为什么说深度学习是决定自动驾驶成败的关键?

如果自动驾驶确为通向未来汽车的大门，深度学习何以成为开门的金钥匙？

文 ▍小野妹子

和其他所有行业相同，汽车的发展也不是一蹴而就，而是从一个阶段逐渐过渡到另一个阶段。

电气时代之后，自动驾驶俨然成为新时代的代名词，而软件方面的深度学习则成为新时代的突破口。

丰田硅谷子公司丰田研究院（TRI）CEO吉尔·普拉特(Gill Pratt)表示：“对如今的汽车来说，软件更加重要，而不是硬件。”

福特汽车 “摆脱硬件依赖”的新战略，似乎也印证了丰田的说法。

汽车软件时代谁是核心？

对于各家投入巨大精力的自动驾驶来说，关键技术非软件莫属。

驾驶员要做的事情就是判断当前环境，预判下一步是是踩油门、踩刹车、变道还是超车。自动驾驶要代替人脑，分析周围有什么，以及下一步的决策，是一门有关预测的科学。

汽车要想自动驾驶，第一步就必须具备与人类一样的形状识别能力，从而掌握周围的情况。在电脑上，通过谷歌识图，可以在云端寻找类似图片，依托于这样的技术，谷歌可以在无人驾驶领域一马当先。

1辆车甚至100辆车把雷达、传感器、相机、LIDAR的兆亿数据传到云端，谷歌可以处理。可如果是一亿辆，甚至未来所有的机动车都通过云端处理数据，那将是几何级别的体量。所以这项工作，最终还得交由单车处理。

作家格拉德威尔在《异类》一书中提出“一万小时定律”：“人们眼中的天才之所以卓越非凡，并非天资超人一等，而是付出了持续不断的努力。一万小时的锤炼是任何人从平凡变成超凡的必要条件。”

这一万小时的努力就是不断学习的过程，汽车要准确做出判断，也需要经历这样的过程，也就是深度学习。所以百度之前研发无人驾驶汽车的部门叫深度学习研究院也就不足为奇。

一年之前，奥迪首次在美国路测无人驾驶汽车时就提出，“自动驾驶的关键是深度学习”。除了需要处理海量数据，奥迪还指出云端处理的一个死结，那就是速度。

奔驰调研数据显示，事故发生前1.5秒做出预判，可以减少90%的事故发生。为了快速识别危险，将没有多余的时间访问云端数据库。所以预判危险的能力必须嵌入车辆本身，瞬间识别、发出指令并完成避险动作。

在今年的CES展上，丰田就展示了一套基于深度学习的自动驾驶技术。

在一块布有障碍并指示方向的方形地形中，8辆从“0开始”的模型车，将传感器监测到的环境信息输入学习器，并将学习器与油门、制动和方向输出连接。经历约4个小时的碰撞及强化学习后，基本实现了零事故。

实际行车也与此类似，行驶过的道路就成为了汽车的学习量，每行驶一次就会变得更聪明。这也正是深度学习的关键优势：从特征中检测复杂的相互作用；从几乎没有处理的原始数据中学习低层次的特征；处理高基数类成员；处理未标记的数据。

用“人话”说，就是可以通过以最低成本对大量未处理的原始数据进行整理及分析。

作为一门人工智能领域的科学，拥有深度学习技术的车辆将成为真正的出行机器人。

汽车的未来真的不在车企手中？

如果真按照剧本发展，自动驾驶汽车未来将成为和电脑、手机一样的电子产品，那芯片和系统就将和汽车本身成为新的基本构造。

没有小米我们可以选择华为，没有惠普我们可以选择戴尔，可是没有微软或者没有谷歌，我们只能退回功能机时代，或者转投苹果的怀抱。

到此我们也就可以理解，为什么各家车企纷纷大力自行研发自动驾驶技术和深度学习技术。毕竟谁掌握了核心，谁就可以依托成熟的造车工艺和完善可控的供应商体系，在新时代到来之时成为业内的“新苹果”公司。

无论图片识别还是深度学习，都需要通过芯片进行运算。所以在2016年的CES展之前，英伟达（NVIDIA）和高通都发布了自己的车载芯片。

而英伟达的Drive PX2更是为自动驾驶量身定做，官方表示它的图像处理速度是Titan X的6倍，是Core i7的150倍。

懂行的大神表示老黄（英伟达CEO黄仁勋）虽然吹牛成性，但Drive PX2应该是在目前移动端最强的GPU m980基础上研发的，通过修改架构和优化，实现深度学习能力翻三倍确实不成问题。

芯片和车子的问题解决了，症结又回到了深度学习算法的竞争上。能不能把未来攥在自己手里，全看能不能在科技公司之前把这门人工智能科学真正应用在产品当中。

AutoLab关注汽车科技领域的新公司、新技术、新模式、新投资。如果你有强烈的求知欲望，强烈建议你通过“百度百家”关注AutoLab！或者直接微信搜索“autolab”，参与我们线上线下各种活动，结识创业大咖！