导语：如果说三年前传统车企对自动驾驶还是将信将疑，如今则几乎全线压注自动驾驶。

本文作者为地平线智能驾驶商务总监李星宇，毕业于南京航空航天大学，获得了自动化学院测试仪器及仪表专业的学士和硕士学位。曾任飞思卡尔应用处理器汽车业务市场经理，原士兰微电⼦安全技术专家。

此文对CES 2017上关于自动驾驶的最新进展进行了分析，作者认为商业模式的变革是自动驾驶领域群雄并起的原因，并从“合作共享”、“传感器成本下降”和“车联网发展”三个角度论证了自动驾驶产业化的长足进步。他还指出，自动驾驶竞争的关键是更加理性的决策算法和更实用的计算平台。

地平线由人工智能专家余凯于2015年创立，致力于提供面向自动驾驶的高性能、低功耗、低成本、完整开放的嵌入式人工智能解决方案。

▼

第一部分、自动驾驶时代背景

如果说三年前传统车企对自动驾驶还是将信将疑，如今则几乎全线压注自动驾驶。谁能最先把自动驾驶投入实用，谁就赢得下一个时代，而竞争关键则取决于决策算法和计算平台。

自动驾驶进入“战国时代”

一、群雄并起，逐鹿自动驾驶

在新年刚开始的一周，如果你想找个地方和汽车业的人士聊聊，那最合适的地方一定是拉斯维加斯。今年的CES，车厂的参与力度堪比北美车展，而最热的主题，毫无疑问是自动驾驶。而CES的开幕前夜致辞，一向被认为是整个CES的风向标，今年的主角从之前的Intel和微软变成了英伟达，CEO黄仁勋的演讲主题正是人工智能和自动驾驶。

在这次CES上，英菲尼迪、奔驰、日产、现代、德尔福、大众、福特及丰田等公司竞相展出自家的自动驾驶汽车原型，同时，福特、沃尔沃、谷歌以及宝马等都公布了计划，将在今年将其自动驾驶测试车队的数量扩大数倍，从40辆到100辆不等。

如果说五年前，谷歌开始其无人车测试时，像春秋时代一个孤独的布道者，追随者寥寥，而怀疑者众。那么现在就是自动驾驶的战国时代，群雄并起，传统车企几乎全线进军自动驾驶。

二、自动驾驶与汽车商业模式的颠覆

从三年前的将信将疑到现在的大举投入，一方面是谷歌、Uber和特斯拉这样的公司用事实不断展示技术上的进步。但最主要的驱动力，还在于传统车厂已经越来越清晰地意识到，自动驾驶技术即将为汽车商业模式带来颠覆式的改变，这可能是自内燃机发明以来，汽车行业最重大的变化。

自动驾驶带来的商业潜力有多大？从本质上讲，自动驾驶和互联网的共同之处都在于：它们都通过去人力化，降低了传输成本。互联网降低的是信息的传输成本，而自动驾驶则降低有形的物和人的运输成本。对比互联网已经产生的商业影响力，就可以想象自动驾驶的商业潜力。

借助自动驾驶，一箱德国啤酒从工厂出厂到中国的超市，在运输过程中可以不需要任何人工的干预，全程自动化运输，中间会经过轮船、海关、高速和城市，其中的任务调度都将可以在云端完成，这提供了端到端的运输解决方案。这将需要无缝的基础设施连接，但根本的变化还在于无需借助人力进行运输。

同样借助自动驾驶，从首都机场到上海的淮海路可以提前预约服务，中间也许会经过几次拼车，以实现运算效率最大化，就像手机基站切换那样，但全程依然是无缝连接的。

三、新的运输模式：TaaS 2.0

基于这样的应用，TaaS 2.0（运输即服务，Transportation as a Service）正在成为业界探讨的热点，这里将TaaS 1.0定义为有人驾驶，而自动驾驶则是TaaS 2.0时代。摩根·士丹利公司在最近的一份报告中表示，实现汽车完全无人驾驶将极大程度降低拼车成本，每辆车从目前的1.50美元一英里降至20美分一英里。

