圆桌对话：深入解析自动驾驶的安全问题和技术应用

　　新浪科技讯 12月29日下午消息，在由《麻省理工科技评论》和DeepTech主办、新浪科技作为首席媒体支持的全球新兴科技峰会期间，澜亭资本创始人刘炯携手金沙江创投董事总经理丁健，深鉴科技CEO姚颂、禾多科技创始人倪凯，驭势科技联合创始人吴甘沙及Quanergy 联合创始人&CEO Louay Eldada，就“自动驾驶的安全问题和技术应用”展开讨论。

　　自动驾驶是如今大势所趋，自然会有一众拥趸追赶潮流，而他们作为这个时代青年科技人才的典范，在自动驾驶领域有着日渐重要的作用，那么他们眼中的自动驾驶面临着什么问题？又有什么解决办法？不管是激光雷达还是视觉算法，这些技术对于自动驾驶的应用又有哪些值得认真思考的重点？

　　以下是讨论全文：

　　刘炯：非常欢迎各位嘉宾，参与到自动驾驶的讨论环节。我们提到自动驾驶，可能我们第一个会去关注的就是关于安全的问题，因为离开了安全任何驾驶在人类面前可能都不足一提。


图 | 刘炯

　　当今有两种观点：

　　观点一，认为机器较人类在自动驾驶领域更有优势。主要理由首先觉得机器具有多传感器融合，较人类具有更多的感知方式。机器也不会知道疲倦，以及机器永远是一个理性的状态。

　　观点二，在一些极端的case下，人类比机器有更多的经验。

　　想请教在座的各位，怎么向普通大众证明，自动驾驶时代自动驾驶技术比人类驾驶更有效、更安全的选择，这个问题想首先请教吴总。

　　吴甘沙：其实从数学上来说，是很难证明的，因为它需要大量的数据样本，大家知道2016年特斯拉出现车祸以后，Musk给自己辩解，我已经开了1点几亿英里才死了一个人，美国的平均水平是9000万英里会撞死人，我已经比人开得安全了。从概率的角度上来说，这个数据样本太小了，如果第二天再撞死一个人，就1.3亿英里除以2，变成6500万英里。

　　所以大家可以看到，今天的数据是完全不够的。谷歌的640万公里也是不够的，兰德公司有一个研究，说需要100亿公里，一辆车连续不停跑500年，才有可能有足够地数据样本去证明，现在没有任何人能够去证明这点。

　　那怎么做？我觉得从设计心理学的角度来说，可以提3个方案。

　　1、在受控的环境里面去做试验。因为大家知道在宾夕法尼亚大学和芝加哥大学他们做了一个研究，说我们人碰到机器犯了一次错误以后就不原谅它，但是我们人犯了一次错误，我相信我下次能够去改正，能够做的更好。所以实验必须是受控的，我举一些例子，比如是分时段，半夜里面让无人驾驶的车出来，做夜间的小巴，或者做夜间车的调度。

　　2、我们有一个熟悉定律，就是体验会导致好感，人们就会倾向于要接受，那儿这样意味着就是我们要大量进行受控实验，让更多的老百姓去尝试，去心理上接受它。

　　3、当人还保留少量控制权的时候更能够接受自动化，所以我们在人机交互上面要去设计好，要去让无人驾驶车保留一点点人控制的能力。

　　倪凯：刚才甘沙说得非常对，无论是工程上还是技术上，他都说了很多的数字，包括举例，我想补充一点就是从简单场景开始。大家可以想象一下我们小孩的时候，我们怎么去学自行车、滑冰，一开始大家可能都是后面有人扶着然后我们在去学，然后到某一天，他可能慢慢的开始放手，你都不知道他放手了，最后发现，我这个已经可以自己骑了，溜冰也是一样的。其实我们L3.5也是这样的想法，就是说有些技术可能是L4，但是你直接说我是L4，不仅是安全性是不负责任的，我觉得对用户心理的冲击也非常大。


图 | 倪凯

　　刘炯：谢谢倪总，Louay Eldada，您觉得我们怎么向人来证明无人驾驶技术是一个安全的选择？

　　Louay Eldada：如果你有最高级完善的系统，你可以证明它是一个很安全的系统，根本不需要什么证明。所以我觉得好的设计是一个前提，意味着你没有做出什么妥协，比如你使用的传感器数量没有降低或者它的性能没有做妥协。最终所有这些都够便宜：这些传感器在几年的时间里，成本可能会进一步的降低，只要几百美元而已。

