無人駕駛的商業化，就在2018？

在人工智慧這股大潮中，沒有任何一個領域像「無人駕駛」一樣，能夠如此的複雜，綜合地集成各類前沿科技，引起行業的廣泛討論與變革。

DT君近日獨家專訪了馭勢科技CEO、前英特爾中國研究院院長吳甘沙，為你揭開無人駕駛的秘密。

▍數據科學的布道者

「當看到方向盤自己在轉動，車輛的減速加速都非常平穩，你會慢慢對這種全新的事物產生一種熟悉感，建立起一種信任。

」回憶起第一次乘坐無人駕駛汽車的情形，吳甘沙還記憶尤新。

雖然起初有些緊張，但是當他逐漸適應了無人駕駛的節奏，看到汽車非常自然地奔馳在道路上時，他說，「就感覺這個（無人駕駛）是完全有底氣的」。

對於吳甘沙來說，選擇all in無人駕駛，是「原力覺醒」的過程——就像甦醒後的絕地武士，這次，他想要「干一票大的」。

在進軍無人駕駛領域之前，吳甘沙更廣為人知的另一個身份，是英特爾中國研究院的院長。

還在復旦大學計算機繫念書的時候，吳甘沙就拿到了英特爾獎學金，畢業後順理成章地進入了這家全球最大的晶片公司。

憑藉在並行編程、嵌入式系統等技術領域內的突出貢獻，2011年，他成為了英特爾中國研究院的第一位「首席工程師」，後來又成為了第一位非美籍華人院長。

從並行編程，到嵌入式系統；從大數據，到物聯網；從機器人，再到如今的無人駕駛……在18年的職業生涯里，吳甘沙的研究領域橫跨了多個不同的技術方向，不過不變的是，他始終在與數據科學打交道。

在2007年，圖靈獎得主、關係型資料庫的鼻祖吉姆·格雷（Jim Gray）曾經提出了科學方法的「第四範式」概念。

他認為與以往的科學方法不同，人類經歷實驗歸納、模型推演、仿真模擬的科學階段，如今已經進入到了「數據密集型科學發現」時代，也就是我們的俗稱的「科學大數據」時代。

「最早的『大數據』可以追溯的16世紀中期的天文學的研究上。

丹麥天文學家第谷喜歡觀測星星，用二十多年的時間積累了大量精確的天文數據。

雖然他的理論最終是錯的，但是他採集數據，通過數據計算這些過程，已經涉及到了數據科學。

第谷是一個非常好的數據採集者，後來，他的弟子開普勒就根據這些數據，計算出了行星運動的橢圓方程，佐證了哥白尼的日心說。

開普勒比第谷擅長的，是數學計算能力。

」回顧數據科學的發展史，吳甘沙認為最早可以追溯到第谷的天文學研究。

第谷的觀測繪圖。

正是得益於這些數據，開普勒才提出了開普勒三定律，成為了「天空立法者」；圖片來源：維基百科

吳甘沙認為，要成為一個數據科學家，從歷史的眼光看，不僅要有數據採集能力，還要有紮實的數學計算功底。

到了現代，計算技術、業務知識以及溝通等軟實力也都是數據科學家的必備條件。

雖然已經在數據科學領域浸染了這麼久，但吳甘沙並不覺得自己是一位「數據科學家」，他更喜歡把自己定義為一位數據科學的「布道者」。

「我只是告訴大家大數據的價值，以及一些技術發展的趨勢。

」

在與DT君的交流中，吳甘沙始終保持著一種對大數據科學的謹慎態度。

十幾年來，他經歷了大數據從曲高和寡，風靡一時，再到回歸理性的過程，對數據科學的潛力和局限性有著更加清晰的認知。

舍恩伯格在《大數據時代》中提出的「數據要全集不要採樣、擁抱混雜性無需精確性、相關性大於因果性」等理念已經逐漸被證明是「吹牛專用」；Google經典的流感預測則在2013年1月大大失准，被《科學》雜誌稱為「大數據的傲慢」。

