Autopilot

leiphone李星宇

按：本文作者為地平線智慧駕駛商務總監李星宇，畢業於南京航空航天大學，獲得了自動化學院測試儀器，及儀表專業的學士和碩士學位。曾任飛思卡爾應用處理器汽車業務市場經理，原士蘭微電⼦安全技術專家。

此文對CES 2017上，關於自動駕駛的最新進展進行了分析，作者認為商業模式的變革，是自動駕駛領域群雄並起的原因，並從「合作共享」、「傳感器成本下降」和「車聯網發展」三個角度，論證了自動駕駛產業化的長足進步。他還指出，自動駕駛競爭的關鍵，是更加理性的決策算法，和更實用的計算平台。

地平線由人工智慧專家余凱於2015年創立，致力於提供針對自動駕駛的高性能、低功耗、低成本、完整開放的嵌入式人工智慧解決方案。

第一部分、自動駕駛時代背景

如果說三年前傳統車企，對自動駕駛還是將信將疑，如今則幾乎全線壓注自動駕駛。誰能最先把自動駕駛投入實用，誰就贏得下一個時代，而競爭關鍵則取決於決策算法和計算平台。

自動駕駛進入「戰國時代」

一、群雄並起，逐鹿自動駕駛

在新年剛開始的一周，如果你想找個地方，和汽車業的人士聊聊，那最合適的地方一定是拉斯維加斯。今年的CES，車廠的參與力度堪比北美車展，而最熱的主題，毫無疑問是自動駕駛。

而CES的開幕前夜致辭，一向被認為是整個CES的風向標，今年的主角，從之前的Intel和微軟變成了英偉達，CEO黃仁勳的演講主題，正是人工智慧和自動駕駛。

在這次CES上，英菲尼迪、奔馳、日產、現代、德爾福、福斯、福特及豐田等公司，競相展出自家的自動駕駛汽車原型，同時，福特、沃爾沃、谷歌，以及寶馬等都公佈了計劃，將在今年將其自動駕駛測試車隊的數量擴大數倍，從40輛到100輛不等。

如果說五年前，谷歌開始其無人車測試時，像春秋時代一個孤獨的佈道者，追隨者寥寥，而懷疑者眾。那麼現在就是自動駕駛的戰國時代，群雄並起，傳統車企幾乎全線進軍自動駕駛。

二、自動駕駛與汽車商業模式的顛覆

從三年前的將信將疑，到現在的大舉投入，一方面是谷歌、Uber和特斯拉這樣的公司，用事實不斷展示技術上的進步。但最主要的驅動力，還在於傳統車廠，已經越來越清晰地意識到，自動駕駛技術，即將為汽車商業模式，帶來顛覆式的改變，這可能是自內燃機發明以來，汽車行業最重大的變化。

自動駕駛帶來的商業潛力有多大？從本質上講，自動駕駛和互聯網的共同之處都在於：它們都通過去人力化，降低了傳輸成本。互聯網降低的是資訊的傳輸成本，而自動駕駛則降低有形的物和人的運輸成本。對比互聯網已經產生的商業影響力，就可以想象自動駕駛的商業潛力。

借助自動駕駛，一箱德國啤酒從工廠出廠到中國的超市，在運輸過程中，可以不需要任何人工的干預，全程自動化運輸，中間會經過輪船、海關、高速和城市，其中的任務調度，都將可以在雲端完成，這提供了端到端的運輸解決方案。

這將需要無縫的基礎設施連接，但根本的變化，還在於無需借助人力進行運輸。

同樣借助自動駕駛，從首都機場到上海的淮海路，可以提前預約服務，中間也許會經過幾次拼車，以實現運算效率最大化，就像手機基站切換那樣，但全程依然是無縫連接的。

三、新的運輸模式：TaaS 2.0

基於這樣的應用，TaaS 2.0（運輸即服務，Transportation as a Service）正在成為業界探討的熱點，這裡將TaaS 1.0定義為有人駕駛，而自動駕駛則是TaaS 2.0時代。摩根·士丹利公司在最近的一份報告中表示，實現汽車完全無人駕駛將極大程度降低拼車成本，每輛車從目前的1.50美元一英里降至20美分一英里。

