自动驾驶如何商业化？技术可行并不代表有商业闭环迷糊娃娃壁纸 撰文 / 张霖郁 编辑 / 温 莎 设计 / 赵昊然 “自动驾驶为什么有长尾效应这样一个问题？大家现在把现实和理想都拉得太近了，现在我们根本就不可能去谈L4、L5，但正因为我们现在要谈L4、

迷糊娃娃壁纸

近日有关于迷糊娃娃壁纸的话题受到了许多网友们的关注，大多数网友都想要知道迷糊娃娃壁纸问题的具体情况，那么关于迷糊娃娃壁纸的相关信息，小编也是在网上收集并整理的一些相关的信息，接下来就由小编来给大家分享下小编所收集到的与迷糊娃娃壁纸问题相关的信息吧。

点击（前往）进行了解>>

以上就是关于迷糊娃娃壁纸这个话题的相关信息了，希望小编分享给大家的这些新闻大家能够感兴趣哦。

撰文 / 张霖郁

编辑 / 温 莎

设计 / 赵昊然

“自动驾驶为什么有长尾效应这样一个问题？大家现在把现实和理想都拉得太近了，现在我们根本就不可能去谈L4、L5，但正因为我们现在要谈L4、L5，所以长尾效应出来了。为什么那么多人都在说L2+，都不敢谈L3呢？是因为没有自信，为什么没有自信？就是我们拿机器学习，就等同于人工智能，这本来就是两个学科，人工智能是人工智能，机器学习是机器学习，这完全是不一样的。”

这是安波福主动安全及用户体验事业部亚太区执行总监王忻在回答目前自动驾驶中受困的长尾问题的看法。这一天是6月10日下午，第十三届中国汽车蓝皮书论坛的“自动驾驶如何商业化落地”的圆桌讨论现场。

“你不能够把人工智能和机器学习完全混为一谈。我们要看的是，在目前这个时代，我们怎么能够让老百姓真正得到实惠，我们刚才说那么多的技术，L2，L2+等等，老百姓怎么能够体会到，怎么感受到？”王忻继续说。

与王忻同场讨论的均是自动驾驶领域的大拿，包括驭势科技联合创始人、董事长、CEO吴甘沙，嬴彻科技创始人、CEO马喆人，百度智能汽车事业部总经理郭阳和智行者联合创始人李晓飞。

大家达成的共识是L4和L5离现在还有些遥远，落地好当下的技术更有意义。

“的确自动驾驶目前所基于的深度学习，它的泛化能力是很弱的，你让它学新的东西，衍生它，很难。这是当前面临的困难。回到我们怎么做？简而言之，我们要用L2的方式去开这辆车，一旦车上路以后，我们不断升级L3的算法和软件，让它尽早逼近L4。” 嬴彻科技创始人、CEO马喆人说。

基于目前自动驾驶的局限性，如何商业化是大家热衷讨论的一个话题。

“技术可行并不代表有商业闭环，有商业闭环的话，你还得做几件事。第一件事，真正确保客户是刚需痛点，换上你这套系统，能降本增效。剩下的就是怎么去缩小这个技术从一个产品到客户那边能够用的商品之间的距离，客户需要的是一个完整的解决方案，比如说我们无人驾驶做得很好了，从A点到B点，把这个人拿掉，但是装和卸呢，原来可能就是这个司机负责装和卸，装和卸没办法去人，那就没办法彻底的降本增效。”驭势科技联合创始人、董事长、CEO吴甘沙说，这一观点得到了智行者联合创始人李晓飞的赞同，“最难的点是在业务的可替代性”，他说。

Robotaxi的话题最近开始降温，但百度在这方面似乎很有信心。“我们核心上除了在Robotaxi上做积极的商业化探索，我们现在已经拿到北京、长沙以及沧州这样的政府发的可以允许主驾无人的运营牌照，同时我们现在已经开始进行收费运营的测试。” 百度智能汽车事业部总经理郭阳对此展现出信心。

以下是本场圆桌论坛的实录内容。

主持人周令坤（德勤中国汽车行业领导合伙人）：各位嘉宾，大家下午好！我们争取在今天最后一场，多抖干货出来，希望在最后一小时里面，大家有所收获。我们今天的题目，刚才也说过了，也是关于自动驾驶，今天全场都是自动驾驶，但是我们的题目非常有意思，是自动驾驶的技术进展以及商业化现状。

如果把时光隧道往回看，往前看三年，两年前，在座的几位都是当时的先手，我们做了自动驾驶相关的布局、投资，包括研发，也有很好的成效。今天这样一个时间点里面，我们做一次复盘：今天的现状，以及借此机会展望一下未来，我觉得是非常重要的，尤其是自动驾驶课题。

接下来我想先做个暖场环节，请每位嘉宾简单介绍一下自己和自己的企业。

马喆人（嬴彻科技创始人、CEO）：很高兴见到很多新老朋友，我简要介绍一下嬴彻科技。我们在2018年第三季度成立，专注在干线物流，城际货运，我们主要用的载体就是重卡。从成立至今，我们公司业务有三个特点。

