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。

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。那現在自動駕駛技術真正的門檻在哪里？

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：各家公司的傳感器配置越來越趨同化：前視多目攝像頭，77GHz長距/短距雷達、環視攝像頭、加上十個以上的超聲波雷達，豪華一點的再配上幾個低線束的激光雷達，這些傳感器的供應商也差不多。

在感知層面，隨著ADAS的大量部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Tier1非常擅長的領域，做了很多年，積累了大量的經驗。

自動駕駛在技術上的競爭，主要聚焦于決策環節。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于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，并且在過去一個世紀，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！但是面對洶涌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。

這已經成為制約傳統車廠開發自動駕駛的最大短板，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短板。

傳統車廠出身的克拉富西克顯然深知這一點，在他出任Waymo CEO之后，谷歌一改之前模棱兩可的商業策略，明確表示向車廠提供解決方案，并迅速宣布和本田合作，事實上是將自己定位在Tier 1的角色。

此前谷歌雖然在技術積累上處于領先位置，但一直沒有確定可行的商業模式，克拉富西克的到來，讓谷歌對于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。可以想象的是，谷歌將會向業界提供軟件授權，就像它之前在安卓系統上所做的一樣。

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ISO26262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定中，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。

端到端的AI方法有隱患

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？對于谷歌、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于它失去了透明性，僅僅依賴于概率推理，也就是相關性，而非因果推理，而這兩者是有本質不同的。

相關并不意味著因果。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系。那么為什么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么，也沒有辦法預測下一次會出什么狀況。

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，是多大的隱患！

深度學習的實際表現，基本上取決于訓練的樣本以及你所要求輸出的特征值，但如果你的樣本比較單一，輸出特征值又比較簡單，則很容易訓練出你并不想要的結果來。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，深度學習的熱潮席卷了整個業界，很多人不再對基礎算法進行鉆研，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患。我們需要的是對于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。

基于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Tier1的ADAS產品，無論是AEB，還是ACC，LKA，你會發現都是基于規則的專家系統。這種系統精確可分析，但專家系統的問題在于，在場景非常多變時，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。并且，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。

我曾經跟一家主機廠在交流他們的決策系統時曾詢問過這個問題，得到的答案是：這種基于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。

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：從基于規則的系統轉變為貝葉斯網絡。

貝葉斯網絡是一個概率推理系統，貝葉斯網絡在數據處理方面，針對事件發生的概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：模塊化和透明性。

模塊化的優勢非常重要，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，其余的都可以保持不變。

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

透明性是貝葉斯網絡的另一個主要優勢。對于自動駕駛而言，這尤為關鍵，因為你可以對整個決策的過程進行分析，了解出錯的哪一個部分。

可以說貝葉斯網絡是理性決策的極佳實現，適合用于設計整個決策的頂層框架。

因果推理的另一個典型范例就是基于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博弈，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后的長期總收益。

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。比如說要構建價值網絡，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；然后利用策略網絡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于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，并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志。

目前的硬件效能達不到實用要求

對于自動駕駛這樣的復雜任務，在設計軟件的同時，還必須考慮與之匹配的硬件效能，這里包括性能、功耗和功能安全。

為了保證自動駕駛的實時性要求，我們需要保證軟件響應的最大延遲在可接受的范圍內，對于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，他有一句話是喬布斯一直信仰的：如果你嚴肅地思考你的軟件，你就必須要做你自己的硬件。

事實上，整個數字半導體和計算產業的產業驅動力，正在從手機轉向自動駕駛，后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后備箱，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，但位于后備箱的車載計算機噪音較大，可以聽到風扇在運行的聲音。”

為什么呢？因為它使用的是CPU+GPU+FPGA的計算平臺，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。坐在這樣的車里，就別講究體驗了。

功能安全是另一個巨大的挑戰，這里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，這從另一個側面折射出汽車電子的門檻之高。

人工智能處理器與自動駕駛計算平臺

這讓我們想起計算機的發展歷史，50年代是大型機的時代，那個時候一臺大型機可以占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；七十年代小型機占據主導，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。

人工智能所需要的處理器，從2012年開始業界已經開始廣為關注，比如從GPU到FPGA，再到TPU，業界也沿著之前計算機走過路，重構人工智能所需要的處理器。

英偉達在本屆CES上發布了最新的車載計算平臺“XAVIER”，512個Volta CUDA核心可提供高達30TOPS的計算性能，但最引人注目的還是其30W的功耗，大大低于之前還需要水冷的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。

如今很多車廠都制定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臺。

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構架的需求，微軟、Intel等公司都在大量部署基于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于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往往是定制化ASIC的前哨站，一旦某個應用的量足夠大，定制化ASIC就會變得更經濟。

地平線機器人則希望借助自己的研究優勢，目標是將原本智能在云端運行的人工智能，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絡算法的要求，由此帶來革命性的嵌入式人工智能，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17年底推出。

軟硬件協同設計是新的趨勢

在過去，處理器都是作為標準平臺提供給業界，軟件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，但問題在于，為什么其它GPU供應商沒有贏得這場競爭？

英偉達不僅提供GPU硬件，還提供了高度優化的CUDA平臺，該平臺封裝了大量高頻使用的數學運算庫，英偉達更進一步面向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：軟硬件協同設計。

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

新的自動駕駛計算平臺，實際上是因應算法和軟件的需求而來的，例如，為了更好地支持深度卷積神經網絡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于硬件乘法器的需求，如何重新設計緩存機制以避免I/O帶寬成為整個計算系統的瓶頸等。為了滿足功能安全的需求，你需要硬件級別的虛擬化，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能算法方面的積累，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平臺以及面向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臺，是自動駕駛能否從樣車轉向量產車的關鍵因素之一。

結語

公眾對于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象時速超過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，而后來這些都成為了現實，并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后，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。

如果我們考察一段文明的發達程度，運輸水平可能是最直觀的指標。唐代玄奘取經，鑒真東渡，耗去的是一個人半生的時間，這里體現的是客運成本；南宋時期，從福建泉州出發的瓷器運到歐洲，增值達一百倍，體現的是貨運的價值；19世紀美國的崛起，很大程度上得益于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后，成本下降就會驅動一波全新的機會。過去一年里，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。