这一运输模式的变化对于传统车厂的影响是巨大的，一旦汽车从私人拥有变为共享运输工具，传统车厂的目标客户就将由个人消费者转变为TaaS运营商，正如华为和中国移动的关系一样。随之而来的，汽车的设计、销售都将发生根本性的改变，汽车厂商就很难维持原来的强势地位。

共享汽车的使用率将可以提升一个数量级（考虑一下我们现在私家车的行驶时间，以及每次的乘员人数），由此带来的结果是：汽车整体销量极有可能趋于下降。

自行车市场的历史可以作为参照，2000年之前，自行车是中国私人出行的主要交通工具，与之对应的，是中国的自行车年销量达到5000万辆，还涌现出像中华自行车这样的世界级品牌。但是当自行车作为私人出行工具的地位被汽车取代后，中华自行车陷入破产的命运，如今自行车的已经成为一种出行服务的工具，并且设计也发生了极大的变化，而保留下来的市场也不能当年的规模相提并论，今天，中国的自行车消费量已不足巅峰期的40%，并且还在持续收缩中。

这意味着，整车厂将会遭遇残酷的淘汰赛。

福特已经未雨绸缪，高调宣布成为出行服务提供商，并启动了FordPass项目，为消费者提供的服务包括：移动出行服务，帮助消费者更高效出行的FordGuides在线服务等。

福特CEO马克·菲尔兹将其称为继福特为世界发明创造汽车以来最具革命性的全新平台。Alphabet（谷歌母公司）在将其自动驾驶项目成立了独立公司Waymo后也表示将在今年下半年开始提供拼车服务，该服务基于和FCA（菲亚特·克莱斯勒）共同开发的半自动驾驶MPV。宝马与Sixt SE共同建立了拼车服务公司DriveNow，也准备切入这一市场。紧随其后的还有大众、奔驰以及通用等。

四、面向运营的自动驾驶技术难度更低

自动驾驶的目标市场可以分为两块：面向私人和面向运营。

从技术上讲，如果一辆车被卖给私人的时候，其自动驾驶等级是Level3的话，那它就能在面向运营的时候发挥Level4的功能，这是因为运营车辆可以在事前被充分规划，规定有限的行驶区域，设定行驶的各种限制，包括车速、路线等，并且预先进行充分测试。这意味着在相同的技术水准下，用于运营可以实现更高级的功能。

可以说，商业运营的自动驾驶车辆，其实现时间将早于个人使用的自动驾驶车辆。

尽管不同的车厂有不同的自动驾驶规划，但综合来看，面向个人消费者的量产车，2023年之前可以实现高速上的Level3自动驾驶，和一般道路上的Level2辅助驾驶，而同期面对运营商的自动驾驶车将可以实现在有限区域内的Level4自动驾驶。

能否在这场自动驾驶的竞争中胜出，很大程度上将决定整车厂下一个十年的命运。

自动驾驶产业化迈向纵深

整个过去的一年里，自动驾驶产业化在多个方面取得了很大进步，包括产业链整合、成本以及车联网。

一、合作共享成为共识

1、业界企业相继合作

“我们希望到2021年开发一套所有人都能使用的标准系统。因此，我们欢迎制造商、供应商或科技公司等其他公司参与其中，共同为无人驾驶平台做贡献。”在近期召开的新闻发布会上，宝马、Intel和Mobileye公开了三方合作的更多细节，宝马自动驾驶高级副总裁福利肯斯坦表示，宝马及其合作伙伴最终将以非独家协议的方式，将该自动驾驶系统提供给业界，包括其它车厂。