第一个是全栈自研。从算法到软件到域控制器，包括线控底盘整体的接口，我们走的一条有难度的路。

第二个我们专注量产。从公司成立第一天，我们认为从产品和技术上，我们应该走渐进式路线，而不应该憋大招，所以在这个路线下，短短两年半的时间里面，我们越来越多地得到了自动驾驶产业包括汽车产业、主机厂、Tier1越来越多志同道合的客户，所以我们其实在2019年6月，嬴彻和东风商用车、重汽两家开始了联合的量产合作。

我们和这两个主机厂的合作，在今年年底都会有一个重大的里程碑，我们和这两家主机厂都会有真正具备L3能力的车型，各有一款量产的自动驾驶的卡车下线，而且这个车是具备经济性的。

第三个是专注商业落地。我们不仅仅是做技术，我们也是全中国也是全世界的第一个自动驾驶公司在一个团队里面，我们有自动驾驶、车辆量产以及物流经营的团队。我们已经积累了订单。

如果说有什么是让我们觉得过去几年印象深刻的呢？我觉得还是要认准正确的方向，坚定的爬北坡（困难的项目），我觉得我们还没有爬上，但是我们已经到了越爬越轻松，越爬路上伙伴越多的阶段。

周令坤：刚才马总说了在全球范围之内看，你们是既能兼顾量产，又能做物流，跟你们的企业名字相关，嬴彻科技。接下来是王总。

王忻（安波福主动安全及用户体验事业部亚太区执行总监）：大家好，我是来自安波福的王忻。安波福最主要的工作就是赋能给移动出行，我们相信移动出行在未来十年二十年是一个大家一直会谈论的话题，我们希望我们的产品和我们的技术能够为这样一个产品赋能，能够让更多的人能够体会到更好的产品。

说到我们公司，尤其是选择做这个产品，应该追溯到2015年，我们那时候在北美的拉斯维加斯，推出第一款带安全员自动驾驶的体验，在后面我们不断的做升级，不断的把V2X的技术往里面引入，也引入了一些激光雷达等等技术。

非常可喜的一件事情，就是我们做一些市场战略的探讨时，我们有一些成果，首先我们在大概两三年前，我们在拉斯维加斯做Robotaxi的运营车，而且在这个过程中，我们公开了数据，和大家一起分享所有的数据。

另外我们的一些产品，尤其在中国，我们去年有非常好的突破，刚才吴总说的L2+，去年在两个主机厂，一个是通用，一个是广汽，已经用了我们的L2+的平台来做，今年4月份，我们和高合车合作，高合车的L2+平台也是我们打造的。

刚刚结束的上海车展上面，我们也说了，自动驾驶是非常难走的一条路，开始有点难，后来朋友越来越多，有可能爬得越来越顺，我引用比尔盖茨说的一句话，我们经常是低估了十年以后的发展，我们经常高估了两三年以后的变化，在接下来两三年我们会更多的赋能自动驾驶，会更多的赋能电子架构，如果要走到L3、L4、L5的自动驾驶，在整车电子架构上肯定会有很大跨度的调整，这是我们现在正在做的事。我们希望中国的团队在这块领域能够有所突破。

周令坤：欢迎王总。吴总欢迎回来。

吴甘沙（驭势科技联合创始人、董事长、CEO）：我们公司本质上是交付AI司机的公司。可以把我们想象成派遣劳务司机的公司。我们AI司机强调全场景，我们现在做了四种AI司机，老大是拿B照，开重型物流车的，老二是拿A找，开无人公交车的，老三拿C照，就是开出租车，普通乘用车的，老四是拿不到照，就是那些快递小哥、外卖，做末端配送的，我们覆盖这么一些场景。

当然现在从商业化层面，区域内的物流做得最好一些，尤其是在一些机场和工厂，现在我非常骄傲的可以说我们现在去掉安全员，是真无人，就是驾驶座上没有人的运营里程已经超过60万公里，超过20万小时，单个客户片区里面上百台车，只需要一个远程的工程师来支持运维就可以实现，这块是我们做得比较好的。

当然另外一方面，我觉得我们在技术上，在全天侯的支持上得到了一些突破，因为我们在最南边，像香港，夏天是台风级的大雨，不能停，最北边，在北方的机场，冬天平均是零下二十多度，基本可以实现7×20小时的运营。

李晓飞（智行者联合创始人）：非常荣幸参加今天这个论坛，介绍一下智行者的情况。我们是2015年成立的，初创团队是清华的团队。2015年创立的时候，是国内做自动驾驶初创企业最早的公司。

我们创立之初，从汽车出发，制定了软件、硬件一体化的技术路线，所以我们现在整个公司的口号就是希望打造多场景应用的无人驾驶大脑，构建智慧生活圈，所以我们会把我们全栈的技术体系应用到多个应用场景。

我们现在的应用场景是包含了三个领域：第一个就是前面说到的乘用车领域，这个领域主要是跟主机厂一起合作，去打造我们L4级别的Robotaxi车队，包括L3量产的工作，这块跟国内的几个主流的主机厂在合作，这块保密原因，我们就不能透露太多。

