6月1日，Robin.ly的半年度會議“ “在硅谷計算機歷史博物館成功舉辦。本次活動聚焦當前人工智能技術在自動駕駛、機器人和教育等產業的應用和商業化經驗。近300名來自硅谷科技公司和高校的工程師、研究人員、學生、創業者及投資人參與了本次活動。
在專題討論環節，商業自動駕駛車隊智能管理公司Nauto的CTO Ruslan Belkin、激光雷達公司Quanergy的CEO及聯合創始人Louay Eldada、交通服務應用平臺Ridecell自動駕駛部門Auro聯合創始人Nalin Gupta、明星自動駕駛創企Drive.ai聯合創始人王弢與Robin.ly和TalentSeerd的創始人Alex Ren就自動駕駛的未來發展問題進行了精彩討論。
Louay Eldada、 Nalin Gupta、 Ruslan Belkin、 王弢和Alex
專題討論議題
1. 如何看待未來智能交通的變革
2. 城市基礎設施在自動駕駛汽車普及過程中的作用
3. 針對Elon Musk“激光雷達無用論”的回應
4. 如何使商業車隊駕駛員信任自動駕駛系統
5. 如何平衡自動駕駛的安全性與技術創新
6. 自動駕駛的商業化路徑
以下為Robin.ly創始人Alex Ren與嘉賓討論的精彩內容摘要。點擊文末鏈接或訪問Robin.ly，查看完整訪談視頻和實錄。
智能交通的未來
Alex Ren：
在下面的討論環節中，請各位先做一下自我介紹，包括您所在公司的主要業務以及對未來交通領域變革的看法。
Quanergy CEO及聯合創始人Louay Eldada
Louay Eldada：
我是Louay Eldada，Quanergy的聯合創始人和CEO。我們的公司位於硅谷的Sunnyvale，以製造固態激光雷達而聞名。我們的產品包括車載固態激光雷達、支持智能基礎設施和智能城市所使用的激光雷達、以及與自動駕駛汽車相關的軟件。我們在全球設有12個辦事處，業務遍佈世界各地。
很高興今天能跟在座的各位分享我的想法。我想說，儘管大家的觀點不同，但自動駕駛汽車的時代很快就會到來。無論在構建軟件堆棧時是否必須使用某個傳感器或某個方法，毫無疑問，我們都將擁有真正意義上的自動駕駛車輛。今天，在特定區域裡已經出現了L5自動駕駛的車輛。但是現實中的公共道路情況要複雜得多，我們需要了解在硬件和軟件層面如何避免本來可能會發生的事故。我們現在基本已經實現了L2-L4的自動駕駛，我認為實現真正意義上的自動駕駛的時間可能在2025年前後。
Auro Robotics (Ridecell) 的聯合創始人Nalin Gupta
Nalin Gupta：
我是Nalin，是Auro Robotics的聯合創始人。在被Ridecell公司收購後，我們公司成為了Ridecell的自動駕駛部門，致力於開發自動駕駛技術的軟件主幹部分。當我們在2015年創辦這家公司時，專注於為大學校園和退休人員社區開發自動駕駛汽車。隨著我們的技術變得越來越成熟，我們的研發重點已經從校園車輛轉移到公路車輛上，比如如何能夠在公共道路上為龐大的車隊提供空車物流這類相對簡單的目標。
談到未來，我想我們正處在一個非常奇妙的時間點，除了自動駕駛，共享汽車和電動汽車方面的創新也都接踵而至，我對此非常期待。很難說具體哪個時間會實現真正意義上的自動駕駛，但是在某些條件下，這個時刻可能會來得比較早。
Nauto CTO Ruslan Belkin
Ruslan Belkin ：