研发的是平台级产品，技术上开放，商业上不排他，在传统车厂的研发历史上，这样的开放态度是少见的。在自动驾驶激烈的竞争态势下，合作反而成为最主流的选择。

这三家公司的合作可能是业界最值得关注的，但回顾2016年，类似的合作可以拉出一串长长的清单，下面的合作仅仅是浮出水面的一部分：

Waymo和本田的合作，Waymo是谷歌自动驾驶项目单独拆分后成立的子公司，双方计划在2020年前后实现高速公路上自动驾驶的实际运用；

英伟达和奥迪的深度合作，之前奥迪已经推出了有Tegra K1的域控制器zFAS系统；

英伟达与ADAS业界翘楚博世达成深度合作，表明传统Tier 1正在快速跟上这波潮流，并且将其有深厚积累的车规级量产化经验带入自动驾驶领域；

特斯拉和三星在计算平台方面的合作，三星今年是在汽车领域动作最大的消费电子公司，先后将马瑞利和哈曼收入囊中，并且成立了一个小型部门，研发自动驾驶处理器及传感器，并且已经凭借其应用处理器切入奥迪供应商体系，可以预期三星将成为高通强有力的竞争对手，与特斯拉的深度合作，为三星撬动自动驾驶市场提供了一个极佳的支点；

德尔福和Mobileye的合作，德尔福在CES期间专门提供了测试车供观众体验，其CTO杰夫·欧文斯表示，该自动驾驶系统将于2019年投入生产，预计批发价约为5000美元；

德国三驾马车：宝马、戴姆勒、奥迪联手收购地图供应商HERE，Intel也在最近加盟，收购了HERE 15%的股份，作为联盟的主要成员，Mobileye也已经和HERE一起收集并共享道路数据；

沃尔沃与奥托立夫的合作，双方共同开发的自动驾驶平台将向整个业界供货；

耐世特和大陆计划在密歇根成立一个合资公司，将打造面向自动驾驶的的电控系统和其他车载硬件。

2、四大核心因素推动合作

曾经的竞争者走到了一起，整个供应商的关系也在重组，Tier1、Tier2以及主机厂，也从未如此深入绑定在一起。群雄并起，连横合纵，在百年汽车历史上，从未有如此规模和深度的合作。这源于四个核心的驱动因素：降低技术风险、分担研发成本、缩短研发时间以及锁定客户。

“开发真正的自动驾驶汽车需要克服巨大的技术挑战，我认为难度与载人登月相当。” Mobileye CEO阿姆农·沙书阿表示这不是一家企业能够单独完成的任务，合作是必然的选择。

与此同时，各个重要玩家也在全力扩充自己的研发范围，Intel今年动作频频，先后收购了深度学习初创公司Nervana，增强其在AI方面的实力，在今年的CES展上，Intel分别展出了与地平线机器人和AImotive合作的ADAS原型系统。在合作的同时，大家也都留一手，确保不被别人卡死。

二、传感器成本快速下降

传感器是自动驾驶汽车最显著的成本，本届CES期间，Waymo CEO克拉夫西克宣布Waymo已经将激光雷达成本降低了90%，单价约为7500美元。克拉夫西克在近期接受采访时表示：“Waymo可能会向其它公司销售硬件”。

受该消息的影响，Mobileye股价下跌4.4%，降至39.86美元，创下去年11月中旬以来最大单日跌幅。投资者普遍认为此举有助于增强竞争，改变Mobileye一家独大的格局，加速成本下降。

Quanergy、Velodyne、麻省理工学院等都在推进固态激光雷达的研发，其核心在于上游半导体工艺的突破，例如高功率高波束质量的辐射源、高灵敏度接收技术、产品良率等，如果这些关键指标获得突破，固态激光雷达的实用化有机会让成本下降至100美元。

激光雷达被认为是最精准的自主感知手段，其有效感知范围超过120米，而精度可以达到厘米级，但限于之前价格高昂，无法部署在量产车上，但前景无疑是乐观的。

其它的传感器价格本身已经在可接受的区间，而性能则持续提升，在CMOS sensor方面，目前已经有4Mp像素密度的车规级产品；毫米波雷达正从点目标探测往成像雷达方面发展，例如SAR（相控阵）型雷达，正在从军用领域向汽车领域推进。