第二个领域，我们现在在技术可行的领域，打造一些量产的场景，这里面包括清洁环卫领域，已经成规模的推广，我们现在在全国有二十多个省份，全世界有十几个国家在推广我们的清洁环卫车，这个车的体量已经达到一千多个应用场景，大几百台数量，而且是7×24小时无人作业的程度。除此之外，我们在物流领域，2017年跟京东一起推出无人物流车。

第三个领域是安防、消防等特殊领域把我们的无人驾驶大脑跟这些领域的主机厂合作推广。这是第二点我说的应用场景。

第三点是随着这几年的发展，我们这些量产的版块, 我自己这边主要是负责量产这边版块的，其实发展得也是比较迅猛，我们现在在合肥也是落了一个很大的产线，会把智行者目前在研的几款量产车型都会在合肥落地，现在产线基本上快到批量生产的阶段了。

郭阳（百度智能汽车事业部总经理）：大家好，我是来自百度的郭阳，我在百度主要负责百度自动驾驶的量产业务。百度做自动驾驶时间比较长，大家相对了解会多一些。

说一下我们最近的变化。我们核心上除了在Robotaxi上做积极的商业化探索，我们现在已经拿到北京、长沙、以及沧州这样的政府发的可以允许主驾无人的运营牌照，同时我们现在已经开始进行收费运营的测试。我们在首钢园区，无人驾驶就是按照无人收费的方式在使用。这个是Robotaxi的发展。

在自动驾驶量产上，百度现在也在大力推进量产。核心产品有三类，第一类是面向泊车的AVP产品，第二类是面向城市和高速的MP产品，还有高速产品，还有类似传感器的产品。

我觉得百度最近有一个非常大的突破，可能我们是第一家把Robotaxi、自动驾驶和商业模式打通的企业，我们五代的Robotaxi，它除了顶上360度的激光雷达，和我们其他量产的自动驾驶产品是完全一样的，这样我们就可以做到最大范围的数据共享，这样的话，就可以把两个业务都得到相互促进发展。这可能是我们最近比较明显的突破。

周令坤：欢迎郭总，再次欢迎五位嘉宾的到来。刚才大家介绍了自己的企业，以及正在做的事情，我相信在自动驾驶领域，每个企业都有很好的成绩。除了成绩，我们还要看问题。

第一个要问的问题，我借用之前的演讲嘉宾倪凯总讲得长尾问题，在技术方面，自动驾驶的底层架构和大部分技术问题已经被解决，剩下的 20%的长尾问题，常被称为corner case, bad case，成了制约自动驾驶发展的关键。基本上企业会用80%的精力解决20%的问题。关于长尾问题，这是第一个。

第二个问题是说，深度学习要处理很多意外情况。在自动驾驶场景里，很难预测人的行为，需要经过大量的数据进行训练，但即便有大量的数据训练，也很难穷尽这些场景，所以引发第二个问题。

目前，每家主机厂或自动驾驶企业的模型在一些特定场景表现优异，但到了陌生路况、没训练过的场景的时候表现的不适应。最后为了提升模型的性能，可能会改规则，告诉车应该怎么做。

所以刚才我提这两个问题，想请每位嘉宾分享一下自己的思考和想法，这才是自动驾驶行业面临的现状，也是未来我们要突破绕不开的课题。

郭阳：我尝试回答一下我对这个问题的看法。这个问题要从两个方面努力，第一个方面是技术问题，第二个方面是产品商业模式定义方面。

技术方面我可以举一个例子。大家可能对于现在做自动驾驶，对AI技术有一定误解，觉得AI技术都需要数据训练，遇到一个新的没有训练过的物体，确实会出现你不知道该怎么办的问题。

我们在实际做量产的过程中，我们的解法是这样的：我们既会对AI需要我知道它是什么物品，像人、车辆、它的行为、样貌做一个真正的学习，同时我们也会结合一些传统的算法，比如泊车领域。

泊车领域你会看到不同的障碍物，这些障碍物，有很多是你学过的，也有很多是你没有学过的，那怎么办呢？

我们百度会用AI算法识别人车物体，预测他们的行为轨迹之外，并且我们也会使用传统freespace的算法来判断哪些区域可同行，这样通过两者融合，比如地上掉一个纸箱，你没有训练过，通过freespace可以判断它是不可以通行的。

通过两者结合，整个安全上还是能保证的。同时我们对freespace做了很多针对真实场景的修正，比如遇到车门打开，它会觉得是悬空物体，会识别出无法通过，freespace会认为是可通行的，因为物体和地面没有接触。但在我们的freespace里面，就会做一些优化。通过传统的视觉，加上AI的视觉，两者的融合，就可以保证我们的安全性，只是说我遇到一个不认识的新的物体时，我不知道该怎么处理。

我们的处理策略会偏保守，但我们整个安全是做到保证的，如果这个东西是安全的，那就是可以真正上市，可以去卖的，通过OTA不断优化。

第二个，从商业模式上，我刚才也说到，百度最近做了一个打通，我们把我们的Robotaxi，和乘用车上量产的辅助驾驶的产品，完全使用同样的传感器，这样带来什么好处呢？

我们百度的Robotaxi，现在已经是中国最大的Robotaxi运营商，未来三年将会进入中国三十个城市，进行Robotaxi覆盖，整个Robotaxi的规模可能超过几千台甚至上万的规模。

