特斯拉萬一壓對了呢？那麼Waymo的激光雷達項目估計就得被砍掉。
編譯 | 太浪
作為馬斯克口中的「傻子王」，Waymo終於發話了。
在馬斯克大肆抨擊激光雷達十多天後，Waymo高管在Google I/O 開發者大會上對其進行了公開駁斥。
「你可以想象只用攝像頭進行自動駕駛，但你需要最好的攝像系統才能真正做到這一點。」Waymo首席科學家Drago Anguelov表示：「因此，這是一個非常大的賭注，你有可能實現它。但這非常非常冒險，而且沒有必要。」
1
「傻子論」：不用激光雷達的理由
半個月前，馬斯克在特斯拉舉辦的「Autonomy Day」上，對激光雷達傳感器大肆抨擊：「傻子才用激光雷達，任何依賴激光雷達的人註定要完蛋。註定是這樣！（激光雷達）是昂貴的、不必要的傳感器。這就像有一大堆昂貴的附屬品。比如，一個闌尾是壞的，但現在你有了一大堆闌尾，你會發現這太荒謬了。」
如果你對激光雷達不太瞭解，我們先來對它做個介紹。
激光雷達是一種會發射激光的雷達，它把不可見的光脈衝發送到世界上，並計算出它們返回的時間。這使得它在低分辨率下呈現出黑色和紅色的圖像，但與每個像素間的距離精確。一些激光雷達還能告訴你目標彈開的速度有多快。這樣，它就有了超人的視覺，儘管分辨率低，目前的高成本和更有限的範圍意味著它不是在每個方面都優秀。
激光雷達將3D成像技術引入自動駕駛汽車計算機，是目前大多數其他自動駕駛系統的關鍵元件。目前，Waymo、Uber、福特、通用Cruise等公司將激光雷達與攝像頭結合使用，讓自動駕駛汽車瞭解道路和道路上的情況。
價格昂貴是馬斯克抨擊激光雷達的一個主要原因。
但目前，每個主要的機器人車開發商和大多數創業公司都使用激光雷達與攝像頭和雷達相結合的解決方案。他們傾向於增加更多的雷達和一個或多個激光雷達，有些還添加了不同類型的激光雷達，甚至夜視攝像頭。
之所以這麼做，是因為在他們看來，現在並不是降低成本的時候。現在是最大限度保證安全的時候，並且要儘快實現它，以及首先進入市場。可靠性是關鍵。
從技術上看，在激光雷達+攝像頭或者攝像頭的選擇上，前者是更快、更安全的路徑。更多的信息，特別是更可靠的信息是更好的選擇。
如果想僅僅使用攝像頭，則必須在一定程度上理解一幅圖像，接近人類用眼睛和大腦所做的事情。
沒有激光雷達超人的測距能力，人類通過智能計算出與遙遠物體的距離。我們知道人和車有多大，所以一輛車或一個人如果看起來越小，我們就知道它離我們越遠。當我們移動時，我們通過這個物體相對於另一個物體移動的方式來推測距離。
當物體離我們很近時，我們也能從兩隻「立體」眼睛和通過眼睛聚焦光線的方式得知距離。這些都是有用的，但事實證明，人們只用一隻能看到遠處的眼睛就可以很好地駕駛——真正的關鍵在於正確理解場景。
激光雷達無需任何理解就能知道萬物之間的固有距離。它在這方面近乎完美。對很多事情來說，「賭上你的生命」是可靠的——而且必須如此。人們可以也確實將「理解」添加到激光雷達的方案中，但這並不總是必要的，因此，你可以更寬容地理解錯誤。
激光雷達可以在白天或晚上工作，而攝像頭必須處理不斷變化的外部光線。
Waymo（激光雷達傳感器的先驅）首席技術官Dmitri Dolgov承認早期版本的激光雷達「非常昂貴」。但他同時認為，這種高成本與大多數新技術首次開發時沒有什麼不同。
「從根本上來說，激光雷達並不昂貴。」Dolgov說，「我們已經大幅降低了從第一代到現在的激光雷達產品的價格。可以想象，隨著規模的擴大，我們將節省多少成本。」
今年3月，Waymo宣佈，將開始向不與該公司自動拼車服務競爭的客戶銷售激光雷達，包括機器人、農業、安全等行業的公司。這個額外的渠道可能會幫助Waymo通過擴大生產來提高規模經濟，最終進一步降低其為自己的汽車生產零部件的價格。