毫米波雷达芯片也正在从硅锗工艺向廉价的CMOS工艺发展，预计2020年左右，COMS工艺可以达到现有硅锗工艺的水平，并且发射、接收以及信号处理器三合一的产品也在开发中，届时，毫米波雷达芯片将可能比目前的价格下降数倍。

三、车联网（V2X）迈出坚实一步

1、国外V2X进展

2016年12月14日，美国交通部发布了V2V（车与车通信）的新法规，进入了90天公示期，法规强制要求新生产的轻型汽车安装V2V通信装置，这是一个里程碑式的进步。

美国交通部还在近日宣布成立一个自动驾驶委员会，专门对自动驾驶汽车、无人机等进行监管，该委员会包括了通用汽车CEO玛丽·巴拉、Waymo CEO克拉夫西克、苹果副总裁丽莎等人，目标是确保先进的技术得到安全的部署。

安装在车上的V2V系统可以看作是一个超级传感器，它提供了比任何其它车载传感器都高得多的感知能力和可靠性，在自车感知技术尚不能达到高可靠性之前，用V2X可以决定性地提升其可靠性。

美国交通部的新规中要求V2V装置的通信距离达到300米，并且是360度覆盖，远超摄像头的探测能力，并且其感知信息属于结构化信息，不存在误报的可能，根据美国家公路交通安全管理局（NHTSA）的研究，利用V2X技术，可以减少80%的非伤亡事故。

但这一切是以100%的覆盖率为前提的，在此之前，车企也曾经做过尝试，例如凯迪拉克，但都因缺乏足够的覆盖率难以发挥作用，依靠强制性的法规驱动，V2X普及的最大难题将得以有效解决。

近日，高通发布新闻表示，将与奥迪、爱立信等公司进行蜂窝-V2X（Celluar-V2X）的测试合作，该测试符合由德国政府主导的项目组织——自动互联驾驶数字测试场的测试规范。在此之前，高通推出了基于其最新骁龙X16 LTE modem的全新联网汽车参考平台，支持作为可选特性的专用短程通信（DSRC）和蜂窝-V2X。

2、中国V2X进展

2016年下半年，发改委连同交通部联合发布了《推进“互联网+”便捷交通促进智能交通发展的实施方案》，明确提出 “结合技术攻关和试验应用情况，推进制定人车路协同（V2X）国家通信标准和设施设备接口规范，并开展专用无线频段分配工作”的标准制定工作。从目前的情况来看， LTE-V极有可能将确定为中国标准。

5G的推进对V2X是非常大的利好，因为5G标准本身就包含了V2X，可以说5G的发展和自动驾驶的发展是自洽的。

为了满足在商业应用上的高可靠性，越来越多的车企意识到在增强车辆能力的同时，需要将道路从对人友好改造为对车友好，从去年开始，中国所有的自动驾驶示范园区都在规划部署路侧系统（V2I）。随着5G的时间表日渐清晰，更大范围的部署也让人非常期待。

与3/4G时代主要面对个人消费者需求不同，5G的核心推动力来自物联网，而汽车可能是其中最大的单一应用，一辆自动驾驶汽车每天可以产生超过1T的数据。

目前，像HERE这样的地图供应商正在积极准备用于自动驾驶的实时高精地图，以克服静态高精地图无法适应道路变化的难题，但之前受制于无线带宽限制，很难达到实用，5G可提供高达10Gbps+的峰值速率，以及1ms的低延时性能，可以满足这样的需求。

3、V2I商业化模式

V2I使商业化有了简单直观的模式：谁投资V2I，谁就可以从中受益，因为自动驾驶汽车可以在已经部署了V2I的封闭路段行驶，计费因此变得更容易。

第二部分、自动驾驶技术变革

自动驾驶的决策算法要更理性

一、决策算法成为竞争焦点

从技术角度讲，自动驾驶由三大主要技术构成：感知、决策和控制。现在自动驾驶技术真正的门槛在哪里？

如果你去CES参观各家公司的自动驾驶样车，你会发现一个趋势是各家公司的传感器配置越来越趋同化：前视多目摄像头，77GHz长距/短距雷达、环视摄像头、加上十个以上的超声波雷达，豪华一点的再配上几个低线束的激光雷达。这些传感器的供应商也差不多。

