自動(dòng)駕駛的寒冬似乎降臨。年初的拉斯維加斯CES到近期在上海的亞洲CES，智能網(wǎng)聯(lián)在汽車上的應(yīng)用依然是大家關(guān)注的重點(diǎn)，但是對(duì)自動(dòng)駕駛的展示已經(jīng)顯示出明顯降溫。

與此同時(shí)，曾經(jīng)喊出豪言壯語(yǔ)的各大廠商，都在模糊自動(dòng)駕駛汽車的上市時(shí)間，或者在已經(jīng)確定的車型宣傳上，備注“特定的、受限的適用范圍”。

從喧囂到轉(zhuǎn)折

2016年開始的喧囂似乎依然清晰，Waymo、Uber的自動(dòng)駕駛路測(cè)讓業(yè)內(nèi)為之一振，也讓許多汽車企業(yè)倍感壓力。

之后我們見證了Waymo和Uber向汽車企業(yè)采購(gòu)幾千幾萬(wàn)臺(tái)汽車用于無(wú)人駕駛車輛研發(fā)、改制和生產(chǎn)，也見證了通用汽車和福特汽車對(duì)自動(dòng)駕駛的巨額投入，除此之外還有許多傳統(tǒng)車企和崛起的中國(guó)汽車企業(yè)的吆喝。

在那個(gè)時(shí)候，2020年似乎成為一個(gè)新時(shí)代的開始，自動(dòng)駕駛的元年將近，業(yè)內(nèi)帶著復(fù)雜的情感，疑慮但充滿期待

自動(dòng)駕駛這場(chǎng)由Waymo單方面挑起的軍備競(jìng)賽，在2018年的夏天出現(xiàn)了戲劇性的轉(zhuǎn)折，先是Waymo的首席執(zhí)行官約翰?克拉富西克(John Krafcik)坦誠(chéng)，無(wú)人駕駛（L5）是有局限的，而且承認(rèn)在今后的很長(zhǎng)一段時(shí)間內(nèi)，自動(dòng)駕駛汽車都會(huì)需要司機(jī)的協(xié)助。

隨后，蘋果的聯(lián)合創(chuàng)始人史蒂夫-沃茲尼亞克(Steve Wozniak)也表示，汽車在沒(méi)有方向盤的情況下自動(dòng)駕駛不太可能。

今年的4月，曾經(jīng)押注無(wú)人駕駛的福特，新任的CEO吉姆?哈克特(Jim Hackett)就來(lái)自福特的自動(dòng)駕駛業(yè)務(wù)部門，在接受采訪時(shí)他也表示，完全無(wú)人駕駛汽車的到來(lái)仍需時(shí)日，現(xiàn)在大家對(duì)于無(wú)人車的普及都過(guò)于樂(lè)觀了。

從2016年開始，自動(dòng)駕駛的橫空出世也曾經(jīng)帶給我們驚喜。但隨著時(shí)間的流逝，無(wú)人駕駛車輛的車禍、對(duì)于安全員的討論、企業(yè)之間對(duì)于“出走者”的訴訟……這漸漸讓嘆息多于驚喜。

無(wú)人駕駛汽車又一次令人無(wú)可奈何地循著技術(shù)成熟度曲線(The Hype Cycle)，很快的度過(guò)“過(guò)高期望的峰值”，正在快速墜入“泡沫化的谷底”。

單車智能的缺陷

自動(dòng)駕駛的興起與“人工智能”的蓬勃發(fā)展密不可分。在1956年香農(nóng)(Claude Shannon)在達(dá)特茅斯學(xué)院和幾位年輕學(xué)者討論如何用機(jī)器模仿人類在各個(gè)方面的智能，并且提出“人工智能”一詞，開啟時(shí)代。

自動(dòng)駕駛的研究架構(gòu)中，自然也追隨著理論框架，把人類駕駛汽車的行為進(jìn)行拆解，并且試圖利用算法和機(jī)器智能提升整個(gè)行為的安全和效率。

