<mark id="oztn4"></mark>
2
雷鋒網按：本文作者為地平線智能駕駛商務總監李星宇，畢業于南京航空航天大學，獲得了自動化學院測試儀器及儀表專業的學士和碩士學位。曾任飛思卡爾應用處理器汽車業務市場經理，原士蘭微電?安全技術專家。
此文對CES 2017上關于自動駕駛的最新進展進行了分析，作者認為商業模式的變革是自動駕駛領域群雄并起的原因，并從“合作共享”、“傳感器成本下降”和“車聯網發展”三個角度論證了自動駕駛產業化的長足進步。他還指出，自動駕駛競爭的關鍵是更加理性的決策算法和更實用的計算平臺。
地平線由人工智能專家余凱于2015年創立，致力于提供面向自動駕駛的高性能、低功耗、低成本、完整開放的嵌入式人工智能解決方案。
雷鋒網經授權發布。
▼
如果說三年前傳統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用，誰就贏得下一個時代，而競爭關鍵則取決于決策算法和計算平臺。
在新年剛開始的一周，如果你想找個地方和汽車業的人士聊聊，那最合適的地方一定是拉斯維加斯。今年的CES，車廠的參與力度堪比北美車展，而最熱的主題，毫無疑問是自動駕駛。而CES的開幕前夜致辭，一向被認為是整個CES的風向標，今年的主角從之前的Intel和微軟變成了英偉達，CEO黃仁勛的演講主題正是人工智能和自動駕駛。
在這次CES上，英菲尼迪、奔馳、日產、現代、德爾福、大眾、福特及豐田等公司競相展出自家的自動駕駛汽車原型，同時，福特、沃爾沃、谷歌以及寶馬等都公布了計劃，將在今年將其自動駕駛測試車隊的數量擴大數倍，從40輛到100輛不等。
如果說五年前，谷歌開始其無人車測試時，像春秋時代一個孤獨的布道者，追隨者寥寥，而懷疑者眾。那么現在就是自動駕駛的戰國時代，群雄并起，傳統車企幾乎全線進軍自動駕駛。
從三年前的將信將疑到現在的大舉投入，一方面是谷歌、Uber和特斯拉這樣的公司用事實不斷展示技術上的進步。但最主要的驅動力，還在于傳統車廠已經越來越清晰地意識到，自動駕駛技術即將為汽車商業模式帶來顛覆式的改變，這可能是自內燃機發明以來，汽車行業最重大的變化。
自動駕駛帶來的商業潛力有多大？從本質上講，自動駕駛和互聯網的共同之處都在于：它們都通過去人力化，降低了傳輸成本。互聯網降低的是信息的傳輸成本，而自動駕駛則降低有形的物和人的運輸成本。對比互聯網已經產生的商業影響力，就可以想象自動駕駛的商業潛力。
借助自動駕駛，一箱德國啤酒從工廠出廠到中國的超市，在運輸過程中可以不需要任何人工的干預，全程自動化運輸，中間會經過輪船、海關、高速和城市，其中的任務調度都將可以在云端完成，這提供了端到端的運輸解決方案。這將需要無縫的基礎設施連接，但根本的變化還在于無需借助人力進行運輸。
同樣借助自動駕駛，從首都機場到上海的淮海路可以提前預約服務，中間也許會經過幾次拼車，以實現運算效率最大化，就像手機基站切換那樣，但全程依然是無縫連接的。
基于這樣的應用，TaaS 2.0（運輸即服務，Transportation as a Service）正在成為業界探討的熱點，這里將TaaS 1.0定義為有人駕駛，而自動駕駛則是TaaS 2.0時代。摩根·士丹利公司在最近的一份報告中表示，實現汽車完全無人駕駛將極大程度降低拼車成本，每輛車從目前的1.50美元一英里降至20美分一英里。
這一運輸模式的變化對于傳統車廠的影響是巨大的，一旦汽車從私人擁有變為共享運輸工具，傳統車廠的目標客戶就將由個人消費者轉變為TaaS運營商，正如華為和中國移動的關系一樣。隨之而來的，汽車的設計、銷售都將發生根本性的改變，汽車廠商就很難維持原來的強勢地位。
共享汽車的使用率將可以提升一個數量級（考慮一下我們現在私家車的行駛時間，以及每次的乘員人數），由此帶來的結果是：汽車整體銷量極有可能趨于下降。
