馭勢科技吳甘沙：六萬億美元的智能駕駛很美好，但問題更值得關注

美好的智能駕駛，到底將來何去何從呢？近日，馭勢科技CEO吳甘沙現場分享了他及其團隊對智能駕駛，以及終極的「無人駕駛」的商業、技術、市場方面的諸多看法。

總結而言，馭勢科技CEO吳甘沙認為，3年內無人駕駛商業化的「唯一途徑」就是對場景進行約束、去除不確定性，同時對基礎設施進行增強，並且限制速度，最小化潛在風險。

實際上，作為國內智能駕駛領域的領先企業，馭勢科技積極探索限定場景、增強環境下低速無人駕駛的商業化，並且率先在廣州白雲機場、杭州來福士購物中心等地開始了持續的技術驗證和試運營服務，大規模商業化運營指日可待。

以下幾段視頻，便揭示了馭勢科技這一年來在智能駕駛領域的初步成果，我們一起來看看：

馭勢科技房山路測視頻

馭勢科技白雲機場試運營項目

馭勢科技商業綜合體試運營項目視頻

怎麼樣？智能駕駛是不是很酷？實際上，在吳甘沙的眼中，未來的智能駕駛，可不僅僅像視頻中這麼簡單，它還面臨著很多問題，以及更廣闊的市場。

六萬億美元的市場

•第一個萬億美金是汽車市場。

根據2017年4月最新發布的《汽車產業中長期發展規劃》，我國汽車產量仍將保持平穩增長，預計2020年將達到3000萬輛左右、2025年將達到3500萬輛左右。

到2020年，汽車DA（駕駛輔助）、PA（部分自動駕駛）、CA（有條件自動駕駛）系統新車裝配率超過50%，網聯式駕駛輔助系統裝配率達到10%，滿足智慧交通城市建設需求。

到2025年，汽車DA、PA、CA新車裝配率達80%，其中PA、CA級新車裝配率達25%，高度和完全自動駕駛汽車開始進入市場。

•第二個萬億美金是出行市場。

對於滴滴，其峰值能夠做到2100萬單/天。

電商領域的阿里巴巴每天的單數是3000-5000萬單；主攻吃喝玩樂的美團點評，每天是1800萬單。

也就是說，出行市場的規模的相當高頻且剛性的。

但是，網約車遇到了瓶頸期，而這可能不僅僅是網約車新規帶來的，而是其本質上還有一些問題。

吳甘沙把它總結為兩點：

第一點是「人貴」——網約車需要司機去開，人力成本在這，所以今天的網約車比計程車還要貴。

第二點是「人缺」——把數千萬司機放在這個平台上，再往下就沒有那麼多司機了。

而共享汽車也並不能從根本上解決這個問題，因為自身存在著資源使用率偏低、成本管理等問題。

而在吳甘沙的眼中，無人駕駛計程車才是真正的終極目標。

第一，它不需要駕駛員，所以，不存在人貴的問題；

第二，它可以無限的複製，不存在勞動力短缺的問題；

第三，它很自覺，不存在路怒，不發脾氣，而且不會犯錯；

這便是智能駕駛的第二個萬億美元市場。

•第三個萬億美金市場是物流市場。

中國的物流成本非常高，根據《2015年全國物流運行情況通報》數據顯示，2015年社會物流總費用為10.8萬億元，占GDP的比率為16.0%。

吳甘沙說：「像快遞業，人力成本占到一半以上。

如果讓無人駕駛做主幹線上的物流，通過無人駕駛做末端的投遞，那麼這些成本都可以省下來。

成本省下來，物價就可以降下來，大概可以降下三分之一。

」

•第四個萬億美金市場是商業地產。

未來的汽車，交通工具的屬性越來越低，而商業空間的屬性越來越高。

「在汽車這個空間裡，我們可以布置不同的場景，放咖啡機，就是移動的星巴克，放一塊大螢幕，就是移動的萬達影城，放一套辦公設備，就是移動的soho寫字樓，當它把每一輛車每一條路都變成商業地產的話，這個商業模式創新的空間就變得非常大。