在感知层面，随着ADAS的大量部署和长时间的技术开发，已经相当成熟，可以说感知技术已经不是主要的瓶颈。而控制则是传统车厂和Tier 1非常擅长的领域，做了很多年，积累了大量的经验。

自动驾驶在技术上的竞争，主要聚焦于决策环节。事实上，区分一个系统是ADAS还是自动驾驶，也主要是看该系统是否有决策部分。无论是谷歌还是特斯拉，他们的核心竞争力，都还是体现在其决策算法方面。

传统汽车界的研发是基于功能安全的设计方法学建立的，渗透到开发流程的每一个环节，并且在过去一个世纪，将汽车的安全性提高到了极高的水准，如今，顶尖的公司已经可以确保汽车发动机能使用一百万公里。

但是面对汹涌而至的机器学习热潮，传统汽车界突然发现自己严重缺乏技术储备，面对特斯拉和谷歌激进的策略，显得力不从心。这已经成为制约传统车厂开发自动驾驶的最大短板，目前，传统车厂或者大肆收购机器学习公司，或者与其合作，他们需要尽快补上这块短板。

传统车厂出身的克拉夫西克显然深知这一点，在他出任Waymo CEO之后，谷歌一改之前模棱两可的商业策略，明确表示向车厂提供解决方案，并迅速宣布和本田合作，事实上是将自己定位在Tier 1的角色。此前谷歌虽然在技术积累上处于领先位置，但一直没有确定可行的商业模式，克拉夫西克的到来，让谷歌对于商业化的态度更接地气，也更精准。

在该解决方案中，硬件基本也是外购的，显然无法成为谷歌的竞争壁垒，最有价值的，还是一整套经过验证的软件，尤其是其中的决策算法。可以想象的是，谷歌将会向业界提供软件授权，就像它之前在安卓系统上所做的一样。

二、理性决策是必然趋势

决策算法面临的最大挑战，就是如何达到自动驾驶所需要的极高的安全性和可靠性。

自动驾驶决策的结果会输出到控制器，根据ISO 26262已有的功能安全的规定，这会反过来要求决策系统也需要达到ASIL-D的标准。目前，ISO组织对专门针对自动驾驶的功能安全标准正还在制定中，有可能会用一种新的标准进行考量，但功能安全的基本原则依然有效。

1、端到端的AI方法有隐患

这意味着，我们必须严肃地思考，如何才能满足功能安全的要求？对于谷歌、百度以及许多初创公司，这些非传统车厂出身的玩家来说，是一个全新的命题。

目前，很多创新公司都在使用深度学习加增强学习做端到端的训练，也就是说，从传感器的输入直接导出控制器（刹车、油门、转向等）的输出。但深度学习的问题在于它失去了透明性，仅仅依赖于概率推理，也就是相关性，而非因果推理，而这两者是有本质不同的。

相关并不意味着因果。举个例子，统计发现，手指头越黄的人，得肺癌的比例越大。但事实上，手指的颜色和得肺癌的几率之间显然没有直接的因果联系。那么为什么统计数据会显示出相关性呢？这是因为手指黄和肺癌都是由吸烟造成的，由此造成了这两者之间产生了虚假的相关性。

深度学习就像一个黑盒子，无法进行分析，出了事情你不知道原因到底是什么，也没有办法预测下一次会出什么状况。

有一个很搞笑的例子，用深度学习训练一个系统，来分辨哈士奇和爱斯基摩狗，初步测试效果非常好，但进一步的测试表明，这个系统其实是通过区分背景，而不是狗本身来判定其种类的，因为训练所使用的样本中，爱斯基摩狗几乎总是伴随者雪地的背景，而哈士奇则没有，想想看，如果这样的系统应用到自动驾驶，是多大的隐患。