自行車市場的歷史可以作為參照，2000年之前，自行車是中國私人出行的主要交通工具，與之對應的，是中國的自行車年銷量達到5000萬輛，還涌現出像中華自行車這樣的世界級品牌。但是當自行車作為私人出行工具的地位被汽車取代后，中華自行車陷入破產的命運，如今自行車的已經成為一種出行服務的工具，并且設計也發生了極大的變化，而保留下來的市場也不能當年的規模相提并論，今天，中國的自行車消費量已不足巔峰期的40%，并且還在持續收縮中。
這意味著，整車廠將會遭遇殘酷的淘汰賽。
福特已經未雨綢繆，高調宣布成為出行服務提供商，并啟動了FordPass項目，為消費者提供的服務包括：移動出行服務，幫助消費者更高效出行的FordGuides在線服務等。
福特CEO馬克·菲爾茲將其稱為繼福特為世界發明創造汽車以來最具革命性的全新平臺。Alphabet（谷歌母公司）在將其自動駕駛項目成立了獨立公司Waymo后也表示將在今年下半年開始提供拼車服務，該服務基于和FCA（菲亞特·克萊斯勒）共同開發的半自動駕駛MPV。寶馬與Sixt SE共同建立了拼車服務公司DriveNow，也準備切入這一市場。緊隨其后的還有大眾、奔馳以及通用等。
自動駕駛的目標市場可以分為兩塊：面向私人和面向運營。
從技術上講，如果一輛車被賣給私人的時候，其自動駕駛等級是Level3的話，那它就能在面向運營的時候發揮Level4的功能，這是因為運營車輛可以在事前被充分規劃，規定有限的行駛區域，設定行駛的各種限制，包括車速、路線等，并且預先進行充分測試。這意味著在相同的技術水準下，用于運營可以實現更高級的功能。
可以說，商業運營的自動駕駛車輛，其實現時間將早于個人使用的自動駕駛車輛。
盡管不同的車廠有不同的自動駕駛規劃，但綜合來看，面向個人消費者的量產車，2023年之前可以實現高速上的Level3自動駕駛，和一般道路上的Level2輔助駕駛，而同期面對運營商的自動駕駛車將可以實現在有限區域內的Level4自動駕駛。
能否在這場自動駕駛的競爭中勝出，很大程度上將決定整車廠下一個十年的命運。
整個過去的一年里，自動駕駛產業化在多個方面取得了很大進步，包括產業鏈整合、成本以及車聯網。
1、業界企業相繼合作
“我們希望到2021年開發一套所有人都能使用的標準系統。因此，我們歡迎制造商、供應商或科技公司等其他公司參與其中，共同為無人駕駛平臺做貢獻?！痹诮谡匍_的新聞發布會上，寶馬、Intel和Mobileye公開了三方合作的更多細節，寶馬自動駕駛高級副總裁福利肯斯坦表示，寶馬及其合作伙伴最終將以非獨家協議的方式，將該自動駕駛系統提供給業界，包括其它車廠。
研發的是平臺級產品，技術上開放，商業上不排他，在傳統車廠的研發歷史上，這樣的開放態度是少見的。在自動駕駛激烈的競爭態勢下，合作反而成為最主流的選擇。
這三家公司的合作可能是業界最值得關注的，但回顧2016年，類似的合作可以拉出一串長長的清單，下面的合作僅僅是浮出水面的一部分：
Waymo和本田的合作，Waymo是谷歌自動駕駛項目單獨拆分后成立的子公司，雙方計劃在2020年前后實現高速公路上自動駕駛的實際運用；
英偉達和奧迪的深度合作，之前奧迪已經推出了有Tegra K1的域控制器zFAS系統；
英偉達與ADAS業界翹楚博世達成深度合作，表明傳統Tier 1正在快速跟上這波潮流，并且將其有深厚積累的車規級量產化經驗帶入自動駕駛領域；
特斯拉和三星在計算平臺方面的合作，三星今年是在汽車領域動作最大的消費電子公司，先后將馬瑞利和哈曼收入囊中，并且成立了一個小型部門，研發自動駕駛處理器及傳感器，并且已經憑借其應用處理器切入奧迪供應商體系，可以預期三星將成為高通強有力的競爭對手，與特斯拉的深度合作，為三星撬動自動駕駛市場提供了一個極佳的支點；
德爾福和Mobileye的合作，德爾福在CES期間專門提供了測試車供觀眾體驗，其CTO杰夫·歐文斯表示，該自動駕駛系統將于2019年投入生產，預計批發價約為5000美元；
德國三駕馬車：寶馬、戴姆勒、奧迪聯手收購地圖供應商HERE，Intel也在最近加盟，收購了HERE 15%的股份，作為聯盟的主要成員，Mobileye也已經和HERE一起收集并共享道路數據；
