吴甘沙：驭势位列无人驾驶1.5梯队，GAN可改善深度学习不足

新智元讯 12月27日下午，驭势科技举行无人驾驶技术分享会，公司创始人兼CEO吴甘沙说，目前驭势在无人驾驶的发展上主要面临三大挑战：数据不足、供应链管理和人才难题。

 

吴甘沙认为，虽然硬件会越来越便宜，但是用人工智能技术弥补低成本硬件的性能，制造普通用户用得起的产品，可加速无人车商业化。

吴甘沙提到驭势科技也是无人车目前面临的三个挑战：

1. 数据不足

技术要尽快的从原型变成产品，需要大量的数据积累和测试，数据问题至关重要，也是要做试运营的原因。提到数据的收集如何解决，吴甘沙说有三种方式：

1）像Google无人车一样整天去跑，自己收集数据。Google目前对数据的积累是很可观的。

2）众包方式。是指尽快的商业化，用更多的无人车去收集数据，比如通过安装行车记录仪等，把数据收集分出去。

3）在模拟器中不停的跑。因为现实生活中无人车不可能跑那么远，可是在模拟器中可以跑很远。在模拟器上还能设计各种场景，收集各种类型数据。

谈及数据方面和国外的差异，吴甘沙认为，一两年可以在数据上赶上国外。

 

2. 供应链管理

吴甘沙说：“这是传统硬件必须趟过的一关，如何让智能设备做到足够高质量是关键。”

 

3. 人才吸引

吴甘沙说，现在人才包括真正懂深度学习的人特别稀缺，例如目前驭势有五十人，但是远远不够，像Uber在匹兹堡的研发中心有五百人。无人车还需要汽车、电子、系统工程等人才。

位于1.5 梯队的驭势如何 PK 第1梯队

2016年无人车随着技术积累到一定程度，呈现国内外大公司各种联盟制造无人车的盛况，可谓来势汹汹。国外有英特尔和宝马联盟，高通、Delphi、Google、Apple、Uber等等。国内各大公司巨头也加入到这一市场。

就此现状，新智元提出驭势科技如何商业化的问题。吴甘沙表示，商业模式既有2C也有2B。可能从2B先入手，在园区景区内，用无人车实现最后三公里的路程。他举了一个生动的例子，比如在某些度假村，住房到餐厅很远，无人车可以代替现在的摆渡车。并且在限定场景，在低速的状态下，无人车距离商业化并不远。

而2C方面，驭势的技术方案使得驭势可以用便宜的硬件做出普通人能用的产品。一些公司的技术依赖昂贵的硬件如好几个64线激光雷达，而驭势用便宜的16线雷达，利用深度学习算法进行性能的弥补，可以把价格降低很多。驭势的汽车价格可能做到Tesla等公司的五分之一到十分之一。

至于对抗大公司，吴甘沙认为无人车市场足够大，涵盖了传统汽车行业和互联网时代汽车服务还有其他的市场；驭势会选择垂直细分的市场进行商业化，这部分市场可能是大公司不那么重视的，等到有所积累再全面进入市场。他说：驭势科技并不是简单的第一或者第二梯队，而是1.5梯队，竞争力本身并不弱。

面对大小公司混战的局面，有人问中国无人车小公司是否会像国外团队一样都走上被大公司收购的路子。吴甘沙认为出路通常有三种：1. 被大公司收购；2. 从第二梯队渐渐走向第一梯队；3. 在某个领域生存下来，掌握全产业链，然后尝试从一个垂直领域到另一个垂直领域。驭势保留不同战略可能性，倾向于第二种出路。

无人车技术Google第一，Uber第二

新智元邀请吴甘沙评价Google和Uber无人车的战略，吴甘沙直言 Google 拆分 Waymo ，调整技术路线，看似怂了。这可能是因为Google高层对无人车发展时间点的判断和无人车早期团队的看法有些不一样，现在Google无人车早期成员基本出走了。目前来说Google技术还是世界第一，而Uber的无人车世界第二。Uber 毕竟挖了卡耐基梅隆几十个人的团队，都是很顶尖的，收购了Otto。而 Mobileye跟 Tesla分手后也和Uber在一起了，所以 Uber 现金和势头都是很强劲的。

