今年三月，Intel以150億美金收購了自動駕駛領域最大的芯片公司，Mobileye。收購的新聞瞬間刷屏，但是仔細想來也是在情理之中。Intel自從去年開始就下定決心要大舉進軍人工智能，開啟了買買買模式，2016年連續(xù)出手收購了Nervana和Movidius兩家分別擅長服務器端和移動端機器學習系統(tǒng)的公司。目前人工智能最火的領域，除了服務器端提供AI服務（Nervana），移動端提供輕量級低延遲AI應用（Movidius）外，就是自動駕駛最火了，所以Intel繼Nervana和Movidius后的下一個收購目標選擇了Mobileye實屬合理。

而從Mobileye角度來看，它與Intel的合作其實也有一段時間，自從與Tesla合作結束后，更是一心一意地加入了自動駕駛的Intel陣營，與Intel和BMW結成了自動駕駛聯(lián)盟，共同對抗來勢洶洶的Nvidia以及Tesla。目前該聯(lián)盟還處于蜜月期，Intel和Mobileye就親上加親成了一家人，預期未來會用更多動作。

另一方面，Qualcomm也在去年宣布收購了汽車電子行業(yè)巨頭NXP。該收購案數(shù)額巨大，吸引了半導體業(yè)界幾乎所有人的目光，同時也展示了Qualcomm想從手機產(chǎn)業(yè)走出去的決心。Qualcomm與NXP的業(yè)務重合不多，收購后更多是業(yè)務互補，NXP的汽車電子業(yè)務將成為Qualcomm未來版圖中的重要環(huán)節(jié)。

Intel和Qualcomm，都瞄準了未來的汽車電子。顯然，未來汽車電子潛力最大的方向就是無人駕駛，然而Intel和Qualcomm選擇了截然不同的兩種通往無人駕駛的技術道路。下面為您仔細分析兩家公司的技術藍圖。

Intel：做一個機器人幫你開車

Intel由微處理器發(fā)家，借著計算機在上世紀的普及而一舉成為全球最大的半導體公司。也正是由于在計算機行業(yè)過于成功，想要接著之前在計算機行業(yè)的經(jīng)驗去做移動終端業(yè)務，結果遭遇滑鐵盧，錯失了移動互聯(lián)網(wǎng)的風口。下一個風口是人工智能，Intel當然不想再錯過，因此連連出手大舉投資。

Intel與人工智能其實一直很接近。人工智能一直以來是計算機領域的一個分支，而Intel與計算機的淵源更是不必多說，因此Intel去做人工智能根本就不算是轉(zhuǎn)型，而只能說是稍微調(diào)整了一下計算機業(yè)務的重點布置。Intel要做自動駕駛也是以人工智能為切入點，因此要從人工智能如何實現(xiàn)自動駕駛來分析這件事。

人工智能從計算機誕生以來，就成為了計算機科學家一直在思考的問題，即能否用計算機實現(xiàn)人類的思考能力？計算機科學的祖師圖靈就思考過這個問題，還提出了著名的“圖靈準則”（即人類能否判斷與之對話的是人還是計算機）來幫助判斷計算機是否真正實現(xiàn)了人工智能。之后，在上世紀中葉，Minsky等人為人工智能的發(fā)展做出了卓越的貢獻，然而之后人工智能的發(fā)展卻陷入了低潮。直到十年前，基于深度神經(jīng)網(wǎng)絡的深度學習再度崛起，讓世人的目光再次集中到了人工智能這個話題上。神經(jīng)網(wǎng)絡是一種仿生人工智能算法，其崛起的標志性事件是2012年AlexNet的誕生，實現(xiàn)了在ImageNet數(shù)據(jù)集上物體識別準確率的大幅提升。之后，神經(jīng)網(wǎng)絡越來越深，從十幾層，到微軟ResNet的一百多層，最近甚至有一千多層的深度學習網(wǎng)絡出現(xiàn)。

Intel以人工智能作為自動駕駛的技術路線，其最終目標是打造一個人工智能駕駛系統(tǒng)。該系統(tǒng)可以理解為設計制造一個機器人，這個機器人懂得用傳感器感知汽車周圍信息，并且根據(jù)人工智能算法做決策，以實現(xiàn)與人類一樣甚至超過人類表現(xiàn)的駕駛水準。就技術角度，Intel負責這個機器人的大腦（計算部分，Intel畢竟是處理器行業(yè)的老大其芯片能提供足夠強大的計算能力），而Mobileye負責機器人的眼睛（傳感器信號處理芯片，傳感器的原始數(shù)據(jù)量非常大，需要專用的高效處理芯片做預處理后再送去后端的通用處理器做自動駕駛的決策）。