我是Ruslan Belkin，Nauto的首席技術官。Nauto的意思就是NetworkAuto。我們通過對車輛內外進行全方位監控來提升商業車隊安全性。我們目前在歐洲、日本和美國擁有250多個車隊。
我覺得未來很難預測，但就自動駕駛汽車來說，我們還有很長的路要走。在具體應用方面，我認為這是一個長期的發展趨勢，也是很好的職業選擇方向。在投資盈利方面，獲得回報的方式可能沒有那麼直接。我認為選擇正確的垂直市場很重要。投資輔助自動駕駛汽車開發的工具可能是相對容易取得回報的貨幣化過程，而直接在自動駕駛汽車上獲得回報會相對困難，儘管有些人確實也會成功。
Drive.ai聯合創始人王弢
Tao Wang ：
我是王弢，畢業於斯坦福大學。在攻讀計算機科學博士學位的時候產生了和同事一起創辦公司的念頭，所以拿到了碩士學位就離開了學校。我們創辦的公司叫Drive.ai，目前正在進行L4自動駕駛的相關工作。幾個月前我離開了Drive.ai，開始探索新的方向。我也相信自動駕駛汽車最終將成為現實，但還需要一段時間。在未來幾年，我們可能會實現在一些小規模市場部署自動駕駛汽車，但目前人工智能技術還不足以支持L4、L5自動駕駛的大規模部署。我們可能需要採取一些逆向的方法來實現自動駕駛，無論是在技術層面還是在市場戰略層面。
城市基礎設施
Alex Ren：
非常感謝。下一個問題是，在未來自動駕駛汽車普及的過程中，城市基礎設施扮演了什麼重要的角色？各位對未來自動駕駛汽車與基礎設施相結合有什麼看法？
Louay Eldada：
很高興談到這個話題。我們實際上正在全球部署智能城市基礎設施，這是真正實現自動駕駛的先決條件。我們需要一套基於5G的物聯網基礎設施，讓智能交通工具相互交流，還能控制道路上的交通流量，也會反過來促進自動駕駛技術的成熟。因此，在全面實現自動駕駛之前，部署支持智能城市的硬件和軟件是十分必要的。我幾個小時前剛從中國回來，我在中國看到了立法以及監管在新技術應用方面的積極作用。中國已經有自動駕駛專用車道，也正在建設智能城市基礎設施和推出商用5G。因此，無論我們認為自己在硅谷的技術多麼先進，還是比中國慢了半拍。
Nalin Gupta：
Louay剛才的話說明了智能基礎設施和V2X（Vehicle-to-everything）通信對自動駕駛落地的積極作用。自動駕駛汽車也可以讓殘疾人和老年人的行動更方便。但是除此之外，還有很多工作要做。比如，如果你需要開發一種可以部署在多個地理位置的自動駕駛汽車，那就沒有發揮智能基礎設施應有的作用；你必須讓車道標記的方式標準化。比如有些公司正在製作二維碼和交通標誌，用特殊材料作為車道標記，不僅人類能夠理解，在雨天，霧天或者其他非常具有挑戰性的條件，智能相機也可以識別。我們要想辦法讓自動駕駛汽車與人工駕駛車輛和諧共處。
Ruslan Belkin ：
我非常同意智能基礎設施會出現在美國以外的國家。在美國，我們幾乎不投資基礎設施，因此這裡不會出現智能城市。但這恰恰可能是一個機會，正因為我們的基礎設施非常糟糕，才會出現像無人車之類的高新技術。停車場也會是自動駕駛時代的一個巨大機會。在智能停車場裡，低於L5自動駕駛級別的汽車也可以在沒有人工參與的情況下實現密集的多層泊車。我認為這將是基礎設施實現私人投資的一個重大機會。
Tao Wang ：
