自動駕駛：英特爾向左 高通向右

　　然而，到了第三級以上的自動駕駛(副駕真人老司機在開車過程中基本可以打瞌睡不管自動駕駛系統(tǒng))，人工智能想要真正接管汽車還有不少問題。目前人工智能中深度學(xué)習(xí)的原理是使用海量數(shù)據(jù)去訓(xùn)練網(wǎng)絡(luò)，深度學(xué)習(xí)網(wǎng)絡(luò)在訓(xùn)練后可以根據(jù)輸入數(shù)據(jù)做決策。然而，數(shù)據(jù)即使再大，也不可能覆蓋所有狀況，在很多意想不到的情況下算法可能出錯。例如，就拿基于攝像頭的自動駕駛來說，攝像頭首先獲取圖像數(shù)據(jù)，之后處理器在圖像上做分割，將背景與前景物體分割開，再識別前景中的道路，車道，活動物體(包括其他汽車，自行車，行人)，估計這些物體與車的距離，并做駕駛決策。然而，無論是圖像分割，物體識別，還是距離估計，都可能出錯，而且出錯的地方往往意想不到。之前Tesla的自動駕駛因為沒能識別前方的白色大卡車而產(chǎn)生了車禍，據(jù)報道援引可能是算法把大卡車當成了白云。這樣的錯誤在人類看來不可思議，但是在基于深度學(xué)習(xí)的人工智能中卻非常有可能，只要訓(xùn)練數(shù)據(jù)中沒有包括這種情況就有機會犯這種錯誤。然而，駕駛時路況千變?nèi)f化，訓(xùn)練數(shù)據(jù)理論上不可能覆蓋所有狀況，永遠有這類落網(wǎng)之魚。即使統(tǒng)計學(xué)上的概率非常非常小，但是對于每個車主來說一旦發(fā)生了就是發(fā)生了。而且，一旦發(fā)生事故，如何界定法律責(zé)任也是一個問題，究竟是車廠的責(zé)任還是司機的責(zé)任，也是一個尚待解決的問題。

　　另外，這還牽涉到了車主對自動駕駛的信任問題。雖然現(xiàn)在人工智能使用的深度學(xué)習(xí)網(wǎng)絡(luò)研究非?；馃幔⒉淮砣藗円呀?jīng)理解了深度學(xué)習(xí)網(wǎng)絡(luò)。深度學(xué)習(xí)的基礎(chǔ)是統(tǒng)計學(xué)，網(wǎng)絡(luò)的效果好壞也是看測試數(shù)據(jù)集上的測試準確率，因此人們不完全明白深度學(xué)習(xí)網(wǎng)絡(luò)的決策過程，一個典型的例子是AlphaGO對戰(zhàn)李世石的時候?qū)I(yè)棋手連連表示看不懂AlphaGO的思路，但是最后AlphaGO就是在一片“看不懂”中贏下了比賽。往好里說，這是神奇，是潛力無窮，往壞里說，這是不確定性大。Tesla的自動駕駛汽車能高難度過彎卻會陰溝里翻船，將來自動汽車也可能在完全不確定的地方出事故，讓車主不能完全信賴。說到底，這個信任問題的根源，還是因為人工智能自動駕駛完全依賴于一個人類還不能完全理解的技術(shù)。

　　小結(jié)：Intel基于人工智能的自動駕駛技術(shù)是想做一個和人一樣根據(jù)周圍環(huán)境做決策完成駕駛?cè)蝿?wù)的系統(tǒng)。Intel的技術(shù)可以快速搶占目前主流的0-3級自動駕駛市場，但是在更高級的自動駕駛(即自動駕駛系統(tǒng)掌握車輛的更多主控權(quán))領(lǐng)域，光靠人工智能是不夠的。

　　那么，更高級的自動駕駛市場要靠什么?要靠未來交通的基礎(chǔ)設(shè)施，即車聯(lián)網(wǎng)(V2V，V2X)。而這是Qualcomm與NXP更擅長的。

　　Qualcomm：設(shè)計新型汽車自己就能開

　　Qualcomm的自動駕駛思路與Intel完全不同。如果說Intel是計算機科學(xué)家的思路走人工智能，那么Qualcomm就是電子工程師的思路走自動化控制，即車聯(lián)網(wǎng)。在車聯(lián)網(wǎng)時代，每輛車以及路上的交通設(shè)施都與網(wǎng)絡(luò)連接傳遞信息，這樣車可以根據(jù)從車聯(lián)網(wǎng)獲得的信息來做駕駛決策判斷，從而實現(xiàn)自動駕駛。