Intel設想的自動駕駛系統(tǒng)中需要用到多種傳感器，包括攝像頭，毫米波雷達，激光雷達，超聲波傳感器等等，Intel購買Mobileye的目的，就是為了給自動駕駛系統(tǒng)加上一雙敏銳的雙目，實現(xiàn)高效傳感器融合。算法部分兩家公司各有積累，融合之后預期會有更好的算法出現(xiàn)。而數(shù)據(jù)方面，就要靠與Intel合作的各大車廠提供以訓練深度學習算法了。

Intel選擇的使用神經(jīng)網(wǎng)絡人工智能的自動駕駛歸根到底是一種仿生學設計，其效法的對象就是人類本身，無非就是用傳感器替代了人類的眼睛，用深度學習算法代替了人類的大腦。從另一個角度想，人類的極限基本就決定了這套自動駕駛系統(tǒng)的極限。在自動駕駛分級中，這套系統(tǒng)支援到第三級（有條件自動化）沒有任何問題，因為自動駕駛系統(tǒng)并沒有完全接管汽車，這時候相當于真人駕駛員是駕校教練坐在副駕上，而自動駕駛系統(tǒng)是新司機（雖然這個新司機在大多數(shù)時候比真人老司機開得更好！），一旦自動駕駛出了什么問題真人老司機立馬介入避免事故。

然而，到了第三級以上的自動駕駛（副駕真人老司機在開車過程中基本可以打瞌睡不管自動駕駛系統(tǒng)），人工智能想要真正接管汽車還有不少問題。目前人工智能中深度學習的原理是使用海量數(shù)據(jù)去訓練網(wǎng)絡，深度學習網(wǎng)絡在訓練后可以根據(jù)輸入數(shù)據(jù)做決策。然而，數(shù)據(jù)即使再大，也不可能覆蓋所有狀況，在很多意想不到的情況下算法可能出錯。例如，就拿基于攝像頭的自動駕駛來說，攝像頭首先獲取圖像數(shù)據(jù)，之后處理器在圖像上做分割，將背景與前景物體分割開，再識別前景中的道路，車道，活動物體（包括其他汽車，自行車，行人），估計這些物體與車的距離，并做駕駛決策。然而，無論是圖像分割，物體識別，還是距離估計，都可能出錯，而且出錯的地方往往意想不到。之前Tesla的自動駕駛因為沒能識別前方的白色大卡車而產(chǎn)生了車禍，據(jù)報道援引可能是算法把大卡車當成了白云。這樣的錯誤在人類看來不可思議，但是在基于深度學習的人工智能中卻非常有可能，只要訓練數(shù)據(jù)中沒有包括這種情況就有機會犯這種錯誤。然而，駕駛時路況千變?nèi)f化，訓練數(shù)據(jù)理論上不可能覆蓋所有狀況，永遠有這類落網(wǎng)之魚。即使統(tǒng)計學上的概率非常非常小，但是對于每個車主來說一旦發(fā)生了就是發(fā)生了。而且，一旦發(fā)生事故，如何界定法律責任也是一個問題，究竟是車廠的責任還是司機的責任，也是一個尚待解決的問題。

另外，這還牽涉到了車主對自動駕駛的信任問題。雖然現(xiàn)在人工智能使用的深度學習網(wǎng)絡研究非常火熱，但并不代表人們已經(jīng)理解了深度學習網(wǎng)絡。深度學習的基礎是統(tǒng)計學，網(wǎng)絡的效果好壞也是看測試數(shù)據(jù)集上的測試準確率，因此人們不完全明白深度學習網(wǎng)絡的決策過程，一個典型的例子是AlphaGO對戰(zhàn)李世石的時候?qū)I(yè)棋手連連表示看不懂AlphaGO的思路，但是最后AlphaGO就是在一片“看不懂”中贏下了比賽。往好里說，這是神奇，是潛力無窮，往壞里說，這是不確定性大。Tesla的自動駕駛汽車能高難度過彎卻會陰溝里翻船，將來自動汽車也可能在完全不確定的地方出事故，讓車主不能完全信賴。說到底，這個信任問題的根源，還是因為人工智能自動駕駛完全依賴于一個人類還不能完全理解的技術。

小結：Intel基于人工智能的自動駕駛技術是想做一個和人一樣根據(jù)周圍環(huán)境做決策完成駕駛?cè)蝿盏南到y(tǒng)。Intel的技術可以快速搶占目前主流的0-3級自動駕駛市場，但是在更高級的自動駕駛（即自動駕駛系統(tǒng)掌握車輛的更多主控權）領域，光靠人工智能是不夠的。