人類駕駛汽車的過(guò)程粗略拆分，可以分為以下幾個(gè)步驟，首先觀察周圍車輛情況、交通指示燈，然后依據(jù)自己的目的地方向，通過(guò)油門、剎車和方向盤，進(jìn)行加速/減速、轉(zhuǎn)彎/變道，以及剎車的操作。

這個(gè)過(guò)程在自動(dòng)駕駛的研究中被細(xì)分為感知層、決策層和控制層。依據(jù)推演，傳感器、機(jī)器以及人工智能算法的結(jié)合，將完全超越人類駕駛的過(guò)程。

首先，人類對(duì)于周遭情況的觀察，因?yàn)樘鞖狻⒁暰€盲點(diǎn)以及自身的身體疲勞、反應(yīng)速度、情緒等原因，會(huì)出現(xiàn)觀察的盲區(qū)，并基于這些盲區(qū)做出不安全的決策。

那組合式的傳感器可以以汽車為中心進(jìn)行360°全覆蓋掃描，并且觀察區(qū)域可以拓展到百米范圍。這樣的觀察區(qū)域是人類司機(jī)完全無(wú)法匹敵的。

其次，對(duì)于駕駛動(dòng)作的決策，以AlphaGo為代表的機(jī)制智能已經(jīng)證明了在速度、精確度等方面機(jī)器可以遠(yuǎn)超過(guò)人類，并且保持長(zhǎng)期的可重復(fù)性。

這一點(diǎn)人類因?yàn)橹悄艿木窒扌砸约扒榫w的波動(dòng)性，完全無(wú)法和機(jī)器匹敵。

再次，當(dāng)機(jī)器做出決策后，通過(guò)線控系統(tǒng)將信號(hào)傳遞到汽車的轉(zhuǎn)向系統(tǒng)、制動(dòng)系統(tǒng)和傳動(dòng)系統(tǒng)，可以確保信號(hào)的快速性以及準(zhǔn)確性。

這一點(diǎn)人類的手腳配合無(wú)法達(dá)到電子信息毫秒級(jí)的傳輸速度，并且許多時(shí)候也會(huì)“忙中出錯(cuò)”，錯(cuò)把油門當(dāng)剎車。

最后，人類駕駛員在初始條件下的感知、決策和控制三個(gè)步驟是有間隔的，只有當(dāng)積累一定里程，成為“老司機(jī)”之后，才能達(dá)成“眼手腳”的協(xié)同配合。

而機(jī)器學(xué)習(xí)當(dāng)然可以極大加快學(xué)習(xí)的過(guò)程和進(jìn)度，使得協(xié)同配合的達(dá)成時(shí)間大大縮短，出手就是老司機(jī)水平。

紙面上的推演似乎一切完美無(wú)瑕，但正如前不久人工智能頂尖學(xué)者，斯坦福大學(xué)的李飛飛教授在與歷史學(xué)者，《人類簡(jiǎn)史》、《未來(lái)簡(jiǎn)史》作者，尤瓦爾?赫拉利( Yuval Noah Harari)對(duì)談中強(qiáng)調(diào)的，世界的存在不是兩個(gè)群體，真是的社會(huì)遠(yuǎn)比這個(gè)復(fù)雜，除了算法之外，還有很多玩家和規(guī)則。

在自動(dòng)駕駛研究進(jìn)入深水區(qū)的時(shí)候，傳感器、芯片以及數(shù)據(jù)的問(wèn)題，正在使得“單車智能”越來(lái)越呈現(xiàn)出他的不完美。

（1）多傳感器融合

作為外部路況探測(cè)的傳感器，其收集的信息將作為駕駛決策的輸入，是駕駛決策的重要保障。

可以說(shuō)，沒(méi)有完整的信息，就不可能支持決策系統(tǒng)做出正確、安全的駕駛決定。雖然眾多的傳感器在單一指標(biāo)上可以超越人眼，但是融合的難題以及隨之而來(lái)的成本困境，成為自動(dòng)駕駛演進(jìn)過(guò)程中面臨的第一個(gè)嚴(yán)峻考驗(yàn)。

