4月22日，阿里達摩院發布了全球前期自動駕駛“混合式仿真測試平臺”，采用虛擬與現實結合的仿真技術，引進真實路測場景和云端練習師，能夠提供很貼近實際道路狀況的模擬測試，并且模擬一次極端場景僅需30秒，系統天天虛擬測試里程可超過800萬公里，將大幅度提升自動駕駛AI模型練習效率，加速邁進自動駕駛L5階段。

或許很多人看到這里會覺得一臉茫然，但筆者卻對此無比激動，先不要著急，且聽我慢慢解析達摩院發布的“仿真路測平臺”意味著什么。

要想了解這套平臺的意義，首先要弄明白自動駕駛的實現方式。

簡單理解來說可以分為：感知道路環境、處理數據并給出結果、控制車輛，其中很簡單的是控制車輛方面，因為如今絕大部分車輛的方向、油門、剎車都是電子化控制，所以想要執行明確命令并不難，而真正難點在于感知道路環境和基于這些信息做出正確的決策。

專業說法為：感知、融合、決策、控制。即通過傳感器將道路信息記錄下來、把信息整合分類送入計算單元、處理數據后做出抉擇、根據給出的決策控制車輛行駛。

難點即是感知、融合、決策階段。

盡管近兩年，自動駕駛經常被媒體所報道，但幾乎所有人爭執的焦點都在“激光雷達”“5G技術”“V2X（車聯網，VehicletoEverything）”這幾個問題上，似乎大多數認為只要解決了“激光雷達成本”“5G技術普及”“V2X落地”等問題，完全自動駕駛就能迎刃而解。

錯，這種觀念其實與“我買了這款屏幕、鍵盤、鼠標就能上分”“我買了這個廚具就能做出好菜”差不多是一個邏輯。

激光雷達是傳感器，存在問題的地方在于其成本和體積，高昂的成本使其無法大規模應用于民用車，龐大的體積導致車輛不美觀也影響空氣動力學。盡管近些年激光雷達的成本在大幅下降，以及在保證性能情況下，體積越來越小，但一個傳感器硬件并非是決定自動駕駛發展的充分條件。

（激光雷達傳感器效果）

5G技術則可以與V2X歸位一類，5G技術本質上解決的是通訊速度和延遲問題，有5G技術的支持，V2X才能夠實現。而這兩者對自動駕駛的促進作用，在于通過大量車載、非車載的傳感器互相溝通，提供幾乎所有的環境信息，也就是環境感知的來源不再局限于單個車輛，而是所有聯網的傳感器都是汽車的“眼”；另外一個作用則是，由于通信速度得到了保證，那么信息處理單元也不再局限于單一車輛的計算力，可以將感知數據傳輸至云端處理器，而后將決策傳輸至車輛并執行，以此解決車載處理器算力不足的問題。

細心的你應該已經發現了，無論是5G還是V2X，本質上也只是能夠解決感知層面問題，并且由于目前車載算力已經足夠（如今Mobileye、英偉達、特斯拉等公司的車載自動駕駛芯片，從算力角度應對自動駕駛需求已經綽綽有余），其實云計算的收益也不高，所以這些仍然不是自動駕駛的核心痛點。

注重，筆者并沒有說感知層面和算力層面不重要，因為沒有足夠的信息輸入，就不足以得出正確判定，而沒有足夠的算力，就不足以在極短時間做出決策。

但是，信息不是越多越好，雖然信息越多，不確定性就會越少，但信息量一旦過了某個節點，其收益增速會逐漸下降，并且導致成本大幅上；同樣算力的過剩，除了成本大幅上漲之外，并不會帶來更多的益處（另外算力還受到功耗、體積等多種限制）。

那么多少是足夠呢？

舉個例子，上學的時候，有的人翻一遍書很后考試就能拿到高分，而有些人翻了無數遍書，很后考試還是不理想。大家都是一雙眼睛、一對耳朵，很終卻成績不同，本質上是因為聰明程度或學習方法（思維、習慣）不同導致的。也就是說假如足夠聰明，那么不需要太多的信息輸入，也能拿到不錯的成績，即對于人來說，所謂的足夠，主要取決于聰明程度。

