生物界的寒武紀大爆發的成因到今天依然是個未解之謎。但可以肯定的是，在寒武紀大爆發時期出現的一項關鍵“技術”就是視力。在寒武紀時代以前，沒有任何化石證明眼睛的存在，但在此之後卻出現了多種視覺器官。

無人駕駛汽車和有人駕駛汽車本質的區別，就在於多了一雙“眼睛”，但這雙“眼睛”將顛覆萬億級傳統汽車市場。

無人駕駛與“零原則”

“撼動傳統行業的新興科技都有一個共同特點：產品推出後，一項或者多項生產工作的成本將降到幾乎為零。”哥倫比亞大學人工智能實驗室主任利普森（Hod Lipson）教授在《無人駕駛》一書中寫道，這個原理叫做“零原則”（Zero Principle）。

先來看一些符合零原則的歷史先例，從蒸汽機開始。假如你是18世紀末英國的技術觀察家，你會考慮對新興的商用蒸汽機進行投資嗎？如果你用零原則來衡量這個新產品的投資價值，就能馬上看到它的潛力。

蒸汽機大幅降低了動力行業的機械成本，在發明蒸汽動力以前，工廠和磨坊的動力來源都受到直接、間接的現實操作限制。當商用蒸汽機被引入工業時，直接和間接的動力機械成本都被“蒸發”掉了，轉變了製造流程，最終引發工業革命。

將近200年後，另一項產生深遠影響的發明——計算機出現了。和蒸汽機一樣，計算機勢必會影響整個行業的發展，因為它降低了曾經十分昂貴的計算成本。

那麼，今天的無人駕駛技術的發展是否會出現顛覆性的局面？

我們把零原則應用在無人駕駛的案例中，看看哪些直接或間接成本能減少，無人駕駛汽車能減少的最大經濟、社會成本之一就是交通事故造成的傷害。

另外，能節省下駕駛的時間。對於普通人來說，花在駕駛上的時間是間接的機會成本。對於運輸公司而言，人類司機的時間成本直接以薪酬的形式體現，是決定貨物運輸過程的主要因素。

最後，由於無人駕駛技術去掉了人為易發生事故的因素影響，汽車和貨車車輛不再需要以“體型龐大”和“專為安全性而設計”的形象出現，同時無人駕駛還能降低燃油的消耗，催生豐富多樣的車身和車型。

如果我們仔細梳理一下，會發現無人駕駛將四項核心成本減至接近零。

1、接近零傷害。駕駛是高風險行為，無人駕駛汽車能極大降低車禍的直接或間接成本，也減少了每年因交通事故住院的醫療成本（美國全年的醫療費用在180億美元）。以及相關的工薪損失（每年330億美元）。醫療、保險、器官捐獻等收入與交通事故掛鉤的行業將喪失部分收入來源。

2、接近零成本。無人駕駛汽車去除了一項客運或貨運的成本：工資。貨車司機的工資是運輸貨物、商品的一項重要成本。乘坐出租車的成本也和出租司機的工資有關。

3、接近零耗時。無人駕駛汽車將駕駛的時間減少至零。平均每天美國人花在駕駛上的時間是3小時，每年耗在交通擁堵上的時間是63小時。以前用於駕駛的時間可以用於工作或個人生活。

4、接近零尺寸。有人駕駛的車輛出於安全設計的限制，體型龐大沉重。無人駕駛汽車的事故可能性較小，因此車型更小，重量更輕。沒有司機的貨運車只需要與所運輸的物品大小一致即可。

無人駕駛概念車

無人駕駛——人工智能寒武紀大爆發的開端

寒武紀大爆發是生物進化史上的重大事件，在此之前絕大部分主流的動物門尚未形成，只存在簡單的生命形態；在此之後的幾百萬年中，生物多樣性加速發展——開始出現多細胞機體，生命形態變得與我們今天所熟悉的動物王國非常類似。

寒武紀大爆發的成因到今天依然是個未解之謎。但可以肯定的是，在寒武紀大爆發時期出現的一項關鍵“技術”就是視力。在寒武紀時代以前，沒有任何化石證明眼睛的存在，但在此之後卻出現了多種視覺器官。

在寒武紀中後期的伯吉斯頁岩中，出現了不同種類的眼睛，適應此前出現的多種器官形態——視覺敏銳度不同，光線敏感度不同，對波長、動態和色彩不同的識別能力。

我們無法確切知道視力是否在寒武紀的生物多樣性出現中扮演了重要角色，但我們可以在此做一個假設：並非眼睛本身帶來了多樣性，而是其後的認知能力的發展。

區別於觸覺、味覺和嗅覺，視覺信息是“高帶寬”的，在空間分辨率和時間流中，導致數據率比其他感覺器官要高。因為數據是遠距離的傳感器，範圍覆蓋機器以外的廣闊世界，需求新的場景分割認知器官，空間模型和對世界的瞭解。

提供視覺信息的機制控制了我們的大腦。數據顯示，每隻眼睛含有15億的光傳感器，而一隻耳朵只含有3萬個聲音感覺神經。處理視覺信息的神經元佔皮層的30%，而觸覺和聽覺的神經元分別只有8%和3%。

生物界的寒武紀大爆發與機器人的前景探索具有極高的相似性。DARPA計算機項目前負責人吉爾·普拉特（Gill Pratt），在2015年被任命為豐田公司自動駕駛汽車分部的領導時寫道：

今天好幾項前沿技術的發展正在機器人的多樣性和能力發展範疇燃起一場大爆發。機器人依賴的許多基礎硬件技術，尤其是計算能力、數據儲存和交互能力，正在以冪次數量級的速度增長。兩項新技術——雲計算和深度學習將會影響上述基礎技術在良性循環中進行爆炸性發展。