沃爾沃與奧托立夫的合作，雙方共同開發的自動駕駛平臺將向整個業界供貨；
耐世特和大陸計劃在密歇根成立一個合資公司，將打造面向自動駕駛的的電控系統和其他車載硬件。
2、四大核心因素推動合作
曾經的競爭者走到了一起，整個供應商的關系也在重組，Tier1、Tier2以及主機廠，也從未如此深入綁定在一起。群雄并起，連橫合縱，在百年汽車歷史上，從未有如此規模和深度的合作。這源于四個核心的驅動因素：降低技術風險、分擔研發成本、縮短研發時間以及鎖定客戶。
“開發真正的自動駕駛汽車需要克服巨大的技術挑戰，我認為難度與載人登月相當。” Mobileye CEO阿姆農·沙書阿表示這不是一家企業能夠單獨完成的任務，合作是必然的選擇。
與此同時，各個重要玩家也在全力擴充自己的研發范圍，Intel今年動作頻頻，先后收購了深度學習初創公司Nervana，增強其在AI方面的實力，在今年的CES展上，Intel分別展出了與地平線機器人和AImotive合作的ADAS原型系統。在合作的同時，大家也都留一手，確保不被別人卡死。
傳感器是自動駕駛汽車最顯著的成本，本屆CES期間，Waymo CEO克拉夫西克宣布Waymo已經將激光雷達成本降低了90%，單價約為7500美元?？死蛭骺嗽诮诮邮懿稍L時表示：“Waymo可能會向其它公司銷售硬件”。
受該消息的影響，Mobileye股價下跌4.4%，降至39.86美元，創下去年11月中旬以來最大單日跌幅。投資者普遍認為此舉有助于增強競爭，改變Mobileye一家獨大的格局，加速成本下降。
Quanergy、Velodyne、麻省理工學院等都在推進固態激光雷達的研發，其核心在于上游半導體工藝的突破，例如高功率高波束質量的輻射源、高靈敏度接收技術、產品良率等，如果這些關鍵指標獲得突破，固態激光雷達的實用化有機會讓成本下降至100美元。
激光雷達被認為是最精準的自主感知手段，其有效感知范圍超過120米，而精度可以達到厘米級，但限于之前價格高昂，無法部署在量產車上，但前景無疑是樂觀的。
其它的傳感器價格本身已經在可接受的區間，而性能則持續提升，在CMOS sensor方面，目前已經有4Mp像素密度的車規級產品；毫米波雷達正從點目標探測往成像雷達方面發展，例如SAR（相控陣）型雷達，正在從軍用領域向汽車領域推進。
毫米波雷達芯片也正在從硅鍺工藝向廉價的CMOS工藝發展，預計2020年左右，COMS工藝可以達到現有硅鍺工藝的水平，并且發射、接收以及信號處理器三合一的產品也在開發中，屆時，毫米波雷達芯片將可能比目前的價格下降數倍。
1、國外V2X進展
2016年12月14日，美國交通部發布了V2V（車與車通信）的新法規，進入了90天公示期，法規強制要求新生產的輕型汽車安裝V2V通信裝置，這是一個里程碑式的進步。
美國交通部還在近日宣布成立一個自動駕駛委員會，專門對自動駕駛汽車、無人機等進行監管，該委員會包括了通用汽車CEO瑪麗·巴拉、Waymo CEO克拉夫西克、蘋果副總裁麗莎等人，目標是確保先進的技術得到安全的部署。
安裝在車上的V2V系統可以看作是一個超級傳感器，它提供了比任何其它車載傳感器都高得多的感知能力和可靠性，在自車感知技術尚不能達到高可靠性之前，用V2X可以決定性地提升其可靠性。
美國交通部的新規中要求V2V裝置的通信距離達到300米，并且是360度覆蓋，遠超攝像頭的探測能力，并且其感知信息屬于結構化信息，不存在誤報的可能，根據美國家公路交通安全管理局（NHTSA）的研究，利用V2X技術，可以減少80%的非傷亡事故。
但這一切是以100%的覆蓋率為前提的，在此之前，車企也曾經做過嘗試，例如凱迪拉克，但都因缺乏足夠的覆蓋率難以發揮作用，依靠強制性的法規驅動，V2X普及的最大難題將得以有效解決。
近日，高通發布新聞表示，將與奧迪、愛立信等公司進行蜂窩-V2X（Celluar-V2X）的測試合作，該測試符合由德國政府主導的項目組織——自動互聯駕駛數字測試場的測試規范。在此之前，高通推出了基于其最新驍龍X16 LTE modem的全新聯網汽車參考平臺，支持作為可選特性的專用短程通信（DSRC）和蜂窩-V2X。
