如果特斯拉股价还能涨20倍，靠的一定不是激光雷达“GGAI视角”

汽车行业的许多人谈论全自动驾驶汽车即将问世的时间点，到今天为止，都被无情的推倒。

2013年，还是雷诺-日产同盟董事长的卡洛斯•戈恩曾表现，自动驾驶将在7年内实现。2016年，特斯拉CEO埃隆•马斯克曾表示，他的汽车基本上已经可以做到了。Waymo是迄今为止代表自动驾驶技术希望的公司，与一两年前相比，说话也变得越发审慎。

这一切都让位于美国加州的丰田研究院(Toyota Research Institute)首席执行官普拉特(Gill Pratt)看起来颇有先见之明。2015年，作为资深机械人专家，普拉特加入丰田并主导自动驾驶研发。

然而，从一开始，普拉特就强调这是一件何等难题的任务。随后，丰田公布了一款名为司机助手（Guardian）的系统，基于一系列主动宁静功效来辅助司机，在最糟糕的情况下，资助司机制止自己犯下的错误。此外，在一个受限的运营情况中，还会涉及到对汽车行驶距离和速度的限制。

本周早些时候，在TRI位于加州的办公室里，普拉特向外界展示了最新版的P4自动驾驶测试车，基于雷克萨斯改装，搭载两个Luminar的激光雷达（丰田到场了投资）以及用于周边监测的Velodyne激光雷达，一套立体摄像头，一个单反相机（识别交通标志）和一套毫米波雷达。

显然，从硬件设置来看，这套系统与其他公司并没有什么太多的差异。

一、自动驾驶的“非理性繁荣”

关于自动驾驶技术的答应和陷阱，普拉特表现，“没有任何事情告诉我们不能这样做，也并不意味着我们做不到。”

只管如此，他指出早期的乐成（大量使用深度神经网络处置惩罚大量数据）使研究人员变得乐观。

在形貌这种乐观主义时，他并不阻挡“非理性繁荣”这一说法。

“非理性繁荣来自于深度学习给我们带来的看似不行思议的性能提升，”普拉特表现，“每小我私家都很惊讶，如果你投入足够的数据和足够的算力，性能会变得更好。”

但很快，人们逐步意识到，人工智能不仅要感知世界——纵然是现在，也不是一个微不足道的问题——而且还要做出预测，尤其是关于人类行为的预测。这个问题很重要，现在来看这险些是难以解决的瓶颈。

固然，许多创业者提出，总是可以使用深度学习来做它最擅长的事情，然后使用专家系统来处置惩罚其余的事情。这样的系统使用由实际专家输入的逻辑规则来处置惩罚任何泛起的问题，好比Mobileye提出的RSS（责任敏感宁静）决议模型。这种方法也使工程师能够不停调整系统参数——这是深度学习的“黑盒子”所不允许的。

把深度学习和专家系统放在一起确实有资助，普拉特说，“但还远远不够。”

丰田汽车卖力自动驾驶技术的副总裁沃尔夫拉姆•伯加德(Wolfram Burgard)表现，无论人工智能研究人员有什么新工具可用，日常革新都将继续举行。

“我们现在处在深度学习的时代，”他说，“我们不知道之后会发生什么——它可能是一种旧技术的重生，它的性能突然凌驾了我们之前看到的。我们仍然处在一个用现有技术取得希望的阶段，可是这个梯度已经不像几年前那么陡峭了。越往后面，你会发现越来越难。”

如果，自动驾驶汽车要大规模上路，显然必须要回覆一个关键性的问题：在接下来的5秒，周围的汽车、行人和骑自行车的人会做什么？这个问题被称为行为预测。近年来，不少到场自动驾驶研发的工程师都相信，行为预测的重要性。

“没有人能到达这种功效水平的原因是，今天的软件还不足以预测未来。它离人类司机的本能还差得远，而人类司机的本能是门路宁静中最重要的因素。”在一些工程师看来，自动驾驶的“预测缺陷”是限制它们实现L4及更高级别自动驾驶的关键。

在长城汽车自动驾驶卖力人甄龙豹看来，“预测部门，如果在测试路况里边还基于传统的规则性的做法来做整个的车辆的路径计划，或者车辆接纳什么行动的话，有可能面临车辆能被逼停的情况。”

对于Corner Case，要在后续不停地测试、优化，用算法来笼罩或者涵盖。通过学习车的运动路径，其他交通到场物的运动形式，来不停地弥补这些错误，或者不停地更新所不能处置惩罚的工况。

好比，经常遇到的工况是，人在过一个红绿灯的时候，当你发现旁边人走了，有的人也会随着走两步然后停下来，有的人会随着一直走下去。人与人之间的相互行为交织，是有一定的影响的，人与人之间是有相互的一个滋扰性在里边的。