這一運輸模式的變化對於傳統車廠的影響是巨大的，一旦汽車從私人擁有變為共享運輸工具，傳統車廠的目標客戶就將由個人消費者轉變為TaaS運營商，正如華為和中國移動的關係一樣。隨之而來的，汽車的設計、銷售都將發生根本性的改變，汽車廠商就很難維持原來的強勢地位。

共享汽車的使用率將可以提升一個數量級（考慮一下我們現在私家車的行駛時間，以及每次的乘員人數），由此帶來的結果是：汽車整體銷量極有可能趨於下降。

自行車市場的歷史可以作為參照，2000年之前，自行車是中國私人出行的主要交通工具，與之對應的，是中國的自行車年銷量達到5000萬輛，還湧現出像中華自行車這樣的世界級品牌。

但是當自行車作為私人出行工具的地位，被汽車取代後，中華自行車陷入破產的命運，如今自行車已經成為一種出行服務的工具，並且設計也發生了極大的變化，而保留下來的市場，也不能當年的規模相提並論，今天，中國的自行車消費量，已不足巔峰期的40%，並且還在持續收縮中。

這意味著，整車廠將會遭遇殘酷的淘汰賽。

福特已經未雨綢繆，高調宣佈成為出行服務提供商，並啓動了FordPass項目，為消費者提供的服務包括：行動出行服務，幫助消費者，更高效出行的FordGuides線上服務等。

福特CEO馬克·菲爾茲將其稱為，繼福特為世界發明創造汽車以來，最具革命性的全新平台。Alphabet（谷歌母公司）在將其自動駕駛項目，成立了獨立公司Waymo後也表示，將在今年下半年開始提供共乘服務，該服務基於和FCA（菲亞特·克萊斯勒）共同開發的半自動駕駛MPV。

寶馬與Sixt SE共同建立了共乘服務公司DriveNow，也準備切入這一市場。緊隨其後的還有福斯、賓士以及通用等。

四、面向運營的自動駕駛技術難度更低

自動駕駛的目標市場可以分為兩塊：面向私人和面向營運。

從技術上講，如果一輛車被賣給私人的時候，其自動駕駛等級是Level3的話，那它就能在面向營運的時候發揮Level4的功能，這是因為營運車輛，可以在事前被充分規劃，規定有限的行駛區域，設定行駛的各種限制，包括車速、路線等，並且預先進行充分測試。這意味著在相同的技術水準下，用於營運可以實現更高級的功能。

可以說，商業營運的自動駕駛車輛，其實現時間將早於個人使用的自動駕駛車輛。

儘管不同的車廠有不同的自動駕駛規劃，但綜合來看，面向個人消費者的量產車，2023年之前可以實現高速上的Level3自動駕駛，和一般道路上的Level2輔助駕駛，而同期面對營運商的自動駕駛車，將可以實現在有限區域內的Level4自動駕駛。

能否在這場自動駕駛的競爭中勝出，很大程度上將決定整車廠下一個十年的命運。

自動駕駛產業化邁向縱深

整個過去的一年里，自動駕駛產業化在多個方面，取得了很大進步，包括產業鏈整合、成本以及車聯網。

一、合作共享成為共識

1、業界企業相繼合作

「我們希望到2021年開發一套所有人都能使用的標準系統。因此，我們歡迎製造商、供應商或科技公司等其他公司參與其中，共同為無人駕駛平台做貢獻。」

在近期召開的新聞發佈會上，寶馬、Intel和Mobileye公開了三方合作的更多細節，寶馬自動駕駛高級副總裁福利肯斯坦表示，寶馬及其合作夥伴，最終將以非獨家協議的方式，將該自動駕駛系統提供給業界，包括其它車廠。