我的觀點可能不太一樣。基礎設施的確很重要，但造價也不菲，這值得好好討論。我們需要考慮基礎設施的哪一部分能幫助大幅改進自動駕駛技術。現在，自動駕駛汽車面臨的問題不僅僅是在道路上，更多的是在道路上的其他參與者身上。比如說，如果我們可以通過改變基礎設施來避開城市中亂穿馬路的行人，那麼對行人的監測就變得無關緊要了，因為沒有讓人亂穿馬路的條件了。另一個例子是，能否在交通紅綠燈上實現真正的V2X？比如如果平臺攝像監測能夠提供更多一層的冗餘信號，我們可以將人為預測與無線信號進行比較，達到更高的安全性。所以，我認為需要考慮如何能在基礎設施上實現高層面的改進。
智能傳感器
Alex Ren ：
Elon Musk曾經說過“誰依靠激光雷達誰就會完蛋”。跟這句話形成反差的是，Aurora剛剛宣佈收購Blackmore的LiDAR技術。你們對智能傳感器怎麼看？
Louay Eldada ：
這樣的評論沒有任何物理學原理和實踐支撐，根本站不住腳，完全是錯誤的。他三年前做出這樣的判斷，是因為LiDAR的性能雖然遠優於其他傳感器，但是當時的價格非常昂貴，一臺LiDAR的價格與汽車本身差不多，所以沒有人會去買。如今，基於CMOS技術的固態激光雷達的售價只有幾百美元，價格已經不是問題了。所以Elon需要多從工程師們那裡瞭解最新的技術進展。
Louay Eldada（圖左）和Nalin Gupta（圖右）
Ruslan Belkin ：
我認為這取決於你看待問題的角度。如果你從Elon的角度來看，他所說的有一定道理。量產車自動化程度不是很高，需要有司機輔助監督，所以對車的外觀要求比較高。但是LiDAR不是很美觀，而且如果安裝多個，成本也會上去；可是如果不用LiDAR，夜間行車就會出問題，就需要其他傳感器的輔助，比如短波紅外傳感器。所以要在安全和成本上做出權衡。這取決於你願意承擔多少風險。我認為Elon只是願意承擔比其他人更大的風險而已。
Nalin Gupta：
我鼓勵人們採取不同的方法，最終會歸結為你是否可以在統計上證明你的自動駕駛汽車比司機駕駛安全很多。針對LiDAR的爭論主要聚焦在成本，以及某些情況下移動的對象。誠然，該行業正在這兩個方面取得巨大進步。不過與相機相比，LiDAR非常不擅長監測或解釋路邊行人的行為。相機可以監測到路人是在玩手機，還是想過馬路。在這種情況下，車內需要同時安裝相機和LiDAR。但是在很多特殊情況下，比如太陽照射到相機鏡頭或下大雨，相機就會失效。這也是特斯拉使用雷達的原因。但同樣，雷達也具有非常差的交叉監測能力和十分有限的垂直視野，這就直接導致了特斯拉那次人盡皆知的事故。所以除了相機之外，我們還需要更多的傳感器。
Tao Wang：
我認為如果只是用相機，肯定就離不開人類司機的輔助。基於深度學習的計算機視覺經常犯一些非常低級的錯誤。如果你身上貼了什麼東西，監測行人的算法可能就分辨不出真實的情況。雖然我認為無人駕駛汽車檢測周圍環境的技術很偉大，準確率能夠達到99％，但這對於L4自動駕駛汽車來說還不夠。我認為特斯拉和其他原始設備製造商能夠只使用相機系統的原因是因為現在的車依然很依賴人類司機的輔助。即使這些系統處於自動駕駛狀態，駕駛員仍然要對可能發生的任何事情負責。目前，LiDAR的3D監測技術依然是優選的解決方案，也許將來還會有更可靠的技術出現。
Louay Eldada ：
我還想補充一下，LiDAR是唯一的3D傳感器，相機是2D，雷達是1D。很多人認為可以利用基於激光的系統，用一個最小發散激光束來保證分辨率和準確性，在黑暗中進行監測。想象這樣一個場景，一輛汽車晚上在一座橋下發生故障，雷達無法區分橋和汽車，而汽車在黑暗中也看不到任何東西。那麼你會接受這樣的情況嗎？自動駕駛車輛必須比擁有駕駛員的車輛更負責任，不能只關注死亡率下降。因為當軟件工程師在考慮如何設計這個算法，決定遇到緊情況時會犧牲誰的利益，這是一個重大的道德問題。然而，當駕駛員在這種情況下盡力而為，但仍然撞到了人的時候，這樣的結果更常見，人們也更能接受。因此，未來的汽車必須比目前的狀況安全得多。