2、中國V2X進展
2016年下半年，發改委連同交通部聯合發布了《推進“互聯網+”便捷交通促進智能交通發展的實施方案》，明確提出 “結合技術攻關和試驗應用情況，推進制定人車路協同（V2X）國家通信標準和設施設備接口規范，并開展專用無線頻段分配工作”的標準制定工作。從目前的情況來看， LTE-V極有可能將確定為中國標準。
5G的推進對V2X是非常大的利好，因為5G標準本身就包含了V2X，可以說5G的發展和自動駕駛的發展是自洽的。
為了滿足在商業應用上的高可靠性，越來越多的車企意識到在增強車輛能力的同時，需要將道路從對人友好改造為對車友好，從去年開始，中國所有的自動駕駛示范園區都在規劃部署路側系統（V2I）。隨著5G的時間表日漸清晰，更大范圍的部署也讓人非常期待。
與3/4G時代主要面對個人消費者需求不同，5G的核心推動力來自物聯網，而汽車可能是其中最大的單一應用，一輛自動駕駛汽車每天可以產生超過1T的數據。
目前，像HERE這樣的地圖供應商正在積極準備用于自動駕駛的實時高精地圖，以克服靜態高精地圖無法適應道路變化的難題，但之前受制于無線帶寬限制，很難達到實用，5G可提供高達10Gbps+的峰值速率，以及1ms的低延時性能，可以滿足這樣的需求。
3、V2I商業化模式
V2I使商業化有了簡單直觀的模式：誰投資V2I，誰就可以從中受益，因為自動駕駛汽車可以在已經部署了V2I的封閉路段行駛，計費因此變得更容易。
從技術角度講，自動駕駛由三大主要技術構成：感知、決策和控制。現在自動駕駛技術真正的門檻在哪里？
如果你去CES參觀各家公司的自動駕駛樣車，你會發現一個趨勢是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、環視攝像頭、加上十個以上的超聲波雷達，豪華一點的再配上幾個低線束的激光雷達。這些傳感器的供應商也差不多。
在感知層面，隨著ADAS的大量部署和長時間的技術開發，已經相當成熟，可以說感知技術已經不是主要的瓶頸。而控制則是傳統車廠和Tier 1非常擅長的領域，做了很多年，積累了大量的經驗。
自動駕駛在技術上的競爭，主要聚焦于決策環節。事實上，區分一個系統是ADAS還是自動駕駛，也主要是看該系統是否有決策部分。無論是谷歌還是特斯拉，他們的核心競爭力，都還是體現在其決策算法方面。
傳統汽車界的研發是基于功能安全的設計方法學建立的，滲透到開發流程的每一個環節，并且在過去一個世紀，將汽車的安全性提高到了極高的水準，如今，頂尖的公司已經可以確保汽車發動機能使用一百萬公里。
但是面對洶涌而至的機器學習熱潮，傳統汽車界突然發現自己嚴重缺乏技術儲備，面對特斯拉和谷歌激進的策略，顯得力不從心。這已經成為制約傳統車廠開發自動駕駛的最大短板，目前，傳統車廠或者大肆收購機器學習公司，或者與其合作，他們需要盡快補上這塊短板。
傳統車廠出身的克拉夫西克顯然深知這一點，在他出任Waymo CEO之后，谷歌一改之前模棱兩可的商業策略，明確表示向車廠提供解決方案，并迅速宣布和本田合作，事實上是將自己定位在Tier 1的角色。此前谷歌雖然在技術積累上處于領先位置，但一直沒有確定可行的商業模式，克拉夫西克的到來，讓谷歌對于商業化的態度更接地氣，也更精準。
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，還是一整套經過驗證的軟件，尤其是其中的決策算法。可以想象的是，谷歌將會向業界提供軟件授權，就像它之前在安卓系統上所做的一樣。
決策算法面臨的最大挑戰，就是如何達到自動駕駛所需要的極高的安全性和可靠性。
自動駕駛決策的結果會輸出到控制器，根據ISO 26262已有的功能安全的規定，這會反過來要求決策系統也需要達到ASIL-D的標準。目前，ISO組織對專門針對自動駕駛的功能安全標準正還在制定中，有可能會用一種新的標準進行考量，但功能安全的基本原則依然有效。