研發的是平台級產品，技術上開放，商業上不排他，在傳統車廠的研發歷史上，這樣的開放態度是少見的。在自動駕駛激烈的競爭態勢下，合作反而成為最主流的選擇。

這三家公司的合作可能是業界最值得關注的，但回顧2016年，類似的合作可以拉出一串長長的清單，下面的合作僅僅是浮出水面的一部分：

‧Waymo和本田的合作，Waymo是谷歌自動駕駛項目單獨拆分後成立的子公司，雙方計劃在2020年前後實現高速公路上自動駕駛的實際運用；

‧英偉達和奧迪的深度合作，之前奧迪已經推出了有Tegra K1的域控制器zFAS系統；

‧英偉達與ADAS業界翹楚博世達成深度合作，表明傳統Tier 1正在快速跟上這波潮流，並且將其有深厚積累的車規級量產化經驗帶入自動駕駛領域；

‧特斯拉和三星在計算平台方面的合作，三星今年是在汽車領域動作最大的消費電子公司，先後將馬瑞利和哈曼收入囊中，並且成立了一個小型部門，研發自動駕駛處理器及傳感器，並且已經憑借其應用處理器切入奧迪供應商體系，可以預期三星將成為高通強有力的競爭對手，與特斯拉的深度合作，為三星撬動自動駕駛市場提供了一個極佳的支點；

‧德爾福和Mobileye的合作，德爾福在CES期間專門提供了測試車供觀眾體驗，其CTO傑夫·歐文斯表示，該自動駕駛系統將於2019年投入生產，預計批發價約為5000美元；

‧德國三駕馬車：寶馬、戴姆勒、奧迪聯手收購地圖供應商HERE，Intel也在最近加盟，收購了HERE 15%的股份，作為聯盟的主要成員，Mobileye也已經和HERE一起收集並共享道路數據；

‧沃爾沃與奧托立夫的合作，雙方共同開發的自動駕駛平台將向整個業界供貨；

‧耐世特和大陸計劃在密歇根成立一個合資公司，將打造面向自動駕駛的的電控系統和其他車載硬件。

2、四大核心因素推動合作

曾經的競爭者走到了一起，整個供應商的關係也在重組，Tier1、Tier2以及主機廠，也從未如此深入綁定在一起。群雄並起，連橫合縱，在百年汽車歷史上，從未有如此規模和深度的合作。這源於四個核心的驅動因素：降低技術風險、分擔研發成本、縮短研發時間以及鎖定客戶。

「開發真正的自動駕駛汽車需要克服巨大的技術挑戰，我認為難度與載人登月相當。」 Mobileye CEO阿姆農·沙書阿表示這不是一家企業能夠單獨完成的任務，合作是必然的選擇。

與此同時，各個重要玩家也在全力擴充自己的研發範圍，Intel今年動作頻頻，先後收購了深度學習初創公司Nervana，增強其在AI方面的實力，在今年的CES展上，Intel分別展出了與地平線機器人和AImotive合作的ADAS原型系統。在合作的同時，大家也都留一手，確保不被別人卡死。

二、傳感器成本快速下降

傳感器是自動駕駛汽車最顯著的成本，本屆CES期間，Waymo CEO克拉夫西克宣佈，Waymo已經將雷射雷達成本降低了90%，單價約為7500美元。克拉夫西克在近期接受採訪時表示：「Waymo可能會向其它公司銷售硬體」。

受該消息的影響，Mobileye股價下跌4.4%，降至39.86美元，創下去年11月中旬以來最大單日跌幅。投資者普遍認為此舉有助於增強競爭，改變Mobileye一家獨大的格局，加速成本下降。

Quanergy、Velodyne、麻省理工學院等，都在推進固態雷射雷達的研發，其核心在於上游半導體技術的突破，例如高功率高波束質量的輻射源、高靈敏度接收技術、產品良率等，如果這些關鍵指標獲得突破，固態雷射雷達的實用化，有機會讓成本下降至100美元。

雷射雷達被認為是最精準的自主感知手段，其有效感知範圍超過120米，而精度可以達到釐米級，但限於之前價格高昂，無法部署在量產車上，但前景無疑是樂觀的。

其它的傳感器價格本身，已經在可接受的區間，而性能則持續提升，在CMOS sensor方面，目前已經有4Mp像素密度的車規級產品；毫米波雷達正從點目標探測，往成像雷達方面發展，例如SAR（相控陣）型雷達，正在從軍用領域向汽車領域推進。

