人工智能的自动驾驶技术为什么难过安全大关？

当前，想要顺利推进自动驾驶L3量产，算力、道路测试、传感器成本、道路法规、基础设施、消费者认知等方面均需要有质的突破。但归结到底，恐怕还是一个安全性的问题。

近日，在AICC 2019人工智能计算大会自动驾驶分论坛上，部分车企智能驾驶研发负责人表示，自动驾驶真正的挑战仍然是安全性，汽车一百多年的历史，从诞生之初到现在，大家对于安全性的重视从未改变过。

同日，来自吉利、广汽、英伟达、浪潮、四维图新、清华大学和交通运输相关部门的业内人士还分别从算力、平台、生态、人工智能、地图和车路协同等角度，剖析了自动驾驶量产的难点和解决路径。

在他们看来，如期推进自动驾驶，既需要埋头攻关，更需要强化沟通，在同一个语境下解决安全和成本等难题。

车企与供应商的担忧

自动驾驶发展至今，从火热到逐渐降温，但趋势却始终未变。

有车企研发人士表示，实现高度自动驾驶是人类社会出行的革命，基于安全的自动驾驶开发还需艰难跋涉，而且，自动驾驶的商业化是逐步实现的。

大方向既定，但通往未来的路上还要解决不少问题。毕竟，汽车不是手机、智能电视等消费电子产品，它是高速行驶且制造工艺复杂的工业产品。尤其是想要进入自动驾驶时代，需要集成的方案和技术的数量更是以指数级增长。

“汽车制造业融合了很多制造、IT和CT技术，其中，后两者做整合就是未来的自动驾驶蓝图。这件事其实很难的，这里面有云、边、端、人工智能和5G，所有大家能想到的新技术，可能在自动驾驶上都体现出来了。”浪潮集团高级副总裁王虹莉如是感慨。

那么，车企和供应商们到底在担心什么?

雷锋网新智驾注意到，从自动驾驶分级标准到最终的量产落地，以下几个问题被反复提及：

一、分级模糊。不止一家车企提到，现有的自动驾驶分级标准与车企实际研发进度并无绝对联系。“L0到L5的自动驾驶分级非常的模糊，它对量产没有有任何的指导意义。原因在于只设计了场景，却没有设计功能。” 广汽研究院智能驾驶部部长郭继舜认为。

基于此，许多车企在销售时虽然也在打出L2或L2.5口号，但实际研发时却更强调究竟能带来什么功能，各个级别的界限并非泾渭分明。

二、算力不足。行业预测，L3级别自动驾驶需要20-30Tops的算力。但现状是，由于必须要满足高低温、抗震、稳定性等车规级要求，即使现有的车规级芯片中算力最大的高通骁龙8155，也大约需要6-8片才能完成基本的异构计算。

当然，一些国际供应商如采埃孚、博世等均在开发满足巨大算力的产品，只不过实现真正量产上车仍需要时间。

三、传感器成本过高。成本是阻碍自动驾驶L3的天然屏障，因为消费者不可能购买一辆带有自动驾驶功能但价格飙升的汽车。一个例子可以反证这一点。以实现自动驾驶最快的物流卡车领域为例，除了封闭式的高速道路外，成本绝对是自动驾驶为何在此领域率先推进的重要原因。

四、难以满足安全性。雷锋网新智驾注意到，头部车企和供应商尤为注重功能安全。“功能安全涉及到要重新设计软件、增加信号和对关联系统提要求等，很多车企选择开发L3、L4时，但又没有把安全落到产品上。”霍克说。

强化合作

针对上述问题，包括芯片、高精地图、传感器等领域的公司等正在集中攻关。

雷锋网(公众号：雷锋网)新智驾了解到，自动驾驶领域目前有云端、边缘和车端三种算力需求。不过，现阶段很难依赖任何一种处理器去满足L3—L5量产的要求。基于此，打造算法和硬件结合的解决方案是解决路径之一。而要做一个这样的方案，又要解决算法和芯片如何绑定的问题，这需要生态层面的协作。

王虹莉说，汽车产业链分工程度超过现在X86服务器产业，复杂度更高，自动驾驶的计算平台不仅包括GPU、CPU，还有各类串型芯片、传感器芯片，支持模拟信号，也支持数字信号的，要把这么多技术整合在一起，而且很好的控制成本。这仅是硬件层面，此外数据和算法层面技术也十分复杂，所以自动驾驶一定需要一个强有力的产业生态系统。

