如果說三年前傳統(tǒng)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(shí)用，誰就贏得下一個時代，而競爭關(guān)鍵則取決于決策算法和計(jì)算平臺。

　　1. 決策算法成為競爭焦點(diǎn)

　　從技術(shù)角度講，自動駕駛由三大主要技術(shù)構(gòu)成：感知、決策和控制。那現(xiàn)在自動駕駛技術(shù)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(fā)現(xiàn)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(dá)、環(huán)視攝像頭、加上十個以上的超聲波雷達(dá)，豪華一點(diǎn)的再配上幾個低線束的激光雷達(dá)，這些傳感器的供應(yīng)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(shù)開發(fā)，已經(jīng)相當(dāng)成熟，可以說感知技術(shù)已經(jīng)不是主要的瓶頸。而控制則是傳統(tǒng)車廠和Tier1非常擅長的領(lǐng)域，做了很多年，積累了大量的經(jīng)驗(yàn)。

　　自動駕駛在技術(shù)上的競爭，主要聚焦于決策環(huán)節(jié)。事實(shí)上，區(qū)分一個系統(tǒng)是ADAS還是自動駕駛，也主要是看該系統(tǒng)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(xiàn)在其決策算法方面。

　　傳統(tǒng)汽車界的研發(fā)是基于功能安全的設(shè)計(jì)方法學(xué)建立的，滲透到開發(fā)流程的每一個環(huán)節(jié)，并且在過去一個世紀(jì)，將汽車的安全性提高到了極高的水準(zhǔn)。如今，頂尖的公司已經(jīng)可以確保汽車發(fā)動機(jī)能使用一百萬公里！但是面對洶涌而至的機(jī)器學(xué)習(xí)熱潮，傳統(tǒng)汽車界突然發(fā)現(xiàn)自己嚴(yán)重缺乏技術(shù)儲備，面對特斯拉和谷歌激進(jìn)的策略，顯得力不從心。這已經(jīng)成為制約傳統(tǒng)車廠開發(fā)自動駕駛的最大短板，目前，傳統(tǒng)車廠或者大肆收購機(jī)器學(xué)習(xí)公司，或者與其合作，他們需要盡快補(bǔ)上這塊短板。

　　傳統(tǒng)車廠出身的克拉富西克顯然深知這一點(diǎn)，在他出任Waymo CEO之后，谷歌一改之前模棱兩可的商業(yè)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(shí)上是將自己定位在Tier 1的角色。此前谷歌雖然在技術(shù)積累上處于領(lǐng)先位置，但一直沒有確定可行的商業(yè)模式，克拉富西克的到來，讓谷歌對于商業(yè)化的態(tài)度更接地氣，也更精準(zhǔn)。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(jīng)過驗(yàn)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(yè)界提供軟件授權(quán)，就像它之前在安卓系統(tǒng)上所做的一樣。

　　2、理性決策是必然趨勢

　　決策算法面臨的最大挑戰(zhàn)，就是如何達(dá)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(jié)果會輸出到控制器，根據(jù)ISO26262已有的功能安全的規(guī)定，這會反過來要求決策系統(tǒng)也需要達(dá)到ASIL-D的標(biāo)準(zhǔn)。目前，ISO組織對專門針對自動駕駛的功能安全標(biāo)準(zhǔn)正還在制定中，有可能會用一種新的標(biāo)準(zhǔn)進(jìn)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(yán)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(chuàng)公司，這些非傳統(tǒng)車廠出身的玩家來說，是一個全新的命題。

　　目前，很多創(chuàng)新公司都在使用深度學(xué)習(xí)加增強(qiáng)學(xué)習(xí)做端到端的訓(xùn)練，也就是說，從傳感器的輸入直接導(dǎo)出控制器（剎車、油門、轉(zhuǎn)向等）的輸出。但深度學(xué)習(xí)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(guān)性，而非因果推理，而這兩者是有本質(zhì)不同的。

　　相關(guān)并不意味著因果。舉個例子，統(tǒng)計(jì)發(fā)現(xiàn)，手指頭越黃的人，得肺癌的比例越大。但事實(shí)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(lián)系。那么為什么統(tǒng)計(jì)數(shù)據(jù)會顯示出相關(guān)性呢？這是因?yàn)槭种更S和肺癌都是由吸煙造成的，由此造成了這兩者之間產(chǎn)生了虛假的相關(guān)性。

　　深度學(xué)習(xí)就像一個黑盒子，無法進(jìn)行分析，出了事情你不知道原因到底是什么，也沒有辦法預(yù)測下一次會出什么狀況。有一個很搞笑的例子，用深度學(xué)習(xí)訓(xùn)練一個系統(tǒng)，來分辨哈士奇和愛斯基摩狗，初步測試效果非常好，但進(jìn)一步的測試表明，這個系統(tǒng)其實(shí)是通過區(qū)分背景，而不是狗本身來判定其種類的，因?yàn)橛?xùn)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(tǒng)應(yīng)用到自動駕駛，是多大的隱患！

