無人車駛出寒冬？

新智元報道

講者：吳甘沙

編輯：克雷格

【新智元導讀】前幾年自動駕駛還一直是“第一眼”美女，現在變成了“第二眼美女”，並且許多公司頻繁出現問題，自動駕駛行業還在寒冬裏嗎？3月27日，在“2019新智元AI技術峯會——智能雲·芯世界”上，馭勢科技創始人兼CEO吳甘沙做了主題演講。

自動駕駛從去年下半年進入“寒冬”，引發出行業諸多怪象：先是Roadstar公司CEO等人宣佈罷免首席科學家，造成公司內鬥；接着有吳恩達背景的美國自動駕駛創業公司Drive.ai傳出“賣身”消息，一時間，曾經屢創融資奇蹟的自動駕駛公司頻繁出現問題。

自動駕駛行業到底怎麼了？

3月27日，在“2019新智元AI技術峯會——智能雲·芯世界”上，馭勢科技聯合創始人兼CEO吳甘沙做了主題演講。

吳甘沙馭勢科技聯合創始人兼CEO

他認爲，前幾年自動駕駛還一直是“第一眼”美女，現在變成了“第二眼美女”：剛看上去一般般，但是越看越好看、越看越耐看，無人駕駛就處在這樣一個階段。

在“第二眼美女”階段，行業應該怎麼向前走？Waymo這個L4的帶頭大哥的商業模式行不行得通？

我們從吳甘沙的演講中尋找答案，以下是他的演講全文。

不存在自動駕駛摩爾定律，Waymo也進入深水區

非常感謝新智元搭建這樣一個平臺，能夠和一些老朋友再一次相見。

今天有人說無人駕駛變成了“第二眼美女”，什麼是“第二眼美女”呢？就是剛看上去一般般，但是越看越好看、越看越耐看，無人駕駛就處在這樣一個階段。

當然，前幾年還一直是“第一眼”美女，這幾年當中發生了什麼呢？

大家來看這個標題（下圖），這是去年9月份，很顯然是“第一眼美女”的範兒，無人駕駛時代變革馬上就要開始了，商業模式、盈利模式都能夠找到了。

但是下面就是去年年底的一個題目，Waymo One是世界上第一個無人駕駛的服務，但是試過兩次以後就覺得人們已經對未來感覺有點枯燥。另外一個媒體的報道說無人駕駛距離完美還差得很遠，然後就出現當地的居民去扎它的胎，拿着槍對着它的車加上攔它的路，出現了很多問題。

這些問題很大一部分原因還是我們的技術做得不太好，人們說這種車太保守了，很大程度上影響了交通秩序。其實這個題目說得非常尖銳：Waymo會不會像以前的Xerox PARC實驗室曇花一現呢？另外一個無人駕駛領域的領先玩家就是GM Cruise，2018年3月說19年要商業化，到10月份的時候路透社報道說Nothing is on schedule，2017年底說2018年每個月要跑100萬英里，實際上2018年全年只跑了40多萬英里。

UBER的很多信息一直到準備IPO時才披露出來，請看一下2016年時他們的樂觀預測。1月時預測2018年無人駕駛就能夠幫助UBER盈利，當年5月份預測2019年UBER會有1.3萬輛自動駕駛的出租車，8月份把OTTO收購，認爲這個進程會加快一到兩年，9月份修改預測，認爲2019年達到7.5萬輛無人駕駛出租車，基於這些預測，2017年11月份時宣佈要購買2.4萬臺沃爾沃，建立無人駕駛車隊。

今天來看，很顯然，這些玩家都太樂觀了，實際上Robo-Taxi路還很長，Waymo實現了1.1萬英里纔有一次接管，但是跟美國人類駕駛員的水平比起來，20萬英里出1次保險，50萬英里1次警察干預，100萬英里1次受傷事故，9400萬英里1次致命事故，差距還是很大，Waymo今天一共纔開了2000萬英里而已。

前面有一個創業公司的老闆說：我們無人駕駛當中會不會有摩爾定律，每16個月，每次接管之間的行駛里程能夠翻一番？

他試圖根據前面幾年的數據推出這樣一個摩爾定律，但事實上並不存在。

我們把Waymo的數據整個拿出來，每個月的數據都進行分析。橙色的曲線是每個月干預的數據，有的月份特別好，比如2015年底的時候已經能夠實現接近2萬英里1次干預，但馬上又掉下來了，2017年最多能夠實現3.5萬英里1次干預，但馬上又掉下來了，整個2018年一直在起伏，所以並沒有形成一種明確的越來越好的趨勢。

藍色的柱狀圖是每個月跑的里程，真正上量的是2018年後半年，每個月最多達到20多萬英里的里程，這個數據非常了不起。美國加州的數據顯示，除了Waymo和GM Cruise之外，所有其他的玩家每個月行駛里程平均下來是943英里，就是其他的玩家的測試強度遠遠落後於Waymo。