1、端到端的AI方法有隱患
這意味著，我們必須嚴肅地思考，如何才能滿足功能安全的要求？對于谷歌、百度以及許多初創公司，這些非傳統車廠出身的玩家來說，是一個全新的命題。
目前，很多創新公司都在使用深度學習加增強學習做端到端的訓練，也就是說，從傳感器的輸入直接導出控制器（剎車、油門、轉向等）的輸出。但深度學習的問題在于它失去了透明性，僅僅依賴于概率推理，也就是相關性，而非因果推理，而這兩者是有本質不同的。
相關并不意味著因果。舉個例子，統計發現，手指頭越黃的人，得肺癌的比例越大。但事實上，手指的顏色和得肺癌的幾率之間顯然沒有直接的因果聯系。那么為什么統計數據會顯示出相關性呢？這是因為手指黃和肺癌都是由吸煙造成的，由此造成了這兩者之間產生了虛假的相關性。
深度學習就像一個黑盒子，無法進行分析，出了事情你不知道原因到底是什么，也沒有辦法預測下一次會出什么狀況。
有一個很搞笑的例子，用深度學習訓練一個系統，來分辨哈士奇和愛斯基摩狗，初步測試效果非常好，但進一步的測試表明，這個系統其實是通過區分背景，而不是狗本身來判定其種類的，因為訓練所使用的樣本中，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，如果這樣的系統應用到自動駕駛，是多大的隱患。
深度學習的實際表現，基本上取決于訓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，則很容易訓練出你并不想要的結果來。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，深度學習的熱潮席卷了整個業界，很多人不再對基礎算法進行鉆研，而是瘋狂加大數據、堆機器進行訓練，以期更快地出成績，結果看上去還不錯，但這樣的非理性態度其實是給自動駕駛埋下了隱患。
我們需要的是對于事實邏輯的深入分析，以及不同方法論的結合，從這個意義上講，如果用小數據可以達到好的效果，更能說明我們對機器學習技術的理解能力。
2、基于規則的專家系統不靈活
傳統的主機廠和Tier 1面臨的則是另外的問題，如果接觸各大Tier 1的ADAS產品，無論是AEB，還是ACC、LKA，你會發現都是基于規則的專家系統。這種系統精確可分析，但專家系統的問題在于，但場景非常多變時，創建的規則就無法保證足夠的覆蓋面，結果，當添加更多新的規則時，就必須撤消或者重寫舊的規則，這使得這個系統變得非常脆弱。
而且，各個功能都有自己單獨的規則，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。我曾跟一家主機廠在交流他們的決策系統詢問過這個問題，得到的答案是：這種基于專家系統的規則經過組合，能產生一萬種可能。你甚至很難對這個系統進行完整的測試。
3、新的決策機制：因果推理
因此，我們需要在自動駕駛領域引入新的決策機制。自動駕駛決策技術路線的一個重大趨勢，就是從相關推理到因果推理。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80 年代初，Judea Pearl為代表的學術界出現了一種新的思路：從基于規則的系統轉變為貝葉斯網絡。貝葉斯網絡是一個概率推理系統，貝葉斯網絡在數據處理方面，針對事件發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勢：模塊化和透明性。
地平線自動駕駛決策機制
模塊化的優勢非常重要，例如，假如任務是更新汽車的變速箱，當變速箱被更換的時候，你不必重寫整個傳動系統，只需要修改為變速箱建模的子系統，其余的都可以保持不變。
因此，我們可以把深度學習的系統作為一個子模塊融入到其中，專家系統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，這種冗余構成了貝葉斯網絡的子節點，將有效強化輸出結果的可靠性，避免一些低級錯誤的發生。
