解读自动驾驶的挑战和未来

“自动驾驶是一个严肃的科研问题，它是一个跨领域的技术，需要强大的产业基础，需要更多的本地合作伙伴来一起应对产业变革。”11月29日，小鹏汽车自动驾驶副总裁谷俊丽在2018高工智能汽车开发者大会上阐述了对“开放·融合·本地化”这个大会主题的理解。

我今天跟大家分享的是小鹏汽车的AI Car，我们把自己的产品定位为高智能、高颜值的新时代电动车，我们叫AI Car。AI Car的本质核心是，我们相信技术驱动及人工智能驱动。

自动驾驶本身是一个很复杂的项目，我们自己又做车，又做自动驾驶的解决方案，同时我们从一开始也是一个国际化的团队，我们在中国叫小鹏汽车，在硅谷叫Xmotors.ai。

先谈一谈我们的使命Mission，我想任何变革要有很大的愿景才能坚持下去，并把它做成功，我认为个人体验的变革以及颠覆性是这个时代的两个关键词。

小鹏汽车是2014年成立的，今年12月12日就会正式开始上市我们的第一款车——G3，是一款智能电动SUV。我们的用户是年轻化的互联网人群，年轻人喜欢高品质的东西，喜欢每天都有变化的东西，不喜欢一成不变的东西，这是我们对用户群的观察和定位。

我们的产品规划是每年推出一款新车。第一款车小鹏G3搭载L2.5级自动驾驶，即将于12月12日在广州上市并启动交付，2019年发布第二款运动型B级轿车，2020年开始在量产车搭载L3级自动驾驶。

从G3的下一款车开始，自动驾驶将作为一个常态化功能落地在不同的车上，所以自动驾驶作为垂直软硬件的产品会横跨多个量产车平台。

现在，小鹏汽车整个公司接近3000人，已经是跨了五湖四海，两岸四地，这正是为了吸引全世界的人才，我们知道自动驾驶的人才全球都比较稀缺，我们是尽量依据人才的分布来吸引人才到我们公司，到我们平台上一起做这样一件大事。

我们在广州、北京、上海都设有研发中心，自动驾驶的研发中心在美国，正在大量吸引各种各样的人才，解决自动驾驶这个难题。

一、自动驾驶=本地化场景

在量产落地这件事上，我们一直认为自动驾驶是一个场景化的东西，我们解决用户的问题肯定不是从传感器上解决，比如说泊车是我们认为中国用户对车的一个痛点，所以我们将其作为G3这款车的重点突破以及差异化的产品功能。

对自动驾驶来讲，我个人认为有三个重要的问题，第一个它是一个数据来源的东西，一切的智能源于数据，不是想象出来的智能，而是数据中抽取出来的智能。

AI算法的变革直接决定了我们的功能到底能够适配多少场景，到底能够有多少个性化的东西。计算系统永远是产品的最后一个关卡，不管多牛的算法，如果在车上跑不动，我们最后就没有这个产品。

我相信未来的自动驾驶最后一步就是本土化，国际化的技术最终要落地本地化市场和用户。而从用户体验来看，我们每个人开车有自己不一样的习惯，所以我不认为最后的自动驾驶是同一个风格，它是要适应用户的个人驾驶习惯，这样用户才能觉得车跟我是一体的。

我们在前面两款量产车上是L2级自动驾驶，慢慢往L3级驾驶走。我们解决的问题，虽然通过技术的线路来解决，但是解决的痛点往往是场景性的，比如说泊车可以解决人们停车的问题；高速自动驾驶解决春运、长途的驾驶疲劳。

我们是希望逐个的技术点来突破，形成产业化的东西，形成场景化的东西，且在这个场景下先通过做到60%的场景，慢慢逐步往上扩展，希望能够给用户带来满意的体验。

同时，小鹏汽车的智能车其实更大的愿景是运营，所以一旦车上了量之后我们有很多运营化、数字化的服务，会给用户带来更好的用户体验。

我曾经讲过，中国的自动驾驶只能中国人自己来解决，还有人在微博上问我，为什么这个技术有国界？我不是说这个技术有国界，而是这个技术有场景的问题。

比如说我们就是在这种场景下去测（见PPT图），这让我意识到自动驾驶不是一个纯技术的问题，而是要落地的场景化的东西，这个场景化就要求我们整个框架真的要在中国搭起来。

特斯拉全球加起来现在已经达到10亿英里的驾驶里程数据积累，它能够用数据提升它的产品性能从70分到80分，一步一步往下走，这是它的框架性的优势，这个不是一下子大家能超越的，这个是需要时间去积累。

