資本退潮 自動駕駛走入低谷？

文 / 孟華

最近一兩年，似乎是自動駕駛技術的低谷。

特斯拉被輿論吊打；Waymo放慢了試運營，順便CEO被“裸辭”；優步和Lyft把自動駕駛業務賣了；Cruise和Argo AI喊得仍然很兇，但擴張變慢了；百度的Apollo則從“賦能”平臺轉向自己造硬件平臺；新勢力們對“智能輔助駕駛”功能的宣傳調門，也下降了很多。

技術停滯不前

公眾的直觀感受，在國內自動駕駛技術專利申請上得到驗證。2019年是巔峰（10463件），終結了2015年以來的爆發式增長勢頭；2020年9750件，看似只是略降；今年截至6月底，只有813件。

專利申請不等于授權，但已經透露出技術開發投資已經越過山巔，走向新低谷。這背后是對技術中長期前景的悲觀預期。相關資本的退潮，更是提前到兩三年前。

自動駕駛產生了幾條不同的路線，壁壘都很高。無論是特斯拉、大疆的純視覺，華為的“激光雷達+毫米波雷達+攝像頭+超聲波雷達”融合，百度的“Robotaxi”路線，還有更小眾的V2X車路協同路線，都需要強大的軟硬件結合能力。目前進展比預期緩慢得多。

從商業模式上，自動駕駛的終極目標是替代人。目前，前者的成本還沒到低點，而人工成本還在上漲。但是即便到了交叉點，因為前者的能力不行，也無法形成替代。

在商業應用層面，大家都不約而同地停留在L2這個級別上。不管如何修飾（諸如L2+、L2.5、L2.99等），哪怕是亟須與眾不同標簽的新勢力，也不會貿然將L3落地，盡管它們聲稱在硬件上早已準備好了。特斯拉吃過幾回擦邊球的虧，現在言辭謹慎了很多。

那么，到底是什么原因，使得自動駕駛技術的發展進程，大大落后于5年前的預期。我們當初忽視了什么要素？

經驗遞推不可取

智能技術的未來如何預期，似乎是一個難題。即便人類作為一個整體，對科技發展時間尺度的判斷，也非常地糾結。

從大的尺度上來看，歷史當然是加速的。一個來自200年前的人（清道光元年），穿越到今天，一定會一直處于震驚狀態無法自拔，眼前的一切都無法理解。而400年前的人（明天啟元年）穿越到200年前，他可能會覺得新鮮，但不會嚇尿。

原因在于，一個更加發達的社會，能夠繼續發展的能力更強，發展的速度也因此更快。

但是近期的歷史可能產生誤導。即便我們處于技術的強烈上升期，只要截取的時間足夠短，譬如最近兩三年，仍然覺得技術發展在龜爬。2019年的自動駕駛水平，和今天的看上去沒有太大區別。

即便指數增長，也常常遵循S型發展路線，有慢速期、快速期和平緩期。

說實話，我們相當不篤定，眼下到底身處哪個時期。這讓我們對未來智能技術的預測，產生巨大的分歧。

但無論如何，使用個人經驗預測，是不可取的。想象力往往植根于個人經驗中，當預測偏離經驗，我們本能地覺得預測錯了。

“強化學習”有多強

認錯的結果，是我們對10年內的智能技術發展，看法趨于悲觀。

歷史不會停滯，只不過以我們無法察覺的方式行進。

事實上，我們已經身處智能車時代了。發明“人工智能（AI）”這個詞的約翰·麥卡錫也承認，“一旦一樣東西用人工智能實現了，人們就不再叫它人工智能了”。對大多數人來說，AI是未來的神秘存在，而不是身邊的現實。

定速巡航、自適應巡航、多場景輔助駕駛、多場景自主駕駛……顯示了人工智能處于成長中，我們只是對進度不滿。

如今我們已經擁有超算，可以使用暴力解算，但“車載算力”受限于能源供應和散熱條件，不可能擁有過于奢侈的并行處理能力。

因此，數據需要壓縮，而且要提前融合，不要指望車載算力能處理每秒上G的傳感器數據。如今基于圖形編輯器的模型多如牛毛，但算力核心只能被填喂變形之后的數據。目前就這個水平。

人類的大腦，毫無疑問有訓練機制。只不過，和人工智能不同，人類不依靠龐大的數據處理能力。事實上，人類接收的信息相當有限（事先經過濾除）。人類不需要大數據，就能辨識。

小孩子被教育認識了紅蘋果，再看到青蘋果，一下子就意識到后者也是蘋果。視覺某種預訓練信息，已經編碼到DNA里面了。我們不清楚它的機制，但它肯定存在。

模仿人類的強化學習方向，仍是AI領域最具希望、最前沿的子領域。AlphaGo的“深度學習”，也是類似的能力，只不過施展的范圍限于下圍棋。

“模擬演化”是希望？

自動駕駛能力也是如此。在道路行駛中，我們教會AI辨識路邊行人和垃圾桶的區別，但AI可能將雪人視為人類，并未意識到它是非生命體。目前的人工智能，在“舉一反三”這種幾乎不需要思考的領域，只相當于3歲的孩子。

我們教3歲孩子不要碰炭火爐，但下一次遇到燃氣灶，他仍然躍躍欲試。人工智能當前也是如此，這一點讓我們相當崩潰。爐子和蘋果的區別就在于，蘋果這類“自然物體”的辨識，早已“預置”為本能。

我們知道孩童早晚會長大，能辨識出危險而趨避；但是對人工智能的成長，就不那么有把握。

如果拋開一味強化運算能力這種死結，似乎可以用模擬演化的方式建造“強人工智能”。記住，不是模擬大腦運行的過程，而是模擬大腦“誕生”的過程。

具體而言，就是建立一個表現-評估的過程。成功的部分將會增殖，然后程序融合，產生新的程序；不成功的自動“沉降”。如此反復后，就獲得越來越強大的算法。目前的人工智能演化（類腦計算機），正處于從線蟲（200個神經元）向老鼠（1億個神經元）過渡的階段，距離人類那種超級大腦，還遠得很。

因為難點在于融合過程，而非建立評價體系。一旦融合實現，就意味著程序能夠自我進化。生物演化花了十幾億年，我們的期望，則是幾年。因此，沒有方向的自然演化，是不可接受的。必須特化、強化環境要素，使模擬演化更快、更有方向性。

目前，我們不知道這種策略是否可行，但值得一試。

一旦實現，那么就產生了自我進化的算法。強人工智能就此誕生。這就是蓋茨、馬斯克、霍金等人不斷警告的“奇點時刻”。

這種演化和自我訓練，開始如蝸牛一樣慢，后來可能加速到令人瞠目的速度。很多科學家擔心此后的故事，是否變得極為恐怖，但我們如今更操心，當前路徑是否可行。

經過5-6年的高速發展，現在自動駕駛投資熱情被抑制。商業邏輯的目光，不會超過數年的尺度。太長時間兌現的商業回報，沒有太大意義。

但是技術不止和商業有關，更與人類思考的深度、基礎學科的導引有關。人類對自身認識的膚淺，拖慢了自動駕駛技術替代人的進程。超越商業考慮向遠處眺望，我們就只會專注于目標，而忽略路有多長。