这些三十个城市里面，因为我Robotaxi使用的视觉传感器和自动驾驶量产的使用的传感器完全一致，这相当于这三十个城市的Robotaxi的经验和司机积累的数据，以及我们收集的数据，比如你会用到什么样的人，什么样的车，什么样的红绿灯，什么样的标识，这些我们都会提前探索好，这样两个商业模式融合在一起，就可以解决大部分用户买完车之后，在这三十个城市里面运行非常好。

所以我觉得在这样的情况下，可以让大部分用户买到一辆带自动驾驶功能的车以后，在常见的场景下，甚至按我们的统计，98%的场景下都可以做到非常好的体验，剩下2%的场景，我们通过软件不断OTA，这样用户是可以接受的。

如果一上来，只有10%的用户场景可以用，之后我再和你OTA，这个用户是肯定不能接受的。所以我们觉得先通过一些模式把大的场景解决掉之后，后面的再通过数据的积累，这是可接受的。

周令坤：谢谢郭总的分享，同样的问题，晓飞总有什么分享？

李晓飞：郭总从技术和产品角度来分享。我也从郭总角度来分享我的观点。

我先说产品维度，2017年开始，我们批量化把我们的产品，把我们的无人驾驶技术应用到特定的领域，包括一些公开的开放道路里面去的时候，我们会发现，在前期，特别是在前一两年的时候，这个人员是去不掉的，我们现在可能一百台、二百台车，或者五百台车出去，前期可能是一个人要看几辆车。

到2018年的时候，我们慢慢发现，随着车越铺越多，肯定是不可行的，那个时候我们产品定义上给我们客户传导一种观念，就是我们一定要在我们做不到的地方，我们知道自己做不到，这里面相当于有四个维度：我们知道我们知道，我们知道我们不知道，我们不知道我们知道，我们不知道我们不知道。

在这两个维度四个象限里面，最困难的是我们不知道我们不知道，所以我们一定要去不断的探索，把我们知道不知道的地方，定义成产品的ODD，把我们不知道我们不知道的地方变成我们知道我们不知道的东西，给客户宣贯也好，或者跟他们友好的沟通也好，把这个传递个他们。

刚才接着郭总说的，产品这个维度，我们一定是要从这个维度保证我们的产品是陆陆续续推出的，例如通过OTA或者通过其他的手段。

第二个维度是从技术方面，刚才说了长尾效应，技术这一块，长尾效应比较明显的就是两个版块，第一个是感知版块，第二个是决策规划版块，像控制和硬件这一块，我觉得长尾效应可能没那么明显。

这两个版块我举一下我自身的例子。我在2011年、2012年在学校做博士论文的时候，当时做的方向就是视觉的深度学习方向，当时深度学习刚开始兴起，我当时记得印象非常深刻，跟奔驰合作的一个项目，那里面我们做到的VRU的识别，最多的AP，全世界论文里面最高的，那个里面最高的也就0.9左右，现在随着这几年的技术发展，大家可以看到AP平均精度可以做到0.95、0.96，甚至0.98。这个说明什么问题？随着技术的发展，我们的长尾问题是在逐步解决的。

我们这个技术的提升是逐渐在提升大感知领域，但是你会发现最后的0.01是非常非常困难的。所以在感知这个领域，从我本人做技术的经验来说，大感知领域一定是要靠多传感器和相互校验的方式解决。

当然我们很认同马斯克对于第一性原则的看法，比如未来五年十年，视觉可以取代一切传感器解决这些问题，但是现在还做不到，所以关于长尾效应，我们是希望我们能学到的东西，我们尽可能都要学到，假如我们学不到的东西，通过多传感器融合，甚至通过规则方式去解决。

对于大的决策规划来说，我就简单说一下。其实我们最开始的时候，我们是希望一些监督性学习去做一些行为的仿真，最早我们做这个方面的尝试是2015、2016年，做这个事情。

我们发现，这个事情是跑不通的，因为人的思维空间维度太高了，我们在学习这个领域，是可以分成三个派别的，监督式、非监督式、半监督式，半监督式就是强化学习，所以我们现在做的一件事情，一方面是把监督式和半监督式在决策规划这方面进行融合，另外一方面，加上一些规则方面的方式，解决中间长尾的case，从技术领域，这两块我简单分享一下我自己的观点。

吴甘沙：刚才两位说得很完整了，我稍微做一点补充。现在我们安全的隐患主要还是出现在，一个是感知，另外一个是预测。在规划控制方面基本上都比较成熟了。

感知这一块，你又得分成两类，一类是有激光雷达，一类是没有激光雷达。没有激光雷达主要就得靠视觉，视觉就得靠数据，这确实是一个很大的问题。当然刚才郭总说到了，就是我们用目标检测再加上可行驶区域，这样的类似于负面清单方式来解决，事实上我们也在大量的去用，但是可行驶对人类非常有效的机制，在计算机视觉当中会产生很多的误解，包括平时跑的好好的，下雨天，有水洼，或者水泥地上有反光，都会导致失效，这是一个问题。

