大家上午好！很高兴又来到品玩，当然这是我第一次来到TIC大会。我觉得品玩的调性就是在科技和商业之间能够找到好玩又大开脑洞的东西。今天我讲的无人驾驶的科学边界和商业创新，就是希望能够符合这样一个调性。
首先让大家一起来开一个脑洞，我今天是网约车过来的，未来无人驾驶一定是跟共享出行结合的。
今天其实网约车碰到了一些问题，这是我从赛迪研究拿来的数据，2017年滴滴给司机分成分了1500亿，这里面一共是74.3亿单，也就是一天2000多万单，客单价23元，88%分给了司机。这对于网约车公司来说，是很大的一个负担。
我们想象一下，如果说我不需要司机了，无人驾驶的出租车，来实现共享出行，极端情况下，客单价可以降到1/3，也就是8元，比地铁贵不了多少。通过一个相对保守的模型，可以推知每天可以增加到1亿单，1亿单也就是今天中国一天11亿次有车出行的10%而已。一年365亿单乘以8元就是3000亿，而这3000亿不再需要跟司机分成了，这是革命性地改变了出行的现状。
Waymo是无人驾驶行业的盟主，我们马上可以把车上的安全员拿掉，这是什么样的感觉呢？就是这样，大家看乘客坐在后座，角色就是乘客，不是司机了。它在美国的亚利桑那的凤凰城就这么一个样子，车很少、人也很少。但是要把安全员拿掉是巨大的勇气，大家知道去年Uber就出了这么一个案例，车在开，车上的安全员并没有注意路上的状况，他的眼神在看手里面的手机，然后在黑暗当中突然有个人推着自行车出现，导致了无人驾驶历史上的第一起致命的车祸。大家为Waymo要捏一把汗。
我们在国内做无人驾驶的测试，交通状况可以说比Waymo碰到的复杂10倍以上，各种车，自行车、电动车，会从各个不同的角度去挤压你的生存空间，会从双黄线左边超车，会对面过来占用你的车道等等。所以
在中国其实是非常难的，不仅是环境的非不可预测的状况非常多，而且我们数量级非常大。 大家知道我们做算法，一旦出现数量级别的差异，必须要有不同的解决方法。而且大家知道我们今天很多人工智能算法都是基于大数据，大数据前提一定是你见过。但是在中国永远有你没见过的地方，这是我在拍的，最左边是五层立交桥，100个入口和出口，如果你没有很好的像刚才讲的定位和导航技术，绝对转晕了。中间的路是波浪型的，右边车直接从房子里面出来。
所以再回到Waymo说的这句话，做无人驾驶这种人工智能，你经常会碰到这样的困境，你觉得已经走完了90%，但是剩下的10%还需要90%的时间和精力。而这剩下的10%是非常折磨人的。就好比你对自家孩子说你怎么才考80分，你要努力一下考到90几分甚至你要考到100分，这是非常合理的要求。今天我们对人工智能安防就可以提出这么一个要求。但是当你对你的孩子说，99分不行，你必须得考100分，而且你不能只是一次100分，你要连续考1000万次100分，这就是对无人驾驶的要求，因为在汽车领域大家知道，我们需要99.9999999%，就是你要连续考1000万次100分。
今天我们的差距是非常巨大的，大家看Waymo作为一个非常领先的玩家，它能够实现每开1.1万英里才有一次人工的监管。而这是它最近的数据。10年历史一共开了2000万英里，目前来说没有死亡。这个技术算不算好？在我们无人驾驶行业里面，绝对是No.1。但是大家看跟人比起来，这是美国的数据，每25万英里出一次险，50万英里见一次警察，每150万英里有一次受伤，而9400万英里才有一次致命事故，Waymo今天才开2000多万英里而已，没有死亡并不能说明问题，因为美国人9400万英里才有一次致命的事故。
这是兰德公司的一个数学模型，假设说你要有95%的置信度，证明无人驾驶比人类安全20%。需要多少数据证明呢？需要110亿英里，什么概念？今天我们头部的无人驾驶公司差不多是在百辆测试车的规模，如果这100辆车不吃不喝不睡不停地开，要开500年才能开到110亿英里。Waymo现在有1000辆车，但是它不可能不吃不喝不睡，它现在每个月100万英里，基于这样的数据，需要900年才能开到。这就是无人驾驶特别困难的地方。
那怎么办呢？我现在分两路去走，第一路是我们实在等不及110亿英里的验证，怎么办？我要想出办法来进行商业的创新。