目前，許多豪華車品牌的汽車都配備有先進(jìn)的駕駛員輔助系統(tǒng)(ADAS)，利用配備的傳感器，包括攝像頭、雷達(dá)、超聲波、激光雷達(dá)等，幫助駕駛者探測(cè)路面情況，并且給予提醒和警示，甚至在不安全情況下進(jìn)行自動(dòng)緊急剎車，保障安全。

但是大部分ADAS功能都是獨(dú)立工作的，彼此之間不會(huì)交換信息，后視攝像頭、環(huán)視系統(tǒng)和前方攝像頭等往往起到不同的作用，承擔(dān)不同的功能。

當(dāng)傳感器的功能只是提供預(yù)警信息以及緊急剎車等等，其自身的局限性還在可控范圍之內(nèi)。但是當(dāng)我們對(duì)傳感器的要求是需要承擔(dān)自動(dòng)駕駛級(jí)別的感知時(shí)，每種不同的傳感器的缺點(diǎn)使得單一要素?zé)o法承擔(dān)重任，比如攝像頭測(cè)距能力有限，而雷達(dá)也缺少較高的分辨率。

所以需要不同傳感器組合使用，基于不同傳感器輸入的內(nèi)容，更加準(zhǔn)確的感知周圍的環(huán)境。

此時(shí)，多傳感器融合(Multi-Sensor Data Fusion，MSDF)的問(wèn)題就擺在了從業(yè)者面前。首先，不同傳感器采集的數(shù)據(jù)類型不同，其次，不同傳感器對(duì)于物體的檢測(cè)會(huì)出現(xiàn)不同的情況（例如雙重檢測(cè)、部分檢測(cè)等），需要進(jìn)行數(shù)據(jù)的修正、融合等（例如Harmonize, Reconcile, Integrate, Synthesize等），描述出較為準(zhǔn)確的外部路況信息。

處理數(shù)據(jù)的方式也有多種方法，但無(wú)論是情況排序法、加權(quán)投票法、優(yōu)先到達(dá)法等等，都各有優(yōu)劣。

在此基礎(chǔ)上，還需要考慮最終的操作是由哪個(gè)器件決定的，在哪里完成數(shù)據(jù)處理，并且如何將傳感器的數(shù)據(jù)發(fā)送到中央電子控制單元(ECU)。

集中式處理和分布式是兩個(gè)極端情況，大部分處理都在區(qū)間之內(nèi)，但如何平衡依然是難點(diǎn)。

此外，多傳感器帶來(lái)的線束問(wèn)題也是“甜蜜的煩惱”。根據(jù)西門子的最新研究，目前汽車上的線束總長(zhǎng)度已經(jīng)達(dá)到1.5英里，而傳感器所帶來(lái)的線束長(zhǎng)度將超過(guò)1.5英里。

如何在汽車的空間范圍內(nèi)合理科學(xué)的布局這些線束，并且盡可能的降低熱量，也是實(shí)踐過(guò)程中遇到的難題。

（2）芯片的性能

多傳感器的問(wèn)題同時(shí)也埋下了下一個(gè)問(wèn)題的隱患，那就是芯片的性能。

如果需要更全面的了解外部路況信息，就需要部署更多的傳感器；更多的傳感器就對(duì)融合提出了更高的要求，而且在高速度的情況下，由于路況信息的變化，所帶來(lái)的數(shù)據(jù)信息也更為海量。

根據(jù)英特爾的測(cè)算，一臺(tái)自動(dòng)駕駛的汽車，配置了GPS、攝像頭、雷達(dá)和激光雷達(dá)等傳感器，每天將產(chǎn)生約4TB待處理的傳感器數(shù)據(jù)，如此巨大的數(shù)據(jù)量必須有強(qiáng)大的計(jì)算設(shè)備來(lái)支撐。

