AI公开课：19.03.20吴甘沙-驭势科技联合创始人《AI时代的自动驾驶趋势》课堂笔记以及个人感悟
导读
为什么要大大小小的公司都要做无人驾驶？因为它真的是一个很大的舞台，具有巨大的意义；在真正的创业，或者是在学术研究的过程当中，要清楚的知道自己想要解决什么样的问题，通过什么样的路径去解决，是要找到大众的需求，还是找垂直细分场景；要想清楚怎么去解决数据获得性的问题，怎么去解决开放动态的环境问题，然后我们才可以去创业，一定不要做机会主义者。此外，我们也可以在学术上获得突破，因为现在还有很多问题没有解决。
技术更新真的是非常快，而且说实话，这一波 AI 所依赖的技术基础，比如深度学习基本上都碰到瓶颈了，现在想在 ImageNet 上再提高 0.1% 已经很困难了，技术必然在不断地变化，我们也要不断的学，但是学的过程当中，你学到的不是技术本身，而是一种“元能力”，是你不断学习新的技术的能力，而不是新的技术本身，这点非常重要。
演讲内容(部分)
小编使劲整理中……
今天的演讲的两部分：
Why：也就是为什么要做这件事情？它的目标和意义何在？
What and How：到底做什么，怎么做？
很多传统行业，其实现在还不具备条件进行人工智能化，因为它有些先天不足，比如它没有数据。没有数据，那么很多智能都做不起来，当然，也要找到那些有先天优势的地方。还有，一定要管理好期望差，人工智能有一个特点：就是 更多的融资没办法去改变技术本身成熟的规律和节奏，堆再多的钱进去也没用。一个女人 9 个月怀胎生一个孩子，九个女人不可能一个月生出来。所以要管理这种期望差，不要觉得赶紧拿钱通过更加努力，就能够把这个东西很快做出来，这是人工智能很难的地方。
1、无人驾驶—百家争鸣
为什么现在大大小小的公司都进来做无人驾驶了？
新四化：电动化、共享化、智能化、网联化
智能化、网联化，还远比不上无人驾驶带来的冲击。未来的无人车应该是什么样子？它的外表跟今天的车不太一样，它的外表会变得比较拟人化，希望在设计上给别人带来不同的感觉，设计者都试图给无人车一些赋予一些人性化的东西。
2、无人车—水大鱼大
无人车行业我们认为是一个水大鱼大的行业，水必须足够大，才能够养出大鱼来。汽车是一个发生着巨大变化的行业，出行也是一样。
3、机遇与挑战
方向确定、路径不确定的长赛道，是机会也是挑战。今天的领先者今后未必还是领先者，因为赛道很长，什么都有可能发生。
4、无人驾驶汽车的选择问题
假如无人车的刹车失灵，左边是五个人，右边是四个人，左边的人是戴着头盔的，右边是不戴头盔的，无人车系统到底会选择谁去牺牲？
这个问题一直在争论，但是没有一个标准答案。那么我们应该怎么去解决这个问题？我们的一个普遍的回答是：怎么选择是哲学家考虑的问题，而工程师思维要考虑的问题是怎么把刹车给修好，不要让刹车失灵。
5、关于Innovation 和 Invention
Invention 就是从 Money→Idea，要花很多钱，发现或者发明一个从来没有存在过的一个 Idea；而 Innovation 刚好相反，Idea→Money，真正要实现它产生价值。创业做的是得 Innovation；做学术研究，获得技术突破是 Invention。
这两者都是人生价值的体现，并不一定要创业，成为百万富翁、亿万富翁，才是人生价值的实现。我觉得现在无人驾驶创业不容易，但是技术的突破，支撑着创业公司的发展。
6、大机会时代
我们不要做机会主义者，机会主义者是这边打一下，那边赚点钱，必然会把所有的机会都丢了。
- 第一，算法要好，就好比是一个人的智商；
- 第二，要有产品力，就相当于人的体格；
- 第三，还要有客户能力，相当于情商，要搞定那些大车场、大客户；
- 第四，要有学问，就相当于数据。
这些要素不断的形成一个正向的循环，四种能力缺一不可。如果你觉得自己只擅长算法，那就要找一个工程能力非常强的帮手，找一个客户能力非常强的帮手，你们一起来创业，才有可能成功。
对话环节
雷鸣教授：无人驾驶这个产业和其他产业不太一样，这个领域非常大，但真正创业公司没有那么多，不像互联网，一上市能够千团大战。但是我们又看到每家无人驾驶公司的估值都特别高，您是如何看待这个情况的？
吴甘沙CEO：自动驾驶真正进一步到创业阶段，你会发现它太难了。
- 人才结构，对整个技术体系的完整性要求非常高。
- 自动驾驶其实是有一个很长的过程。第一步叫 Demo，要演示出来；第二步叫 Deploy，要部署出去；第三步叫 Deliver，要真正交付；第四步才进入量产，周期非常长。
- 综合考虑，就是一场马拉松，能够进入最后一层的冲刺的公司不会太多。