透明性是貝葉斯網絡的另一個主要優勢。對于自動駕駛而言，這尤為關鍵，因為你可以對整個決策的過程進行分析，了解出錯的是哪一個部分。
可以說貝葉斯網絡是理性決策的極佳實現，適合用于設計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學習的決策框架，它把一個決策問題看作是一個決策系統跟它所處環境的一個博弈，這個系統需要連續做決策，就像開車一樣。優化的是長期總的收益，而不是眼前收益。這有點像巴菲特的價值投資，優化的目標不是明天的收益，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用這樣的決策系統。比如說要構建價值網絡，評估當前的駕駛環境風險，評估的是從現在時間到未來時間的整體風險；然后利用策略網絡輸出本車的控制決策，選擇最優的駕駛路徑和動力學輸出。
同時，我們還可以構建一個基于模擬路況的仿真環境，通過增強學習去做虛擬運行，獲得最優的決策模型，并且還將產生大量的模擬數據，這對決策算法的成熟至關重要。
可以說，向因果推理型決策模型轉化是自動駕駛技術邁向成熟的重大標志。
對于自動駕駛這樣的復雜任務，在設計軟件的同時，還必須考慮與之匹配的硬件效能，這里包括性能、功耗和功能安全。
為了保證自動駕駛的實時性要求，我們需要保證軟件響應的最大延遲在可接受的范圍內，對于計算資源的要求也因此變得極高。目前，自動駕駛軟件的計算量達到了10個TOPS（每秒萬億次操作）的級別，這使得我們不得不重新思考對應的計算架構，圖靈獎獲得者Alan Kay，他有一句話是喬布斯一直信仰的：如果你嚴肅地思考你的軟件，你就必須要做你自己的硬件。
事實上，整個數字半導體和計算產業的產業驅動力，正在從手機轉向自動駕駛，后者所需要的計算量比手機要大兩個數量級。
今天，打開任何一家主機廠的無人車的后備箱，都是一堆計算設備，不但沒有地方放行李，而且還要解決它的整個系統穩定性問題。之前在烏鎮舉行的世界互聯網大會，記者在實際體驗百度的無人車時，提到非常有趣的一點：“這輛無人車平穩地行駛了起來，但位于后備箱的車載計算機噪音較大，可以聽到風扇在運行的聲音?！?/p>
為什么呢？因為它使用的是CPU+GPU+FPGA的計算平臺，計算所需要的功率非常大，GPU尤其恐怖，如果沒有強力風扇來散熱的話，夏天很容易燒壞機器。坐在這樣的車里，就別講究體驗了。
功能安全是另一個巨大的挑戰，這里面其實包含了多個方面的要求：處理器要符合至少ASIL-B等級的要求，可靠性需要能夠保證在至少十年的使用期內不出問題。
高通在手機領域有非常強的實力，而且向汽車電子進軍的努力也從未停止，但去年高通依然決定花370億美元重金收購了汽車電子老大NXP（恩智浦），這從另一個側面折射出汽車電子的門檻之高。
這讓我們想起計算機的發展歷史，50年代是大型機的時代，那個時候一臺大型機可以占據實驗樓的一整個樓層，需要一個龐大的團隊來操作，價格高到數百萬美元；七十年代小型機占據主導，小型機可以安裝進一個房間，價格也降到數萬美元；八十年代是PC時代，可以擺放到桌面，價格則又降低了一個數量級，如今是手機，可以裝進口袋；貫穿其中的是三個主要方面的進步：體積、功耗和成本。
人工智能所需要的處理器，從2012年開始被業界廣泛關注，比如從GPU到FPGA，再到TPU，業界也沿著之前計算機走過路，重構人工智能所需要的處理器。
英偉達在本屆CES上發布了最新的車載計算平臺“XAVIER”，512個Volta CUDA核心可提供高達30 TOPS的計算性能，但最引人注目的還是其30W的功耗，大大低于之前還需要水冷的Drive PX2。這是一個很大的進步，但還不夠，要讓自動駕駛得到普及，性能、功耗、成本和體積因素，一個也不能少。
如今很多車廠都制定了非常激進的自動駕駛開發計劃，但其實樣車開發與其投入到量產車的日程表其實是差異非常大的。與量產車的設計理念完全不同，量產車必須考慮成本因素，不能跟今天的GPU或者其它的計算所需要的成本一樣，而這就需要業界提供新的計算平臺。