那么，更高級的自動駕駛市場要靠什么？要靠未來交通的基礎設施，即車聯(lián)網(wǎng)（V2V，V2X）。而這是Qualcomm與NXP更擅長的。

Qualcomm：設計新型汽車自己就能開

Qualcomm的自動駕駛思路與Intel完全不同。如果說Intel是計算機科學家的思路走人工智能，那么Qualcomm就是電子工程師的思路走自動化控制，即車聯(lián)網(wǎng)。在車聯(lián)網(wǎng)時代，每輛車以及路上的交通設施都與網(wǎng)絡連接傳遞信息，這樣車可以根據(jù)從車聯(lián)網(wǎng)獲得的信息來做駕駛決策判斷，從而實現(xiàn)自動駕駛。

車聯(lián)網(wǎng)包括車與車之間的通訊，也包括車與其他設施之間的通訊。車與車之間的通訊可以讓每輛車都掌握附近車的信息，例如距離，時速等等。這一方面可以避免交通事故，另一方面也可以增加駕駛效率。例如，現(xiàn)在在開車的時候大家都會與前車保持足夠的車距防止前車突然剎車，有了車聯(lián)網(wǎng)之后前車剎車的第一時間你的車就會知道并且同步減速，這樣即使車之間的間距很小也問題不大。這個技術目前已經(jīng)用在了NXP給卡車車隊開發(fā)的系統(tǒng)中，在這樣的車隊里每一輛車的駕駛過程都是同步的，從而可以省去不少因為加速減速的浪費的汽油。車與其他設施之間的通訊也非常有用，例如車輛可以與路牌通訊知道目前的限速。

舉個例子來說明Intel和Qualcomm技術的不同思路。下雨天的時候，純粹基于人工智能的自動駕駛?cè)菀壮鰡栴}，因為車道分割線在下雨天的時候很模糊，人類都看不清楚，人工智能使用機器視覺也一樣看不清楚，所以無法很好地識別車道，可能會開著開著就開到其他道上去了。車聯(lián)網(wǎng)的思路就不同，識別車道壓根不是靠機器視覺，而是可以靠道路的基礎設施建設使道路交通智能化。例如，可以在車道的分割線上安裝射頻標簽，汽車靠與這些射頻標簽通訊就可以知道自己有沒有行駛在道路中央，甚至還可以獲得前方道路是否有彎之類的信息來幫助駕駛。顯然，這樣的方案不會受到天氣的影響。

從上面的例子還可以看出兩種方案的其他不同點。首先，不同于之前說到人工智能技術很多時候連研究人員都無法理解，Qualcomm使用的車聯(lián)網(wǎng)中每一個技術細節(jié)（主要是無線通訊）都已經(jīng)被工程師們完全理解，因此不會出現(xiàn)人工智能在不可思議的地方出錯的問題，也不存在訓練數(shù)據(jù)不夠的問題。甚至在車聯(lián)網(wǎng)信號狀況不好的時候，汽車也能及時提醒司機及時接管，但是人工智能方案卻未必能實現(xiàn)這一點。其次，Intel的自動駕駛技術只是做局部優(yōu)化，只管一輛車；而Qualcomm的車聯(lián)網(wǎng)則是有可以做全局優(yōu)化的潛力，既然所有車都聯(lián)網(wǎng)了那么交通也可以根據(jù)車流做優(yōu)化疏導，例如交通燈會根據(jù)車流來調(diào)整紅燈和綠燈的時間。Qualcomm車聯(lián)網(wǎng)方案會給汽車駕駛帶來更大的飛躍。人類開車的時候是通過眼睛看前方的路況以及車距，頭腦根據(jù)這些信息來做判斷并控制汽車。Intel的人工智能駕駛是使用傳感器代替人類眼睛，使用處理器代替人類大腦，但是人類眼睛會看錯，判斷會失誤，人工智能一樣也會犯這樣的錯誤。Qualcomm的車聯(lián)網(wǎng)方案根本就不需要眼睛，因為道路和車輛的實時信息已經(jīng)通過網(wǎng)絡傳遞給車輛，所以就不會有“看錯”的問題。

當然，Qualcomm的車聯(lián)網(wǎng)也有一個很大的問題，就是需要把車聯(lián)網(wǎng)的基礎設施都建好了才能完全發(fā)揮出所有潛力，相較之下Intel的人工智能駕駛則與基礎設施沒有任何關系。事實上，車聯(lián)網(wǎng)與人工智能自動駕駛并不互相矛盾，相反是相輔相成的。在第0-3級自動駕駛中，人工智能即可勝任；但是到了更高級的自動駕駛，必須同時結合兩種方案才行。