注：聰明程度不等于算力，因為算力是一個數據處理量的絕對值，類似于CPU的主頻；而聰明程度可以簡單理解為是算力*學習方法（思維、習慣），也就是人們常說的天才不僅僅是智力高（算力高），更多的是后天培養的思維方式。

業界實現自動駕駛基本分為兩種方式：“強感知、強智能”和“弱感知、強智能”，后一種方式目前只有少數企業在采用，也就是以視覺方案為主的策略，代表是特斯拉；前一種則是絕大部分企業采用，擁有激光雷達、高精地圖等額外感知手段，提升“強感知”。

所謂的智能，即是聰明程度，拋開硬件的算力不談（自動駕駛Tier1級別的處理器算力相差不大，且除了特斯拉之外都是采購第三方的芯片），各家廠商真正角逐的賽場，其實在學習方法（思維、習慣）的提高方面，換句話說，也就是軟件層面的問題。這其實就是為什么現如今自動駕駛行業的發展，愈發偏向軟件研發公司，例如華為、達摩院等企業的入場。

自動駕駛，需要應對的道路情況極為復雜，因為除了固定的道路信息之外，每個人、車都具有極強的不確定性，可能發生的情況接近于“無限”。假如由程序員來界定車輛在何種情況下進行某種操作，那么就是以“有限”對“無限”，根本沒有勝算。所以業界無一例外，在對信息的整合處理階段，都是采用人工智能的方式，對神經網絡進行練習，通過深度學習（DeepLearning，機器學習的一種）的方式提高“智力”。

深度學習，是一種針對神經網絡的練習方式。簡單理解，即是通過電子解構模擬了人類大腦的學習方式，通過大量“學習材料”（數據）對其進行練習，即可使其獲得類似人類一樣認知世界和理解世界的能力。（神經網絡原理參考筆者另一篇文章：《霹靂游俠》離現實還有多遠？）

舉個例子，拿一堆照片給神經網絡學習，一開始正確率并不高，這就像小時候父母剛剛教你熟悉各種東西時一樣的。但隨著接觸同類東西越來越多，次數越來越多，識別率會飛速提升，直到無限接近100%的識別率。

并且當練習到達一定級別時，就如同人類已經對四面事物相當熟悉，此時你并不需要仔細觀察某物，或者需要多種信息交叉對比才能確定這玩意到底是啥，僅僅需要看一眼就能正確得知物體是什么。自動駕駛領域對神經網絡的練習，也能達到同樣的效果，一旦練習程度足夠，那么感知層面所需要的信息量就很少。

（神經網絡練習示意）

例如comma.ai在普通車型上，僅僅通過加裝一部普通手機作為感知和運算單元，加上自己寫的自動駕駛算法openpilot，就能較好實現L2.5級別自動駕駛。

創始人GeorgeHotz是一位軟件天才、黑科，曾在2007年破解第一代iPhone，2009年破解iPhone3GS，以及后來破解索尼PS3、PSN。曾在特斯拉AP團隊工作過，于2020年成立自己的人工智能公司comma.ai，專注于自動駕駛，利用神經網絡和機器學習研發了openpilot系統，通過手機作為感知傳感器和計算單元，實現L2.5級別自動駕駛。用戶只需采購幾百刀的設備，即可將幾款指定車型變為L2.5級別自動駕駛車輛。

不過自動駕駛不同于考試，達到高分是不夠的，終極目標需要的是無限逼近滿分才行，究竟汽車本質上是一臺高速移動的“危險機器”，一個小錯誤都可能以生命為代價。

所以整個自動駕駛行業，從之前的硬件競爭，逐漸轉變為了機器學習競爭。也就是說，誰能更好更快地練習自動駕駛AI，誰就具有真正的優勢和技術壁壘。達摩院發布的自動駕駛仿真路測平臺，就是為此服務的。