「但是不可否認，是大數據帶動了這一波人工智慧的發展。

」因為了解數據科學的發展規律，吳甘沙選擇無人駕駛作為自己的新起點，這正是從他過去的經驗中，看到了這次智能化變革的機會。

▍數據科學家庭中的叛逆小孩

如果把數據科學比喻成人工智慧的「家長」，智能物流、智能營銷、智能運維等智能化概念就是它孕育的「孩子」。

無人駕駛也是其中之一，但是它是最叛逆的一位——因為它並不怎麼依賴它的「大數據家長」。

無人駕駛，通俗來講就是用機器取代人的駕駛行為，由車輛自己控制。

「我們可以回想一下，一個人從去駕校學習到拿到駕照上路的過程，並不是一個大數據的過程。

」吳甘沙告訴DT君，人類感知道路環境，然後用肢體操作汽車，最後根據日積月累的經驗和知識判斷不同場景下的操作行為，這更多的是強化學習、遷移學習和邏輯推理判斷的過程，並非大數據。

「可以說，無人駕駛是一個不完全基於大數據的人工智慧領域」，吳甘沙說到。

不過他也補充說，無人駕駛其實也用了大數據，但它們主要集中在汽車的感知層面。

然而，大數據目前在可靠性上的缺陷，則一直沒有出現有效的解決方法。

無人駕駛系統，主要包括感知、計算和決策三部分。

其中感知層面會通過雷射雷達、視覺傳感器等裝置來探測路況環境，而視覺傳感器的核心技術——圖像識別，以及其所使用的深度學習，是與大數據最緊密相關的部分之一。

深度學習是科學家模仿人類神經元的信息傳遞模式，對信息進行響應學習的過程。

但是問題在於，機器能做出識別，但是並不能解釋這個識別的過程。

卷積深度神經網絡CNN作為深度學習的一種主要結構，在計算機視覺層面已經得到廣泛應用；圖片來源：維基百科

「比如我們在國內訓練機器去識別各種交通信號，可是到了美國，如果它碰到一個Stop Sign（停止標識），它沒見過可能就識別不出來了。

或者你在上面貼個膠帶，有一點變化，機器可能就會看錯，因為它不是真正理解這個意思。

」吳甘沙告訴DT君，他們在與加州伯克利大學的合作研究也表明，基於大數據的深度學習如今並不能真正理解識別的過程。

這是一個「黑盒子」（black box）狀態。

「我們是不可能把自己的生命安全交付到這樣一個說不清道不明的東西上。

」與其他人工智慧行業不同，無人駕駛對安全性的要求極高。

如果這個問題不解決，無人駕駛的適應能力不足，沒有像人類一樣的強認知能力，就無法處理複雜的開放環境。

「如果針對開放環境，一個場景沒有在它的數據中出現過，它的魯棒性上（容錯能力）是存在問題的。

」

所以，吳甘沙認為，無人駕駛絕不能只依靠現階段的「大數據」，提升魯棒性是一個從算法到系統的全面工程。

谷歌的Waymo無人駕駛汽車。

自2009年以來，谷歌的無人駕駛汽車已經達成了超過640萬公里的真實路測，平均每5000英里才需要一次人為干預，但如今依然沒有商業化；圖片來源：Waymo官方網站

不過，孩子雖然「叛逆」，離開了家長也是萬萬不行的。

在如今的無人駕駛市場上，引領著行業發展的多是谷歌、百度、特斯拉、Uber等數據科技類公司，他們熟悉數據科學的歷史和方法，也看到了這個叛逆期孩子身上，未來的巨大潛力。