这些问题某种意义上就是软件故障。换句话说，现在的关键问题不是更好的激光雷达，问题是预测能力。换句话说，激光雷达是感知的必须品（如果要思量到感知的Corner Cace），但预测是体现各家系统的差异化。

二、感知预测，将是焦点竞争力

克里斯·厄姆森(Chris Urmson)，2013年至2016年期间曾向导Waymo自动驾驶的研发，现在是自动驾驶汽车初创公司Aurora的团结首创人之一。“如果我可以挥舞一根魔棒，加速系统的某种能力提升，这就是感知预测能力。”

一些公司正试图用深度学习来解决行为预测问题。神经网络通过更多的数据来实现更高的准确性，某种意义上收集的数据越多，其车辆在行为预测方面的体现就越好。这方面，已往大部门企业接纳外包或自建团队来手动给图像或视频贴上标签， 这酿成了一个劳动麋集型事情，因此成本高昂。

一些公司在早期甚至每年需要花费数百万元来外包解决问题，但厥后一些公司开始使用自监视学习举行工具检测。好比，特斯拉的影子模式，通过行为预测，输入的数据可能是另一辆车在已往五秒内的行为。输出数据是关于本车将做什么的预测。

“如果行为预测真的是自动驾驶中最难题、最重要的问题，而且特斯拉在行为预测方面确实比Waymo和Cruise有重大优势，那么特斯拉的股价可能会在恒久内上涨20倍以上。”一位行业人士表现，此前包罗公共、丰田等传统汽车制造商也已经开始实验类似的模式。

这一点，可以从特斯拉最新公布的FSD芯片看到了一些眉目。

埃隆·马斯克曾表现，现在的神经网络和其他与自动驾驶相关的软件只使用了定制设计的全自动驾驶芯片5-10%的盘算能力，剩余算力则分配给更多的盘算麋集型神经网络，好比行为预测。

特斯拉的FSD芯片将支持更大的神经网络，已经毋庸置疑。马斯克此前也曾在推特上表现，装有FSD芯片的汽车功效将开始与上一代汽车有所差别。

根据此前披露的一些信息，特斯拉全新一代神经网络不仅会更大，而且在架构上也会有所革新，好比在人工神经元的类型及其相互毗连方面。

有行业人士表现，特斯拉未来的估值很大一部门将取决于这些几多现在看起来另有些模糊的技术问题。此外，未来自动辅助驾驶或者自动驾驶的竞争，也将从简朴的功效实现，转向功效体验。

在格物科技首创人杜辉煌看来，现有的ADAS量产系统需要基于当地的门路场景和驾驶员行为、驾驶习惯，需要重新做一些开发。

苏州格物科技是现在海内为数不多从事驾驶员行为模型开发用于ADAS及自动驾驶的初创公司，通过预测驾驶员的行驶意图，再联合有效的应对措施做到宁静、有效的通行。

好比，在系统专家行为的模型基础上，凭据差别的行车习惯和方式开发定制化的驾驶员行车模型，这些模型组可以精准表达真实门路上种种车辆行为，并集成在仿真平台内里。

更宁静、更高效的驾驶行为的新规则可能是凭据现有车辆的数据制定的，这些数据不仅基于门路法例，还基于人类在特定情况下驾驶车辆的方式。

此外，改善行为预测同样可以改善现有的模拟仿真。用于模拟的输入数据此前局限于盘算机视觉网络生成的内容，而行为预测可以作为分外的输入数据。好比，Waymo的仿真网络ChauffeurNet就是这样的原理。

事实上，学习情况状态和驾驶员行为之间是有密切的关联，人类开车不仅基于我们所看到的，还基于我们预测路上其他人会做什么的能力。理论上，所有这些预测信息都隐藏在盘算机视觉网络所看到的工具中，但现在，机械学习工程师更多倾向于将问题剖析成视觉、预测和模拟等离散部门。

因此，如果预测被用作模拟仿真的输入，预测能力的提高同样可以转化为模拟仿真能力的提高。反过来，预测和模拟也会因为视觉的改善而获得改善，而视觉是两者的主要输入。而这一点，也恰恰是现在模拟仿真平台工具最大的缺陷。

然而，总有一天，我们都能坐上一辆车，去我们想去的地方，而不需要我们做任何事。我们不需要去碰偏向盘，不需要去踩刹车，也不需要以任何方式去控制。

不管是否下雨，交通是否拥挤，路上有什么障碍物，或者车在世界上任何地方。但不是今天，不是明天，也可能不是未来几年。

正如普拉特所言，如果你限制得足够严格，我们现在就可以做到。我们今天就可以部署它。“所以真正的问题是，你在多大水平上限制它，以及它是否提供了真正的商业价值。”