另外一个，本质上还是我们现在的感知太低层次了，不是认知，低层次就会带来很多问题，我们经常有这些段子，前面公交车上有一个明星，你可能会把他识别成一个行人，可能就刹车了等等，所以我认为本质上我们今天还停留在感知层面，这个感知是靠画一个一个框，这些框和像素做标记来去学习，而并不是像我们人靠认知，我们人学车有十八年的社会阅历，这些社会阅历就是认知，认知可以帮助我在驾校学几个小时，跑几百公里就可以了。这是感知的部分。

感知有了激光雷达就好很多，但是有激光雷达还没有办法完全解决，这就涉及到意图的预测这一块，我们今天障碍物在那边，我总是能够检测出来，但是我检测出来，未必能够带来安全的行为，比如我前面有这么一个障碍物，我不知道这个障碍物是什么，就会带来不同的危险的行为。

比如说那边是一个人跟一根柱子是不一样的，人是会动的，柱子是不会动的。如果是人，他意图是往我这边走，还是往另外一边走，又可以带来不同的行为。

那边停着一辆车，那个车完全停着，和这辆车转向灯已经启动了，是不一样的。而这些就是我明明感知到他存在了，但是不知道他下一步意图会带来很多的安全隐患，所以我是觉得，其实最理想的还是从感知到认知，加强认知层面技术上面的突破。

另外一方面，如果纯感知的话，你就有更多的算力，我跑无数个神经网络，从感知传出认知的认识，比如我是不是有一个专门的神经网络去检测转向灯？如果我有足够多的算力，我可以通过大量的神经网络堆叠去更好的获得任职和判断。

周令坤：你刚才说的这个非常有道理，如果从感知到认知，就是平时我们说的，这个车是不是具备智慧感？就像你说的，如果是算力和算法，这两个都跟得上，能解决问题，还是需要额外的条件？

吴甘沙：可能需要方法论上的改变。传统方法论本质上是中医的玩法，就是归纳，归纳法，归纳法总是有疏漏的地方。而一些西方的科学的方法论，它强调了推理、因果分析，强调了演绎这样一些新的方法，这些方法其实对数据不敏感，我几千万公里之外的天体，我根本没有见过，也没有数据，但是我可以知道，它必然是按照这样的规律去运动，除了数据和算力，所以可能未来方法论上也需要一些新的变革。

王忻：我换个角度来考虑这个问题。因为我一直在想，为什么有长尾效应这样一个问题，正好呼应一下吴总的话题。大家现在把现实和理想都拉得太近了，现在我们根本就不可能去谈L4、L5，因为我们现在要谈L4、L5，所以长尾效应出来了，为什么那么多人都在说L2+，都不敢谈L3呢？

没有自信，就是没有自信，为什么没有自信？因为刚才吴总说的这个事情，我觉得是很正确的，就是我们拿机器学习，就等同于人工智能，这本来就是两个学科，人工智能是人工智能，机器学习是机器学习，这完全是不一样的。你不能够把人工智能和机器学习完全混为一谈。我们要看的是，在目前这个时代，我们怎么能够让老百姓真正得到实惠，我们刚才说那么多的技术，L2，L2+等等，老百姓怎么能够体会到，怎么感受到？

比如现在的传感器技术，1.7兆，或者1.8兆，对老百姓有多大不一样呢。钱上面是不一样了，但是对他的感受上，有多少不一样，我并不认同。刚才吴总也说了，我们现在100Tops可以把很多场景都放进去，我很认同你这个观点，为什么我们要换成200tops呢？我们以前在做软件的时候，软件大拿是拿最少的钱找到资源最高效的代码，把它放到最优先的RAM和ROM里，那你才是高手。

所以，我们后面在做这些事的时候，并不是说这些事不要做，我相信L4、L5总有一天会到来的，但是在到来之前，我们反而应该更加脚踏实地的去看，哪些事情是我们能够解决的，最简单的就是AEB，我们现在谁能保证说，我只用摄像机技术就可以保证没有False AEB。

还有用户介入的时间，因为如果解决安全性，我也很容易解决，我看到有问题了，我就让用户介入，如果用户频繁介入，那就不会用这个了，我怎么最大限度的减少用户介入的时间，他会觉得我比较信任你，这是我的一个观点，就是不要看太远，把现在的技术脚踏实地做好，那才是最根本的。

马喆人：我说远一些吧，我们年底有两款L3卡车要量产，其实我特别认同刚才王总说的，要在此时此刻，但凡涉及安全领域的自动驾驶的时候，搞量产和搞无人，这两个，或者叫搞技术，这两条线的思考维度的确不一样。

搞量产越到产品下线的时候，我越深刻的感受到，我们是往下看，我们要守住底线，用百分之百的可行性和越低越好的成本来守住安全和效果的底线，这个其实是越来越多大家看到，其实是自动驾驶，谈论自动驾驶的一个很重要的领域。我也特别期待，比如说下次再开这个论坛的时候，我觉得谈L4可能也可以谈一谈，但是的确可以单独做一个场景来谈，怎么能够把一个低成本的东西做得特别厉害，怎么把一个量产的东西做得百分之百可靠。与此同时，我也谈一谈，我们在这儿也还是忍不住考虑往上走。