浪潮集团人工智能产品经理韩进杰认为，车载计算平台合作必须以场景或用户需求为驱动。而且，未来主机厂一定要具备自己的自动驾驶解决方案整合能力，如果依赖传统的Tier 1厂商则会丧失一定的竞争力。

韩进杰还表示，自动驾驶包含的数据、算法和算力三个要素中，每个要素都需要大量的合作伙伴参与其中。三者的关系是，自动驾驶路测数据是为了给算法提供更好的指导，进而训练出高精度的自动驾驶训练模型。随着模型精度的提升，反过来又可以指导数据采集。在这一过程中，算力又起到了提供基础设施保障的作用。

当然，一个问题出现后，除了给出答案，另一个解决途径是直接从源头规避问题。这种方法论用在自动驾驶领域，就出现了车路协同这一“曲线救国”的技术。多位业内人士指出，由于中国道路负责、行人交通习惯、感知场景负杂等因素，车路协同很可能是解决自动驾驶上路的有效路径。

“我们做了大量的试验发现，人类司机在相对复杂场景里面离散度是非常高的，以至于用同样的模型参考一百位司机的错法，无论怎么调整参数准确度不会达到50%，也就是说，无论怎么感知都是不够好的，还需要更多、更准确的外部信息，所以我们需要V2X。”郭继舜称。

不过，车路协同领域也存在一定的差异。“很多车厂的朋友进行交流时，交流得越多会发现，路方的文化和车方的文化中间存在很大的差异。”交通运输部路网监测与应急处置中心副主任王刚认为，双方要有共同的语言和关注焦点，这样才能发现并解决一些关键问题。

值得注意的是，由中国交通运输协会牵头成立的自动驾驶汽车产业创新联盟已经正式成立。雷锋网新智驾了解到，该组织将为成员单位提供自动驾驶模型训练，收集并提供最新的海外自动驾驶信息和技术，以及联合进行国家级自动驾驶项目的申报研发。一定意义上，这对于加快产业协同有着重要作用。

摘取自动驾驶明珠

汽车是工业链条的顶端，自动驾驶又被视为汽车业的明珠。但这颗明珠如何变现却难住了整个行业。

清华大学车辆与运载学院副院长王建强认为，自动驾驶会带来产业链和价值链的调整。其中，产业链调整不仅包括传统汽车产业，还包括计算机、通讯、人工智能等。基于有限场景开发的自动驾驶汽车仅仅能够适合于特定的场景、特定的区域、特定的路况。

“我们觉得L3和L4最大的商业模式区别在于，L3是C端的老百姓来买，享受它整体的驾驶乐趣，但L4更多的是交给B端，由B端定制、购买和运营，通过高效率运营来收回如此高昂的硬件成本。”郭继舜表示。

不过，这些商业模式的实现有一个前提，那就是自动驾驶必须量产落地。

业内普遍认为， 自动驾驶专用车辆的场景相对单一，可以最先做到商用化。自动驾驶出租车场景相对复杂，会受到标准化的城市路况和法规制约。最后，自动驾驶落地最难的领域是私家车，因为它不受制约的，是全工况、全场景的。

而要实现真正的落地，又回到上面提到的功能落地、功能安全以及传感器成本等问题。越来越多的行业参与者表示，希望将算力平台服务商、通信运营商和云服务供应商等整合在一起，将5G、V2X、单车智能和云端进行结合，这背后又需要行业和政府之间不断强化协作。

需要注意的是，发展自动驾驶的过程中还需要时刻保持警醒。

王建强指出，以场景为驱动的开放模式，能否把自动驾驶推向L4、L5。“大家试想一下，我们建立了多少能够涵盖面临问题的数据库?场景库是有限的，但是我们面临的场景是无穷尽的，(在这种情况下)开放的自动驾驶汽车、自动驾驶产品仅仅能够适合于特定的场景、特定的区域、特定的路况。”

总体来看，车企关注自动驾驶安全和成本，供应商关心产品落地场景和盈利，监管层希望通过自动驾驶来提升交通出行效率，这些因素汇聚在一起时，如何平衡各方利益点至关重要。

人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。2017年12月，人工智能入选“2017年度中国媒体十大流行语”。