深度学习的实际表现，基本上取决于训练的样本以及你所要求输出的特征值。但如果你的样本比较单一，输出特征值又比较简单，则很容易训练出你并不想要的结果来。就自动驾驶而言，这是无法接受的，它需要高度的理性决策。

如今，深度学习的热潮席卷了整个业界，很多人不再对基础算法进行钻研，而是疯狂加大数据、堆机器进行训练，以期更快地出成绩，结果看上去还不错，但这样的非理性态度其实是给自动驾驶埋下了隐患。

我们需要的是对于事实逻辑的深入分析，以及不同方法论的结合，从这个意义上讲，如果用小数据可以达到好的效果，更能说明我们对机器学习技术的理解能力。

2、基于规则的专家系统不灵活

传统的主机厂和Tier 1面临的则是另外的问题，如果接触各大Tier 1的ADAS产品，无论是AEB，还是ACC、LKA，你会发现都是基于规则的专家系统。这种系统精确可分析，但专家系统的问题在于，但场景非常多变时，创建的规则就无法保证足够的覆盖面，结果，当添加更多新的规则时，就必须撤消或者重写旧的规则，这使得这个系统变得非常脆弱。

而且，各个功能都有自己单独的规则，组合到一起，其可能性就非常多，甚至还存在矛盾，这使得ADAS向自动驾驶过渡之路变得更加艰难。我曾跟一家主机厂在交流他们的决策系统询问过这个问题，得到的答案是：这种基于专家系统的规则经过组合，能产生一万种可能。你甚至很难对这个系统进行完整的测试。

3、新的决策机制：因果推理

因此，我们需要在自动驾驶领域引入新的决策机制。自动驾驶决策技术路线的一个重大趋势，就是从相关推理到因果推理。这样的人工智能框架是Judea Pearl在八十年代建立的，他也因此拿到了图灵奖。

上世纪80 年代初，Judea Pearl为代表的学术界出现了一种新的思路：从基于规则的系统转变为贝叶斯网络。贝叶斯网络是一个概率推理系统，贝叶斯网络在数据处理方面，针对事件发生的概率以及事件可信度分析上具有良好的分类效果。它具有两个决定性的优势：模块化和透明性。

地平线自动驾驶决策机制

模块化的优势非常重要，例如，假如任务是更新汽车的变速箱，当变速箱被更换的时候，你不必重写整个传动系统，只需要修改为变速箱建模的子系统，其余的都可以保持不变。

因此，我们可以把深度学习的系统作为一个子模块融入到其中，专家系统可以是另一个子模块，也融入其中，这意味着我们有了多重的冗余路径选择，这种冗余构成了贝叶斯网络的子节点，将有效强化输出结果的可靠性，避免一些低级错误的发生。

透明性是贝叶斯网络的另一个主要优势。对于自动驾驶而言，这尤为关键，因为你可以对整个决策的过程进行分析，了解出错的是哪一个部分。

可以说贝叶斯网络是理性决策的极佳实现，适合用于设计整个决策的顶层框架。

因果推理的另一个典型范例就是基于增强学习的决策框架，它把一个决策问题看作是一个决策系统跟它所处环境的一个博弈，这个系统需要连续做决策，就像开车一样。优化的是长期总的收益，而不是眼前收益。这有点像巴菲特的价值投资，优化的目标不是明天的收益，而是明年或者十年以后的长期总收益。

谷歌把这样的框架用在下围棋上，取得了革命性的成功。自动驾驶的场景也非常适合应用这样的决策系统。比如说要构建价值网络，评估当前的驾驶环境风险，评估的是从现在时间到未来时间的整体风险；然后利用策略网络输出本车的控制决策，选择最优的驾驶路径和动力学输出。