吳甘沙也是如此。

離開英特爾，創立無人駕駛公司馭勢科技，他形容自己加入無人駕駛大軍，是因為它觸動了自己的「根本利益」——徹底解決城市交通的擁堵和安全問題。

▍「中國合伙人」

其實吳甘沙早有離開英特爾的打算。

從2000年至今，圍繞數據科學的發展，整個世界是躁動的。

大數據、雲計算、移動網際網路等浪潮一波接著一波，新出現的科技名詞和概念讓人應接不暇。

十幾年間，每一波技術浪潮都誕生了偉大的公司，他們重新定義了搜索、支付、購物、廣告、金融、計程車等各種傳統領域。

吳甘沙顯然不滿足於在英特爾的「歲月靜好」，只不過前幾次機會，他始終沒有說服自己作出選擇。

直到2015年，當格靈深瞳的創始人趙勇用「無人駕駛」敲開了他的心門。

趙勇之前任職於Google X，是谷歌眼鏡的核心團隊成員之一。

回國後，他創立了格靈深瞳，專注於計算機視覺和人工智慧領域的研究。

他與吳甘沙同是復旦校友，兩人最初相識於2013年一場共同好友的飯局中。

2015年9月，趙勇找到吳甘沙，跟他聊了希望創辦一家無人駕駛企業的想法，但當時卻被吳甘沙婉轉拒絕了。

趙勇後來回憶，覺得可能是自己當時的想法太突然了，但正是這次談話讓吳甘沙在心裡種下了要做無人駕駛的種子。

一個月後，他卻主動跟趙勇寫了一封很長的郵件，最終決定要一起做這件事兒。

趙勇後來說，「我並沒有說服吳甘沙，只是點了一顆火種，劃了一根火柴，而這在他心裡起了化學反應。

」

有了基於人工智慧的感知力，和對複雜系統的駕馭力，吳甘沙和趙勇覺得他們還缺了另外一個關鍵——基於自動駕駛本身的探索。

於是他們倆在同年11月一個陰冷的下午，來到北京理工大學，找到了當時國內無人駕駛落地最好的姜岩。

姜岩博士畢業後一直留在學校研究無人駕駛，曾經獲得2013年「中國智能車未來挑戰賽」全國總冠軍，在國內率先實現真實交通場景下的無人駕駛。

由於常年在北京三環上測試自己的無人車，人送綽號「三環郎」。

馭勢科技的初創人員，從左到右分別是彭進展、吳甘沙、周鑫、姜岩和趙勇；圖片來源：馭勢科技

當時姜岩正在折騰自己的無人駕駛汽車。

吳甘沙也是在那天第一次真正體驗無人駕駛汽車，也就有了文章開頭說的那種感受。

2016年1月吳甘沙、趙勇、姜岩等人正式成立了無人駕駛解決方案公司馭勢科技。

李開復的創新工場等領投，迅速完成了Pre-A輪融資。

然後他們「十月造車」，僅用時十個月就造出了第一輛無人車。

2017年1月，他們在CES北展館高調展出「城市移動空間」，一時間引起媒體高度關注。

馭勢科技在2017年展出的「城市移動空間」無人車，內部已經沒有方向盤等傳統車輛控制元件；圖片來源：馭勢科技

據吳甘沙介紹，「十月造車」對於他們來說僅僅只是開始。

馭勢科技接下來馬不停蹄要做的，是實現無人車的量產化和商業落地。

不過，谷歌做了十幾年還沒有做成的事，馭勢科技現在就能做麼？

在杭州來福士廣場的停車場裡，吳甘沙已經用他的無人車開始了自動擺渡服務。

這輛經過改裝的高爾夫球小車，全身裝了2個雷射雷達，5個攝像頭，能夠自動幫助顧客找到自己的停放車輛。

馭勢科技的無人駕駛車輛在杭州來福士廣場停車場為顧客提供擺渡服務；圖片來源：馭勢科技

吳甘沙的無人駕駛商業化策略，並非直接與巨頭們硬碰硬，而是選擇從L2級自動駕駛（DT君註：根據美國交通部下屬的國家高速路安全管理局和國際汽車工程師協會的標準下的自動駕駛分類，從L0-L5分別對應人工駕駛、輔助駕駛、半自動駕駛、高度自動駕駛、超高度自動駕駛和全自動駕駛）入手，在高頻、剛需、可量產的一些特定場景下，率先實現無人駕駛的商業化落地，例如機場擺渡、快遞運輸、園區微循環等，並非針對開放場景的通用型無人駕駛。

