資訊機構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，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」、「量產計劃」、「技術」以及「產品持久力」這幾個方面的綜合表現(xiàn)打分排名。

(2019自動駕駛領導力排行榜，來源：Navigant Research)

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)化試運營應該是其領先的重要原因。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「政府關系」和「數(shù)據(jù)」這兩個重要標準的考量。

和政府搞好關系的重要性自不必說。一旦硬件實現(xiàn)商品化，軟件就成了關鍵。實際上不能說是軟件，而是「數(shù)據(jù)」。數(shù)據(jù)是驅動自動駕駛技術發(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于特斯拉和Waymo在技術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，他分享的內容主題為「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)絡進行監(jiān)督訓練，使得物體感知和行為預測能力有了大幅提升，這些技術在Waymo自動駕駛開發(fā)過程中得到了大規(guī)模應用。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，它的神經網(wǎng)絡能夠通過「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，最終神經網(wǎng)絡就能夠根據(jù)感知的結果輸出相對應的決策動作。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網(wǎng)絡需要的數(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已經構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，那么每月產生的有效行駛里程將到達10億英里的量級。對一家已經有成熟產品落地的車企而言，這種真實世界產生的「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(https://0x9.me/yRgBO)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，神經網(wǎng)絡就能夠給出正確的決策結果，例如在絕大多數(shù)場景中如何轉向、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對特定場景。

不過按照個人的理解，特斯拉軟件工程師提到的「行為克隆」和Waymo的「模仿學習」是一個意思，等同于大家都在講的「端到端學習」的方案，即使用一個巨大的神經網(wǎng)絡，輸入傳感器數(shù)據(jù)后得到關于轉向、加速和剎車的整體執(zhí)行策略。

假設特斯拉采用的是端到端學習方案，那它肯定是不需要對圖像進行標記的。唯一需要「標記」的是人類駕駛員的行為，比如轉向角是多少、加減速的力度等。將整個傳感器數(shù)據(jù)輸入到一個巨大的神經網(wǎng)絡后，系統(tǒng)會學習如何將傳感器數(shù)據(jù)與人類駕駛員的行為進行匹配。但我們知道特斯拉是在做圖片標記的，所以從這一點出發(fā)考慮，它采用的就不大可能是和Waymo一樣的「端到端學習」的策略。

(「端到端」與「語義抽象」的差異)

針對自動駕駛感知的算法差異，Mobileye創(chuàng)始人Amnon Shashua曾經對「端到端學習(End-to-End Learning)」和「語義抽象(Semantic Abstraction)」這兩個概念做過詳細的講解。

而根據(jù)外媒 The Information 報道的內容來推斷，特斯拉可能是在開發(fā)一套用于路徑規(guī)劃或執(zhí)行控制的神經網(wǎng)絡。而用來訓練這套神經網(wǎng)絡的數(shù)據(jù)并非來自傳感器，而是由感知神經網(wǎng)絡輸出的元數(shù)據(jù)。這樣人類駕駛員的直接行為—轉向、加速和剎車可以對元數(shù)據(jù)進行「標記」，類似端到端學習中，駕駛行為與傳感器數(shù)據(jù)的匹配。

這種將感知層和執(zhí)行層神經網(wǎng)絡分開的做法能夠規(guī)避Shashua教授上面提到的端到端學習可能產生的一系列問題：如「不常見場景」出現(xiàn)的幾率會大幅下降;對先備知識(Prior Knowledge)的要求提高，深度神經網(wǎng)絡在解決一些簡單問題上可能會「慘敗」。

(「端到端」機器學習的局限性)

假設特斯拉用于訓練的數(shù)據(jù)來自特斯拉車主，通過人工的方式將一些「壞的」行為去掉，這樣可以避開人工編碼算法的局限和模擬測試的不真實。當然特斯拉還可以使用強化學習或監(jiān)督學習來進一步優(yōu)化。可以把路徑規(guī)劃或執(zhí)行控制的神經網(wǎng)絡放在運行Autopilot或其他駕駛輔助功能的車子上，一旦出現(xiàn)系統(tǒng)脫離、失效、碰撞等情況，工程師就可以通過bug報告來定位原因。這些「錯誤」之后還可以用來訓練新的神經網(wǎng)絡。

如果上面猜測正確的話，這種方法可以用相當快的速度來解決路徑規(guī)劃和執(zhí)行控制方面的問題?？紤]到目前搭載硬件2.0版本的特斯拉車型每個月可以獲得近10億英里的行駛里程，獲得的數(shù)據(jù)量之大是Waymo無法企及的。之后硬件3.0版本上線后，搭載了AI芯片的這套系統(tǒng)會更有利于特斯拉算法的迭代。

一場馬拉松式的長跑

盡管Waymo深受「數(shù)據(jù)」的困擾，但光憑對這個維度的考量自然是沒辦法斷言什么的。只不過Waymo要解決自動駕駛中的「長尾」問題，自然需要更多的數(shù)據(jù)支持。Waymo近日宣布將在亞利桑那州的梅薩市開設新的技術服務中心，進一步擴大無人車出行服務的規(guī)模。顯然Waymo是奔著搜集更多「數(shù)據(jù)」的目的來的。

(基于克萊斯勒Pacifica車型打造的Waymo自動駕駛原型車)

也有人認為，Waymo可以效仿特斯拉開發(fā)一套類似Autopilot的駕駛輔助系統(tǒng)，僅使用成本低廉可量產的傳感器。一旦在市場鋪開后，搜集真實場景的駕駛數(shù)據(jù)也就不是什么難事了。當然，Waymo自己要完成這件事比較困難，肯定需要來自主機廠領域的合作伙伴。

上周有消息稱，「Waymo正在尋求外部投資人」。意料之中的計劃。如果有車企成為Waymo的股東，要獲得海量的駕駛數(shù)據(jù)自然容易得多。而且Waymo作為自動駕駛解決方案的供應商，始終只有借助OEM的平臺才能最終獲得商業(yè)化成功。不管是手中的全棧自動駕駛技術亦或是正在進行的移動出行業(yè)務，Waymo對很多車企而言，都是有十足吸引力的合作伙伴。Cruise和通用、福特與Argo.AI，這些都是比較成功的先例。

對特斯拉而言，之前因為Model 3陷入「量產地獄」，Autopilot的研發(fā)進程似乎出現(xiàn)了停滯，硬件3.0也遲遲沒有發(fā)布。盡管在「數(shù)據(jù)」容量上有先天優(yōu)勢，但率先量產以及頻發(fā)的幾次事故使其屢陷輿論風波。所以，特斯拉在自動駕駛上到底能有怎樣的成就，還在還很難說。

不過我個人倒是蠻欣賞之前馬斯克說過的一段話。

他說，「我不認為哪家企業(yè)能在特斯拉之前打造出一套綜合性的自動駕駛解決方案。除非它們保密工作做得太好了，到時候要拿出驚人的成果來。我覺得這種可能性不大，對特斯拉而言，任何車企都不是我們的競爭對手」。

希望這種「目中無人」的狂妄自大，可以給特斯拉帶來點好運氣。