同时，我们还可以构建一个基于模拟路况的仿真环境，通过增强学习去做虚拟运行，获得最优的决策模型，并且还将产生大量的模拟数据，这对决策算法的成熟至关重要。

可以说，向因果推理型决策模型转化是自动驾驶技术迈向成熟的重大标志。

自动驾驶需要新的计算平台

一、目前的硬件效能达不到实用要求

对于自动驾驶这样的复杂任务，在设计软件的同时，还必须考虑与之匹配的硬件效能，这里包括性能、功耗和功能安全。

为了保证自动驾驶的实时性要求，我们需要保证软件响应的最大延迟在可接受的范围内，对于计算资源的要求也因此变得极高。目前，自动驾驶软件的计算量达到了10个TOPS（每秒万亿次操作）的级别，这使得我们不得不重新思考对应的计算架构，图灵奖获得者Alan Kay，他有一句话是乔布斯一直信仰的：如果你严肃地思考你的软件，你就必须要做你自己的硬件。

事实上，整个数字半导体和计算产业的产业驱动力，正在从手机转向自动驾驶，后者所需要的计算量比手机要大两个数量级。

今天，打开任何一家主机厂的无人车的后备箱，都是一堆计算设备，不但没有地方放行李，而且还要解决它的整个系统稳定性问题。之前在乌镇举行的世界互联网大会，记者在实际体验百度的无人车时，提到非常有趣的一点：“这辆无人车平稳地行驶了起来，但位于后备箱的车载计算机噪音较大，可以听到风扇在运行的声音。”

为什么呢？因为它使用的是CPU+GPU+FPGA的计算平台，计算所需要的功率非常大，GPU尤其恐怖，如果没有强力风扇来散热的话，夏天很容易烧坏机器。坐在这样的车里，就别讲究体验了。

功能安全是另一个巨大的挑战，这里面其实包含了多个方面的要求：处理器要符合至少ASIL-B等级的要求，可靠性需要能够保证在至少十年的使用期内不出问题。

高通在手机领域有非常强的实力，而且向汽车电子进军的努力也从未停止，但去年高通依然决定花370亿美元重金收购了汽车电子老大NXP（恩智浦），这从另一个侧面折射出汽车电子的门槛之高。

二、人工智能处理器与自动驾驶计算平台

这让我们想起计算机的发展历史，50年代是大型机的时代，那个时候一台大型机可以占据实验楼的一整个楼层，需要一个庞大的团队来操作，价格高到数百万美元；七十年代小型机占据主导，小型机可以安装进一个房间，价格也降到数万美元；八十年代是PC时代，可以摆放到桌面，价格则又降低了一个数量级，如今是手机，可以装进口袋；贯穿其中的是三个主要方面的进步：体积、功耗和成本。

人工智能所需要的处理器，从2012年开始被业界广泛关注，比如从GPU到FPGA，再到TPU，业界也沿着之前计算机走过路，重构人工智能所需要的处理器。

英伟达在本届CES上发布了最新的车载计算平台“XAVIER”，512个Volta CUDA核心可提供高达30 TOPS的计算性能，但最引人注目的还是其30W的功耗，大大低于之前还需要水冷的Drive PX2。这是一个很大的进步，但还不够，要让自动驾驶得到普及，性能、功耗、成本和体积因素，一个也不能少。

如今很多车厂都制定了非常激进的自动驾驶开发计划，但其实样车开发与其投入到量产车的日程表其实是差异非常大的。与量产车的设计理念完全不同，量产车必须考虑成本因素，不能跟今天的GPU或者其它的计算所需要的成本一样，而这就需要业界提供新的计算平台。

FPGA被越来越多的公司关注，其可编程特性可以满足专有计算构架的需求，微软、Intel等公司都在大量部署基于FPGA的系统。

FPGA在ADAS方面的出货量也在迅速增加，去年的出货量应该不会低于3Mu。但FPGA再往上走，计算资源的扩展会让成本上升到很难接受的地步。半导体业界无数的历史都表明，FPGA往往是定制化ASIC的前哨站，一旦某个应用的量足够大，定制化ASIC就会变得更经济。