那麼Waymo到底因爲什麼原因出現人工接管？

決策問題有46%，預測錯誤大概佔到4%，行人一些不理性的行爲佔到19%，加起來差不多是70%，這些大致都可以歸爲決策的問題，而感知出現漏判只有25%。

今天我們說某家公司多牛，深度學習網絡能夠對幾千萬張圖片進行訓練，可以識別很多物體，其實這些並不是無人駕駛下一個階段的重點，下一個階段的重點是決策，複雜環境當中的決策。Waymo作爲一個行業當中的領導者，已經真正進入了深水區，現在很多公司還在談感知的成功率是多少，其實還是處在早期。

但是Waymo這樣的場景在中國根本玩不轉，這是在美國進行測試的場景，一個很直觀的感覺就是路上人很少，車也很少。

Waymo面對的交通環境

那麼再看一看國內無人駕駛的路測，這種場景的複雜度要是十倍以上，大家第一眼看上去就是很多很多的車，還有人車混行的環島，橫衝直撞的電動自行車，越過雙黃線加塞的車，對面過來強佔我們車道的車，等等。這讓Robo-Taxi的產業化更難。

國內自動駕駛公司遇到的交通環境

無人駕駛爲什麼知易行難？

現在我們分析一下無人駕駛爲什麼知易行難，主要有幾個問題的原因：

首先這是一個2B業務。大家經常說2C是贏家通吃，2B很難贏家通吃，因爲2B的性質就是生長得慢，但可以活得長。

其次就是短板效應。互聯網創業經常說長板效應，一兩個點特別強，一招鮮吃遍天，其它的差一點也無所謂，無人駕駛就是短板效應，只要一個地方短了，馬上整個商業化過程都推遲。比如我們做無人車，哪怕把大腦做得再發達，小腦就是執行機構，如果執行機構沒有冗餘就沒法大規模商業化。這個行業最領先的是博世，他們帶冗餘的執行機構要到好幾年年以後纔出來，所以就是短板效應。

我們要做的事情是關鍵的任務，關鍵任務就有一個開發規律，叫做90/10，即使完成了90%，剩下的10%很可能還需要90%的時間，這就是關鍵任務。我們經常說一個女人九個月生個孩子，但九個女人不可能一個月生個孩子，因爲這種技術有其固有的節奏和規律，更多的錢和人也無法加速。

最後就是雞和蛋的問題，現在這個系統比較貴，所以無法大規模應用，正因爲量小所以成本降不下來。

我問我的女兒先有雞還是先有蛋？女兒很聰明，她說先有蛋，因爲恐龍蛋出現在雞前面。這就給了我一個啓示：我們做這個事業是可以沿途下蛋的，一開始下的可能不是雞蛋，而是恐龍蛋，至少能夠讓這件事情做下去。

“第二眼美女”怎麼才能越看越好看？

“第二眼美女”怎麼才能越看越好看？我們列了這樣三個可能性：

第一個第二眼美女的特質，要看特斯拉。

特斯拉的絕招是什麼？無人駕駛要在統計學意義上證明開的安全需要多少里程？

95%的置信度證明無人駕駛比人駕駛安全需要110億英里，也就是如果有100輛車，不吃不喝不睡連着開500年才能開到110億英里。Waymo現在1000輛車，每個月跑100萬英里需要開900年纔可以，下一階段Waymo要採購8.2萬臺車，如果每個月開8200萬英里要開11年。

這是特斯拉2016年出現一次致命事故以後給自己辯解：你們這些傢伙都是鍵盤俠，我開了1.3億英里才撞死1個人，美國的平均水平是9400萬英里死1個人，不是已經很安全了嗎？夫復何求呢？

但是特斯拉錯算了一點，就是沒有統計學意義上的置信度：如果第二天再死一個人就是1.3億除以2，變成6500萬英里了。

這是今年年初特斯拉給加州車輛管理所提交的數據：

今年特斯拉根本沒有做路測，錄入的數據是零，但同時又說有幾十萬輛車在路上不停地跑，就是影子模式下面進行路測。

什麼叫做影子模式？就是駕駛員在開車，但是算法在後面的影子裏面跑，然後把算法的結果和人的結果進行比較看一看好不好，不好的話就重新訓練。

現在其實我們也在試圖做這樣一個方向，這是我們和一家主機廠的廣告，廣告裏面有一句話叫做面向未來的自動駕駛優化提升。

這是什麼意思？其實就是影子模式，我們把它叫做SIP，首先是Scoring，要對駕駛員行爲打分，也要對環境數據有效性打分；Imitation就是進行模仿，對複雜環境中的決策行爲進行模仿學習，然後可以進行平行的駕駛，也就是Parallel Driving。

