資訊機構(gòu)Navigant Research最近公布的報告再次將兩家公司推向風口浪尖。一個是在排名中墊底的特斯拉，KUKA機器人示教器維修，另一個則是拔得頭籌的Waymo。至于評判標準，是根據(jù)每家公司在“愿景”、“商業(yè)化策略”、“合作方”、“量產(chǎn)計劃”、“技術(shù)”以及“產(chǎn)品持久力”這幾個方面的綜合表現(xiàn)打分排名。
在去年的報告中，Waymo和特斯拉的排名分別為第七位和第十二位。對Waymo而言，去年開始的大規(guī)模商業(yè)化試運營應(yīng)該是其領(lǐng)先的重要原因。但特斯拉墊底就有點說不過去了，排名竟然比蘋果都低。在一些業(yè)內(nèi)人士看來，這份報告在成文的視角和方法論上略有偏差，缺失了對“政府關(guān)系”和“數(shù)據(jù)”這兩個重要標準的考量。
和政府搞好關(guān)系的重要性自不必說。一旦硬件實現(xiàn)商品化，軟件就成了關(guān)鍵。實際上不能說是軟件，而是“數(shù)據(jù)”。數(shù)據(jù)是驅(qū)動自動駕駛技術(shù)發(fā)展的“燃料”，或者如前英特爾首席執(zhí)行官Brian Krzanich提出的觀點，“數(shù)據(jù)是新的石油資源”。世界上最先進的人工智能也需要數(shù)據(jù)支持——它依靠浩如煙海的數(shù)據(jù)將信息傳化為下一步的行動。
顯然，如果只考慮“科技”和“數(shù)據(jù)收集”這兩個維度，排在榜首的應(yīng)該是Waymo和特斯拉。至于誰最終會在這場“曠日持久戰(zhàn)”中勝出，我們暫且不討論。今天想和大家聊聊關(guān)于特斯拉和Waymo在技術(shù)層面的一兩點差異性。
“貌合”“神離”的兩套方案
二月底，Waymo首席科學家Drago Anguelov在MIT首次開講，庫卡機器人驅(qū)動器維修，他分享的內(nèi)容主題為“解決自動駕駛中的長尾問題”（Taming The Long Tail of Autonomous Driving Challenges），這應(yīng)該是外界對Waymo自動駕駛研發(fā)目前能夠了解到的最深度、最詳細的內(nèi)容了。
近些年，使用大量標注過的數(shù)據(jù)對深度學習網(wǎng)絡(luò)進行監(jiān)督訓練，使得物體感知和行為預(yù)測能力有了大幅提升，這些技術(shù)在Waymo自動駕駛開發(fā)過程中得到了大規(guī)模應(yīng)用。我們也從Drago Anguelov口中第一次知道了Waymo在使用“模仿學習（imitation learning）”，這里先稍微科普一下。
模仿學習屬于機器學習的一種，它的神經(jīng)網(wǎng)絡(luò)能夠通過“觀察”人類的行為將某些特定的動作和場景進行匹配。如果使用不同類型的“人類行為”作為數(shù)據(jù)源來訓練，最終神經(jīng)網(wǎng)絡(luò)就能夠根據(jù)感知的結(jié)果輸出相對應(yīng)的決策動作。例如，“如果你看到停車標志，馬上停車”、“如果前方有輛停著的車擋路了，繞開它”等等。
（“行為克隆”（behaviour cloning）與“模仿學習”（imitation）是一回事）
隨著商業(yè)化試運營的推進，谷歌能夠采集數(shù)據(jù)的場景更多了，模仿學習算法也就有了更頻繁的用處。但Drago Anguelov也指出，人類駕駛行為存在著很多不確定性，一些罕見的場景（所謂的“長尾”問題），Waymo的數(shù)據(jù)集中并沒有足夠的案例來訓練算法應(yīng)對。出現(xiàn)這種情況就只能依靠開發(fā)人員手動編寫算法。Drago認為這種“折中”的做法遲早是會被機器學習代替的。
根據(jù)Waymo官方披露的數(shù)據(jù)，Waymo目前已經(jīng)累積了約1500萬英里的行駛里程。按照平均每3000萬英里才會出現(xiàn)一起事故的概率來計算的話，Waymo可能到現(xiàn)在都沒有得到一個特定的“長尾”案例。假設(shè)行駛每100萬英里會發(fā)生一起事故，waymo也不過積累了15個數(shù)據(jù)而已。按照普通機器學習神經(jīng)網(wǎng)絡(luò)需要的數(shù)據(jù)量（每個圖像分類需要至少1000個樣本）的標準來看，Waymo似乎還差得有些遠。
盡管Drago Anguelov表示希望通過采集盡可能多的人類駕駛行為（包括“長尾”案例）來進行模仿學習，但“數(shù)據(jù)量的缺失”是個很大的問題。
而為了彌補這方面的缺陷，Waymo已經(jīng)構(gòu)建出了一套仿真模型，仿真出盡可能多的場景來進行測試。因為有時會得出截然相反的結(jié)果，所以要加強系統(tǒng)的魯棒性，做出足夠多的仿真模型，確保系統(tǒng)的準確性。
（仿真測試是自動駕駛研發(fā)中的關(guān)鍵一環(huán)）
不過仿真模型的建立依然需要真實世界數(shù)據(jù)的支持，解決“長尾”問題也需要對人類駕駛行為進行大量地模仿學習。所以這就又回到了問題的原點，Waymo還需要更大量級“數(shù)據(jù)”的支持。
對比之下，似乎“差生”特斯拉在“數(shù)據(jù)”問題上還真是不發(fā)愁。
特斯拉目前預(yù)計有超過40萬輛搭載了Autopilot系統(tǒng)的車子在道路上行駛，單日行駛里程超過了1300萬英里。如果未來這個車隊的規(guī)模增加至超過100萬輛，那么每月產(chǎn)生的有效行駛里程將到達10億英里的量級。對一家已經(jīng)有成熟產(chǎn)品落地的車企而言，這種真實世界產(chǎn)生的“數(shù)據(jù)”根本不是問題。
（特斯拉Model 3）
至于特斯拉在自動駕駛研發(fā)上的獨特性，根據(jù)外媒 The Information 曾經(jīng)透露的信息，特斯拉同樣在利用“里程累積”上的優(yōu)勢進行模仿學習。
原文是這么說的：
據(jù)熟悉特斯拉這套系統(tǒng)的線人爆料稱，特斯拉的車子在行駛過程中會將攝像頭及其他傳感器的數(shù)據(jù)搜集起來，Autopilot是否運行并沒有關(guān)系。之后工程師可以將這些數(shù)據(jù)中人類的駕駛行為與不同的場景進行匹配，之后遇到類似的場景機器就可以模仿人類去執(zhí)行。比如怎樣拐彎或躲避障礙物。當然這種被叫做“行為克隆”的方法也有局限性，但特斯拉的工程師認為只要有足夠的數(shù)據(jù)支撐，神經(jīng)網(wǎng)絡(luò)就能夠給出正確的決策結(jié)果，例如在絕大多數(shù)場景中如何轉(zhuǎn)向、剎車以及加速。在特斯拉看來，未來不再需要人類手動編程控制無人車應(yīng)對特定場景。