車輛所需的練習數據，來源無外乎兩類：模擬器、實際道路。

一般來說，車輛在初期練習階段都是在模擬器中進行的，優勢在于可以24小時不停地進行學習，從而大幅提升基礎自動駕駛能力。但問題在于，模擬器中雖說可以針對不同的道路環境進行自定義設置，但仍然比不上實際道路的復雜狀況，也就是在模擬器中練習完成，如同應試教育畢業的學生，與社會仍然存在脫節。

（圖來自億歐）

假如采用實際道路數據，效果會好很多，但是實際道路數據需要大量行駛在普通公開道路的車輛，而到達這個級別的車輛只有一個：特斯拉。

根據2月底舉行的ScaledMachineLearningConference（大型機器學習研討會）中，特斯拉AI和視覺負責人AndrejKarpathy分享了很新的數據，在AP啟用狀態下共行駛了30億英里，NOA（NavigateOnAutopilot）啟用狀態下里程超過10億英里，自動變道執行超過20萬次，高級智能召喚使用次數超過120萬次。

特斯拉自家的大型計算機集群項目Dojo可以將這些數據篩選整合，基于真實的路測信息對AP算法（神經網絡）進行無監管練習和優化升級。但這樣級別的規模和早于市場很多年的規劃，不是哪個自動駕駛企業都能做到的，無論是售出車輛規模還是軟件團隊進度。例如投入自動駕駛長達十幾年之久的谷歌團隊Waymo至今的路測里程不過2000萬英里而已。

多家研究機構表示，自動駕駛車輛需要積累177億公里的實際路測數據，才能保證自動駕駛的安全性。這樣就進入了死循環，自動駕駛的能力不夠，產品力就不足以有吸引力，那么市場中行駛的自家車輛就少，而使用模擬器練習又無法與實際路測練習競爭。

所以達摩院發布的自動駕駛仿真路測平臺就派上用場了。

該平臺能夠將現實的路況信息通過其他手段收集，并融合進模擬器環境中，也就是說神經網絡系統能夠得到比一般模擬器更加真實的練習，能夠接近路測數據級別。該平臺甚至通過算法模擬人類的不確定，對車輛進行隨機干預，模擬各種現實中希罕的駕駛習慣以及場景。并且由于性能強勁，傳統極為復雜的場景需要僅1個月時間，而在達摩院這套平臺中，僅需30秒即可完成復雜場景的構建和測試預備，天天可支持場景構建數量達百萬級別。整體練習效率相比普通模擬器將提升百萬倍。

這無疑對于其他自動駕駛企業來說，是個天大的喜訊。

不過值得注重的是，這個平臺就像一個高級培訓班，能夠獲得多少提升，還要看自己的算法優劣。因為本身深度學習本身并不復雜，一個略微懂Python的朋友也能夠自己玩，比如Chares2.0系統就是國外一個博主自己針對GTA5游戲，編寫的自動駕駛軟件，經過半年多的練習優化，已經能夠在游戲中實現相對不錯的效果。

但這東西就是入門簡單，精通難，想要提高效率、優化算法，是一件極其復雜的事情。這也是為什么近幾年，有不只一家公司被特斯拉起訴，前員工將部分算法代碼“偷”到下家使用。

（前一陣自動駕駛公司Zoox承認了員工竊取特斯拉AP算法）

總結來說，自動駕駛發展道路上，硬件技術雖然重要，但只是門檻，真正的技術壁壘和難點，集中在自動駕駛神經網絡的練習上。并且基于神經網絡的練習模式，這種進步速度是超乎一般人想象的，很簡單的例子就是谷歌的AlphaGo僅用幾年時間，就擊敗了全球頂尖圍棋高手。

當然想要完全克服所有場景下適用的完全自動駕駛（L5級別），還是需要大量工程師的長久努力，但如今自動駕駛的發展速度已經不能用日新月異來形容了，應該用每分每秒來計量。神經網絡系統無時不刻通過大量數據在“進化”，就相當于一個頂尖天才從不休息地在高效學習，其結果可想而知。

達摩院此次發布的仿真路測平臺或許很多人不在意，但是記住筆者的話，在不久的將來，或許你使用的自動駕駛系統就“畢業”于這里。