請關注公眾號“汽車創新港”，獲取后續更多論壇實錄！

加工作人員微信號：tinydanio，備注“我要入群”直接進入直播群！

今天都是大牛，下面的也是技術大牛，是百度深度學習實驗室創始人，百度自動駕駛的領導者余凱博士，他現在是自己創立了一家企業叫地平線機器人，也是在做自動駕駛，他演講的主題是“基于深度學習的自動駕駛之路”，大家鼓掌歡迎。
??? 余凱：剛才英偉達張總的報告非常棒。其實在聽第一個報告的時候我是有一些感慨的，因為在過去我們講從06年到16年十年的時間里面，深度學習的發展，實際上我們講主要有三個主要的驅動力，第一個驅動力是大數據，是互聯網到移動互聯網，海量的數據產生。第二個驅動力我認為是以英偉達代表的，當然我覺得英偉達最重要，半導體公司他們所提供的這種洶涌澎湃的計算，使得我們能夠去處理這些海量數據。第三個驅動力就是去做模型跟算法，模型跟算法，從一開始簡單結構的深度神經網絡到今天我們看到的還有很多的正在進行的一些進展，實際上這個進步沒有停止。很多現在正在進行的一些最新的進展，可能比我十年前所看到的還要激動人心。所以這個里面沒有減緩下來，反而我覺得是在加速奔跑的過程。
??? 今天我們看整個科技創新的生態，包括很多的創意公司，每個人都在講深度學習，實際上這個讓我想起大概三年前我看到一個笑話關于講大數據，是這樣講的，今天我們每個人都在講大數據，就像每個中學生都在講“性”，但是他們從來沒有經歷過。其實今天的深度學習是有一點這樣的味道，因為真正的它需要這么強大的計算器，它需要這么多的數據，另外一點它還需要不是簡單的去把一些開源節流的系統拿出來用就好，需要深度學習解決你那個特殊的問題，需要有這個能力，不光是創新一次，而是要持續的創新，真正具有這樣能力，在這樣實踐的公司或者是高校實際上是很少。
??? 這是去年一次網上的公開討論，真實的現狀是什么樣子？大家在討論深度學習的時候，其實即使是在人工智能，這些應該是代表華人圈里面在人工智能方面的一批專家。即使在深度學習這件事情上面，在去年的時候看法也是不一致的。我當時我認為深度學習是機器學習的唯一方向，然后就有人說你在“找靶子”。同一個討論里面我還講到有一點，這點是什么呢？我講深度學習還有一個激動人心的應用，我認為機器人的控制會因為深度神經網絡增強學習的方法而發生改變，什么是深度神經網絡增強學習的方法呢？大家有印象和有概念這是什么嗎？這個就是在今天我們看見的ALPHAGO的算法，就是用深度神經網絡去結合增強學習，它帶來的一個很大的變化，這個變化不光會影響，還會影響整個機器人的控制，會影響我們的自動駕駛，這個是我今天要給大家講的一個主要的話題。整個深度學習最近正在發生什么事情，你不會覺得奇怪。但是我跟大家分享，一些激動人心的方向會是怎樣的一些方向呢？稍微回顧一下，因為這個是十年前的一篇文章，就像一個燈塔一樣，它突然一下把一個很有意思的東西展現在世人面前，實際上是用非常多層的深度學習網絡來從數據里面學習。我們可以看到在十年后在1月份也發表了一篇文章，就講ALPHAGO在打敗了歐洲的圍棋冠軍，講深度神經網絡跟增強學習結合帶來的變化，所以十年的一個節點很有歷史的意義。
??? 我們講深度學習從1957年提出來叫感知用來模擬單個的神經元，現在也是跨越了60年的時間，中間這樣一個單個神經元我們把它從各個緯度，從時間、空間緯度，以及它們之間關聯關系的緯度去擴展，去構造各種復雜的神經網絡，然后可以做很多的事情，這種創新還在繼續。
??? 為什么深度學習應該受到重視？我在很多場合分享我的四個觀點，第一個觀點是深度神經網絡確實在結構和行為上面的作用，比如我們講的ALPHAGO用的神經網絡，確實受到對視覺神經系統的影響。我想從工程跟應用的觀點來看，實際上更大的原因主要的原因是因為后面的幾個，一個是特別適合大數據，一個是EndtoEnd學習，第四個是一個靈活的建模。
??? 為什么適合大數據？如果說傳統的很多智能算法由于各種原因，計算復雜度的原因，統計的原因，數據規模到一定的時候不再增長，但是它的效果隨著數據規模增長到一定程度會再增長。對于深度學習我們在很多領域看到，就是不斷持續的加數據，它的效果持續的變好，我們在很多領域看見類似的這種現象。所以就是說，深度學習跟大數據的時代是有一個非常有意思的關系。
??? 剛剛我提到的卷積神經網絡，以前主要是對圖像的處理，后來我發現在語音有應用。所以整個神經網絡發展框架有一個很有意思的現象，看似這個框架可能跟問題無關，可能存在一個統一的形式，只是用不同的數據來訓練它而已，所以這是一個發現的非常有意思的一個最近的趨勢。
??? 剛才建中也講到這樣的一個很有現象級的事情就是ImageNet，由于深度學習的發展，整個記錄在不斷被打破，在很多其他的領域我們也發現。