同时，自动驾驶是一个垂直软硬一体的系统工程，我们要有海量场景大数据，我们的算法跟软件真正要做到打通的情况下，它是一个复杂的软件工程，它不是一个零部件的东西，所以我们要在大量的云端，大量的计算力的情况下反复适用各种AI的算法来搭这个框架，同时还要不断验证。

结果就是，我们可以发现产品到底是10分还是20分，有多少场景适用，多少场景不适用，这是一个快速迭代的过程。

二、自动驾驶迭代，首先打通任督二脉

其实我在2016年初加入特斯拉的时候自己做了一张表，我当时加入特斯拉就是认为自己想做最酷的产品。这张图其实挺震惊的，汽车工业史上出现这么多汽车的品牌，其实只有100年的历史，从1900年福特第一台汽车出来，这么多年我们步步往前走，不断加入一些防碰撞的安全功能，直到特斯拉的出现，带来了行业的变革性的重塑，为什么？

我想在特斯拉之前大部分的车是模拟机械化，但是特斯拉是悄悄把这个车做成了数字化的电脑。我们都知道计算机出现之后才出现了编程，编程出现之后有各种各样的产品，手机上的产品，网页上的产品，所以一旦车变成了数字化的单元它就可编程，最重要的核心功能就是让它会自主驾驶。

我认为，特斯拉的变革精神就是为行业铺下了这条路。现在在座的各位有做不同Level等级自动驾驶的，有做泊车的，有做摄像头的......所以我觉得它是把过去人类100年积累的高科技都可以在自动驾驶这个产业链找到，这是一个非常庞大的全球产业链，且涉及人类所掌握及未掌握技术的方方面面。

小鹏汽车最终是做车，所以我们的策略就是脚踏实地一步一步去搭这个平台，搭这个框架，把任督二脉打通成为数字化的，智能化的车。

在这里我想提一下OTA，有人经常发帖子说现在很多电动车还不是自动化的车，因为数字化没有完全打通，数字化没有完全打通的情况下OTA不能完全打通。

OTA这个技术并不新，比如说手机上已经非常普及。但在过去，我们在做车的时候是一个个零部件堆积的，很多零部件是端到端的，不同的零部件厂商很难打通。就算能打通的情况下，因为中国过去都是4S店销售模式，这是很长的产业链，什么东西都免费升级一下，对4S店的模式也是一个挑战。

我们着重在前两台车上打通数字化功能，唯有打通我们才能逐步快速迭代自动驾驶功能的可使用性。

三、为什么自动驾驶这么难？

为什么自动驾驶这么难？大家谈起自动驾驶有各种各样的观点，从我们的角度来说，自动驾驶是AI领域最难的应用。

举个例子，比如某个场景并不是那么复杂，但端到端自动驾驶感知、决策是一个很复杂的过程，多种传感器数据进来，一步一步分解，一步一步整合。

比如，它在算法层通过点云把它弄进来之后，首先通过点云的几何尺寸分析周围到底有什么物体，把这个框起来再做语义的识别，识别完之后要再去检测跟定位跟你强相关的物体，就是这个绿色轨道里面的物体以及横向标的关键的地方。

这是我们在尝试做的东西，它横跨了AI算法，各种传感器的技术、计算机视觉、机器人、大数据以及芯片，整个把它整合在一起作为一个产品，作为一个能量产的功能。

我们现在谈这么多的AI，其实只解决了二维图片大规模识别问题，2012年出来的最初的深度学习的文章，就是说原先人类视觉的识别，算法是通过一种使量，深度学习是给我大量的数据，我来学习抽取这种模式，几千类物体大的规模识别可以做到98%的精度。

但是我们开车不是在二维图片里面开的，是一个三维的东西，我需要知道周围有什么物体，在什么地方，这个三维的东西也是AI没有解决好的问题，但也是业界在努力解决的。

人类开车是基于预测，前面的车停下了我会怎样，所以最后自动驾驶系统要开得好，一定要往思维、空间去走。在中国这种复杂场景下要预测人的交互和可能导致的行为，我最后要做一个决策，我要看看这个决策是最安全的，还是最激进的。

AI现在只是在2D跟3D之间，但是要解决自动驾驶，它是一个六维的监测，我们还有需要待解决的问题。所有的这些传感器加起来，也不能完全精准的提供三维空间究竟发生了什么，还有大量的传感器融合，大量算法糅合在一起，这就是一个难点。