FPGA被越來越多的公司關注，其可編程特性可以滿足專有計算構架的需求，微軟、Intel等公司都在大量部署基于FPGA的系統。
FPGA在ADAS方面的出貨量也在迅速增加，去年的出貨量應該不會低于3Mu。但FPGA再往上走，計算資源的擴展會讓成本上升到很難接受的地步。半導體業界無數的歷史都表明，FPGA往往是定制化ASIC的前哨站，一旦某個應用的量足夠大，定制化ASIC就會變得更經濟。
地平線機器人公司正處于整個業界研究的最前沿，目標就是將原本智能在云端運行的人工智能，實現在高性能低功耗的大腦引擎（BPU）上，這是一個全新的計算構架IP，將充分適配深度神經網絡算法的要求，由此帶來革命性的嵌入式人工智能，預計其成本和功耗都將比現有GPU低一個數量級。這樣的IP可以嵌入到SoC中，或者單獨作為協處理器使用。目前地平線正在推進代號為“高斯”的計算構架IP的開發，預計2017年底推出。
地平線的BPU戰略
在過去，處理器都是作為標準平臺提供給業界，軟件工程師拼命優化編譯器、代碼、任務調度等來達到更高的性能表現，但現在，這已經無法滿足產品快速上市的要求了。
英偉達在AI業界攻城略地，幾乎已經成為標配，這其中有其高性能GPU的因素，但問題在于，為什么其它GPU供應商沒有贏得這場競爭？
英偉達不僅提供GPU硬件，還提供了高度優化的CUDA平臺，該平臺封裝了大量高頻使用的數學運算庫，英偉達更進一步面向自動駕駛提供了端到端的解決方案，這實際上是一種重要的產品理念：軟硬件協同設計。
這揭示了英偉達市場競爭成功的秘訣：通過軟硬件協同設計，優化軟硬件系統的性能表現，縮短客戶導入時間，贏得市場。
新的自動駕駛計算平臺，實際上是因應算法和軟件的需求而來的，例如，為了更好地支持深度卷積神經網絡極大規模的矩陣運算，你需要考慮如何使用二值化方法來降低對于硬件乘法器的需求，如何重新設計緩存機制以避免I/O帶寬成為整個計算系統的瓶頸等。為了滿足功能安全的需求，你需要硬件級別的虛擬化，這就要求處理器構架設計方面需要考慮多核、VMM、設備I/O請求管理等。
Intel也在加強其在人工智能算法方面的積累，對Nervana和Movidius的收購反映了這一點。通過提供至強處理器、FPGA，結合其Nervana平臺以及面向深度學習優化的數學函數庫（MKL），提供完整的AI解決方案。
能否提供同時滿足經濟性和性能要求的計算平臺，是自動駕駛能否從樣車轉向量產車的關鍵因素之一。
公眾對于自動駕駛依然有深深的疑慮，但在每一次革命性的交通運輸方式出現時，類似的疑慮都曾經存在過。
航空服務剛剛出現時，安全性非常低，多數人甚至都不相信金屬構造能飛起來，美國海軍統計表明，在二戰期間，因技術原因損失的飛機達2100架，是被擊落飛機的1.5倍，但航空業依然發展了起來；高鐵同樣有類似的經歷，19世紀火車剛剛出現時，即使是最有遠見的人都無法想象時速超過300公里的列車，那時候的人們認為僅僅是氣壓的問題就足以讓乘客喪命，而后來這些都成為了現實，并且發展了體量驚人的配套基礎設施：鐵道和機場。
當技術不存在原理性的問題之后，只要有巨大的商業潛力，利益的驅動終能克服技術上的挑戰。
如果我們考察一段文明的發達程度，運輸水平可能是最直觀的指標。唐代玄奘取經，鑒真東渡，耗去的是一個人半生的時間，這里體現的是客運成本；南宋時期，從福建泉州出發的瓷器運到歐洲，增值達一百倍，體現的是貨運的價值；19世紀美國的崛起，很大程度上得益于其全國鐵路網的建立，將聯邦的各個州融合成為一個單一市場。
文明的發展過程，也必然伴隨著運輸成本的逐漸降低，以及運輸效率的持續提升，它深刻重塑了經濟的形態。Elon Musk的終極夢想是殖民火星，同樣是一個運輸能力改變文明的故事，自動駕駛就是當下發生的故事，當人的勞動力被釋放之后，成本下降就會驅動一波全新的機會，過去一年里，自動駕駛領域的進步已經超出了絕大多數人的預期，自動駕駛的未來值得期待。
雷鋒網推薦閱讀：《深度：自動駕駛這個技術到底什么時候能成熟？》
