2016年是一個非常重要的歷史節點，標志着知行合一的人工智能系統將走向歷史舞台。它改變的不光是下圍棋，會改變很多很多事情。——余凱
在“2016年智能汽車•上海論壇”之“ADAS與自動駕駛趨勢論壇”上，地平線機器人創始人兼CEO余凱博士發表了題為“基於深度學習的自動駕駛之路”的主題演講。
這里有技術普及，有行業觀察，還有對未來生活的美好展望。你想知道的有關深度學習和自動駕駛的一切，我們今天都告訴你。
1深度學習 · 誕生與成長
每個人都在講大數據，就像每個中學生都在講“性”，但是他們從來沒有經歷過。
深度學習從1957年被提出來，即通過感知模擬單個的神經元，到現在也跨越了60年的時間。對於單個神經元，我們把它從時間、空間緯度，以及它們之間關聯的緯度去擴展，去構造各種復雜的神經網絡，然后可以做很多的事情，這種創新還在繼續。
為什么深度學習應該受到重視？我在很多場合分享我的四個觀點。第一個觀點是深度神經網絡確實在結構和行為上面發揮着作用，比如我們講的ALPHAGO用的神經網絡，確實受到視覺神經系統的影響。我想從工程跟應用的觀點來看，實際上更大的原因主要是后面幾個，一個是特別適合大數據，一個是“端到端（End to End）”學習，第四個是靈活的建模。
為什么適合大數據？如果說傳統的很多智能算法由於各種原因，例如計算復雜度的原因、統計的原因，數據規模到一定的時候不再增長，但是它的效果隨着數據規模增長到一定程度會再增長。對於深度學習，我們在很多領域看到，就是不斷持續地增加數據，它的效果持續變好。所以說，深度學習跟大數據的時代是有一個非常有意思的關系。
今天整個科技創新的生態是，每個人都在講深度學習，包括很多的創意公司。這讓我想起大概三年前的一個笑話，是講大數據的。今天我們每個人都在講大數據，就像每個中學生都在講“性”，但是他們從來沒有經歷過。其實今天的深度學習是有一點這樣的味道。第一，真正的它需要這么強大的計算器，需要這么多的數據。第二，它不是簡單地要求把一些開源節流的系統拿出來用就好，需要深度學習解決你那個特殊的問題。需要有這個能力，不光是創新一次，而是要持續的創新，最終真正具有這樣的能力。在這方面實踐的公司或高校實際上是很少的。
2深度學習 · 智者VS改變家
如果只是一個感知層面的東西，頂多是安靜地坐在那邊的一個智者。一定需要決策，要有行動。
從2006年到2016年，深度學習的發展，實際上主要有三個驅動力。第一個驅動力是大數據——從互聯網到移動互聯網，海量的數據產生。第二個驅動力是半導體公司所提供的洶涌澎湃的計算，使得我們能夠去處理這些海量數據。第三個驅動力就是模型跟算法，從一開始簡單結構的深度神經網絡到今天正在進行的一些進展。實際上這個進步沒有停止。很多正在進行的一些最新進展，可能比我十年前所看到的還要激動人心。所以這里沒有減緩下來，反而是在加速奔跑的過程。
2016年最值得關注的是ALPHAGO所代表的神經深度網絡的最新進展。我們講過去十年，無論是卷積神經網絡還是其他的神經網絡，實際上做的事情就是感知，它聽清我們的語音里面的內容，看圖像里面是什么東西。但是如果只是一個感知層面的東西，頂多是安靜地坐在那邊的一個智者，並沒有改變世界。你怎么改變世界？一定需要決策，要有行動。
增強學習實際上是一個這樣的機器學習框架，它是什么呢？它是把一個問題描述成一個決策系統跟環境的博弈，如果它采取行動的話會改變這個世界。這個世界會給它一個反饋，是一個胡蘿卜還是一個大棒，說你做得好還是不好。同時這個世界也會發生改變，去傳達給它一個狀態的變化。如果我們描述這種簡單的區別框架，如何來做一系列的決策去優化一個最終的目標？比如最終的目標是到年底投資的收益，一系列的抉擇是今天買還是賣，買多少賣多少；講圍棋，最終要優化的是你怎么贏這盤棋，一系列不斷地去下棋去做你的決策；在智能駕駛里，做一系列的決策是加速還是減速，是左還是右，每次因為你的改變，你周邊車會看到你的改變而改變，所以這個狀態有一個更新。最終一系列的決策優化，結果要的是從A地到B地的安全，高效到達目的地。
深度學習這么漂亮這么美有什么挑戰？識別車、識別人，能不能識別印度街上的猴子。計算的平台，包括兩個方面，一個是雲端的計算平台，還有在前端的可控性，怎么樣高效，怎么樣低成本，怎么樣能夠做到實時。第三個是系統集成，包括不同的傳感器，包括跟整個控制系統的連接，這是一個高度復雜的系統。
大家不怎么關注的一個問題是可控性。深度神經網絡，非常高效，但有一個巨大的問題，就是如果出了什么問題你不知道怎么辦，它看似是一個黑箱系統。這個問題非常重要，我記得在2005年的時候在西門子做氣囊觸發算法的研發，當時我們做出一個更加先進的算法，實際上如果事故發生了，我們可以得出結論它可以挽救30%的人命，但是最后系統沒有采用，產品部門沒有采用，因為它是一個相對黑箱的系統。但是一旦出現了事故在法庭上不能提供一個透明的解釋，究竟是哪兒出了問題，這是第一點。第二點是它不知道出了問題以后怎么樣去提升，所以這個東西是超出技術之外的一個問題，這個問題非常關鍵，它如果沒有解決好，它可能會造成很大的問題。這個是傳統的車廠會非常關注的，但是我們很多做算法的人只去追求准確性，在這方面不一定充分地認識到了。