毫米波雷達晶片也正在從矽鍺技術，向廉價的CMOS技術發展，預計2020年左右，COMS技術可以達到現有矽鍺技術的水平，並且發射、接收以及信號處理器三合一的產品，也在開發中，屆時，毫米波雷達晶片，將可能比目前的價格下降數倍。

三、車聯網（V2X）邁出堅實一步

1、國際V2X進展

2016年12月14日，美國交通部發佈了V2V（車與車通信）的新法規，進入了90天公示期，法規強制要求，新生產的輕型汽車安裝V2V通信裝置，這是一個里程碑式的進步。

美國交通部還在近日宣佈成立一個自動駕駛委員會，專門對自動駕駛汽車、無人機等進行監管，該委員會包括了通用汽車CEO瑪麗·巴拉、Waymo CEO克拉夫西克、蘋果副總裁麗莎等人，目標是確保先進的技術得到安全的佈署。

安裝在車上的V2V系統可以看作是一個超級傳感器，它提供了比任何其它車載傳感器都高得多的感知能力和可靠性，在自車感知技術尚不能達到高可靠性之前，用V2X可以決定性地提升其可靠性。

美國交通部的新規中要求，V2V裝置的通信距離達到300米，並且是360度覆蓋，遠超攝影機的探測能力，並且其感知資訊屬於結構化信息，不存在誤報的可能，根據美國家公路交通安全管理局（NHTSA）的研究，利用V2X技術，可以減少80%的非傷亡事故。

但這一切是以100%的覆蓋率為前提的，在此之前，車企也曾經做過嘗試，例如凱迪拉克，但都因缺乏足夠的覆蓋率，難以發揮作用，依靠強制性的法規驅動，V2X普及的最大難題，將得以有效解決。

近日，高通發佈新聞表示，將與奧迪、愛立信等公司進行蜂窩-V2X（Celluar-V2X）的測試合作，該測試符合由德國政府主導的項目組織——自動互聯駕駛數位測試場的測試規範。

在此之前，高通推出了基於其最新驍龍X16 LTE modem的全新聯網汽車參考平台，支持作為可選特性的專用短程通信（DSRC）和蜂窩-V2X。

2、中國V2X進展

2016年下半年，對岸中國發改委，連同交通部聯合發佈了《推進「互聯網+」便捷交通促進智慧交通發展的實施方案》，明確提出「結合技術攻關和試驗應用情況，推進制定人車路，協同（V2X）其國家通信標準，和設施設備接口規範，並開展專用無線頻段分配工作」的標準制訂工作。從目前的情況來看， LTE-V極有可能將確定為中國標準。

5G的推進對V2X是非常大的利好，因為5G標準本身就包含了V2X，可以說5G的發展和自動駕駛的發展是自洽的。

為了滿足在商業應用上的高可靠性，越來越多的車企意識到在增強車輛能力的同時，需要將道路從對人友好，改造為對車友好，從去年開始，中國所有的自動駕駛示範園區，都在規劃佈署路側系統（V2I）。隨著5G的時間表日漸清晰，更大範圍的佈署也讓人非常期待。

與3/4G時代主要面對個人消費者需求不同，5G的核心推動力來自物聯網，而汽車可能是其中最大的單一應用，一輛自動駕駛汽車，每天可以產生超過1T的數據。

目前，像HERE這樣的地圖供應商，正在積極準備用於自動駕駛的實時高精地圖，以克服靜態高精地圖，無法適應道路變化的難題，但之前受制於無線頻寬限制，很難達到實用，5G可提供高達10Gbps+的峰值速率，以及1ms的低延時性能，可以滿足這樣的需求。