四、自动驾驶的三大挑战

自动驾驶当前面临的挑战：第一，大数据是基础；第二，AI算法是核心的驱动力，在中国这个道路场景下AI要做的很尖端才可以；最后的赋能者是计算。

我说一下大数据为什么这么难？很多人都认为大数据不就是越多越好吗？其实不是，大数据它是有讲究的，你想所有的智能都是从数据来的，这个数据里面肯定有它的科学性，比如说数据中要是没有黑夜数据，它可能就无法识别黑夜的场景，你的数据中可能从来都是直的车道线，没有弯的。

有很多外国专家每次来中国的时候都会跟我说，原来他们的思考是错的，中国马路上怎么有这么多障碍物，以前想都没想过，所以它有很多场景化的东西要涵盖，而我们这个非规则性导致这个涵盖的面是非常大的。

最后，你还要去平衡各种结构化的东西，它是一个数字量化的东西，只有你量化好了，最后出来的智能才是不偏科的算法和智能。

小鹏汽车将来有自己大规模的量产车，这是我们的一个优势，因为我们是不限定我们的用户在哪一条路上开的，这样我们的车可以学习各种场景以及可能出现的极端模式。

其次，是传感器融合，我经常在一些国际会议上将这是非常具有挑战的一件事情。大家经常说，谁用的传感器多、谁就能看得明白，真的是这样吗？

不是这样的，传感器多了，每一个传感器要有自己的算法，我相信每一家做算法的都自己的一个逻辑在里面，所以这种情况下总有一些场景你是监测不到的，所以这也是为什么现在有一些安全性的问题。

不光是多种传感器的融合，同样是摄像头，角度不一样看到的东西也不一样，你在训练中也要把它归一化。传感器融合是比较经典的能够代表当前软件垂直上的问题多么难解决，我们真的需要推进传感器再进一步往前发展，比如更高的分辨率、看到更远的物体。

我相信在现在以及未来两三年之内会出现新型的传感器，并且有些人会把边缘计算跟传感器结合在一起，就是为了把数据抽取出来，提供灵活度。

最后说一下计算，计算是最后一步要解决的，这个成功了我们就有产品，解决不了我们就没有合适的产品。

我记得非常深刻，2016年的时候当特斯拉的车开始卖的时候，算法是有的，功能也是有的，只是弄到不车上，当时大家集体跟着CEO失眠，怎么办？这就是量产要解决的问题，我相信很多人可能还没有到那一步。

我们知道计算系统是最后的使能者，我也拭目以待接下来两到三年内会不会出现更多车载端的计算解决方案，甚至新型的解决方案。

现在解决计算的问题还有抽象层的问题要解决，比如说这个算法天天在变，算法每三个月就是一代，而计算芯片至少要18个月才迭代一代，你在设计算法的时候要考虑首先它有足够的计算量，同时你要考虑它到底是什么形态的计算，它是CPU？GPU还是FPGA，还是你用了一种新型的芯片。

比如，我们想自动驾驶系统搭载在多款车型上，就必须要解决硬件抽象化的问题，让它能够涵盖接下来两到五年内各种变化，如何把这个产品无缝搭载在这款车型上，这是很难的工程问题。

同时，我认为这是一个必然的趋势，一定要这样解决，为什么呢？因为这款车本质上是一个平台，它的本质意义在于提供一种软件跟硬件同时演进的道路，这就是AI Car的本质定义。

五、自动驾驶的未来个性化体验

最后是我最喜欢讲的一张PPT，关于个性化的自动驾驶。

以后会有各种不同形式的自动驾驶风格，比如说同一台车周末开的时候要出去玩就激进一点，平时上班就安全一点，心情不好的时候要换种风格，路过十字路口的时候我要小心一点，这就是个性化的驾驶。

另外，驾驶是反映本地文化的，红绿灯横着装还是竖着装，路灯杆是多高的？这都会影响产品的可用度。

六、产业变革才刚刚开始

另外，我想补充一下，11月初我们去了德国的博世总部，我觉得他们是非常了不起的企业，他们除了已经量产的产品同时正在摸索下一个变革的东西。他们自己有很强的不安全感，认为这个产业在变革，供应商也在变革。

他们会非常愿意跟我们这样的OEM厂商交流未来你想要什么，想要理解场景化的东西。其实，我们也非常愿意跟各种各样的合作伙伴一起努力，把平台化的东西做好，因为产业变革才刚刚开始。