如果我們打開現(xiàn)階段進(jìn)行展示或者測(cè)試的自動(dòng)駕駛汽車的后備箱，都會(huì)發(fā)現(xiàn)有一個(gè)很大的“計(jì)算平臺(tái)”。

這正是自動(dòng)駕駛車輛的大腦和決策機(jī)構(gòu)。

如上文所說(shuō)，眾多傳感器向“計(jì)算平臺(tái)”輸入數(shù)據(jù)，“計(jì)算平臺(tái)”實(shí)時(shí)處理海量的數(shù)據(jù)，并且在信息整合提煉的基礎(chǔ)上，比對(duì)位置的車輛信息，基于高精地圖以及已經(jīng)設(shè)定的路徑規(guī)劃，進(jìn)行決策，決定車輛的行駛狀態(tài)，并且向控制單元信號(hào)輸出決策和控制信號(hào)。

但是隨之而來(lái)的是一個(gè)之前被科技行業(yè)所忽略的問(wèn)題，強(qiáng)大的計(jì)算平臺(tái)同時(shí)也產(chǎn)生許多熱量，自動(dòng)駕駛汽車配備的計(jì)算平臺(tái)，一定需要同時(shí)配備散熱設(shè)備。

所以，強(qiáng)大算力加上低能耗，成為了自動(dòng)駕駛汽車廠商的追求。而即使是英偉達(dá)這樣的頂級(jí)GPU企業(yè)，也在算力和功耗的平衡上幾乎達(dá)到了天花板。

所以近年來(lái)，專用計(jì)算平臺(tái)更多的走進(jìn)人們的視野，包括谷歌投入應(yīng)用的AI專用芯片TPU、國(guó)內(nèi)頂尖創(chuàng)業(yè)公司地平線推出的BPU，特斯拉也在投入巨資進(jìn)行自動(dòng)駕駛芯片的研究。

還有另外的問(wèn)題，實(shí)現(xiàn)自動(dòng)駕駛，到底需要多少算力？實(shí)現(xiàn)L3級(jí)別的自動(dòng)駕駛，也許需要2TOPS，也有可能是需要20TOPS，真的沒(méi)有人說(shuō)得清楚。

而且，這還只是L3級(jí)別，真的進(jìn)入L4級(jí)別，算力的要求勢(shì)必將呈現(xiàn)出技術(shù)級(jí)的上升。

（3）成本與性能的平衡

在描述完多傳感器融合以及芯片性能的困局后，其背后的商業(yè)困局也自然呈現(xiàn)。

增加許多的傳感器必然將確保外部感知的準(zhǔn)確性，芯片性能的提升也將有利于決策的提高，但這一切的背后，都將是成本的巨大提高。

以筆者所經(jīng)歷的來(lái)看，目前在國(guó)內(nèi)市場(chǎng)，傳感器加上芯片、處理系統(tǒng)等，成本價(jià)格基本抵得上一輛入門款的A級(jí)轎車，其次還要加上眾多研發(fā)人員和工程人員的時(shí)間投入。

也有法國(guó)的研究機(jī)構(gòu)統(tǒng)計(jì)，2018年正在測(cè)試的每輛自動(dòng)駕駛汽車的平均價(jià)格是20萬(wàn)美元。

成本的背后更為重要的是責(zé)任（Liability）的轉(zhuǎn)移。

在有人駕駛時(shí)代，駕駛者當(dāng)然是第一責(zé)任人，自己做出車輛操控決策，并對(duì)可能的后果負(fù)責(zé)。但是當(dāng)汽車廠商或者出行廠商推出自動(dòng)駕駛車輛后，由于是廠商提供的車輛“自動(dòng)”進(jìn)行操控的決策，因此責(zé)任將轉(zhuǎn)移到廠商這邊。

為了降低其可能承擔(dān)的風(fēng)險(xiǎn)以及后續(xù)的損失，廠商自然需要增加足夠的冗余，以保證產(chǎn)品達(dá)到車規(guī)級(jí)的安全。

