深度學習技術很玄幻。它不可解釋，又蘊含人生哲學。
比如它需要喂大量的感知數據，且數據的質量直接影響算法精度。對比我們為人，多與優秀、厚德之人交友，更能提升修養——也解釋了環境為何能影響人。
數據是機器認知世界的“糧食”，算法就像大腦和思維方式，算力如身體。如果你有強大的腦力，但缺乏強壯的體魄，再好的算法亦如過眼云煙。中國的傳統思想很強調提升個人思想與修養，但體魄是我們實現這些的基礎。
算法又與人類解決實際問題很相通，比如計算機的車牌檢測是一種算法，垃圾檢測是一種算法，識別犯罪團伙也是一種算法，醫學影像又是一種算法……計算機處理大事小事均有不同類型的算法。相比較人類，處理工作當中的人際關系是一種算法，財務管理是一種算法，寫代碼是一種算法……方式方法分門別類。反之推理，人類要更好解決問題，可參考計算機的認知世界的模式：不斷尋找和優化最好的方式方法，就像算法迭代和升級那樣。
為何要講深度學習與人類處理實際問題的關聯？因為本文涉及自動駕駛技術發展的面臨的關鍵問題：倫理道德。在討論這個問題之前，須先探討行業面臨的關鍵技術難題，自動駕駛規?；虡I落地，技術才是源頭和根本。
如果站在未來回顧科技發展，2021年一定很特別，這一年，世界與中國都發生了深刻變革。全球氣候危機逼近，新冠疫情關鍵轉折，中國生育率首次低于日本，互聯網巨頭壟斷時代落幕，汽車產業也到了巨變的前夜。
2021年，也是移動互聯網時代的結束，一個全新的硬科技創新的周期敲響鐘聲了。在這個新的技術周期里，自動駕駛如燦爛星空的一道耀眼的光。
今年，大量車廠發布了L3和L2自動駕駛解決方案，接下來將有大量帶著這些解決方案的車在路上跑。2021年也被稱為自動駕駛元年。
特斯拉CEO埃隆·馬斯克在2021年新能源世界大會上說，“特斯拉相信自動輔助駕駛可以完全通過視覺神經網絡來實現，因為人就是生物意義上的視覺神經網絡駕駛的，所以計算機也一定可以?！?/p>
與人類一樣，機器感知世界最重要的方式就是視覺，占比近60%，遠超聽覺、嗅覺、味覺。馬斯克也表示，視覺可以應對95%-99%的輔助駕駛場景。
但馬斯克說的純視覺技術路徑也存在一個很大的BUG，由于深度學習的通用能力局限，機器很難把看到過的場景泛化到一個全新陌生的環境，車在路上遇到未看過的場景就會“不知所措”。
要應對這個行業痛點，AI商業評論認為，主要有三種方法：
其一，通用人工智能（AGI）技術取得飛躍。谷歌、微軟以及商湯科技等前沿AI企業均在大力研發通用AI。
今年10月30日，谷歌人工智能主管Jeff Dean發文，稱他們正在研究下一代AI框架Pathways，目標直指AGI。
僅不到一個月，11月17日，上海人工智能實驗室聯合商湯科技SenseTime、香港中文大學、上海交通大學共同發布了新一代通用視覺技術體系“書生”（INTERN），該體系旨在系統化解決當下人工智能視覺領域中存在的任務通用、場景泛化和數據效率等一系列瓶頸問題。
微軟也于2019年向OpenAI投資10億美元，以支持構建具有廣泛經濟效益的通用人工智能技術（AGI）。
因為通用人工智能擁有強大的泛化能力，能做到“觸類旁通”，以少量的數據就可完成數據訓練。
其二，為深度學習算法喂大量數據，讓其準確率達到自動駕駛上路要求。特斯拉今年8月份開始陸續拋棄毫米波雷達，徹底選擇了純視覺技術路線，離不開其長期大量的數據積累和數據訓練。特斯拉首席財務官Zachary Kirkhorn說，到目前為止，特斯拉已經收集了超過1億英里的駕駛數據。算法與算力相輔相成，特斯拉的AI超算也排名世界前三。
其三，多傳感器融合方案，即視覺+激光雷達+毫米波雷達。 視覺相當于人的眼睛，但還有聽覺，多種感知結合能讓機器成為一個更健全的“人”。
馬斯克說的“視覺可以解決95%-99%的輔助駕駛場景”限定得很清楚，僅“輔助駕駛”場景。因為視覺無法應對陽光直射、超低能見度情況，無法應對，而通過多傳感器融合方案能有效提高自動駕駛魯棒性和應對復雜場景的能力。
當然，多傳感器融合方案也面臨一個很現實的問題：成本高。這也是馬斯克選擇純視覺方案的主要原因，定位于“做人人都買得起的電動車”。
數據是AI時代的生產資料，據市場預估，智能汽車生成數據的價值，到2030年，可能高達4500-7000億美元。但如何挖掘這些數據價值？