Nalin Gupta（圖左）、Ruslan Belkin（圖中）和王弢（圖右）
商業車隊安全管理
Alex Ren ：
目前，對於許多L2或L3的應用，人們普遍認為基於駕駛員行為或駕駛數據的決策對於提高商業車隊安全性至關重要。那麼問題在於，我們怎麼才能讓司機信任這樣的系統？
Nalin Gupta ：
我可以舉個例子。我的一位同事有一次疲勞駕駛，這個系統監測到他的狀態之後開始發出嗶嗶聲，很可能因此挽救了他的生命。所以有類似經歷的人通常就會非常信任這個系統。
Ruslan Belkin：
當我們在商業車隊中推介我們的產品時，經常會遇到這個問題。一開始，駕駛員並不信任這個系統，或者說並不想以任何方式受到監控。改變通常都需要時間。瞭解駕駛員和其他行人的行為將變得越來越重要，特別是在研究自動駕駛汽車和非自動駕駛汽車共存的時候。
比如我們早些時候發佈了一款Nauto Prevent產品，能夠監控駕駛員和兒童座椅裡的小孩，包括駕駛員在往哪裡看，是否疲勞駕駛，是否在看手機，是否在尋找車外的人，是否是正在高速公路上並道等等。我們的產品不僅能通過視覺提醒各種不同的狀況，還能測量反應時間，保證駕駛員有足夠的時間對當時的情況做出反應並時刻保持警覺。有數據表明事故數量的確減少了，所以我們的產品才有市場。
王弢（圖左）和Robin.ly主持人Alex Ren（圖右）
安全與創新之間的平衡
Alex Ren：
另一個值得關注的問題是，如何在不犧牲創新機會的情況下保證未來交通的安全？其中的平衡應該如何把握？
Ruslan Belkin：
首先，這個問題短時間內應該不需要擔心。其次，剛才有人提到了目前是司機承擔責任，不過我覺得這種責任實際上要輕得多。隨著責任轉移到了車隊所屬的公司或汽車製造商，就可能出現波音737那樣的情況。因此，將來會需要更嚴格的認證，我們必須要朝著正確的方向努力。我認為，機會不僅在於改進軟件，還在於構建軟件，例如用於認證的軟件。其中有很多潛在的機會，當這種轉變開始發生時，這些機會就會顯現出來。
Louay Eldada ：
應該說，即使是最具創新性的公司，也不敢宣稱他們擁有最佳的硬件和軟件解決方案，不再需要駕駛員。目前我所見過的策略是讓一個人坐在控制室裡，同時監測多個電腦屏幕，如果出現管控脫離的情況則立刻出手干預。我們離零脫離率還很遠，也就是說汽車還是會經常需要人為干預，這個過程可能會持續數十年。所以在那之前還是需要人來代替電腦做出更好的決定，也會誕生很多與自動駕駛汽車相關的工作，這也就是自動駕駛汽車的出現並不意味著會有很多人失業的很多原因之一。
Nalin Gupta ：
我同意兩位的觀點。坦率地說，我認為這並不是我們第一次看到創新與安全之間的拉鋸戰。有律師曾經給出了一個閉環系統的例子，即使有一個駕駛員，車裡還需要有另外一個人，無論是售票員，遠程操作員還是乘客。如果有這樣的配置，之前發生的一些事故就可以避免。通用汽車推出的超級巡航自動駕駛系統就是一個很好的例子。與特斯拉不同的是，他們有更強的責任感，會利用一臺紅外攝像機跟蹤駕駛員的狀態，以保證駕駛員是在專心開車。這種做法就可以實現安全和創新的平衡。
Alex Ren ：
在跟許多OEM公司合作提供這種接送服務時，你們是如何管理風險的？
Nalin Gupta ：