　　有人出于安全的考虑对自动驾驶有顾虑。没人希望在开上路的时候出事故。有些开车体验很枯燥，比如开了6个小时，或者走走停停，这个过程体验并不很好，人们就不会喜欢。

　　另外还有效率也很重要，我们有一些案例已经证明，关于现实环境的自动驾驶，如果人们能够感知到它的效率非常高的话，人们会非常乐意接受它。

　　刘炯：我还有第二个问题想请教各位，在实现我们所理想的自动驾驶最终极的形态之前，目前的主流观点有两个：观点一，我们先给驾驶员提供一种更安全、更容易的辅助驾驶手段入手，从更低级别的辅助驾驶技术，逐步升级过渡到最终理想当中的完全自动驾驶。这一观点主要来自传统车企。观点二，认为自动驾驶可以一步到位实现L4级以上的自动驾驶场景。这些观点可能更多是来自于创业公司以及一些互联网造车公司，对这两种技术演进的路径，并达到最终理想当中完全自动驾驶的终极形态，您更倾向于走哪一种？

　　倪凯：其实我刚才演讲也提到了这个方面的观点，我认为直接做L3，它在现金流、业务模式、工程经验的积累、数据积累上面是有一定的优势，在L4这件事情上，大家一般公认的L4至少是五年以后，乐观地认为五年，不乐观的认为7―10年都有。

　　我认为在这么长的时间跨度里，最大的问题是很可能会出现颠覆性的技术，让现在的很多的工作白做了。大家可以想象一下我们7年之前或者是10年之前技术，没人讨论深度学习，大家也不会讨论在车上做GPU以及运算相关的事情，现在慢慢不管是Mobileye还是传统的公司，往后面L4、L5都会强调强大的并行计算能力，把一个平台开放出来。

　　吴甘沙：我觉得与其说是技术路线之争，不如说是商业路线之争，因为传统车厂，它的商业模式是卖私家车。私家车对成本敏感，同时它有大量的用户基数，我试错的成本太高，必须得一步一步这么过来。新兴的互联网厂商，它基因是运营，运营的话它在乎的不是车的成本，而是运营的成本，要把司机拿掉，所以它一下子要上无人驾驶，不然没有优势。而且它是增量的车，一开始基数也比较小，敢于做试验。所以这商业路线之争。


图 | 吴甘沙

　　我觉得技术路线上，双方趋同。大家基本认为L3以后，即使是主流的车型，它也慢慢具备了激光雷达，具备了高精地图，而这些东西是传统互联网厂商用的东西。

　　最近CES上大家看到，德尔福的样车上有9个激光雷达、4个摄像头、10个雷达。而通用汽车真正的无人驾驶，它有5个激光雷达，16个摄像头，21个毫米波雷达。

　　你可以看到，即使是主流车厂、L3，L4以后也在往这个方向上走。所以我觉得技术路线会融合，在融合以后可能下一步需要的是更强的人工智能。我们刚才说，今天的人工智能还需要不停地跑、不停地去练。

　　未来的人工智能一定要具备举一反三的能力，这个环境从来没去过，它能够适应。比如去一个从来没有去过的停车场，它能够找到停车位，能够找到出口。它要具备处理那些不确定性，未知输入的能力，它具备学习、理解的能力。而这是传统的基于激光雷达和高精地图的技术方案并不存在。所以，未来双方融合，同时往下一代的人工智能进发，这样才能真正终极的解决无人驾驶的问题。

　　刘炯：我的下一个问题是关于激光雷达与视觉算法的技术之争。

　　提到自动驾驶，我们第一个会想到激光雷达，但是目前激光雷达数据精度更高，但是也存在目前的量产成本高问题，短期之内，商业化存在一定的困难。激光雷达与视觉+芯片的这样一些技术方案，在您看来哪种是更适合现在的自动驾驶市场，以及你们认为未来的终极形态下，自动驾驶到底会采用怎么样的解决方案？

　　姚颂：我觉得首先第一点是自动驾驶的视觉算法和雷达的典型的处理算法并不矛盾，大家在做这些点云的处理，很多时候也还在用CNN来做，对于从硬件计算平台的本身来说，你的算法我们并不那么在乎。


图 | 姚颂

　　所以从技术本身来讲，我觉得两条路都可以做，对于芯片来说不管哪种，都是巨大的信息输入，要做一些处理。这是第一点，从硬件本身来说是没有太多地区别。

　　第二，我是站雷达这条路的。我举几个例子，一方面刚才甘沙老师提到，要向大家证明自动驾驶是安全。所以，我想自动驾驶可能也是这样一个过程，其实现在很多公司，我想已经慢慢的开始往这条路上走，就是它会把一个技术慢慢的来使用。

　　比如说奥迪前段时间说的，它要推L3的一个系统，但是他们一开始会先发布L2，也就是说我人是要看着的，这样不仅从安全性上它确实解决了很多问题，第二个就是说人还看着，它多多少少会建立起自信心，即使到有一天，其实我软件版本没有什么大的变化，我说我这是L3，大家也会更容易去相信这个机器，我觉得这个是一个很好的思路，就是说我们即使有一个更高端的，或者说更往上的系统，我们会把它降维来尝试。