3、V2I商業化模式

V2I使商業化有了簡單直接的模式：誰投資V2I，誰就可以從中受益，因為自動駕駛汽車，可以在已經佈署了V2I的封閉路段行駛，計費因此變得更容易。

第二部分、自動駕駛技術變革

自動駕駛的決策算法要更理性

一、決策算法成為競爭焦點

從技術角度講，自動駕駛由三大主要技術構成：感知、決策和控制。現在自動駕駛技術真正的門檻在哪裡？

如果你去CES參觀各家公司的自動駕駛樣車，你會發現一個趨勢，是各家公司的傳感器配置越來越趨同化：前視多目攝影機，77GHz長距/短距雷達、環視攝影機、加上十個以上的超音波雷達，豪華一點的再配上幾個低線束的雷射雷達。這些傳感器的供應商也差不多。

在感知層面，隨著ADAS的大量佈署和長時間的技術開發，已經相當成熟，可以說感知技術已經不是主要的瓶頸。而控制則是傳統車廠和Tier 1非常擅長的領域，做了很多年，累積了大量的經驗。

自動駕駛在技術上的競爭，主要聚焦於決策環節。事實上，區分一個系統是ADAS還是自動駕駛，也主要是看該系統是否有決策部分。無論是谷歌還是特斯拉，他們的核心競爭力，都還是體現在其決策算法方面。

傳統汽車界的研發，是基於功能安全的設計方法學建立的，滲透到開發流程的每一個環節，並且在過去一個世紀，將汽車的安全性提高到了極高的水準，如今，頂尖的公司已經可以確保汽車發動機能使用一百萬公里。

但是面對洶湧而至的機器學習熱潮，傳統汽車界突然發現，自己嚴重缺乏技術儲備，面對特斯拉和谷歌激進的策略，顯得力不從心。

這已經成為限制傳統車廠，開發自動駕駛的最大罩門，目前，傳統車廠或者大肆收購機器學習公司，或者與其合作，他們需要盡快補上這塊罩門。

傳統車廠出身的克拉夫西克顯然深知這一點，在他出任Waymo CEO之後，谷歌一改之前模稜兩可的商業策略，明確表示向車廠提供解決方案，並迅速宣佈和本田合作，事實上是將自己定位在Tier 1的角色。

此前谷歌雖然在技術累積上，處於領先位置，但一直沒有確定可行的商業模式，克拉夫西克的到來，讓谷歌對於商業化的態度更接地氣，也更精準。

在該解決方案中，硬件基本也是外購的，顯然無法成為谷歌的競爭壁壘，最有價值的，還是一整套經過驗證的軟件，尤其是其中的決策算法。可以想相的是，谷歌將會向業界提供軟體授權，就像它之前在安卓系統上，所做的一樣。

二、理性決策是必然趨勢

決策算法面臨的最大挑戰，就是如何達到自動駕駛所需要的極高的安全性和可靠性。

自動駕駛決策的結果會輸出到控制器，根據ISO 26262已有的功能安全的規定，這會反過來要求決策系統，也需要達到ASIL-D的標準。目前，ISO組織對專門針對自動駕駛的功能，安全標準正還在制訂中，有可能會用一種新的標準進行考量，但功能安全的基本原則依然有效。

1、端到端的AI方法有隱憂

這意味著，我們必須嚴肅地思考，如何才能滿足功能安全的要求？對於谷歌、百度以及許多初創公司，這些非傳統車廠出身的玩家來說，是一個全新的命題。

目前，很多創新公司都在使用深度學習，加增強學習做端到端的訓練，也就是說，從傳感器的輸入直接導出控制器（剎車、油門、轉向等）的輸出。

但深度學習的問題在於它失去了透明性，僅僅依賴於概率推理，也就是相關性，而非因果推理，而這兩者是有本質不同的。

相關並不意味著因果。舉個例子，統計發現，手指頭越黃的人，得肺癌的比例越大。但事實上，手指的顏色和得肺癌的幾率之間，顯然沒有直接的因果聯繫。

那麼為什麼統計數據會顯示出相關性呢？這是因為手指黃和肺癌都是由吸煙造成的，由此造成了這兩者之間，產生了虛假的相關性。

深度學習就像一個黑盒子，無法進行分析，出了事情你不知道原因到底是什麼，也沒有辦法預測下一次會出什麼狀況。

有一個很搞笑的例子，用深度學習訓練一個系統，來分辨哈士奇和愛斯基摩狗，初步測試效果非常好，但進一步的測試表明，這個系統其實是通過區分背景，而不是狗本身來判定其種類的，因為訓練所使用的樣本中，愛斯基摩狗幾乎總是伴隨者雪地的背景，而哈士奇則沒有，想想看，如果這樣的系統應用到自動駕駛，是多大的隱憂。