我说下面几点吧。的确自动驾驶目前所基于的深度学习，它的泛化能力是很弱的，我说一下我们的认知，但你让它学新的东西，衍生它，很难。这是当前面临的困难。

我说一下当前我们的认知，我们觉得目前所谓的泛化，或者长尾的难点，越来越多的不是在感知上了，就是你认识它是什么，因为现在行业的确数据越来越多，所以认知的困难会相对小一些，没有完全解决，但是行业越来越多的聚焦在规划和预测，就是行为预测，这一块应该是在乘用车，或者整个自动驾驶产业里面，所谓攻破长尾的一个难点。这是当前我们所面临的一个行业的形势。

回到我们怎么做，我们是做卡车的，而且我们专注在高速，因为重卡95%以上的行程是在高速上，我们是这样考虑技术的演进的。简而言之，我们要用L2的方式去开这辆车，要能够合法的先上路，一旦车上路以后，我们不断的升级我们L3的算法和软件，让它尽早的接近L4，我不知道哪一天可以接近。

第三点是我们把上路的车去预埋，我们认为能够达到L4水平的硬件，所以是L2的方式上路，L3的软件网，L4逼近，预埋L4硬件，这是我们量产方向上的一个方式。

为什么这样做呢？这个车一定要上路，让真正的人流或者商流拉着去跑，才能为机器学习，为深度学习提供足够的数据，小范围里面的试点运行永远是一个突不破的瓶颈，要做到这一点呢，当然我们都承认现实，现在我们认为能够做到的最高水平就是L3。

在这里我也吐个槽，行业里面很多人说我是L4，但是带一个司机，带一个安全员。所以我们老老实实的说，先把L3做起来，逐步演进到L4，要做到这一点，预埋的硬件还是很重要的，最起码在我们现在可理解的范围里，我们是能够达到或者接近L4水平的传感器和它的一整套相应的计算平台，包括还有相应的一整套的线控体系，就在这样一个体系下，我们收集的数据才真正有意义，让我们不断的解决深度学习，泛化的问题，尽快的升级L3，逐渐接近L4，这个是我们现在做的一个方式。

最后说一下，在这个里面，我觉得的确商用车，尤其是卡车在以高速为主的场景下，它有一定的优势，尤其在行为预测上，它相对简单。第二，商用车，尤其是重卡，它对成本的容忍度会高很多，你省油也好，把司机的配比从1比3降到1比2.5也好，它有很多的方式，可以让我们的最终用户能够产生经济效应，相应上路的成本冗余空间会高一些。

我们测算了一下，一台量产的自动驾驶的系统，如果是40万的普通的卡车，系统给用户的附加价格如果在15万，我们觉得这个是一个比较大的临界点，如果能降到15万的时候，其实它的使用场景会非常多，就有大量的运输公司会愿意买单，这一点，我们觉得这是一个在重卡场景下，能够加速的锻炼车辆，锻炼算法，提升技术的一个契机，我就说这么多。

周令坤：谢谢几位嘉宾就长尾问题和深度学习的泛化问题做了分析。接下来我问每个嘉宾一个问题。第一个问题问到马总这边，刚才这个问题在前面吴总和晓飞总都提到过，之前，特斯拉宣布退出毫米波雷达，走视觉处理这个路线，针对视觉方案和多传感器的融合路线，你更看好哪一条路线？

马喆人：我觉得可能各家有不同的考虑及如果站在我能够认知的范围里面，我觉得没有必要，因为现在其他的传感器，说来说去，毫米波雷达也很便宜，现在很多已经接近车规的激光雷达也很便宜，一颗现在用的可能也就几千块钱，并不是特别贵，为什么不用呢？所以我觉得我不太认同，没有必要。

只要成本和车规级的问题能够接受的话，为什么不用呢？

周令坤：谢谢您的回答。接下来问到王总，也是一个新闻，在4月份，Waymo的CEO辞职，6月初，苹果公司做自动驾驶的负责人也都辞职，Waymo估值也往下滑了，引发了行业对自动驾驶一步到位的路线和渐进式路线的辩思。Waymo是最具颠覆性的，很多企业成立之初冲着颠覆来的，如果走渐进式路线的车企，把有些L4级别场景下放，您对这两个路线的前景有什么看法？

王忻：我正好把刚才那两个问题稍微做一个总结吧。先说到特斯拉那个事情，这两个问题其实是有关联性的。特斯拉那个问题，大家可以看，上面写的是北美，不是中国，中国还有，为什么？

这里面还是讲到一些技术问题，因为大家如果去北美，可以看到它开车的方式跟国人不太一样，它一直在那边采集数据，它没有办法一直在那边训练，它只能在北美做这个事情，在中国不敢做这个事情。

第二个事情，这里面也能够提到一点，如果说我们对于很复杂的场景去进行感知和判断的话，多模式的，比如雷达，毫米波雷达，我们的摄像头加上激光雷达，这是必然要做的事情。

它不可能去突破这一点的，带来的安全等级是很不一样的。我们今年过年的时候，我们自己挑战了一把，我们做没有雷达的纯视觉方案完全的L2的算法，包括ACC、AEB，其实还是有很多的问题，需要通过一些数据的迭代慢慢解决的，一开始要让它能够达到一个理想的状态是挺难的。