　　需要非常大的数据，要告诉大家，确实你的事故率，真的比人要低很多，如果只是低个2倍、3倍，可能大家都不会愿意，你可能要低一个数量级，甚至是低于两个数量级，人家错愿意。这样的一种情况，我会觉得纯粹依靠视觉，要做到这点非常困难，加上雷达也会做到L4以上，可能这个事情会更简单一些，包括两天前Bill Dally老师在我们公司，我们也一起聊到了这个事情。

　　最后他的看法是说，我用纯视觉做这个L4，肯定也能做，但是他觉得用这个达到的技术水平，可能跟雷达做要差2―3年的水平，我是觉得雷达肯定是要做L4以上更加适用的方式。

　　当然现在一些实际的问题是在于自动驾驶是一个很综合性的系统，绝对不仅仅是一个Senser，包括Senser本身的形式，可能我们都不太确定。包括一些雷达的公司，原来大家是64线、128线这样平行地扫，大家可以看到到今年，一些新的雷达，可能是垂直两个方向扫，能够得到一个密集的点云，但是它的视场角可能不是360度的，而是100度或者是120度，从Senser本身也在变化，大家在定义怎样是真正适合量产的Senser。

　　再比如说在雷达里面，已经有FPGA在做一些数据分析，未来我们的车里面，还有两块很重要的成本，一块是主芯片，这是英伟达最大的卖点，也是最大的故事。二是我在车内如果数据量非常大的话，要做很多的高速互联，包括我有几十个Senser这样的高速互联，其实也是非常占成本的，那是不是我雷达里面的FPGA既做了普通的点云的处理，又做了一些数据处理，甚至到了L5，我们是不是必须要做到车联网，我才真正地有可能做到L5，比如说我最多扫描做到150米、200米，但是我前方500米、1000米出现了怎样的事情我是不知道的。

　　所以，这个里面的系统性的问题，其实还是很多，但是我觉得肯定用雷达会比纯用视觉会更快一步。

　　刘炯：我们最后一位嘉宾，想问一下您现在特斯拉的交通事故，在上周在加州又发生了，究竟雷达解决方案和视觉加芯片哪个更好？

　　Louay Eldada：其实特斯拉一直在用我们现在雷达和芯片视觉的叠加方法，而且他们的解决方案其实也非常的好，他们的芯片非常的好，但是现实的问题是他们的这种雷达的分辨率越来越高，那么就会有问题，比如说分辨率越来越高的时候，lidar就是lidar，雷达就是雷达，这其实是有一些语义上的问题，究竟你称呼它为雷达还是lidar，可能大家叫雷达更加舒服一些。


图 | Louay Eldada

　　我们也知道有视觉加上芯片这样的解决方案，其实是要花很多的时间，还有很多的延时，我们毕竟首先要把3D的图片进行解读来反馈，而雷达它更加的直观，它直接就可以去扫描整个精准的3D图形，那么我的芯片和视觉可能会要进行很长时间的加工，那么就是反馈时间更长，而雷达发射的反馈时间更短，也更加的有效率，它能够很快的去捕捉现实环境中的一些物体，那从成本角度来，我们暂时还没有仔细去分析。

　　我们在考虑一下生命周期的成本，我们可以再去考虑一下传感器的成本，比如说我们说到雷达可能要花上几百万美元，那么还有一个承受度的问题，因为雷达的生命周期有承受度这个考虑点，包括我们的运输，还有生产出产的成本，可能会更低一点。

　　刘炯：您觉得最佳的解决方案或者是最终的解决方案，作为自动驾驶会往什么方向走？

　　Louay Eldada：其实有不同的传感器，其实你想问的是最佳的传感器是哪个，那么就是雷达，因为雷达是最好的能够解决3D高清晰路面的解决方案，就是雷达了。这种传感器可以用来感知、定位、导航，但我们还是要看视频的，因为我们要看路标，我们还需要雷达，雷达会处理一些特殊的路况、工况，尤其是一些非常挑战的工况。

　　比如有一些厚的浓雾，你可能没有看得清楚。在这种浓雾的环境中，只有雷达能够帮助你看清前方的道路和一些路况。我们其实需要一个打包的解决方案，我觉得这才是终极方案，把不同的解决方案集成起来。



　　刘炯：（to 丁健）在自动驾驶时代，刚刚我们在场上讨论的，在车本身的技术问题之外，还存在哪些大的机会？如果从投资的角度，怎么参与？

　　丁健：刚才也听了很多在激动驾驶领域的前景和突破，但我们总体的判断，站在投资的角度，我比较同意刚才 Eldada先生引用的一个预测，要真正实现一个非常强的L5的自动驾驶，还需要很长的时间。