至于 Tesla 刚刚实现里程达35亿英里的数据超过Google，吴甘沙认为不能单纯从数字上去解读。Tesla依然很难拿到数据，毕竟Mobileye卡在那里，Google跑的200万英里是各种数据都有。这是真金白银，价值很大。

现场有人问到怎么看待无人车企业的软件硬件两种路线，如Google自动驾驶走软件路线和Tesla走硬件路线。吴甘沙认为 Tesla 最厉害的一点是第一个实现了商业化。他整套系统做出来了，比奔驰做的好，说明 Tesla 系统集成能力非常强。但是软件方面，比如视觉这一块，他们刚刚接过来自己做，这一块有差距。而Google现在的管理层已经没有那么乐观了。但是他并不认为谷歌完全转向软件路线，可能两方面都会做，只不过暂时加入了跟车厂合作的计划。

无人车的黑科技和技术挑战

    

无人车的黑科技主要如下几个方面：

    

1. 基本感知。包括视觉-语义模型，激光雷达-集合模型，视觉+雷达+（超声波），三种方法。从前激光雷达很贵达75000美元，将来可能会在50美元以下。

基本感知跟安全息息相关，Tesla的一起惨烈车祸就是因为自动驾驶汽车没有识别超长的卡车造成。如何改进？有两种思路：改进摄像头和改进视觉算法。

单目+ 深度学习识别算法用以识别不同距离，不同角度，异形车和遮挡的情况。而多任务深度神经网络适用于复杂城市场景。

 2. 地图（空间模型）和定位 = 能认路的司机。活动现场，吴甘沙分别介绍了绝对定位和相对定位。GNSS RTK高精度定位 => 高精度惯导 => 定位融合算法。但是这样依然有问题，还要用视觉参照物清楚相对定位误差，所谓参照物比如交通标示和地面。从认路到认识世界，基于语义分割实时产生全面世界模型。

3. 利用RNN推理动态物体的特性，比如这个前车掉下来一个东西，这个东西如果是一个塑料桶就可以不用紧急刹车，如果这个东西是个冰箱，就必须采取行动。同理可用于人口密集的园区。同时使用的技术还有监督学习+RNN。

一个比较有意思的数据：吴甘沙介绍说，现在奔驰S级轿车上的代码量是波音787梦想客机代码量的16倍。

“技术的问题在于深度学习是一个黑盒子，没人知道它怎么工作。对于无关安全问题的识别，我们可以容忍，但是对于无人车这种性命攸关的事情，我们需要更好的方法”，吴甘沙介绍说，“驭势正在用 GAN 改善单纯深度学习的不足”。    

本次人工智能热潮不是“泡沫”

就大家对2016年整个人工智能领域泡沫的担忧，吴甘沙对这一波人工智能的繁荣更有信心，他说：“这一次有着坚实的技术做支持，总的来说不能认为是泡沫，但是某些领域例如机器人可能是存在泡沫的”。

某些细分领域的例如人工智能在编程上的应用，吴甘沙相信明年我们可以看到真正的应用。

伦理&政策

在分享会上，吴甘沙提到2016年无人驾驶领域出现了很多类似电车难题之类的思辨，例如：无人车的主人突发心脏病，无人车可以超速嘛？无人车要撞到人的时候，应该是撞没带头盔的还是带了头盔的人。新智元问到驭势的产品会做出怎么样的选择。吴甘沙说驭势根据社会的选择标准进行选择。如果非要说具体措施，那就是选择刹车，不会去撞向其它方向。另外，他提到，甚至英国日本已经出现针对无人车的保险。

最后，他在分享中提到，政策方面也是很多人关注的。技术在推进着政策的发展，特别美国推动很快。中国的政策有两个方面：，一方面来自美国的引力，一方面国内公司正跟地方政府推动局部政策改变。他对三五年之后无人车上路有信心，但是高速车的推动可能会慢一些。

 

总的来说，吴甘沙认为，整个人工智能领域可持续繁荣。技术方面，看好结合深度学习的最新人工智能技术，希望用这些技术更好地帮助无人车理解整个世界，给用户带来更舒适的体验。商业化方面，低速无人车一两年内会开始使用，高速无人车无论从技术还是政策方面推进较慢，但是依然可能在几年之内推向市场。同时随着商业化，数据积累会指数级上升，反过来加速进一步的商业化。

文章转自新智元公众号，原文链接