我們把這個叫做草船借箭，借殼上市。草船借箭首先是要有船，就是大批量生產的量產車，然後才能借到箭，也就是數據。我們需要借殼上市，所謂殼就是便宜可靠、又能跑影子模式的控制器，然後才能上市，通過影子模式做新算法的迭代驗證。

這種東西知易行難，因爲要讓主機廠量產車安裝這些東西談何容易？

現在我們已經開始和一些主機厂部署這樣的系統，車輛進入停車場就變成無人駕駛，自己尋找停車位，停車場當中完全是無人駕駛，但是一出停車場，是駕駛員開，開的時候就在跑右邊這樣一個算法，在影子當中去跑，和人開的進行比較，這樣才能幫助我們快速地獲得數據，進行不同路況下面的算法實車驗證。

第二個第二眼美女的美，來自垂直細分市場的曲徑通幽。我們可以沿途下蛋，找到商業化機會。但我想和大家分享的是，哪個蛋都不容易下，大家不要覺得有些場景環衛車、配送車、物流車沒有人在上面就好做，其實每個蛋都不容易下。

關鍵就是找到真實的需求，很多需求客戶向你要的並不一定是真實的需求。其次，這個帳也要算得過來。大帳要算，小帳也要算。大帳就是整個市場到底有多大，能夠佔有多少市場份額，小帳就是每一臺車多少錢，是不是真正能夠給客戶帶來價值。第三，技術要能夠確保無人化，如果車上還坐着一個安全員，那是無人駕駛嗎？不是無人駕駛，能夠給客戶帶來價值嗎？能省錢嗎？能解決人力短缺的問題嗎？解決不了。

我們選擇了這樣一個市場，機場物流，我們認爲是真實的需求：

真正能夠跟客戶算清楚這個帳，能夠取代三個人的司機成本，能夠解決招不到人的問題。我想和大家分享的就是未來1、2個月，這樣的車真正在機場進入無人化的試運營階段。大家知道機場的場景其實是非常複雜的，夏天特別熱，暴雨暴曬，各種隧道、斜坡等等，其實真正把這種技術做好也是非常不容易的。

第三個第二眼美女的可能性，來自仿真世界的破碎虛空。比如我們做自動泊車，天下有千千萬萬的停車場，每個停車場都不一樣，怎麼辦呢？其實可以在虛擬世界當中建立虛擬的停車場，這種技術和三維重建有關係，也和平行世界有關係。

虛擬停車場應用的技術一大部分就是三維重建技術，要用今天可量產的傳感器，能夠對真實世界進行重建。另外一種技術其實是AI創造的技術，最近大家經常看到用生成性對抗網絡創造出來並不存在的臉、並不存在的車，這些東西其實都是可以在這樣一個環境當中進行設計。

我們可以把停車場的一些共有的因素變成一個素材庫，變成一個Building Block，通過很多剛纔講的技術融合起來，這樣就可以生成各種各樣的虛擬停車場。在虛擬停車場中做代客泊車的測試。

最後和大家分享一下我們的策略：我們和主機廠、領先機場等頭部客戶協同創新，沿途下蛋。產品力和數據力缺一不可，現在我們的想法是以小帶大，就是利用我們可量產的技術，像L3和自動泊車，帶上影子模式，同時用草船借箭、借殼上市的方法借到數據，然後在這個殼裏跑我們真正的L4算法驗證。垂直細分市場是每一個蛋都不容易下，三千弱水，只取一瓢，我們只找一到兩個場景，做行業的第一。

L4商業化落地今天沒有講，但我想跟大家做一個預告，最近兩天在海南博鰲有無人駕駛的試運營，裏面好幾款車當中有我們的無人駕駛系統提供支持。

要做這麼多的事情也並不容易，我們把它形容成烤肉，我們大的研發體系是一個自動烤架，上面放三個肉串同時在烤。

我們經常說聚焦，就是隻烤一串肉，但這一串肉很長，烤的時間很長，如果我們能夠把研發時間和資源利用好同時烤三串肉就可以獲得最佳的收穫。

我們經常說無人駕駛有電車難題的問題，到底是裝五個人還是裝一個人？很多人都在討論，但前提是什麼？這輛車的剎車失靈，我們不討論這樣的問題，我們討論的是怎麼把剎車解決，所以在這樣一個大機會時代，我們不要做機會主義者，不空談，而是從Basics開始做起，真正把安全做好。

在低頭趕路的同時，也要擡頭看天，可以說今天的無人駕駛技術並不是終極的技術，未來幾年或許會有換道超車的技術一夜間出來。我這裏列出了無人駕駛技術未來的幾個趨勢。今天我們開幾十億、幾百億英里才能訓練好一個無人駕駛系統，但是人在駕校學幾十個小時、在路上開幾百公里就可以開得非常好，爲什麼？因爲我們人的智能要比今天的人工智能好，所以這些都是我們下一步要探索的課題。