2
純視覺真的什麼都能扛？
特斯拉在眾多主流汽車製造商中獨樹一幟，只使用了攝像頭+雷達的解決方案。馬斯克表示，特斯拉的自動駕駛技術將完全依賴內置攝像頭。
特斯拉選擇攝像頭方案的原因很簡單，目前根本沒有量產並能真正商業化推開的激光雷達。
特斯拉現在在銷售汽車，即使他們想裝激光雷達，也裝不上。但是，他們未來的計劃也是無激光雷達的。
特斯拉決定只用8個攝像頭(前面3個、每側2個、後面1個)加上前面一個雷達和一些用於近距離工作的超聲波傳感器來解決駕駛問題。
但現在，計算機視覺還不是那麼好。
在過去幾年裡，計算機視覺技術取得了一系列驚人的突破，每個人都在使用它們。但是，這項技術並沒有可靠到能「堵上你的性命」的地步，至少現在還不可靠。問題是，這種情況是否會發生，以及何時會發生。
大多數人說「什麼時候」而不是「如果」，特斯拉和其他人說，既然人類只用眼睛就能開車，那麼，顯然這是可以做到的。但我們旅行時只用腿，這並不是說汽車應該用腿而不是輪子。鳥兒扇動翅膀，但這並不能證明飛機也應該這樣做。有時，機器的方法是贏家。我們還不知道答案。
早期的激光雷達非常非常昂貴，但正如很容易預測的那樣，任何電子技術都不會永遠昂貴下去。數十家公司正在建造新的激光雷達，其成本不會對出租車的成本造成任何負擔，也不會對私家車的成本帶來太大影響。
如果成本不是問題所在（特別是因為現在還不是廉價的時候），那麼大多數開發人員都已經表明，更可靠的信息是一個顯而易見的選擇。
「一旦解決了視覺問題，（激光雷達）就一文不值了。」
馬斯克提出瞭如下觀點。他知道自動駕駛的問題很難解決，儘管他經常錯誤地宣稱特斯拉很快就能解決這個問題。太難了，你需要非常非常好的計算機視覺來解決它。
大多數人都同意他的觀點——他們認為激光雷達不能獨自完成這項工作（儘管谷歌的第一代汽車基本上只用激光雷達和雷達就可以開得很好）。確實需要很好的計算機視覺來完成這項工作。
但如果按照馬斯克所說的，計算機視覺就必須非常好，好到它可以為你做激光雷達能做的一切。就像人類的視覺皮層一樣，它必須在各種光線下工作。它必須能夠可靠地計算出所有東西的距離。如果它能做到這一切，那麼你就不需要激光雷達了。如果你開發使用激光雷達，你就浪費了大量時間和金錢在一些你最終並不需要的東西上。
因為攝像頭的分辨率更高，它們能看到彩色的東西、更遠的東西——你的攝像頭能做到這一點，甚至做的更好。
也許有一天他是對的。但沒有人知道那一天是什麼時候。我們知道不是今天，我們可以猜測可能是在2030年之前。但我們今天想製造汽車。我們知道，便宜的激光雷達很快就會出現。
特斯拉正在豪賭。他們押注，視覺上的突破將很快實現。他們希望自己成為實現這一目標的人，通過使用他們定製的神經網絡硬件和從不斷增長的特斯拉汽車車隊中收集到的海量數據。其他公司則押注於一個更安全的賭注，他們認為，實現突破還有很長的路要走，而便宜的激光雷達更有可能出現。
即使在視覺能力達到良好的那一天，許多人仍然可能會選擇保留非常低成本的激光雷達，據預測，激光雷達將在那個時候出現。它們所提供的優勢永遠不會為零，而且，完全「賭上你的生命」的可靠性基本上不需要任何妥協。
即使你可以用一隻眼睛通過一個單色濾鏡開車，你也不能這麼做。你可以為了節省一大筆錢而放棄安全，但不能為了節省一點錢而放棄安全。
一個致命案例佐證了目前計算機視覺能力的缺陷。
上週，特斯拉因一起致命事故被起訴。在這起事故中，特斯拉的算法顯然誤解了車道標誌，並將車駛入了道路和出口匝道之間的假「車道」。它直接撞上了防撞護欄，致使駕駛者當場死亡。