有两个心理学的定义，一个叫机器犯错定律，这边一个人，这边一个机器，同样做一件事情，都犯错了，人犯错我们可以相信他，下一次不会犯错。但机器犯错了，我再也不信任它。所以我们一定要控制无人驾驶的商业化进程，步子不能迈得太大，不能太冒险。
第二个叫熟悉定律或者叫曝光定律，就是这么一个自动化机器，你必须让用户去熟悉它，去用它，在用的过程当中，他会建立起对它的信任，会变成一个自动化的拥护者。基于这两条，我们必须得去找商业创新。
我给大家介绍几种商业创新，第一个是停车场，停车场里面的车速度非常慢，这是汽车领域里面的一个统计数据，当你20英里的时速撞上一个人生还概率95%，30英里生还概率降到60%，40英里又降到20%。所以作为无人驾驶你现在要做商业创新，必须要先把速度降下来。
驭势科技在停车场里面做了一款技术，叫自动代客泊车，车主把车开到电梯口就下车，通过手机一键可以泊车，这个车可以自己在停车场里面去开到你的停车位，或者是自己在里面兜找停车位，如果没有停车位它还可以一直在里面兜。这套系统做得非常便宜了，因为不需要激光雷达，只需要6个摄像头和12个超声波。人要走的时候也可以一键把它召唤出来，这套系统我们已经部署了50个种子用户，这50个种子用户每天都在用。在现实生活当中，大家看到这样一个没有驾驶员的车都会去挑逗它，它每天都要经历很多这样的挑逗，技术相对还是比较成熟的。
而且在这么一套系统里面，我们还可以进一步加上一个功能，叫高密度泊车，这位车主下车了，车可以自己开到附近的停车场去。而在这个停车场，我只需要租两个停车位可以租3辆车，因为这个人早就下车了，不用再开门硬挤下车，人走的时候还可以把车叫出去。这样一种高密度泊车带来什么样的好处呢？未来我们停车场可以重新设计，未来停车场大家可以看到，就可以设计得这么密密麻麻。只需要三条车道给大家走，其他都满了车。大家问如果其中一辆车要出来怎么办？大家都玩多滑移道的游戏，挪挤车就可以了。
第二个商业创新叫新公交，大家知道我们刚才说的共享出行是乘用车变得越来越共享化。但另外一方面，我们公交车是不是也可以越来越个性化呢？什么叫公交车个性化？就是我不需要走到公交车站去坐车了，公交车能不能来接我？比如说这是一个设想，未来公交车就设计成这么小小的方盒子，里面坐6个人，你手机可以直接把这个车叫到你家门口接你。接上了你以后，它可以汇入到主干线当中跟其他的方盒子汇到一起，这就像一个地铁了。在你要向另外一个方向前的30秒，它会提醒你走到几号车厢坐下来，这个车厢就跟其他的车厢分流了，开往另外的方向。它既有我们今天的出租车的个性化，又有公交车的效率和密度。
另外一种公交的设想，大家都知道“三蹦子”，就是一排人开的电动三轮车，在地铁口接人。未来我觉得我们这样的车完全可以自动化，甚至于它把人接上了以后，还可以这样跟主干线的大车交换车流。大家想象一下，未来我可以叫这么一个小车把我接上，然后送到一个大车边上，中间门一打开我上去了，这又是一种个性化和共享化的结合。
今天我们在新区新城已经可以看到这样的新公交，它干什么用？第一是在上午10点钟到下午4点钟之间，大公交的上座率是非常低的，我们把它换成无人驾驶巴士。第二是大家知道现在我们推崇一种叫夜间经济，伦敦的夜间经济占GDP的1/6，晚上半夜里面，人出行怎么办？我们可以用这样的新公交。驭势科技也跟宇通客车合作，在郑州的一条公交线路上部署无人驾驶巴士，这样的新公交，可以成为我们今天公交的非常好的一种补充，以非常高的效率和相对低的成本，能够去实现一部分人的个性化出行需求。
第三个叫实体经济，比如说驭势科技现在跟国际的顶级机场在做的机场无人驾驶，我们的无人物流拖车今天其实是一辆车需要3.5个司机，7天24小时运营，成本非常高，司机也很痛苦。大家知道在机场工作，其实是条件非常恶劣的。现在这样的车，我们可以对它进行无人化的运营。这样无人化的运营，意味着我们可以部署更多的车辆，部署更多的车辆，意味着每一辆车需要拖的行李可以减少，每辆车拖的行李减少，意味着我可以更快地拿到行李，这也是对我们的帮助。
最后我想再说一下，在商业创新之外，还有科学边界的问题，我们如何能够去实现百亿英里的数据和验证能力。刚刚我们说110亿英里靠100辆车绝对不行，我们一定要让1000万辆车具备数据采集和验证的能力，1000万辆车，每一辆车跑1100英里，110亿英里就有了。怎么办？第一是叫草船借箭，要通过这1000万辆车采集数据，而不是100辆车采集数据。第二个叫指鹿为马，就是让这1000万辆车去验证你下一代的无人驾驶技术，同时必须得没有安全风险。