　　深度學(xué)習(xí)的實(shí)際表現(xiàn)，基本上取決于訓(xùn)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(xùn)練出你并不想要的結(jié)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(xué)習(xí)的熱潮席卷了整個業(yè)界，很多人不再對基礎(chǔ)算法進(jìn)行鉆研，而是瘋狂加大數(shù)據(jù)，堆機(jī)器進(jìn)行訓(xùn)練，以期更快地出成績，結(jié)果看上去還不錯，但這樣的非理性態(tài)度其實(shí)是給自動駕駛埋下了隱患。我們需要的是對于事實(shí)邏輯的深入分析，以及不同方法論的結(jié)合，從這個意義上講，如果用小數(shù)據(jù)可以達(dá)到好的效果，更能說明我們對機(jī)器學(xué)習(xí)技術(shù)的理解能力。

　　? 基于規(guī)則的專家系統(tǒng)不靈活

　　傳統(tǒng)的主機(jī)廠和Tier 1面臨的則是另外的問題。如果接觸各大Tier1的ADAS產(chǎn)品，無論是AEB，還是ACC，LKA，你會發(fā)現(xiàn)都是基于規(guī)則的專家系統(tǒng)。這種系統(tǒng)精確可分析，但專家系統(tǒng)的問題在于，在場景非常多變時，創(chuàng)建的規(guī)則就無法保證足夠的覆蓋面。結(jié)果，當(dāng)添加更多新的規(guī)則時，就必須撤消或者重寫舊的規(guī)則，這使得這個系統(tǒng)變得非常脆弱。并且，各個功能都有自己單獨(dú)的規(guī)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(jīng)跟一家主機(jī)廠在交流他們的決策系統(tǒng)時曾詢問過這個問題，得到的答案是：這種基于專家系統(tǒng)的規(guī)則經(jīng)過組合，能產(chǎn)生一萬種可能！你甚至很難對這個系統(tǒng)進(jìn)行完整的測試。

　　? 新的決策機(jī)制：因果推理

　　因此，我們需要在自動駕駛領(lǐng)域引入新的決策機(jī)制。自動駕駛決策技術(shù)路線的一個重大趨勢，就是從相關(guān)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(jì) 80 年代初，Judea Pearl為代表的學(xué)術(shù)界出現(xiàn)了一種新的思路：從基于規(guī)則的系統(tǒng)轉(zhuǎn)變?yōu)樨惾~斯網(wǎng)絡(luò)。貝葉斯網(wǎng)絡(luò)是一個概率推理系統(tǒng)，貝葉斯網(wǎng)絡(luò)在數(shù)據(jù)處理方面，針對事件發(fā)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(yōu)勢：模塊化和透明性。

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

　　因此，我們可以把深度學(xué)習(xí)的系統(tǒng)作為一個子模塊融入到其中，專家系統(tǒng)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(gòu)成了貝葉斯網(wǎng)絡(luò)的子節(jié)點(diǎn)，將有效強(qiáng)化輸出結(jié)果的可靠性，避免一些低級錯誤的發(fā)生。

　　透明性是貝葉斯網(wǎng)絡(luò)的另一個主要優(yōu)勢。對于自動駕駛而言，這尤為關(guān)鍵，因?yàn)槟憧梢詫φ麄€決策的過程進(jìn)行分析，了解出錯的哪一個部分。

　　可以說貝葉斯網(wǎng)絡(luò)是理性決策的極佳實(shí)現(xiàn)，適合用于設(shè)計(jì)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(qiáng)學(xué)習(xí)的決策框架，它把一個決策問題看作是一個決策系統(tǒng)跟它所處環(huán)境的一個博弈，這個系統(tǒng)需要連續(xù)做決策，就像開車一樣。優(yōu)化的是長期總的收益，而不是眼前收益。這有點(diǎn)像巴菲特的價值投資，優(yōu)化的目標(biāo)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(yīng)用這樣的決策系統(tǒng)。比如說要構(gòu)建價值網(wǎng)絡(luò)，評估當(dāng)前的駕駛環(huán)境風(fēng)險，評估的是從現(xiàn)在時間到未來時間的整體風(fēng)險；然后利用策略網(wǎng)絡(luò)輸出本車的控制決策，選擇最優(yōu)的駕駛路徑和動力學(xué)輸出。

　　同時，我們還可以構(gòu)建一個基于模擬路況的仿真環(huán)境，通過增強(qiáng)學(xué)習(xí)去做虛擬運(yùn)行，獲得最優(yōu)的決策模型，并且還將產(chǎn)生大量的模擬數(shù)據(jù)，這對決策算法的成熟至關(guān)重要。

　　可以說，向因果推理型決策模型轉(zhuǎn)化是自動駕駛技術(shù)邁向成熟的重大標(biāo)志。