按照特斯拉目前的技術水平，它有時會錯過車道標誌。由於它的雷達和視覺算法都未能識別出這道屏障，所以它撞上了防護欄。
同樣，這種情況有時會發生在今天的技術上。雷達可以看到它，但作為靜止物體，雷達系統無法準確地分辨它們的位置，因此，當雷達從路徑附近的靜止物體反彈回來時，你不能每次都剎車。
更重要的是，計算機視覺系統無法識別障礙。有一種可能的假設是，它們只是沒有受過檢測這些障礙的訓練，尤其是檢測受損的；十多天前，一個普通的人類司機打破了這道屏障。
神經網絡只能識別它們接受過訓練的東西，或者類似的東西。特斯拉的網絡訓練有素，能夠識別道路上每輛車的後部以及某些類型的物體，但在2018年，它們可能沒有接受過這方面的訓練。
它們繼續開車，更糟的是，它們加速了，因為它們現在認為有了一條完全開放的新車道，這是自適應巡航控制在這種情況下經常做的。
激光雷達系統幾乎肯定能探測到這個障礙。
如果是在安裝了激光雷達系統的情況下啟用Autopilot，激光雷達系統就會檢測到那輛橫穿馬路、撞死Joshua Brow（特斯拉駕駛者）的貨車。
激光雷達系統不需要知道它們前面的物體是什麼，也不需要知道它在哪裡，它到底有多大。適當的激光雷達/軟件系統確實能更好地瞭解障礙是什麼，它們與視覺相結合，將達到視覺無法單獨達到的水平。
總之，解決視覺問題，讓它告訴你激光雷達告訴你的一切，是一個非常艱鉅的任務。不久前，很難找到任何一個人說這是迫在眉睫的。如今，也有這樣的人，包括馬斯克，但大多數人仍然認為這很難。
但特斯拉希望，他們能從特斯拉車隊的汽車中收集大量數據，這將是找到解決方案的秘密因素。如果是這樣，使用 Autopilot 駕駛，表明特斯拉仍然還有很長的路要走。特斯拉的 Autopilot 提供了一個屏幕來顯示其感知系統的輸出，任何使用它的人都知道它仍然相當不穩定。
訣竅是，你不需要解決視覺問題就能得到一個輔助駕駛儀Autopilot，你甚至不需要那麼接近。
從99%的精準視力(可以成為一名不錯的司機助手)到99.99999%的精準視力，是一個漫長的旅程，你可以用自己的生命打賭。
Sterling Anderson曾是特斯拉Autopilot的負責人，現在是Aurora的首席產品官，喜歡稱他的老東家的方法為，試圖通過建造一個更高的梯子到達月球。（馬斯克確實對登月略知一二。）
3
馬斯克如果押錯了呢？
特斯拉的賭注可能會取得好結果。
想要持有自動駕駛股票投資組合的投資者可能希望同時擁有Waymo（如果可能的話）和特斯拉。這是普通多元化投資者的正確策略。
儘管賭注很大，但還是有一些安全網的。如果特斯拉無法用他們最新的硬件很快解決全自動駕駛問題，他們仍然有出色的電動汽車業務。
他們在電力傳動系統和高科技汽車設計方面擁有明確的領導地位。他們的自動駕駛產品（autopilot products）將繼續增加新的和出色的功能，即使它們不能在車內沒有人的情況下沿著海岸開車，或者在你睡覺時把你的車開到另一個城鎮。
有一些早期功能可以更容易地解決，而且可能不需要激光雷達，例如:
- 停車場代客泊車
- 在處理電子郵件時應對交通堵塞
- 深夜低速行駛，最終，白天作業，將汽車送往充電站
- 無人監督的高速公路駕駛，先是在稀疏的高速公路上駕駛，然後在更擁擠的高速公路上駕駛
- 在預先批准的有限範圍內低速運作
- 更好的ADAS（高級駕駛輔助系統），讓你開車時越來越難撞車
它們並不像機器人出租車（robotaxi）那樣令人興奮或者有利可圖。但它們仍然非常有用，特斯拉可能是第一個實現上述一些功能的汽車製造商。(一些汽車製造商已經實施了無人監管的交通擁堵操作。)