　　其中一个很重要的原因，因为它是直接跟人工智能总体发展水平一致。因为从人工智能本身角度来讲，我们现在看到的还是一个识别的级别，而没有真正到理解和意识的级别。对一个自动驾驶来讲，对一个司机来讲，不管你用什么样的sensor而输进来的data。那么你首先要做得，仅仅这个人坐在那只是在做一个感官的识别处理还是在做很多意识上的理解处理。

　　如果理解处理在开车过程中也是一个重要环节的话，那我们简简单单的依靠识别处理代替理解处理，我觉得这不是那么现实。我相信大家也正是因为理解到这一点，看到人工智能本身在理解领域，也就是在感知领域的突破，可能还需要10年、20年甚至更长时间的话，那我们就没有办法真正能预测我们的无人驾驶可以变得这样的好。

　　回到你刚才的问题，它实际在发展的过程里，在各个领域都会出现很多的机会。像我们在研究登月的时候，会出现很多小的技术，会benefit很多其他的领域，这是一样的道路。

　　刚才讲到很多垂直领域、低速领域、专业场景都会用到，甚至在一些工厂，你仔细想一个无人车，实际就是一个移动的带着四个轮子的robotics，可以把它理解成是一个robotics的发展。当它上面再装一些其他东西的时候，它可能就变成一个小robotics，在各种场景下都可以工作。

　　所以，无人驾驶的技术和robotics的技术和很多其他技术连接在一起的时候，它自然而然会形成非常多全新的各种各样的商业机会和投资机会，还有改善的机会。

　　至于你说到它对劳动力市场的冲击，我觉得这是一个非常大的话题。先说一个简单的版本，近期的版本完全不用担心，因为劳动力未来在人工智能整体发展的过程里产生新的工作，还是非常大量的。

　　但是，从中期和长期的角度讲，这是一个很严重的问题或者很大的问题，曾经陆奇说过一句，未来可能只需要5%的人口来做，就能满足全人类基本的物质需求，剩下95%的人就互相娱乐了。或者说用《未来简史》的那句话讲，就是产生了个无用阶级的理念，这个确实是说跟现在的整体按劳分配的体制，会出现巨大的隔阂。

　　在这个过程里面，会经历非常大的变化，这个不是我们今天的个话题，我只是想把这个话题提在这里，没有简单地回答你的问题的答案，但是在近期，无人驾驶领域，我不会对它太做担心。



　　刘炯：在我们讨论环节的最后，我想请丁总简单地来点评一下，目前在自动驾驶领域，中美之间所存在的竞争和合作的关系，以及机会。

　　丁健：确实就是说，其实在无人驾驶领域，国内和国际的差距并不是那么多，其实有几个方面，一个方面就是说Google确实在整个领域遥遥领先其他人，因为一个是动手早，一个是人才也比较密集。

　　除了它以外，中国的公司不管是在做的几个公司，还是像百度做的阿波罗，和国内的几个企业做的联盟，都在拼命地在这个方向进行很多地投入和实验，在这个方面，我们在技术上面的差距没有那么大，但是我们确实将来会遇到比较大的人才上的差距或者说短板，这个方面来讲，大量地下一步怎么样培训这方面的人才会是一个很重要的地方。

　　但是我们也有自己的优势，一个是政府在这个领域，确实力度非常大，无论是在政策方面、法律体制方面等等，我相信从党和政府在过去这段时间，对共享经济的支持，对于移动互联网的支持、互联网金融的支持，这种容忍度，这是对于无人车驾驶下一步非常重要的一个地方。比如说怎么样把一个环境专门给无人驾驶腾出来，现在很多城市都在做这样的尝试或者是有这样的计划。

　　另外，也很重要的是刚才看到我们的驾驶的车祸的数量之大，一方面是我们不幸的地方，但是另一方面可能坏事变好事的地方，就是让政府也好，让民众也好，对这项新的技术，有一个更大的容忍度和更低的期待，你不需要做到跟美国那样的死亡率，你给我把今天的死亡率降低个30%，我已经很开心了，对于政府在这种情况下，我更早地愿意支持你，把无人车推到路上去。

　　所以我觉得在这点上来讲，如果我能够很好地把优势利用起来的话，我想中国在这个方面可以弥补我们在技术上差距，而且通过我们很强大的制造行业的力量，能够真正在无人车领域领先世界，也不是不可能的。



　　丁健：时间关系，我们自动驾驶环节的讨论环节到此结束，再次感谢各位嘉宾出席本轮环节，也忠心祝福各位企业家所在的企业，能够在接下来给市场推出令人惊喜的自动驾驶的产品，谢谢！