而高昂的成本是消費(fèi)者不愿意買單的，特別是在早期，當(dāng)自動(dòng)駕駛的功能非常有限，而且實(shí)現(xiàn)還需要在特定條件下才能觸發(fā)，更加削弱了消費(fèi)者買單的意愿。

（4）數(shù)據(jù)、場(chǎng)景的本地性和通用性

正如老司機(jī)需要經(jīng)歷時(shí)間和眾多路況才能練成“眼手腳”的協(xié)調(diào)配合，自動(dòng)駕駛汽車的決策能力提升也需要建立在大量有效的路測(cè)數(shù)據(jù)基礎(chǔ)上的決策算法的提升。

按照業(yè)內(nèi)普遍的觀點(diǎn)，自動(dòng)駕駛企業(yè)需要100億英里的架勢(shì)數(shù)據(jù)來(lái)優(yōu)化其自動(dòng)駕駛系統(tǒng)。

但這是人類不可能完成的任務(wù)，即便是取得指數(shù)級(jí)領(lǐng)先優(yōu)勢(shì)的Waymo，其自動(dòng)駕駛汽車的路測(cè)里程累計(jì)也只是2000萬(wàn)公里的量級(jí)（2000萬(wàn)公里幾乎相當(dāng)于繞了地球整整500圈）。

業(yè)內(nèi)其他的自動(dòng)駕駛企業(yè)也利用仿真測(cè)試作為真實(shí)道路路測(cè)的補(bǔ)充，加快研發(fā)的進(jìn)展。

但還是，即使如偉大的Waymo，目前的無(wú)人車隊(duì)也更多在車流量較少的鳳凰城進(jìn)行測(cè)試。（而且這一切還是基于Waymo應(yīng)用的最佳的傳感器加計(jì)算平臺(tái)的組合，如果進(jìn)入交通情況更為復(fù)雜的城市，現(xiàn)有的硬件和算法是否可以進(jìn)行支撐，也是未知。）數(shù)據(jù)的多樣化以及豐富性同樣也是不足的，所以有業(yè)內(nèi)人士指出，由于數(shù)據(jù)本地性問(wèn)題，Waymo的商業(yè)化路徑是否可以拓展，依然存在疑問(wèn)。

自動(dòng)駕駛初創(chuàng)公司NuTonomy的首席運(yùn)營(yíng)官道格?帕克（Doug Parker）的表述也說(shuō)明了數(shù)據(jù)可拓展性面臨的難題，他說(shuō)，目前開發(fā)的大多數(shù)自動(dòng)駕駛汽車技術(shù)都是基于特定的地理位置，因此很難推廣到新城市，因?yàn)橐谙到y(tǒng)中計(jì)入新的規(guī)則和新的駕駛行為。

無(wú)論美國(guó)和中國(guó)的自動(dòng)駕駛企業(yè)都面臨現(xiàn)實(shí)的挑戰(zhàn)，如果更換一個(gè)城市進(jìn)行測(cè)試，有很大部分需要重新開始。

綜上所述，單車智能的方案曾經(jīng)帶給業(yè)內(nèi)諸多驚喜，但伴隨研發(fā)和測(cè)試進(jìn)入深水區(qū)，多傳感器融合的問(wèn)題、芯片算力和能耗的問(wèn)題，以及數(shù)據(jù)本地性無(wú)法通用化的問(wèn)題慢慢浮出水面，而且已經(jīng)遇到了發(fā)展的瓶頸，只能在諸多限制條件下做艱難的平衡。

同時(shí)，作為商業(yè)化的產(chǎn)品，必須還要考慮性能和價(jià)格之間的平衡，而高成本又成為目前“壓垮”自動(dòng)駕駛商業(yè)化的稻草。

在一扇門悄悄關(guān)閉的時(shí)候，另一扇窗正在慢慢開啟。

單車智能漸漸式微，而車路協(xié)同的概念越來(lái)越得到業(yè)內(nèi)的關(guān)注。