深度學習的實際表現，基本上取決於訓練的樣本，以及你所要求輸出的特徵值。但如果你的樣本比較單一，輸出特徵值又比較簡單，則很容易訓練出，你並不想要的結果來。就自動駕駛而言，這是無法接受的，它需要高度的理性決策。

如今，深度學習的熱潮席捲了整個業界，很多人不再對基礎算法進行鑽研，而是瘋狂加大數據、堆機器進行訓練，以期更快地出成績，結果看上去還不錯，但這樣的非理性態度，其實是給自動駕駛埋下了隱憂。

我們需要的是對於事實邏輯的深入分析，以及不同方法論的結合，從這個意義上講，如果用小數據可以達到好的效果，更能說明我們對機器學習技術的理解能力。

2、基於規則的專家系統不靈活

傳統的主機廠和Tier 1面臨的，則是另外的問題，如果接觸各大Tier 1的ADAS產品，無論是AEB，還是ACC、LKA，你會發現都是基於規則的專家系統。這種系統精確可分析，但專家系統的問題在於，但場景非常多變時，創建的規則就無法保證足夠的覆蓋面，結果，當添加更多新的規則時，就必須撤消或者重寫舊的規則，這使得這個系統變得非常脆弱。

而且，各個功能都有自己單獨的規則，組合到一起，其可能性就非常多，甚至還存在矛盾，這使得ADAS向自動駕駛過渡之路，變得更加艱難。

我曾跟一家主機廠在交流他們的決策系統詢問過這個問題，得到的答案是：這種基於專家系統的規則經過組合，能產生一萬種可能。你甚至很難對這個系統進行完整的測試。

3、新的決策機制：因果推理

因此，我們需要在自動駕駛領域引入新的決策機制。自動駕駛決策技術路線的一個重大趨勢，就是從相關推理到因果推理。這樣的人工智能框架，是Judea Pearl在八十年代建立的，他也因此拿到了圖靈獎。

上世紀80 年代初，Judea Pearl為代表的學術界，出現了一種新的思路：從基於規則的系統轉變為貝葉斯網路。貝葉斯網路是一個概率推理系統，貝葉斯網路在數據處理方面，針對事件發生的機率，以及事件可信度分析上，具有良好的分類效果。它具有兩個決定性的優勢：模組化和透明性。

地平線自動駕駛決策機制

模塊化的優勢非常重要，例如，假如任務是更新汽車的變速箱，當變速箱被更換的時候，你不必重寫整個傳動系統，只需要修改為變速箱建模的子系統，其餘的都可以保持不變。

因此，我們可以把深度學習的系統，作為一個子模組融入到其中，專家系統可以是另一個子模組，也融入其中，這意味著我們有了多重的冗餘路徑選擇，這種冗餘構成了貝葉斯網路的子節點，將有效強化輸出結果的可靠性，避免一些低級錯誤的發生。

透明性是貝葉斯網路的另一個主要優勢。對於自動駕駛而言，這尤為關鍵，因為你可以對整個決策的過程進行分析，瞭解出錯的是哪一個部分。

可以說貝葉斯網路，是理性決策的極佳實現，適合用於設計整個決策的頂層框架。

因果推理的另一個典型範例，就是基於增強學習的決策框架，它把一個決策問題，看作是一個決策系統，跟它所處環境的一個賭注，這個系統需要連續做決策，就像開車一樣。

優化的是長期總的收益，而不是眼前收益。這有點像巴菲特的價值投資，優化的目標不是明天的收益，而是明年或者十年以後的長期總收益。

谷歌把這樣的框架用在下圍棋上，取得了革命性的成功。自動駕駛的場景，也非常適合應用這樣的決策系統。比如說要建構價值網路，評估當前的駕駛環境風險，評估的是從現在時間，到未來時間的整體風險；然後利用策略網路輸出本車的控制決策，選擇最優的駕駛路徑和動力學輸出。