」

•第五個萬億美金是能源市場。

在未來，風車、家家戶戶的太陽能電池板，都可以變成一個發電的場所，變成分布式發電，而在其中，汽車在能源市場將發揮越來越大的作用。

「它是一個大型的移動終端，是一個商業空間，還是一個儲能單元，」吳甘沙談到，「電池可以做自動充電，可以換電，那麼電池使用效率就會非常高。

如果有很多這樣的電動車，每輛車都是一個儲能單元，那這個分布式能源網際網路就變得非常有意思了。

因為你在剛才很多這樣的地方，產電沒辦法併網的時候，可以把電充到車裡，在城市沒有電的時候，在高峰期的時候，還可以把電賣出去。

所以這又是一個很大的市場。

」

•第六個萬億美元是智能駕駛帶來的社會效益。

在美國，一年因為智能駕駛帶來的社會效益可以達到1.3萬億美金，相當於GDP的8%。

1600億來自節能的節省，5600億來自交通事故的減少，4200億來自生產力的提升。

這六個萬億美金，就是智能駕駛的六個萬億美金。

「我個人認為沒有第二個人工智慧技術或是其他技術可以達到如此之大的市場規模和社會影響力。

」吳甘沙強調。

面臨5大問題

問題一：法律法規政策

首先，自動駕駛的基礎法律。

吳甘沙透露，德國已經對法律做了修改，允許駕駛員在駕駛時做些其他的事情。

在世界範圍內有一個維也納道路公約，原本是要求駕駛員隨時保持對車的控制，現在也已經做了修改。

第二，公共道路的測試與規範，可能1年之內就會出現。

第三是國家相關部門給出性能的指南和測試標準，可能需要一到兩年。

問題二：基礎設施

第一是高精度定位覆蓋，在中國的大城市已經可以達到厘米級覆蓋，所以這個問題1年就可以解決。

第二是高精度地圖覆蓋，這可能需要3年時間。

第三是V to X通訊的覆蓋，也就是就是車對車、車對人等問題。

問題三：技術的成熟度

吳甘沙認為，無人駕駛技術雖然已經萌芽，但離商業化還有很長的路要走。

首先，在開放城市環境下，實現無人駕駛需要5-10年。

谷歌已經做到駕駛五千英里才需要一次人干預，就是說一年才需要一次人干預，但是離商業化還有很長的距離，因為人類駕駛員每165000英里出一次小事故，每九千萬英里出一次致命事故。

所以，即使是谷歌這樣的行業領導者距離開放城市環境仍然需要一段時間。

第二，二、三級的自動駕駛要實現大規模普及，要需要三年的時間，這與我國的智能駕駛路線圖是相關的。

第三，是限定場景增強環境下面的低速無人駕駛，按照馭勢科技目前的商業化步驟，一年便可以實現。

第四，成本問題。

無人駕駛成本最貴的就是雷射雷達，雷射雷達成本從今天的七萬五千美金降到幾百美金，也就需要3-5年的時間。

另一個是CV-X，CV-X高精度定位等服務成為免費的服務大概也要用到3+年的時間。

第五，社會接受度。

吳甘沙說道：「我覺得大家能夠接受二到三級自動駕駛，大概3年就可以了。

這和它的商業化步驟是一致的。

而限定場景的低速無人駕駛基本上是可以接受的。

社會對於無人駕駛的安全以及倫理問題大概1-5年。

大規模失業會引起的社會關注甚至是恐慌，這很有可能會在5到10年間出現。

」

問題如何解決

既然商業化有了時間表，那麼這些問題就需要相關技術去解決。

現場吳甘沙也透露了他的觀點，對於無人駕駛商業化，需要回答兩個問題——為什麼通用場景的無人駕駛還差些火候？商業化落地應該通過一個什麼樣的方法實現？

•處理複雜的正式場景

傳統上，無人車在一個實驗環境中操作的很好，但是在真實環境中就失敗。

在真實場景中，無人車要學會判斷態勢。

同時，無人車還需要評估其他道路、參與方的動機或是行為，用強化學習（reinforcement learning）來模仿「老司機」，在與環境的互動中尋找更好的方法。

•人工智慧的魯棒性問題

魯棒性一方面是通過代碼來實現，另一方面是通過數據。

代碼可以通過許多覆蓋的測試來實現，但是數據很難做覆蓋測試，數據會影響行為，因為數據用到很多隨機算法和機器學習，而深度學習有諸如訓練集的重讀或偏差等「命門」，這對於汽車非常危險。

另外，開放動態環境位置學習也是一個挑戰，因為沒有辦法窮舉開放環境裡面的所有狀態。

同時，大數據驅動的機器學習，或者說深度學習是一個黑盒子，它不具備可解釋性，有時候不可名狀的好，有時候不可描述的差。

有時候做選擇不知道為什麼做這個選擇。

吳甘沙解釋道，其實深度學習很脆弱，而且很容易被欺騙。

要解決這個問題，現在有一種學習叫做生成性對抗網絡（GANs），它有兩個模型，一個叫生成器，一個叫辨別器，慢慢地可以去學習辨別東西了，現如今已經有些應用到智能駕駛上了。