地平线机器人公司正处于整个业界研究的最前沿，目标就是将原本智能在云端运行的人工智能，实现在高性能低功耗的大脑引擎（BPU）上，这是一个全新的计算构架IP，将充分适配深度神经网络算法的要求，由此带来革命性的嵌入式人工智能，预计其成本和功耗都将比现有GPU低一个数量级。这样的IP可以嵌入到SoC中，或者单独作为协处理器使用。目前地平线正在推进代号为“高斯”的计算构架IP的开发，预计2017年底推出。

地平线的BPU战略

三、软硬件协同设计是新的趋势

在过去，处理器都是作为标准平台提供给业界，软件工程师拼命优化编译器、代码、任务调度等来达到更高的性能表现，但现在，这已经无法满足产品快速上市的要求了。

英伟达在AI业界攻城略地，几乎已经成为标配，这其中有其高性能GPU的因素，但问题在于，为什么其它GPU供应商没有赢得这场竞争？

英伟达不仅提供GPU硬件，还提供了高度优化的CUDA平台，该平台封装了大量高频使用的数学运算库，英伟达更进一步面向自动驾驶提供了端到端的解决方案，这实际上是一种重要的产品理念：软硬件协同设计。

这揭示了英伟达市场竞争成功的秘诀：通过软硬件协同设计，优化软硬件系统的性能表现，缩短客户导入时间，赢得市场。

新的自动驾驶计算平台，实际上是因应算法和软件的需求而来的，例如，为了更好地支持深度卷积神经网络极大规模的矩阵运算，你需要考虑如何使用二值化方法来降低对于硬件乘法器的需求，如何重新设计缓存机制以避免I/O带宽成为整个计算系统的瓶颈等。为了满足功能安全的需求，你需要硬件级别的虚拟化，这就要求处理器构架设计方面需要考虑多核、VMM、设备I/O请求管理等。

Intel也在加强其在人工智能算法方面的积累，对Nervana和Movidius的收购反映了这一点。通过提供至强处理器、FPGA，结合其Nervana平台以及面向深度学习优化的数学函数库（MKL），提供完整的AI解决方案。

能否提供同时满足经济性和性能要求的计算平台，是自动驾驶能否从样车转向量产车的关键因素之一。

结语

公众对于自动驾驶依然有深深的疑虑，但在每一次革命性的交通运输方式出现时，类似的疑虑都曾经存在过。

航空服务刚刚出现时，安全性非常低，多数人甚至都不相信金属构造能飞起来，美国海军统计表明，在二战期间，因技术原因损失的飞机达2100架，是被击落飞机的1.5倍，但航空业依然发展了起来；高铁同样有类似的经历，19世纪火车刚刚出现时，即使是最有远见的人都无法想象时速超过300公里的列车，那时候的人们认为仅仅是气压的问题就足以让乘客丧命，而后来这些都成为了现实，并且发展了体量惊人的配套基础设施：铁道和机场。

当技术不存在原理性的问题之后，只要有巨大的商业潜力，利益的驱动终能克服技术上的挑战。

如果我们考察一段文明的发达程度，运输水平可能是最直观的指标。唐代玄奘取经，鉴真东渡，耗去的是一个人半生的时间，这里体现的是客运成本；南宋时期，从福建泉州出发的瓷器运到欧洲，增值达一百倍，体现的是货运的价值；19世纪美国的崛起，很大程度上得益于其全国铁路网的建立，将联邦的各个州融合成为一个单一市场。

文明的发展过程，也必然伴随着运输成本的逐渐降低，以及运输效率的持续提升，它深刻重塑了经济的形态。Elon Musk的终极梦想是殖民火星，同样是一个运输能力改变文明的故事，自动驾驶就是当下发生的故事，当人的劳动力被释放之后，成本下降就会驱动一波全新的机会，过去一年里，自动驾驶领域的进步已经超出了绝大多数人的预期，自动驾驶的未来值得期待。

                                            （新智驾）