同時，我們還可以構建一個基於模擬路況的仿真環境，通過增強學習去做虛擬運行，獲得最優的決策模型，並且還將產生大量的模擬數據，這對決策算法的成熟至關重要。

可以說，向因果推理型決策模型轉化，是自動駕駛技術邁向成熟的重大標誌。

自動駕駛需要新的計算平台

一、目前的硬體效能達不到實用要求

對於自動駕駛這樣的複雜任務，在設計軟體的同時，還必須考慮與之匹配的硬體效能，這裡包括性能、功耗和功能安全。

為了保證自動駕駛的即時性要求，我們需要保證軟體響應的最大延遲在可接受的範圍內，對於計算資源的要求，也因此變得極高。

目前，自動駕駛軟件的計算量，達到了10個TOPS（每秒萬億次操作）的級別，這使得我們不得不重新思考對應的計算架構，圖靈獎獲得者Alan Kay，他有一句話是賈伯斯一直信仰的：如果你嚴肅地思考你的軟體，你就必須要做你自己的硬體。

事實上，整個數位半導體和電腦產業的產業驅動力，正在從手機轉向自動駕駛，後者所需要的計算量，比手機要大兩個數量級。

今天，打開任何一家主機廠的無人車的後備箱，都是一堆計算設備，不但沒有地方放行李，而且還要解決它的整個系統穩定性問題。之前在烏鎮舉行的世界互聯網大會，記者在實際體驗百度的無人車時，提到非常有趣的一點：「這輛無人車平穩地行駛了起來，但位於後備箱的車載計算機噪音較大，可以聽到風扇在運行的聲音。」

為什麼呢？因為它使用的是CPU+GPU+FPGA的計算平台，計算所需要的功率非常大，GPU尤其恐怖，如果沒有強力風扇來散熱的話，夏天很容易燒壞機器。坐在這樣的車裡，就別講究體驗了。

功能安全是另一個巨大的挑戰，這裡面其實包含了多個方面的要求：處理器要符合至少ASIL-B等級的要求，可靠性需要能夠保證在至少十年的使用期內不出問題。

高通在手機領域有非常強的實力，而且向汽車電子進軍的努力也從未停止，但去年高通依然決定花370億美元，重金收購了汽車電子老大NXP（恩智浦），這從另一個側面折射出汽車電子的門檻之高。

二、人工智慧處理器與自動駕駛計算平台

這讓我們想起電腦的發展歷史，50年代是大型機的時代，那個時候一台大型機，可以佔據實驗樓的一整個樓層，需要一個龐大的團隊來操作，價格高到數百萬美元；七十年代小型機佔據主導，小型機可以安裝進一個房間，價格也降到數萬美元；八十年代是PC時代，可以擺放到桌面，價格則又降低了一個數量級，如今是手機，可以裝進口袋；貫穿其中的是三個主要方面的進步：體積、功耗和成本。

人工智慧所需要的處理器，從2012年開始被業界廣泛關注，比如從GPU到FPGA，再到TPU，業界也沿著之前電腦走過路，重構人工智能所需要的處理器。

英偉達在本屆CES上，發佈了最新的車載計算平台「XAVIER」，512個Volta CUDA核心，可提供高達30 TOPS的計算性能，但最引人注目的還是其30W的功耗，大大低於之前還需要水冷的Drive PX2。這是一個很大的進步，但還不夠，要讓自動駕駛得到普及，性能、功耗、成本和體積因素，一個也不能少。

如今很多車廠都制訂了，非常激進的自動駕駛開發計劃，但其實樣車開發，與其投入到量產車的日程表，其實是差異非常大的。與量產車的設計理念完全不同，量產車必須考慮成本因素，不能跟今天的GPU，或者其它的計算所需要的成本一樣，而這就需要業界提供新的計算平台。

