的首选之一，在二战之后至今的超过半个世纪的时间内一直占据市场领导地位。

长久以来，汽车用户已经习惯了将汽车作为一个普通的交通工具，我们所期望的功能无非是方向控制、动力控制、以及简单的娱乐信息系统如电台、CD播放机。一直以来的设计理念是，开车是需要专心和安全地进行，而其他的功能并不重要。

2013年Tesla Model S上首次加载17英寸的Pad显示器（图片来源：www.inverse.com）

直到2004年Elon Musk入主当时的汽车初创公司Tesla, 并将诸多革命性的理念带入到汽车领域（如重视软件、互联网等设计理念）。2013年，Tesla在其Model S型车上加载尺寸达到17英寸的Pad显示屏，使得汽车能够提供如iPhone般的体验，这是汽车业迈向软件化和智能化的里程碑。

在智能手机之后，人们突然发现，一个我们天天都在使用的平台，而且是刚性需求的平台-汽车，仍然停留在20年前的状态，因此，在汽车上打造一个软件和互联网的生态，成为过去5~10年投资界的热点。

汽车软件市场规模的历史和预测（2016~2025）

图片来源：MarketsandMarkets.com

由于行车电脑的发展，安全和功能安全以及不断变化的车辆架构带来了巨大的计算平台需求，从而促进了汽车软件市场的增长。据MarketsandMarkets的统计，2018年全球汽车软件市场已经达到187亿美元的规模，据估计，自2019年到2025年，汽车软件市场年增长率将保持达18.12%，预计到2025年达到600亿美元的规模，这个增长率是非常令人震惊的，汽车业在催生新的软件巨头。

汽车软件的革新点主要有以下几点：

Advanced Driver Assistance Systems（ADAS），即高级驾驶辅助系统

Autonomous drive：无人驾驶技术

Vehicle electrification：汽车电气化

Digital cockpit technologies：数字座舱技术

Vehicle to Vehicle technologies: 车联网以及车上互联网技术

2）汽车创新中心：从德国、日本到美国、中国

2017年汽车技术相关公司硅谷分布图（图片来源：CBRE）

上图是2017年硅谷商业地产公司CBRE做的北加州汽车技术相关公司的分布图，我们吃惊地发现，硅谷的汽车公司竟然如雨后春笋般冒了出来，达到400多家。

为什么这些新兴公司没有出现在底特律、日本、或者德国？

答案如上面描述，汽车在向软件化、智能化和互联网化发展，拥有这些基因的人才不在日本、德国和底特律，而是在硅谷，在中国！

或者日本和德国已经意识到这一点，在过去的几年内，他们通过投资，大量入股美国新兴汽车技术公司，如无人车技术Cruise得到软银和丰田超过20亿美元的投资，而大众也蠢蠢欲动，一度欲以10亿美元收购前Waymo无人车负责人Chris Urmson创立的Aurora, 但遭到拒绝，后又传言欲投资福特所收购的Argo AI。

不仅是人才方面的限制，同样在人力资源法律制度方面，德国和日本的软件创新受到极大的桎梏。德国的离职交接通常要几个月甚至半年，而且两国企业普遍难以裁员，这造成企业很难根据瞬息万变的市场来调整其人力部署，长此以往，则造成迭代缓慢，延误市场时机。

2019年4月19日，Uber ATG宣布来自丰田旗下公司Denso $667M及软银$333M，总计$1B的投资（图片来源：cnbc.com)

在我看来，孙正义的软银看到了日本企业面临的危机，因此大量投资中美新兴出行公司如Uber，滴滴，以及无人车技术公司Cruise、Uber ATG, 其出售的下家已经备好，那就是丰田、本田、尼桑、马自达等等亟待变革的日本企业。

1975年~2017年全美交通事故死亡统计：总计死亡人数，以及每10万人死亡人数

（数据来源：www.iihs.org）

在汽车软件化的趋势下，仍然有非常高的汽车事故率以及事故死亡率。据统计，仅仅在2017年，全美的机动车事故死亡人数就将近4万人，那也就意味着，每天有近100人死于交通事故，相当于每天有一架波音747飞机掉下来。这样的数字是非常可怕的。