首當其沖的難題是，數據標準化和共享。因為不同公司的傳感器數據，包括位置、高度、角度這些初始參數都不同。比如寶馬的數據拿給一汽，完全沒法用。
而且，考慮隱私、網絡安全和保持競爭優勢方面，企業通常不愿意與其他利益相關者共享這些數據，包括測試、運營和客戶行為等各類數據。
車本身的E架構（Electrical/Electronic Architecture，汽車電子電氣架構）也是一個問題。它是整合汽車內各類傳感器、處理器、線束連接、電子電氣分配系統和軟硬件生成的總布置方案。過去絕大部分汽車的E架構按照功能信號來設計的，做成了集成的通用平臺。今天智能車的E架構融合了數據架構和計算架構，但包括特斯拉在內的企業，都還未認真考慮過數據架構和計算架構，這將導致數據獲取成為一個隱藏的大問題。
據了解，一臺車每天能產生大概4000GB的數據，如果是十萬臺甚至百萬臺，這些數據的傳輸到云端的成本就會驟升。所以最好的辦法，就是能夠在邊緣側處理數據，將垃圾數據處理掉，把有效的特征點提取出來。
據希捷科技發布、國際數據公司（IDC）調研完成的《數據新視界：從邊緣到云，激活更多業務數據》報告稱，企業目前定期將大約36%的數據從邊緣傳輸到核心，兩年后，這一比例將增至57%。從邊緣立即傳輸到核心的數據量將翻倍，從8%增長到16%。
自動駕駛還需解決數據分布“長尾問題”的任務，時而出現的corner case（極端情況）是對數據驅動的算法模型進行升級的來源之一。
打造數據閉環是繞不過去的坎。以谷歌waymo報告提到的數據閉環平臺為例，它包括數據挖掘、主動學習、自動標注、自動化模型調試優化、測試校驗和部署發布。打通這些全鏈路，才能讓數據高效、高質回流。
云計算是打通數據閉環的基礎，它在資源管理調度、數據批處理/流處理、工作流管理、分布式計算、系統狀態監控和數據庫存儲等方面提供了數據閉環的基礎設施支持，比如亞馬遜AWS、微軟Azure和谷歌云等。
騰訊自動駕駛總經理蘇奎峰說：“自動駕駛的核心競爭力在于數據要素和計算資源的低成本獲取和高效利用。對數據要素進行高效收集和利用，提高數據循環鏈路的速度，是整個自動駕駛技術迭代的關鍵點。”
100多年前，當機動車替代馬車的時候，就有過安全相關的爭論：機動車會不會驚嚇到馬？
對此英國出臺了一個“紅旗法”，一個車有三個人開，一個人燒鍋爐，一個人駕駛，還有一個人在這個車前面50多米的地方拿著紅旗揮動，告訴別人有個危險物過來了，這個法案一直沿用了30多年才被取消?？梢?，公眾對于一個新事物的恐懼與認知有一個長期接受的過程。
想象一下完全自主的自動駕駛汽車的未來。你的自動駕駛汽車接近紅綠燈，但突然剎車失靈，計算機不得不在瞬間做出決定。它可以突然轉向附近的桿子并殺死乘客，或者繼續前進并殺死前方的行人。
而控制汽車的計算機只能通過訪問汽車傳感器收集的有限信息，并且必須基于此做出決定。盡管這看起來很戲劇化，但距離我們可能面臨這樣的困境只有幾年的時間了。
這也是我們看到特斯拉大力推動輔助駕駛汽車，但尚未生產全自動駕駛汽車的核心原因之一。
另一個是數據安全問題。
近年來，我國大力加強數據監管，發布了一系列具有里程碑意義的法規，網絡安全法（CSL）、數據安全法（DSL）和個人信息保護法（PIPL）形成了監管基礎。
為了提高技術安全性并保護用戶數據和國家安全，智能汽車企業正受到越來越多的審查和更嚴格的監管。
2021年5月，國家互聯網信息辦公室（CAC）開始就《車輛數據安全管理若干規定》（以下簡稱“規定”）的一套試行規定征求意見，該規定概述了智能網聯汽車制造商和運營商保護汽車安全的新要求。
《規定》將“個人信息”定義為來自任何利益相關者的信息，包括車主、司機、乘客和行人，以及任何可以從中推斷出利益相關者的個人身份或描述其個人行為的信息。
誠然，企業已經面臨遵守新法規的壓力。包括特斯拉、福特和寶馬在內的幾家外國汽車制造商都在中國建立了數據中心，用于存儲從中國用戶那里收集的數據，以符合數據法規。
但是，由于政府也急于發展自動駕駛產業，仍然不太可能監管到嚴重阻礙發展的程度。從長期來看，更強大的數據安全管理和治理也可能有助于提升行業形象，引導行業朝著更高安全性和可靠性的方向發展。
本文來自微信公眾號“AI商業評論”（ID:aibizweek），36氪經授權發布。