確實，對機器人影響重大的基礎技術正在飛速發展，這些技術使自動駕駛汽車的潛力和多樣性成為可能，這背後有六大驅動力：

>>1、動力儲存與效率的冪次增長

自動駕駛機器人需要動力的自動化；在過去的幾十年中，電池技術不斷進步。從1950年的鉛酸電池到今天的聚合物理鋰離子電池效能提高了兩倍。

除了電池能力以外，機器人甚至能從效率的提高中獲得更大的動力，例如發動機效率的提升。動力儲存和效率的提升加速了自動駕駛系統整體性能的提高。性能更優的機器人可以花更多的時間做事情和學習，降低充電和獲取動力的時間。

>>2、計算能力的冪次增長

正如摩爾定律所預測的，每一塊錢所能購買的可用計算能力每18個月增加一倍。由於受到體積限制，最近幾年的晶體管小型化發展速度下降，然而每單位美元能購買的計算能力卻繼續以其他方式來增長，如多核平行等。

對於需要處理數據流和實時決策的自動駕駛系統而言，計算能力真是至關重要。高速的處理能力能讓機器人在機構化程度較低環境中順利運行，更快地從經驗中學習。

>>3、傳感計算的冪次增長

從激光雷達發展到超聲波，傳感器變得更精確，速度更快，價格更低。所有維度中快速發展的傳感器之一是相機。受到移動設備發展驅動，相機技術的性能和價錢都在以冪次數量級發展。

光學儀器和傳感器在成本、大小、性能的發展使得多功能的相機可以媲美一個機器人。多重數據流帶來更好的認知性能，因為人們可以從多個視點（例如，來自超立體視覺的深度感知和速度感知）獲得更可靠的場景理解，同時在應對惡性破壞和暫時的傳感盲區時，帶來更高的魯棒性（所謂“魯棒性”，是指控制系統在一定(結構,大小)的參數攝動下，維持其它某些性能的特性）。

>>4、數據儲存的冪次增長

數據儲存能力正在以冪次數量級的速度不斷增長。這些提高影響的不僅僅是每一塊錢能購買多少儲存字節，還影響了數據存儲和檢索的速度和可靠性，每次數據存儲消耗的能量，數據的物理重量。當機器人能高效地在本地儲存大量數據，它們能回憶並重複利用以前的經驗，從過去儲存的經歷中學習新的知識。

>>5、交互寬帶的冪次增長

幾十年前，信息傳送不僅速度慢、技術困難、價格昂貴，而且效果不佳。今天我們通過衛星以太字節為單位的信息量，絲毫不會懷疑信息是否能完整到達目的地。長距離的交互能力與可靠程度，以及允許機器人相互之間分享數據和本地結果分析，催生了聯合分享智能技術，就是所謂的雲機器人。

未來幾年5G技術應用落地將極大推動無人駕駛發展。可以說，非5G網絡環境下的無人駕駛都稱不上真正意義上的無人駕駛。

因為無人駕駛依靠的最核心技術是高精地圖。而高精地圖需要實時更新，通過傳感器、攝像頭採集到的信息通過通訊手段（比如5G網絡）與雲端做交互，能使得地圖更加智能。基於智能地圖信息的路徑規劃，通行效率更高。

而且高精地圖的數據量巨大，達到Gbit/公里級別或以上，以儘量少的時間完成更新，需要超高速帶寬。

>>6、冪次增長之王——算法

在計算機科學和電子工程師中流傳著一種說法，無論硬件工程師取得什麼樣的進步，軟件工程師都能馬上“廢了”它們。

舉個例子，我們用算法來解微分方程。這一類的數學算法對任何需要進行預測和動態控制的機器人來說，都是關鍵的因素。1945-1985年間，執行這類基礎任務的算法以每年3萬點的係數在增長，或者平均29%的增長率。

在“數據為王”的今天，數據科學家離不開算法的使用。2017年，著名的資料探勘信息網站KDnuggets策劃了十大算法調查，數據顯示，與用於數據分析/數據挖掘的2011年投票算法相比，Boosting算法同比增長40％，文本挖掘同比增長30％，迴歸算法同比增長16%。

近日，地平線創始人兼 CEO 餘凱博士也在《AI芯片卡位戰：誰贏得自動駕駛處理器，誰就贏得了AI時代》一文中寫到：應用場景決定算法，算法定義芯片，軟硬件協同設計，這就是 AI 時代的新摩爾定律。誰理解了應用場景並掌握了算法，誰就掌握了核心優勢。

寫在最後

從多細胞進化出視覺感知細胞，花了500萬年；從視覺感知細胞進化到智人花了5億年。如果依照這個時間做類比，感知器花了50年時間從20世紀50年代的“無視力機器人”發展而來，也許要花上500年的時間，人工智能才能發展到人類水平相當的自我意識覺醒。硬件進化的這股發展趨勢，可是算法的進化遵循其自身的間隔發展特點。

不過，無論是2020年還是2500年，相比於人類的進化歷史來說，都太快了。

人類一直以來都傾心追求製造出有生命的活物，古時候的鍊金術士用盡各種辦法，賦予泥石流生命的氣息。歷史上出現各種神秘的處方，多年以後，鍊金術士被他們的現代“追求者”——機器人學家所取代。今天，研究機器人的專家擁有更好的工具、更深層的理解力和稍微充裕一些的資金。

最終，我們依然在不停嘗試，把生命的氣息帶給毫無生命特徵的機器。