由此回到您刚才所说的问题上，我是一直坚持所有的技术都是一步步来的，你可以是大胆的假设，刚才我开始做介绍的时候我也说了，我们很早就做了，我们大胆的假设，我们把这些样品做得更好一些，把激光雷达技术全部都在这些样品上认证，POC没有问题，在技术上没有问题。在慢慢的商业化过程中，我肯定是要一步一步来，有可能小步快跑，但是也要一步一步来。

周令坤：下一个问题问吴总。过去一年，像一些高速公路、封闭式的港口，L4的自动驾驶的技术和方案受到资本市场的青睐，有些进行商业化的试运营阶段？您自己怎么看商业闭环是否走得通？如果真的走商业化运营，是否具备盈利的能力？

吴甘沙：商业闭环考虑两个方面。一个方面是技术是不是真的安全？尤其是2B商业当中，你要做到的是直接是L4，不可能在车上还能够放一个安全员。其实本质上我们是把原来无人驾驶是一个完全开放，没有边界的问题，把它变成了一个有边界的问题。

在这个边界里面，我是可以穷举式去验证，但是同时还是没办法避免出错，但是出错的成本是可控的，本质上在原来的自动驾驶上面，增加了两个约束，一个约束是边界，另外一个是出错的成本。在这样的一个情况下，基本上可以确保技术是可行的，技术可行并不代表有商业闭环，有商业闭环的话，你还得做几件事，第一件事，真正确保客户是刚需痛点，换上你这套系统，算账是算得过来的，不能说给他安一个更贵的东西，降本增效，没办法解决。这是刚需痛点，算账算得过来，这个其实是现在从大趋势上来说，越来越成立了，因为人的工资也越来越贵了，而且现在的人，流动率非常高，尤其是年轻人，他喜欢躺平，喜欢世界那么大，我要去看看，不愿意做那种低端的、单调的事，所以管理成本、培训成本越来越高。

剩下的就是怎么去缩小这个技术从一个产品到客户那边能够用的商品之间的这么一个距离，这个并不是那么简单，其实我们真正感觉，最后闭环这一步，从产品到商品不是那么简单，为什么呢？因为客户需要的是一个完整的解决方案，比如说我们无人驾驶做得很好了，从A点到B点，把这个人拿掉，但是装和卸呢，原来可能就是这个司机负责装和卸，装和卸没办法去人，那就没办法彻底的降本增效。

第二，它要和它的业务进行打通，业务打通不是无人驾驶公司擅长做的，这就涉及定制化的开发。

第三个，早期做的这些客户，它是非常拥抱创新的，对错误包容，但是从这几个客户拓展到更多客户的时候，你会发现那些客户他就不包容了，他怕出错，他对成本非常敏感，所以跨越这个鸿沟的过程当中也要解决很多问题。

所以商业闭环本质上并不仅仅是技术问题，也并不只是搞定几个头部客户的问题，它是一个更大的商业问题。

周令坤：谢谢吴总，完全同意，它是生态能力整体提升的问题。下面的问题是关于Robotaxi的问题。近期你要留意新闻的话，会发现在中美情况有一些差别，美国优步把它卖掉了，中国这边还在加大投资，Robotaxi的覆盖还在扩大，你怎么看自动驾驶的商业化Robotaxi技术还有哪些临界点有待突破？

李晓飞：我们内部也有这方面的思考，其实是两个维度吧。

第一个维度是可替代性，第二个维度是我们的产品，无人驾驶的产品做出来的吸引力模型是什么样的？从可替代性这一块，又有两个维度，就是我们的业务可替代性，还有成本可替代性，我们的业务科替代性，其实我们做无人驾驶公司，最擅长的是什么，最擅长的是做无人驾驶的大脑，换句话说，最擅长的是无人行走的这样一套技术体系，可以解决A点到B点，B点到C点等等。

现在最难的点在于业务的可替代性，我们要找到这样的场景，我们不仅仅能解决A到B，还能够解决物流领域的装卸问题，配送领域的送货到人的问题，这个业务可替代性，我们要找到相应的场景，把业务跟行走这一块打通，这一块叫业务可替代性。

第二块是成本可替代性，刚才嬴彻这边的同仁提到成本的问题，我觉得这个是非常好的应用场景，因为不一定完全是取代人，但是他取代了一半的人。很多其他场景成本能不能算得过来，比如物流配送场景，或者外卖配送场景，我们的小哥现在一单可能就一两块钱，或者两三块钱，现在物流的成本可能是四五块钱，未来的成本可能可以降到一两块钱，这个场景是OK的，但这两三年是不是能把成本，能算过来账，这是很重要的问题，这一块是可替代性。

吸引力模型这一块，我简单说一下，我们是从五个维度来说，第一个维度，刚才提到了刚需，我们是不是去解决了2B这些客户的刚需问题，因为2C的产品，两点都可以让客户买单，比如手机拍摄功能好，客户就买了，但是2B这一块，只有一点，为企业主降本增效，所以降本增效业务流程过程中，我们是否我们的产品，我们的商品能给他降本增效，能否解决他的刚需，这很重要。