最根本的原因是，每一辆汽车后面，都有一个拥有“自由意志”的驾驶者，这样的自由意志会因为吸毒、喝酒、疲惫、意识错乱、受干扰等等各种原因造成人身伤亡的事故。于是业界开始考虑，能否通过人工智能技术来训练素质最高的机器驾驶员、而代替容易出错的人类的驾车呢？

2. 无人车公司的三种模式：AI驱动、造车驱动及出行服务运营驱动

“今日的无人车就像马拉车一样，AI的智力最多能够达到马的智力。“

——Jesse Levinson，无人车独角兽Zoox联合创始人，CTO

16年前的2002年，当我参与开发今天无人车里的毫米波雷达技术，并把雷达装在上汽的车上在路上测试的时候，我们并没有想到日后视觉技术、深度学习会如此颠覆汽车，也无法想象无人车变得如此炙手可热。

归根结底，人类是用视觉来驾驶汽车的。而视觉也能探测到最丰富的环境信息。自2012年深度学习得到广泛关注以来，计算机视觉因此获得长足发展。感知作为计算机视觉的典型应用，在过去几年内获得了巨大的进步。

无人车的问题从根本上是一个系统工程问题，需要解决核心的AI技术问题、感知问题以及无人车技术的可靠性、稳定性问题。在面临这样的挑战的时候，团队的基因就决定了这个公司的长板和短板。从这意义上讲，无人车市场的这些公司可以大致分为三种驱动模式：AI驱动、造车驱动以及出行运营服务驱动模式。

AI驱动

最早进行无人车技术研究的商业公司是Google, 后成立专门的子公司Waymo。2009年，原斯坦福大学人工智能实验室主任Sebastian Thrun领导Google X lab开始无人驾驶方面的研究，他在之前分别领导了两支无人车研究团队，获得了DARPA challenge 2005年的冠军（斯坦福团队）和2007年的亚军（卡内基梅隆团队）。

Waymo无人驾驶车（图片来源：Wikipedia）

2012年之后深度学习的异军突起极大地提速了无人车感知技术和地图技术的发展。因此，具备计算机视觉技术及深度学习的AI团队随之纷纷出来创业，而无人车领域也是他们选择最多的领域。如此的团队包括斯坦福出来Zoox，Drive.ai，卡内基梅隆大学的Bryan Salesky和Peter Rander创立的Argo AI，中国百度出来的彭军及楼天成创立的Pony AI等等AI研究者创立的无人车公司。

这些AI研究者创业的公司有很强的研究和技术基因，但是面临汽车这个需要大量行业知识和经验的领域，他们需要吸引更多优秀的非AI人才，如车辆集成、控制等等人才。同时，如何将这些技术产品化，并获得该领域的大规模商用，同样是巨大的挑战。

因此，初期这些公司大都选择L4这样较能发挥AI技术能力的场景，比如说Robo-Taxi, 后来其中一些公司由于产品落地和商业化的压力，开始进行一些限制场景技术的开发，如无人卡车，物流等等。

对于Robo-Taxi这样的应用，我认为有如下几个挑战：

技术的挑战：L4这样的场景要求每百万英里的事故率低到个位数，对于今天的感知和规划来讲，仍然是很大的挑战，况且，就如Waymo的感知部总监Sacha Arnoud所言，做到90%相对容易，剩下的10%则需要长达90%的时间来完成，其中的很多情况是corner case, 也就是说不是常见的情况，需要几乎穷举。

成本的挑战：就如Waymo的解决方案，需要激光雷达等昂贵的传感器，使得加装的传感器和计算单元等部件的成本甚至是汽车本身的3-4倍以上，再加上Waymo的解决方案高度依赖高清地图，而构建和测绘高清地图需要大量的人力物力。如果Robo-Taxi需要颠覆目前的服务提供车，如Uber, Lyft或者滴滴，他们的成本在每英里2美元左右，那Robo-Taxi每英里的成本应该在一美元以下，今天的技术不仅不能够和Uber等公司竞争，甚至远高于每英里两美元的成本。