FPGA被越來越多的公司關注，其可編程特性可，以滿足專有計算架構的需求，微軟、Intel等公司都在大量佈署基於FPGA的系統。

FPGA在ADAS方面的出貨量，也在迅速增加，去年的出貨量應該不會低於3Mu。但FPGA再往上走，計算資源的擴展會，讓成本上升到很難接受的地步。半導體業界無數的歷史都表明，FPGA往往是客製化ASIC的前哨站，一旦某個應用的量足夠大，客製化ASIC就會變得更經濟。

地平線機器人公司，正處於整個業界研究的最前導，目標就是將原本智慧在雲端運行的人工智慧，實現在高性能低功耗的大腦引擎（BPU）上，這是一個全新的計算構架IP，將充分適配深度神經網路算法的要求，由此帶來革命性的嵌入式人工智慧，預計其成本和功耗，都將比現有GPU低一個數量級。

這樣的IP可以嵌入到SoC中，或者單獨作為協處理器使用。目前地平線正在推進代號為「高斯」的計算構架IP的開發，預計2017年底推出。

地平線的BPU策略

三、軟硬體協同設計是新的趨勢

在過去，處理器都是作為標準平台提供給業界，軟體工程師拼命優化編譯器、代碼、任務調度等，來達到更高的性能表現，但現在，這已經無法滿足產品快速上市的要求了。

英偉達在AI業界攻城略地，幾乎已經成為標配，這其中有其高性能GPU的因素，但問題在於，為什麼其它GPU供應商沒有贏得這場競爭？

英偉達不僅提供GPU硬體，還提供了高度優化的CUDA平台，該平台封裝了大量高頻使用的數學運算庫，英偉達更進一步針對自動駕駛，提供了端到端的解決方案，這實際上是一種重要的產品理念：軟硬體協同設計。

這揭示了英偉達市場競爭成功的秘訣：通過軟硬體協同設計，優化軟硬體系統的性能表現，縮短客戶導入時間，贏得市場。

新的自動駕駛計算平台，實際上是因應算法和軟體的需求而來的，例如，為了更好地支持深度卷積神經網路，極大規模的矩陣運算，你需要考慮如何使用二值化方法，來降低對於硬體乘法器的需求，如何重新設計緩存機制，以避免I/O頻寬成為整個計算系統的瓶頸等。

為了滿足功能安全的需求，你需要硬體級別的虛擬化，這就要求處理器構架設計方面，需要考慮多核、VMM、設備I/O請求管理等。

Intel也在加強其在人工智慧算法方面的累積，對Nervana和Movidius的收購，反映了這一點。通過提供至強處理器、FPGA，結合其Nervana平台，以及針對深度學習優化的數學函數庫（MKL），提供完整的AI解決方案。

能否提供同時滿足經濟性，和性能要求的計算平台，是自動駕駛能否從樣車轉向量產車的關鍵因素之一。

結語

公眾對於自動駕駛依然有深深的疑慮，但在每一次革命性的交通運輸方式出現時，類似的疑慮都曾經存在過。

航空服務剛剛出現時，安全性非常低，多數人甚至都不相信金屬構造能飛起來，美國海軍統計表明，在二戰期間，因技術原因損失的飛機達2100架，是被擊落飛機的1.5倍，但航空業依然發展了起來；

高鐵同樣有類似的經歷，19世紀火車剛剛出現時，即使是最有遠見的人，都無法想像時速超過300公里的列車，那時候的人們認為僅僅是氣壓的問題，就足以讓乘客喪命，而後來這些都成為了現實，並且發展了體量驚人的配套基礎設施：鐵道和機場。

當技術不存在原理性的問題之後，只要有巨大的商業潛力，利益的驅動終能克服技術上的挑戰。

19世紀美國的崛起，很大程度上得益於其全國鐵路網的建立，將聯邦的各個州融合成為一個單一市場。

文明的發展過程，也必然伴隨著運輸成本的逐漸降低，以及運輸效率的持續提升，它深刻重塑了經濟的形態。

Elon Musk的終極夢想是殖民火星，同樣是一個運輸能力改變文明的故事，自動駕駛就是當下發生的故事，當人的勞動力被釋放之後，成本下降就會驅動一波全新的機會，過去一年裡，自動駕駛領域的進步，已經超出了絕大多數人的預期，自動駕駛的未來值得期待。