「無人駕駛如今在商業化上的困難主要有兩個，一個是算法。

它是弱人工智慧，遇到沒有見過的情形無法處理；另一個是系統，一台奔馳S級的轎車上面的代碼行數是一家波音787代碼行數的16倍。

在這麼一套複雜的系統，不能確保它沒有BUG，不出危險。

」吳甘沙認為，解決這兩個難題的方法，就是「在有邊界的場景和中低速的車速限制下開始商業化」。

而實現商業量產化的時間，吳甘沙說：「就是現在。

」

▍無人駕駛的憂慮

3月20日，據美國有線電視新聞網CNN報導，在美國亞利桑那州，49歲的 Elaine Herzberg在過馬路時被一輛Uber自動駕駛SUV撞倒並最終身亡。

這是由全自動駕駛汽車導致的首起致人死亡的事故。

目前Uber已經暫停其在美國和加拿大境內的所有自動駕駛測試項目。

DT君又聯想到前兩年特斯拉的「Autopilot」駕駛事故，這些再次喚醒了人們對機器的憂慮——無人駕駛真的安全麼？一切被電腦控制後，我們的數據安全該如何保護？

「根據美國蘭德公司的諮詢報告，無人駕駛汽車至少要積累100億英里的數據，才有足夠統計學意義上的置信度，去判斷它給人開是安全的。

這相當於讓一輛車連續不停地開500年。

」吳甘沙說到，數據的積累並非一朝一夕的事情。

在現階段的無人駕駛研究中，尚未出現能夠確保足夠安全的通用型無人駕駛汽車。

吳甘沙在向媒體介紹無人駕駛的相關技術和概念：圖片來源：馭勢科技

作為創業公司，馭勢科技的戰略是在特定環境下、限定中低車速來確保安全，率先實現商業化。

同時，在L3級及以上的無人駕駛技術上持續研究，將「特定場景」的範圍不斷擴大，逐步接近通用領域。

針對Uber等無人駕駛的安全事故，吳甘沙認為，企業在無人駕駛商業化的過程中不能過於激進，既要擁抱科技創業，也要對汽車產業的原有規律具備敬畏之心。

另一方面，在數據安全上，無人駕駛天然地會收集用戶出行數據，那要如何避免出現諸如《速度與激情》中出現的場景——黑客滑鼠一點，成千上萬的汽車就會失控上路？

「這要從正向和反向同時來設計系統，確保數據安全。

」吳甘沙表示，他們的無人駕駛的正向的設計流程包括：Validation（系統規範正確性）、Verification（系統實現準確性）、Security（傳統系統安全，足夠冗餘）和Control（控制權掌握）等四個部分。

另一方面，他們還會和一些「白帽子」等黑客社區進行生態合作，不斷模擬黑客行為修復系統漏洞，從反向提升數據安全。

在高科技領域中，存在一條橫跨在早期市場和主流市場之間的巨大「鴻溝」。

吳甘沙熟知傑佛里·摩爾的鴻溝定律，說服市場接受「無人駕駛」的到來，跨越這條鴻溝曲線，還需要讓更多的人去熟悉「無人駕駛」，利用心理學的曝光效應等規律，讓市場逐漸接受。

傑佛里·摩爾提出可科技「鴻溝」概念曲線：圖片來源：維基百科

在吳甘沙的設想中，未來城市將不再需要私家車、停車場，所有的汽車都是自動駕駛，乘客隨坐隨走；數據控制車流，再也不會發生擁堵或者車禍；每天會為人類節約出價值連城的時間成本，釋放更多的土地面積……無人駕駛將從根本上改變人類的生活方式——這就是吳甘沙all in無人駕駛的「根本利益」。

DT君在讀吳曉波的《激盪三十年》時，常常覺得那是一個群雄並起、風起雲湧的商業時代。

又過了十年，用那種豪情萬丈的文字來形容這股「無人駕駛」的浪潮，依然妥帖：

當這個時代到來的時候，銳不可當。

萬物肆意生長，塵埃與曙光升騰，江河匯聚成川，無名山丘崛起為風，天地一時無比開闊。

2018年，這些「無名山丘」正在一步一步，悄然影響著我們的未來生活。

（來源：DT財經，作者：數據俠-程一祥）