　　車聯(lián)網(wǎng)包括車與車之間的通訊，也包括車與其他設(shè)施之間的通訊。車與車之間的通訊可以讓每輛車都掌握附近車的信息，例如距離，時速等等。這一方面可以避免交通事故，另一方面也可以增加駕駛效率。例如，現(xiàn)在在開車的時候大家都會與前車保持足夠的車距防止前車突然剎車，有了車聯(lián)網(wǎng)之后前車剎車的第一時間你的車就會知道并且同步減速，這樣即使車之間的間距很小也問題不大。這個技術(shù)目前已經(jīng)用在了NXP給卡車車隊開發(fā)的系統(tǒng)中，在這樣的車隊里每一輛車的駕駛過程都是同步的，從而可以省去不少因為加速減速的浪費的汽油。車與其他設(shè)施之間的通訊也非常有用，例如車輛可以與路牌通訊知道目前的限速。

　　舉個例子來說明Intel和Qualcomm技術(shù)的不同思路。下雨天的時候，純粹基于人工智能的自動駕駛?cè)菀壮鰡栴}，因為車道分割線在下雨天的時候很模糊，人類都看不清楚，人工智能使用機器視覺也一樣看不清楚，所以無法很好地識別車道，可能會開著開著就開到其他道上去了。車聯(lián)網(wǎng)的思路就不同，識別車道壓根不是靠機器視覺，而是可以靠道路的基礎(chǔ)設(shè)施建設(shè)使道路交通智能化。例如，可以在車道的分割線上安裝射頻標簽，汽車靠與這些射頻標簽通訊就可以知道自己有沒有行駛在道路中央，甚至還可以獲得前方道路是否有彎之類的信息來幫助駕駛。顯然，這樣的方案不會受到天氣的影響。

　　從上面的例子還可以看出兩種方案的其他不同點。首先，不同于之前說到人工智能技術(shù)很多時候連研究人員都無法理解，Qualcomm使用的車聯(lián)網(wǎng)中每一個技術(shù)細節(jié)(主要是無線通訊)都已經(jīng)被工程師們完全理解，因此不會出現(xiàn)人工智能在不可思議的地方出錯的問題，也不存在訓(xùn)練數(shù)據(jù)不夠的問題。甚至在車聯(lián)網(wǎng)信號狀況不好的時候，汽車也能及時提醒司機及時接管，但是人工智能方案卻未必能實現(xiàn)這一點。其次，Intel的自動駕駛技術(shù)只是做局部優(yōu)化，只管一輛車;而Qualcomm的車聯(lián)網(wǎng)則是有可以做全局優(yōu)化的潛力，既然所有車都聯(lián)網(wǎng)了那么交通也可以根據(jù)車流做優(yōu)化疏導(dǎo)，例如交通燈會根據(jù)車流來調(diào)整紅燈和綠燈的時間。Qualcomm車聯(lián)網(wǎng)方案會給汽車駕駛帶來更大的飛躍。人類開車的時候是通過眼睛看前方的路況以及車距，頭腦根據(jù)這些信息來做判斷并控制汽車。Intel的人工智能駕駛是使用傳感器代替人類眼睛，使用處理器代替人類大腦，但是人類眼睛會看錯，判斷會失誤，人工智能一樣也會犯這樣的錯誤。Qualcomm的車聯(lián)網(wǎng)方案根本就不需要眼睛，因為道路和車輛的實時信息已經(jīng)通過網(wǎng)絡(luò)傳遞給車輛，所以就不會有“看錯”的問題。

　　當然，Qualcomm的車聯(lián)網(wǎng)也有一個很大的問題，就是需要把車聯(lián)網(wǎng)的基礎(chǔ)設(shè)施都建好了才能完全發(fā)揮出所有潛力，相較之下Intel的人工智能駕駛則與基礎(chǔ)設(shè)施沒有任何關(guān)系。事實上，車聯(lián)網(wǎng)與人工智能自動駕駛并不互相矛盾，相反是相輔相成的。在第0-3級自動駕駛中，人工智能即可勝任;但是到了更高級的自動駕駛，必須同時結(jié)合兩種方案才行。