我們會跟很多保險公司合作來解決問題。事實上，慕尼黑最大的保險公司也是第一家啟動自動駕駛汽車保險計劃的公司。我們一直在跟他們密切合作，試圖瞭解應該如何衡量在汽車中引入自動駕駛功能所帶來的風險。
Tao Wang ：
我認為整個行業都需要回答這樣一個問題：當前的測試程序是否安全？自動駕駛汽車公司如何測試它們產品的安全性？我們通常只是在道路上進行測試，當系統的能力達到極限的時候人類司機就會接管。我們把這樣的過程稱為一次脫離。每年，所有公司都會向DMV報告自家車輛的脫離次數。但我認為這不是一種非常好的測試方法，因為當技術還不夠成熟的時候，不應該投入實際場景中，這樣會危及周圍行人和車輛的安全。這就類似於汽車製造商在沒有進行任何測試的情況下就推出他們的汽車，直到出了事故，才回過頭來優化系統。這種做法十分不妥。因此，我認為行業應該推動更標準化的測試，在更封閉或私密的環境中測試若干不同的場景，直到可以安全上路為止。我想每個人都應該認真的考慮一下這個問題。
Alex Ren：
王弢，你之前提到自駕領域餘下10％的工作可能要花很久的時間。那麼該如何處理各種極端情況？
Tao Wang ：
我現在還沒有找到解決方案。這可以說是一個數萬億美元的問題，但也許可以有一種統一的方法捕獲所有這些場景。比如有人站在你面前，那麼你的LiDAR應該知道那裡有東西或者人。不管那是一個人，一棵樹還是一個垃圾桶，車都不應該撞上去。所以這種基於物理和數學的安全性是非常重要的。
商業化途徑
Alex Ren：
我還有最後一個問題。由於L4或L5自動駕駛很難實現，所以人們會選擇一種更現實的方式來將這項技術商業化。各位對可能的商業化有什麼看法？
Ruslan Belkin:
我想舉一個標記公司的例子。通常在行業巔峰時期賺錢的公司都是製造業的公司，而標記公司也抓住了這個機會。自動駕駛領域的標記就是一種商業化的途徑。除此之外，專注於認證和模擬的公司並不多，這些可能也是商業化不錯的選擇。
Tao Wang：
在淘金熱期間時，只要賣鐵鍬就能賺到很多錢，但這種商業模式只有在有黃金時才具有可持續性。此外，我認為在整個價值鏈中，要找到自己和公司的獨特定位。如果你做的東西和別人大同小異，沒有自己的特點，那就只能拼價格。無論是核心技術，市場還是客戶群，如何塑造自己的核心競爭力，也是值得思考的問題。
Louay Eldada：
我認為某些功能的商業化已經實現了，比如自動代客泊車，交通堵塞輔助和高速公路上的長途自動駕駛。造成大量死亡和事故的許多情景實際上反而是最容易解決的問題。2050年以後，L5自動駕駛將可以在任何環境中運行。那時候我們就必須思考全球化的問題，因為我們要在全球範圍內銷售相同的汽車，還要確保我們的汽車在其他國家的道路上也能行駛正常且安全。
Nalin Gupta：
我很同意前兩位的觀點。我想從盈利的角度來談談。我認為自動駕駛汽車行業將會顛覆其他許多行業。我們可以施行基於廣告的收入模式，基於內容的收入模式，或在車輛內部設立移動辦公區域，讓盈利不再是一個讓人頭疼的問題。
觀眾提問
觀眾1:
關於解決自動駕駛技術最後一英里的問題，我認為有一些可行的方法，比如智能基礎設施和人工。讓一名安全人員通過10個屏幕監控10輛自動駕駛汽車，同時對信息進行標記。這在技術上和經濟上都是可行的。
Nalin Gupta ：
我同意你的看法。但是還需要克服一些問題，比如遠程操作員需要依賴高速的互聯網來傳輸大量數據，4G或LTE可能無法傳輸優質的信號。所以這方面的問題需要先解決。
Tao Wang ：