3自動駕駛 · 造車為馬
想像你騎着馬在一個萬馬奔騰的場景里，馬在微觀層面的控制可以做得比人都好，但是你需要在任何一個時刻控制那匹馬。
自動駕駛毫無疑問面臨一個復雜的道路狀況，尤其是如何適應中國的交通狀況？我以前激勵自己的同事，我說只要在五道口，如果能夠解決自動駕駛的問題，那這個技術就是全世界的。去過北京的人可能知道五道口是什么地方。在歐洲、美國解決了自動駕駛的問題，在世界最大的汽車市場不一定管用。當然從現實層面來講，你還需要去解決很多的問題，包括成本、可靠性、道德法規、安全性等等方面。
最開始大家的關注點無疑是谷歌和百度所采取的自動駕駛系統的架構。這個架構其實有一個特點，這個特點是從一開始就奔向無人駕駛，希望跨越很多的中間步驟。基於這樣一個特點，高精地圖在這時候扮演一個非常重要的角色。這個核心是說無人駕駛實際上順着一條道往前走，這個相對來講不是太難。難的是什么？是換檔，難的是從主道到輔道，這些東西需要車精確知道它在哪個地方。所以高精地圖會成為未來構建無人駕駛或者高度自動化駕駛技術的一個基礎性設施。但問題是，我們離真正的高度自動駕駛或無人駕駛這個時間還比較遠。
關於ADAS，我從來不叫無人駕駛，因為我覺得無人駕駛可能是一個非常虛無縹渺的事情。從產業發展、技術發展路徑來講我覺得應該嚴謹一點。像谷歌那樣有無限的資源去做，希望一步達到無人駕駛這樣一個道路，我覺得不光在技術上面有挑戰，在商業上面也缺乏可行性。他們最近可能正在反思這方面的問題，一定是一步一步往前進展。
我在差不多一年多以前的時候接受媒體采訪的時候，其實就有一個這樣的比喻，未來我們需要去追求的這種自動駕駛的目標，它實際上是構建一個人車的關系，就像今天的人和馬的關系一樣，這個馬在路面上會充分地感知環境，會非常及時高效地做判斷。甚至我們可以想像你騎的馬如果在一個萬馬奔騰的場景里面，馬在微觀層面的控制可以做得比人都好，但是你需要在任何一個時刻控制那匹馬。所以我想，未來你的駕駛體驗，從自動駕駛的角度，可能跟騎一匹馬是差不多的一個感受。
4地平線 · 定義萬物智能
互聯網的事情歸互聯網公司，互聯網之外物理公司我們得做一些有趣的事情。可以觸摸到的物理世界，我們怎么讓它們具有智能。
地平線在做什么？地平線的使命是“Define the brain of things”，現在我的興趣和使命是，互聯網的事情歸互聯網公司，互聯網之外物理公司我們得做一些有趣的事情。這些事情是在我們的身邊，是我們可以觸摸到的物理世界的東西，我們怎么讓它們具有智能。其中一個最重要的品類就是汽車。如何去構造一個大腦平台，它首先是一個軟件，是一個基於深度神經網絡的操作系統。因為我認為從今天開始我們需要關注的是，在所有這些硬件里，不僅僅是軟件，我們不僅僅是讓它能聯網，首先是構造一個軟件的操作系統，個人認為這個操作系統是基於深度神經網絡的一個操作系統。第二，在底層支持深度神經網絡的芯片的架構，這個設計應該跟過去很多芯片的設計完全不一樣。
我們主要聚焦的是兩個場景，一個是Smart Car，另外一個是Smart Home，沿着這兩條線不斷的往前演進。我剛才講到一個觀點，我們需要新的深度神經網絡芯片的架構，我想對於這個認知，無論是我們還是其他公司的技術研發，其實都是支撐這個觀點的。我想我們不光是未來使它的計算力要更加強大，但同時深度神經網絡本身算法邏輯跟芯片的設計都會共同地向前進步。舉個例子，我們講（天河二號）是世界上最大的超級計算機，今天它的計算力毋庸置疑，但是它需要千萬瓦級的功耗，但是人類大腦它的計算實際上跟（天河二號）是相當的，這里面不光是物理、原理型的功耗的設計，其實也包括邏輯方面算法的設計。所以最近深度神經網絡在算法層面的一個研究的熱點問題，實際上是怎么樣去設計非常低功耗的硬件，可以實現深度神經網絡結構。不一定是很高集成度的芯片就能實現非常復雜的深度神經網絡。
地平線現在在關注什么東西？地平線關注的設計深度神經網絡聚焦在什么呢？在200塊錢人民幣以內能夠買到的計算資源，我們怎么去設計這個深度神經網絡，用來支撐自動駕駛所需要的高精度的計算要求。所以說我關心的是今天市面上200塊或者150塊人民幣能買到什么計算資源，我就專門為它開發深度神經網絡算法；如果明年150塊能買到的計算資源是什么，我們就專門為它開發。所以我們一定要去關注這個趨勢。就是100塊到200塊之間的計算資源，然后我們要把這個算法做到極致。
轉自：https://mp.weixin.qq.com/s?__biz=MzA5MjM0MDQ1NA==&mid=402209186&idx=1&sn=ffb67895bed3a825558cfa7f749b9f0b&scene=1&srcid=0325BBxfyBiJaPnSOCPMkFFZ&pass_ticket=jgroxcX0DYYU8QipZcGSIjoYhHoYUd%2F4rMurDbq96PEGYEm6SUU1NZD0iLSJbZ22#rd