如果特斯拉決定它需要激光雷達，在吞下一些驕傲後，它將需要對它們的汽車進行一些重新設計。
雖然前向激光雷達可能很難添加到後視鏡的攝像頭陣列中，但目前特斯拉還沒有明確的地方可以安裝低阻力激光雷達。它必須比現在的型號小。前向激光雷達是最安全的關鍵。
4
馬斯克如果賭對，其他公司也不吃虧
人們在研究這個問題時常犯的一個錯誤是，忘記了其他公司並沒有把全部精力投入到激光雷達中。
有和特斯拉一樣熱衷於神經網絡和視覺的，他們只是想把神經網絡和視覺與激光雷達結合起來，而且他們有資金在這兩方面進行研究。
一個特別重要的競爭對手是谷歌的兄弟公司Waymo。
幾乎所有人都同意，在神經網絡方面，谷歌是全球領導者。那些向世界傳授深度神經網絡新方法的先驅，如傑夫·辛頓本人，為谷歌工作。在圍棋比賽中擊敗人類冠軍的神經網絡來自谷歌。Waymo有使用谷歌神經網絡的權限，使用TPU神經網絡處理器的權限。
Dolgov在Medium上的一篇文章中寫道：
谷歌的人工智能研究人員也幫助 Waymo在通往真正的自動駕駛汽車的道路上起步。
當深度學習開始起步時，Waymo的自動駕駛工程師與谷歌大腦團隊並肩工作，將深度網絡應用於Waymo的行人檢測系統。即使在早期，結果也是顯著的ーー在幾個月的時間裡，能夠將行人檢測的錯誤率降低100倍，使Waymo的系統更安全、也更有能力在道路上行駛。
「我們使用TensorFlow生態系統和谷歌的數據中心(包括TPU)訓練神經網絡；TPU可以更有效地訓練我們的網絡，效率提升高達15倍。」
「憑藉我們多年的經驗，與Google AI的合作，以及強大的基礎設施，我們比以往任何時候都更接近一個交通更安全、更容易、更便捷的未來。」Dolgov在文章最後總結道。
雖然馬斯克宣稱特斯拉的神經網絡芯片是「世界上最好的」，但事實並非如此——谷歌的TPU更好，除了Waymo，其他人買不到它。
不過，沒關係，因為在神經網絡方面，硅谷有很多初創公司都在開發他們自己版本的「世界上最好的芯片」，你會在2019-2020年看到很多這樣的公司。與此同時，英偉達的GPU可以做到這一點，性能超過特斯拉的芯片，但它們的功耗更高。
如果激光雷達明顯是多餘的，Waymo和其他幾家公司將準備轉移。
他們沒有特斯拉的車隊，但是有辦法得到這些資源，儘管有時成本更高，而特斯拉聰明地讓客戶為收集數據和為特斯拉做測試的機會付費。 (Uber和Lyft還有更多的司機可能會為他們做同樣的事情。)
如果正如馬斯克預測的那樣，激光雷達敗了，特斯拉將擁有優勢，但並非是不可逾越的優勢。
他還必須確保自己下的其他賭注也能兌現——比如沒有詳細地圖的駕駛——以及使用機器學習來做出戰術駕駛決策，比如在十字路口使用哪條車道。他也(溫和地)反對模擬測試：他們使用模擬測試，但不像Waymo和其他一些玩家那樣廣泛使用。
特斯拉可能仍需要在其軟件成熟時調整其傳感器。靠近汽車的地方，攝像頭看不到，如果遇到惡劣天氣，汽車側面和後部也沒有雨刷。即使在那些地方，激光雷達的愛好者也不會避開神經網絡。他們使用神經網絡理解激光雷達數據，就像他們用它來理解攝像頭數據一樣。 (它們也可用於雷達數據。)由於激光雷達的分辨率較低，這些神經網絡更加簡單和快速。
馬斯克表示，特斯拉「明年」將有100萬輛自動駕駛出租車上路，雖然特斯拉的叫車計劃缺乏許多重要細節。
至於Waymo何時將其自動拼車服務Waymo One推向進行初始測試的鳳凰城地區以外的市場，Waymo高管對具體時間守口如瓶。
「我們有一個路線圖和將業務擴展到鳳凰城以外的地區的計劃。」Dolgov說，「但一如既往，我們的部署將以安全為前提。」
參考來源：Mashable、福布斯、Wired
閱讀更多 機器之能 的文章