我認為總體而言，對於L4及以上的自駕車來說，進行遠程監控是必要的。但我認為遠程監控不適用於許多關鍵安全場景，因為關鍵安全場景通常對應極短的反應時間。如果一個人正在觀看10個監視器，他可能需要超過五或十秒鐘來關注一個場景並在必要的時候採取行動。對於自動駕駛汽車現在無法處理的長期且重要的事情，遠程監控可能會很有幫助。比如你前面的車道有路障，你需要換到不同的車道，甚至有時是相反的車道，這通常是違反交通規則的，但是司機通常覺得這不是什麼問題。這些事情並不緊急，汽車總是可以停下然後決定如何採取行動。但是對於時間緊迫的事情，比如一個行人突然跳出來，你只有半秒鐘的時間來踩剎車。我認為這不適用於遠程監控系統，這是關於人類的反應時間的問題，與網絡延遲無關。當然，也可以在每個監視器上安排一個人，但這樣一來成本就上去了。
Ruslan Belkin ：
在獲取標籤數據方面，現在越來越多的車輛已經配備了正確的傳感器，幫助我們獲取足夠的標籤數據，所以這個問題已經不需要擔心了。最後一英里的問題跟基礎設施相關。如果停車場或收費站能夠完全限制行人進入，就可以創造無行人的環境，因為配備有激光裝備的自動駕駛車輛監測到行人的時候會停下來，所以人不會受傷，但是可能會導致整個交通癱瘓。所以要改變風險回報的計算方式。我認為至少在經濟允許的情況下，這會是未來的發展方向。
觀眾2：
我不是很熟悉這個領域。但在我看來，其困難在於如何區分你想要避免的不同對象。所以我想知道我們是否可以使用一些車載設備來提供能夠識別的信號，這樣就能知道你在接近特定的車輛、行人或寵物。我們可以讓每個設備都具有標準的發射信號，在路上行駛時打開它們。這種編碼方式可以在全球範圍內進行標準化，並且每種類似汽車的自動駕駛技術都能夠識別相同的信號。另外，如果行人也可以帶著類似的標準化裝置，那就更安全了。
Louay Eldada ：
是的，對象的分類對決策至關重要。要知道你看到的是一個人，一個漂浮的塑料袋還是一隻松鼠，你會因此做出不同的決定。具有3D高分辨率的LiDAR是用於物體分類的最強大的傳感器。如果你有兩個形狀相同的物體，其中一個是從高速公路上的卡車上掉下來的岩石，其中一個是塑料袋。通過查看高速圖像幀，如果形狀有變化，你就知道那可能是個塑料袋或者可以碾過去的東西；如果形狀沒有改變，這可能是個比較堅硬的物體，還是繞開比較好。這是決策過程的重要組成部分。
Nalin Gupta ：
這很有趣，幾乎是一種反向V2X。目前，當業內人士談論V2X通信時，他們指的是通知乘客車輛即將到來，請小心。你所說的是反向通信，行人通知汽車他正在穿過馬路。如果我們能夠將其標準化，這的確是一個好主意。
Tao Wang：
聽上去很不錯。現在，我們每個人都帶著手機，它會不斷髮出一些標準化信息或無線電信號，但是目前還很難利用這種信號技術進行定位。不過即便有了這種技術，也要記住隨時攜帶手機，否則就有可能被車撞到。
Louay Eldada：
我想補充的是，這個過程中仍然需要用到常識，比如晚上不要穿深色衣服，儘量讓人類司機和自動駕駛汽車看到你。
Alex Ren：
非常感謝各位的分享。（完）
(點擊文末鏈接或訪問Robin.ly，查看完整英文文章。）
相關閱讀：
Robin.ly（訂閱號Robinly）是硅谷具有影響力的科技視頻內容平臺，服務全球工程師和研究人員，通過與知名人工智能科學家、創業者、投資人和領導者的深度對話和現場交流活動，傳播行業動態和商業技能，打造人才全方位競爭力，為培養下一代領導者、創業者而努力！
閱讀更多 RobinlyChannel 的文章