雷鸣教授：既然自动驾驶这么困难，您觉得现在还有可能在这个行业中创业吗？如果有在什么地方还有可能？
吴甘沙CEO：现在我能看到的创业的可能，
- 核心的组件的技术上。可能某家公司做了一种新的传感器，这种传感器能够显著的提升自动驾驶对环境的识别能力，哪怕是在一些特殊环境下，比如夜间场景等等，如果你可以在一项技术能够做到极致，我认为还是有很多的机会的。
- 安全领域上。这个安全不是 safety，而是 security，未来智能的网联的汽车，安全一定会是个大问题。如果说你是一个技术特别强的人，但是你又没办法组成一个体系性、完整性非常好的团队，那么做这种“点技术”，还是有机会的。
- 硬件的终良率。做硬件的难点是在什么地方？技术原理都走通了，并不代表你能成功，因为一定会出现良率的问题，无论是固态激光雷达，还是其他的自动驾驶配件，它们的原理都可以走通，但是最终良率卡在 10%，20%，这是没有办法的。
雷鸣教授：一个完整的自动驾驶团队都会用到哪些比较深的技术？尤其是跟人工智能有关的技术，这些团队，他们大概的组成的配比是怎样的？成员之间怎么协作？
吴甘沙CEO：其实在不同的阶段是不一样的。
- 创业初期，可能绝大多数都是研发：比如说一半是做软件的，一半做硬件的。那么随着公司越来越从项目驱动往产品驱动转型发展，你就会发现硬件成长比较慢，而软件迭代更快些。
- 车端&云端：它们要解决的是不同的问题。车端要解决硬件便宜可靠，可能还需要考虑功耗低，散热好等等一系列的问题；软件就是主要的 AI 技术发挥作用的地方，比如 OS 实时性要好、可靠性要好、延迟要低、可预测性要强，算法和深度学习模型要能够在便宜的硬件上能跑起来等等。云端要解决的问题主要是数据管理、高精地图、仿真、车辆的运维等等。这其实是一个典型的产业互联网的场景，车端的所有这些零部件都是联网的，在零件出现问题的时候你、要及时止损，甚至是预测性的发现问题，比如说传感器被遮挡了等等，要及时的发现。
- 体系要求完整：它确实是体系性要求非常高，横跨了 AI 的算法，汽车的软件工程和硬件的工程，包括通讯、包括云端的大数据的管理等等，是非常完整的一个体系。
- 初始阶段需要大量算法去做决策：一开始的阶段可能会做大量的算法，但是到了一定程度以后，决策的重要性变多了。比如 Waymo 去年人工接管的案例大概一半是跟决策相关的，1/4 是跟感知有关的，还有可能不到 1/4 是跟路上不理性的一些行为有关的，还有一些就是跟软件、硬件的错误有关，此外还有天气的状况的影响等等。
雷鸣教授：技术更新换代速度很快，今年学一项技术，明年还有没有用就不好说了。您觉得学习技术怎么能锻炼一些让自己能够长时间都可以有用的能力呢？除了算法之外，到底怎样才能让自己就是学到能更有效、更长时间伴随自己的能力？
吴甘沙CEO：技术更新真的是非常快，而且说实话，这一波 AI 所依赖的技术基础，比如深度学习基本上都碰到瓶颈了，现在想在 ImageNet 上再提高 0.1% 已经很困难了，技术必然在不断地变化，我们也要不断的学，但是学的过程当中，你学到的不是技术本身，而是一种“元能力”，是你不断学习新的技术的能力，而不是新的技术本身，这点非常重要。
- 匠人精神深入研究：随便装个 Tensorflow 的工具链，再到 GitHub 上面随便找一个模型，很快就能把一个事情做起来了，即使你不断的更换也是学不到东西的，你需要的是钻深的技术。
- 物质丰富到人逐渐丧失原本的能力：我觉得现在很多事情都太容易得到满足了，现在世界的物质如此丰富，很多梦想都太容易实现了。比如打游戏的时候，你随便买点装备很快就通关了，这个没什么意思，你应该靠自己的本事去练出来真正打通关的能力。
如果说每出来一个新的 CVPR 论文，你都能找到论文、找到原代码、找到模型，真正能够去理解它后面的东西，在这个过程当中，你其实就在积累你的语言能力，而不仅仅是运用这门技术的能力。以前有一句话：你要选择一条少有人走的路。随便拿一个模型过来，训练一下马上就能用，虽然很爽，但是没有什么用，你要走那条少有人走的路，这样才能在技术的迭代当中，不断增强你的竞争力。
现场图片
课堂演讲PPT
新四化
谷歌专利：防止二次受害，直接把人粘在前盖上。
无人车会对物流带来变化，如果通过无人驾驶，物流的成本会降到今天的 1/3。干线的运输会通过无人货车进行，末端的配送就会通过小型的机器人执行。甚至在未来，移动的鞋店、生鲜超市、医院、ATM 等等都会直接开到家门口，万物都可以动起来了。这些都是无人驾驶带来的很多新零售、新消费的空间。这是一个很大的舞台。
从停车位到自行车道和卸客车道
背景知识+不断提升模仿学习RL+因果推理+迁移学习
智商+情商+学问