怎么做呢？现在有一个词汇叫做影子模式，什么意思呢？
在车端，就是虚线上面的部分，有一套主驾驶系统，我们把它叫鹿，可以是人在开，可以是今天的一套比较保守的无人驾驶系统在开。同时在影子下面，是马，它在跑一套下一代的更先进的无人驾驶系统，但是它有可能不安全，因为它太激进了。不安全没关系，因为主驾驶负责安全，影子驾驶是负责下一代技术的探讨。
如果说这两套系统得出不同的结论，我就把数据拿回来，经过云端的数据流水线自动标注，然后做新的模型的训练，然后做仿真验证，验证完了以后，我可以把新的算法再push到车端。所以这样一条永不停止的流水线，对于未来完成这110亿英里的验证是非常重要的。在我们和主机厂合作的自动泊车系统上面，就有一个“面向未来的自动驾驶优化提升”功能。
刚才的闭环当中很重要的一块是测试体系，数据源源不断过来进行标注、模型训练，我怎么对它进行验证呢？现在最简单的就是实车验证。驭势科技在浙江做了一个测试场，在这个测试场里面，我们有近10种车型7天24小时 不停歇地进行测试。这里面有小巴，有像Smart这样的小车，也有刚才我们说的机场里面跑的拖车。这样一种验证，实体的验证，成本是非常高的，而且很重要的是它的测试强度不够，也就是说你没办法在很短的时间里面让它经历各种各样复杂的状况。这样意味着我们要做很多其他的实体验证，而这些验证是非常危险的，说实话我们的安全员、测试员是冒着生命危险在做这样的测试。
但不做这样的测试不行，因为你并不知道你的算法在实际的状况当中，能不能经历这样一些突发的挑战。比如说我们刚才说的拖车，怎么样应对人开的拖车的突然切入。这些我们都必须用实际测试去测。另外一个实际测试非常重要的是在恶劣天气下的测试，而这种恶劣天气可遇不可求，这样的大雨要靠天，有时候我们必须自己去设计一些大雨的测试案例。
现在我们把更多的测试放到虚拟的空间当中，就比如刚才那个测试场，我们给它建立了一个数字孪生，在这个数字孪生当中可以模拟各种各样的天气，各种各样的交通状况，去做各种危险的测试。
比如说这是我们机场拖车的模拟仿真，确实是在这么一个国际机场当中，现在要仿真的是什么呢？弯道超车，弯道超车这辆大巴占用的空间路权非常多，而且大巴大家知道都开得比较猛，还不让你轻易地超车。那么你就在这样一种互动当中，你可以把你应对不确定性、应对安全风险的能力可以锻炼出来。这是一个交锋的过程。
另外我们还可以在仿真环境里面创造各种案例，这种案例叫
鬼探头，就是在路边停了一排车，有些人突然从这些车里面窜出来，这种鬼探头很难处理。实际做测试也很难，现在你可以在这里面把这些人出现的轨迹都设计好，在实际的过程当中，大家就看可以测试了。我们还可以模拟各种各样的交通流，有的车是开得比较猛的，有的车开得比较柔，这种环境里面我们怎么验证。大家知道云计算里面经常测试，要引入所谓的混乱猴子，就是在里面捣乱，现在我们可以控制行人，行人就是不断地给车捣乱，在车周围骚扰它，通过这样的方式，也可以加强对它的测试。大家知道我们现在出现了一种新的技术叫生成性对抗网络，生成性对抗网络的好处是它能够去想象，它能够去创造现实生活当中出现过但又不完全一样的东西。所以我们可以利用生成性对抗网络解决无穷无尽的现实生活中的测试案例，这样就可以使得你的110亿英里能够更快地在虚拟环境当中，不用烧油，不用安全员的风险，通过算力去实现。
最后我想所有我们做的这些，是希望能够培养出下一代人工智能，下一代的驾驶智能 ，又更像人，在驾校里面学了几十个小时，在路上开了几百公里就会了，而不需要110英里。这样的驾驶智能一定是基于几个重要的元素，第一个是有背景知识和尝试的，相当于人在考驾照之前18年的社会阅历。第二个，它是能够不断地熟能生巧的，利用强化学习和模仿学习。第三个是这种智能是可解释的，可推理的，能够推知因果，知其然同时知其所以然。最后它是能够举一反三的，通过迁移学习，通过领域迁移和适配，能够适应大千世界的万千变化。
所以这是我们对无人驾驶今天的科学边界和商业创新的理解。我们今天是创新者大会，无人驾驶一定不是一个人去战斗，我们也非常期待能够跟在座的创新者，我们认为是这个行业的先行者，与先行者同行，与开创者共创，谢谢大家！
閱讀更多 馭勢科技 的文章