深度學習有個概念叫做梯度下降，另外，還有一種白盒框架會去測試深度學習算法，通過向深度學習輸入許多輸入，然後會去判斷在不同輸入情況下生成的結果是好還是不好。

在未來，希望人工智慧的魯棒性能夠將深度學習的多種算法都包含在內。

同時，遷移學習也很重要。

智能駕駛不僅需要深度學習，還需要背景知識和常識，以及要將遷移學習引進來，以前我沒有來過這個地方，但我走過類似的地方，這就可以，還要掌握基於貝葉斯的因果推理，這便是知其然，還要知其所以然，所有的這些都不依賴大數據。

所以，未來的無人駕駛時需要這些不依賴大數據的能力。

•為智能駕駛給出可預期的置信度

對於可置信度，吳甘沙舉了個例子：「去年特斯拉5月出了一場車禍，可他們給自己辯解，這個車開了1.3億英里才一次事故，美國的平均水平是9千萬英里，這都比平均水平好的多得多，還有什麼可質疑的？但是學過統計學的都知道，這是不成立的，為什麼？數據樣本太少，不具備統計的顯著性，如果第二天再出一次事故，就變成1.3億除以2，成了6500萬英里，所以一定要有足夠的數據才能證明是否安全。

」

那麼，到底需要多少數據呢？吳甘沙現場透露，「一百億英里」才能有95%的置信可言。

這對於真實車輛來說無疑是天方夜譚，意味著需要開500年才行。

如果不能在實際的道路中開那麼多，那就需要在虛擬環境中開車，這就需要仿真器。

馭勢這一年也做了很多嘗試：「我們最早的仿真器，不是那麼的逼真，它可以去測試我們的規劃、決策，但不足以去驗證我們的計算機視覺算法，但是現在我們在和一些公司、科研機構進行合作，我們希望基於大數據能夠快速地建模；同時，需要有照片級的真實度，能夠去測試計算機視覺的算法，還能夠去模擬不同的天氣，不同的光照。

」 通過這種模擬仿真器，馭勢科技正在打造百億英里無人駕駛訓練。

「君子和而不同」

對於無人駕駛現階段的商業化進程，各方看法不一，而馭勢自然也深諳其道。

現場，吳甘沙的幾番言論頗值得仔細尋味。

「對創業公司來說，智能駕駛需要一個很長的落地周期。

落地之後再盈利，需要的時間就更長了。

那麼，我們採取什麼樣戰略呢？我們叫做「和」，什麼意思呢？傳統上是零和遊戲，而我們現在變成「生態繁榮」，我們願意和上下游包括主機廠商，供應商來做一些原始碼、市場權、數據的共享，很多人以為我們這個是百度阿波羅計劃推出來之後才做的。

其實，我們很早就開始和多家車廠開始這樣的合作，」吳甘沙補充，「『和』這麼一個戰略，就是希望上下協同、創新，短期內我們不要求有商業化的合作，我們更多的是希望生態能夠繁榮起來。

」

有了「和」，什麼才是馭勢的「不同」呢？現場，馭勢也給出了答案。

「今天來說，法律法規是沒有問題的，主要就是技術和成本問題，另外我們認為只有通過軟硬體的全棧，才有可能控制這個產品的質量和體驗，才能實現商業化的落地。

而我們就恰恰是一個全棧的構思，從車的設計、製造到傳感器、到智能化的算法，到硬體，基本上形成了全棧的領域，所以我們這裡面的戰略是『不同』。

我們選擇一個和主流的車廠他們關注的市場，不相干的一個邊緣的市場，現在這裡面還沒有生態，我們把這個生態創造出來，把整個駕駛鏈創造出來，通過快速的商業化疊代，把這個運維體系商業閉環創造出來。

早期產品針對的就是商業園區，完全沒有駕駛員、油門和剎車，使用場景也非常簡單，用手機叫一個車，告訴它你想要去的地方，它就會把你送到目的地。

」

未來的落地，吳甘沙現場分享了他的「七個大法」

算法決定上限，系統決定下線

場景牽引

需求決定配置

成本決定價值

快速部署

跨越演示到部署的死亡之路

開啟創新，建立商業閉環

其實，通過這次分享，我們能愈發強烈地意識到無人駕駛對未來的顛覆以及創新意義，同時，通過馭勢的種種故事，我們亦相信，馭勢科技認為的「基於無人駕駛的共享出行將破解諸多城市難題，實現智慧社會交通流、信息流和能源流的最優配合與和諧統一」的那一天會加速到來，對於馭勢接下來的發展，我們拭目以待。