风险转移：L3的好处是，核心的产品是汽车，而汽车保险业提供了一个可估算的风险转移机制，而对于L4这样的应用而言，由于保险业目前还不知道如何评估无人车带来的风险，因此，还不能够给Robo-Taxi的运营者提供一个合理的风险转移机制，这对类似应用的商业化是致命的。

当然，并不是这些挑战就会阻止这个市场的发展，人类的进步意义恰恰就是不畏艰险，迎难而上。随着技术的发展和我们具备更多的经验，相信会在商业化上实现革命性的突破。

造车驱动

在大量AI初创企业开始涉足汽车领域，并致力于革命性地改变这个行业的时候，传统的和新兴的造车企业均感到巨大的威胁。如果汽车的未来是无人驾驶，造车企业作为原来产品的提供者，一定要迎合新的市场趋势，因此，他们开始物色各类无人车初创公司，或收购，或合作，或投资。先后有通用汽车收购Cruise Automation，福特入股Argo AI，特斯拉建立自己的无人车团队，丰田及本田投资Cruise等等案例。

车，作为一个产品。造车，作为打造这个产品的过程。造车企业自然具备很强的行业知识。但是，当一个熟悉造车的企业需要拥抱熟悉软件、 AI、互联网的团队的时候，自然会引起巨大的文化冲突。因此，可以经常看到，一个造车的企业难以吸引优秀的AI和软件团队，而一个以AI起家的无人车公司，难以吸引熟悉造车和车辆改造控制的团队。

当造车步向自动化和智能化的时候，车这个产品的内涵也发生了很大的变化，核心的一个变化是迭代周期的变化，过去一辆车可以研发好几年，现在更强调的硬件平台一旦确定，则如何更快速的根据用户反馈来迭代软件版本。无人车也是一样，不断的功能被汽车产商以OTA（空中下载技术）的方式更新到车平台上。

相对于L4的企业而言，大多数的车企选择以L2、L3起步，这中间最著名的就是特斯拉，技术路线坚持无Lidar的视觉为主路线，用深度学习加上自己研发的神经网络专用集成芯片来实现车载感知计算。因为其搭载这样的传感器配置车被销售到全球各地，而且数量高达几十万辆，因此在数据上也获得了巨大的优势。另外一种模式是利用被Intel收购的Mobileye提供的视觉解决方案，据Mobileye称，全球搭载其解决方案的车辆达到1600多万辆，而且共享的REM（道路经验管理）系统可以积累大量数据，从而提高其解决方案的精准度。

特斯拉无人驾驶示意图（图片来源：Tesla）

对于中国大多数的新兴造车企业而言，他们不仅要解决造车问题，而且要面临全球性的汽车智能化、无人化的挑战。在前几年短暂的热潮之后，新兴造车企业开始面临量产和交付的严苛问题。但是，据统计，中国每年的汽车销量超过3000万辆，而大量的中小城市和农村市场的汽车保有量还比较低，相比于美国每年的汽车销量也只有2000多万辆，中国显然具有全球最大的汽车潜在消费市场。

出行服务运营驱动

在交通出行行业的历史上，过去十年的发展可谓是波澜壮阔。以Uber、Lyft、滴滴、ofo、Lime为代表的软件公司，自己不生产一辆车，但是却为数亿数十亿的人群提供日常的出行服务，这些公司的成功地利用软件和互联网革命性地提高交通出行领域的运营效率，并且使得普通人在有限的资源下，获得了更多的出行便利。

Uber、Lyft这些公司的核心是需求和供给的全局匹配、支付的便利性和面向消费者社群的网络效应。这些是他们的基因。

当他们意识到未来有一天无人车可能成为主流后，原有的商业模式——所谓的共享经济模式——便不存在共享司机的需求，而拥有无人车的企业就可以提供服务。因此，他们变得很恐慌。

于是，我们就看到Uber收购Otto, Lyft、滴滴也分别建立了自己的无人车团队。但是，当Uber遭遇文化挑战以及上市的压力之后，一个更体面的CEO变担起了让公司能够顺利上市的责任，而无人车这样长远的投资，则不是Uber这样不断烧钱、不断亏钱的公司能够独立负担的游戏了，于是有了软银最近对新独立的Uber无人车业务的投资。

Uber于2019年5月10日在纽约证交所上市（图片来源：Uber）