接下来还有两点非常重要，一个是高频、一个是重复。我们现在技术解决的问题就是无人行走的问题，我们现在的场景是否是一个高频的场景？假如一个月或者一周用我们的设备可能就用一次，那我们觉得这个成本是很难算得过来的，假如说我们这个场景是非常不重复的，非常复杂的一个应用场景，不简单的应用场景，那我们这个无人驾驶，点到点的运输能力也不一定能够解决场景的需求，所以从场景这一端，从高频和重复这一块，我们认为也是场景应用之一。

第四点是弱智能，现在很多场景对AI无人驾驶要求越来越高，这种情况下，我们的智能化一定要在这两三年内，能够满足这些场景的需求。

第五点是信息化，我们一定要跟他们现在的业务流程能打通，做到整个作业流程的信息化，比如AGV为什么现在做得还不错，就是因为AGV这边不仅解决了搬运问题，还解决了后端业务信息化的流程。

所以从这两个维度，我们再去审视我们现在说到的很多的场景，物流、清洁、环卫等等场景，你会发现有一些场景是不一定在短期内能够满足2B也好、2C也好，客户的需求的。所以我的观念，Robotaxi这个账还得一段时间才能算得过来。

技术这一块，虽然全国有上百台车在跑，但是长尾技术还是需要解决，包括大感知，预测。我们认为，珠峰的攀爬，南坡和北坡，北坡可能更陡一些，大家现在选择了北坡去爬Robotaxi这条路的话，确实需要一定的时间，也许是三到五年，也许是五到十年，但是我们已经积累了很高深的技术了，无论是软件、算法、硬件还是云端平台，为什么我们不能把这些高深的技术，在南坡沿途下蛋呢。

我们作为自动驾驶从业者，我们现在积累了一些技术，就应该在边做，然后边沿途下蛋，我们还能够仰望星空，爬上珠峰，实现我们无人驾驶的乘用车上的落地。只有这样的一些技术的落地，我们才可以用我们的技术服务人类，打造智慧生活圈。

周令坤：最后一个问题问到郭总这边，刚才是关于车路协同的话题。我们谈过单车智能距离应用是非常远的，你怎么看待车路协同和单车智能的结合点在哪里会更好？

郭阳：刚才晓飞总提的攀登珠峰，前面几位嘉宾也说到，这也是我们的理念，就是沿途下蛋、攀登珠峰。

我们自动驾驶最终实现的时候，像马斯克说的纯视觉的路线，他也说我不要向导，向导就是高精地图，前面已经给你探了一些路了，它能帮助你攀得更快。马斯克说我也不要装备，什么激光雷达，我什么都不要，就相当于攀登珠峰不背氧气瓶直接上去了，我个人理解，这个问题跟您刚才问的问题是关联的问题。

很多包括V2X是实现自动驾驶的辅助手段，这些辅助手段，有些场景需要用，有些场景，像北美可能不需要用，这也有可能实现，这是不同的路径。所以我认为对于车路协同这个场景来说，在国内比较复杂的场景，特别是面向城市的场景下，还是有一定的价值，这些价值能够帮助我们加速自动驾驶在某些场景下的实现，加速在某些商业模式上的探索。

如果到了后面，技术进行了深入的发展之后，是不是说一些辅助类的东西我们可以逐步的去掉，或者做一些更换，换成更高级的辅助设备，这是有可能的。车路协同现在这个阶段对我们自动驾驶是有辅助作用的。未来会怎么发展？会随着我们技术的变化，它会有自己的变化，也有可能会消失的一种可能。

周令坤：谢谢郭总，时间过得很快，一个小时马上就到了，最后一人说一句话，要么可以说你最看好哪一种场景，或者你表达对自动驾驶未来的愿望。

郭阳：我代表百度说一下我们的认知，我们认为Robotaxi真正能够改变商业模式，改变人类出行的东西，速度还是会很快的到来，在大概三四年前，我去接触到这个业务的时候，当时认知可能需要十年，经过这几年的发展，特别在中国，我们认为速度会大大加快，我个人非常期待真正的基于某些场景的自动驾驶的功能会很快的来到我们的生活中，我坚信这个东西是在加速的。

李晓飞：我用智行者的一句愿景作为结束语，我们希望用我们的无人驾驶大脑，多场景应用的无人驾驶大脑赋能各个行业，打造智慧生活圈。

吴甘沙：我们觉得自动驾驶技术一定是能够用在千行百业，最好的自动驾驶技术一定是全场景的自动驾驶技术。

王忻：我们看到数据报告，说FSD订阅量只有2%，这也是引起我一个想法，我在这里想说的就是，我们应该更好的去打造用户可信赖、很喜欢用、很方便用的无人驾驶技术。

马喆人：我还是说一下和我相关的领域，我们所处的干线物流的自动驾驶领域，我认为是近期所有领域里面广阔天地、大有可为，这里的产品会落地最早、这里的大的商业机会也应该来得最早。

周令坤：谢谢。再一次以热烈掌声感谢五位嘉宾的到来，谢谢各位的分享。

最新版2013系统下载 #/bj/anmo/32472.html