??? 2016年最值得關注的是ALPHAGO所代表的神經深度網絡最新的一個進展。我們講過去十年，無論說卷積神經網絡還是其他的神經網絡，實際上做的事情就是感知，它聽清我們的語音里面的內容，看圖像里面是什么東西。但是如果只是一個感知層面的東西，頂多是安靜地坐在那邊是一個智者，但是并沒有改變世界，你怎么改變世界？一定需要決策，要有行動。
??? 增強學習實際上是這樣的一個機器學習的框架，它是什么呢？它是把一個問題描述成一個就是一個決策系統跟環境的博弈，如果它采取一個行動的話會改變這個世界。這個世界會給它一個反饋，是一個胡蘿卜還是一個大棒，說你做得好還是不好。同時這個世界也會發生改變，去傳達給它一個狀態的變化。如果我們描述這種簡單的區別框架，如何來做一系列的決策去優化一個最終的目標？比如我們講最終的目標是什么呢？是到年底的時候你怎么投資的收益，一系列的抉擇是今天買還是賣，買多少賣多少，如果我們講是圍棋的話，就是你一系列的不斷的去下棋去做你的決策，最終要優化的是你怎么贏這盤棋。如果在智能駕駛里面做一系列的決策是加速還是減速，是左還是右，每次因為你的改變，你周邊車會看到你的改變而改變，所以這個狀態有一個更新。但是最終一系列的決策優化，結果要的是從A地到B地的安全，高效的到達目的地。
??? 谷歌用我在一年前預測講用深度神經網絡跟增強學習，在圍棋這件事情上面它取得的一個巨大的成功。這個里面主要有兩個部分，第一個部分是叫估值函數，實際上就是評估盤面，第二個是策略函數，根據這樣一個盤面和局勢你怎么下棋和決策。神經網絡用在這里面解決兩個非常難的問題，第一個問題就是巨大的狀態空間，這個空間大到什么程度？幾乎是3的400次方。它是一個極端不連續的函數，為什么？假設這個盤面整個不變，只要把中間某一顆棋子調換一個位置，可能導致一個巨大的災難，這是一個極端的不連續的函數，這樣一個復雜的函數是非常難建模的。用深度神經網絡可以把這個問題我們已經看到了，最終會取得非凡的成就。
??? 同樣增強深度學習從感知到控制，估值函數、策略函數。首先估值函數它是用來評估整個的路面情況，做整個感知的綜合。決策函數用于決策控制，我們可以像ALPHAGO那樣，從生意駕駛員每天行為中去學習海量的數據，去學習估值函數跟策略函數，但是更精彩的是說，我們同樣可以構造一個復雜的仿真系統。這個仿真系統使得你有可能在一個虛擬世界里面產生無數的數據，讓無數的虛擬車在英偉達所構造的GPU的數據中心，每時每秒都在奔跑，一日千里的去學習。所以這個帶來的是什么？所以說在十年以后或者二十年以后人開車是違法的，這點我覺得只是一個時間問題。
??? 2016年是一個非常重要的歷史節點，這個節點深度學習從過去的車在感知層面到行為、到行動、到決策。就是說2016年標志著知行合一的人工智能系統將走向歷史舞臺！它改變的不光是下圍棋，會改變很多很多事情。
??? 自動駕駛毫無疑問面臨一個復雜的道路狀況，尤其是如何適應中國的交通狀況？以前我在百度的時候我們跟做自動駕駛項目的同學我經常激勵他，我怎么激勵他呢？我說我們只要在五道口，如果能夠解決自動駕駛的問題，那這個技術就是全世界的！去過北京的人可能知道五道口是什么地方。在歐洲、美國解決了自動駕駛的問題，在世界最大的汽車市場不一定管用。當然從現實層面來講的話，你還需要去解決很多的問題，包括成本、可靠性、道德法規、安全性等等方面的問題。
??? 最一開始受到大家關注的無疑是谷歌跟百度他們所采取的自動駕駛的系統的架構。這個架構其實有一個特點，這個特點是說從一開始就奔向無人駕駛，希望跨越很多的中間步驟，基于這樣一個特點所以高精地圖在這個時候扮演一個非常重要的角色。這個核心就是說無人駕駛實際上順著一條道往前走，這個相對來講不是太難，難的是什么？是換檔，難的是從主道到輔道，這些東西需要車通過精確的知道它在哪個地方。所以高精地圖是會成為未來的構建無人駕駛或者高度自動化駕駛的一個基礎性的設施。但是問題是說，我們離真正的高度自動駕駛跟無人駕駛這個時間還比較遠。所以今天從商業路徑來講我們還需要做很多的這種中間道路的工作，這些工作使得今天談的基于深度學習它更加的有意義。
??? 這個是高精地圖，它是基于三維的對全世界的一個認知，這個里面需要達到10厘米的精度范圍，對道路還有建筑物所有的一切，每個車道的邊界，到非常高精度的一個定位。從而可以通過車輛的傳感器包括激光對車有一個精準的定位。這個是百度在去年年底的時候做的一個測試，這是一個的視頻，這位老兄手是空懸的沒有碰這個車，后面顯示的是這個車走的這邊，車自動判斷它要超前面的車，時間關系就過掉了。
??? 地平線在做什么？地平線我們公司使命是Define the brain of things，現在我的興趣跟使命是說，互聯網的事情歸互聯網公司，互聯網之外物理公司我們得做一些有趣的事情，這些事情是在我們的身邊，是我們可以觸摸到的這些物理世界的東西，我們怎么讓它們具有智能，其中一個最重要的品類就是汽車。如何去構造一個大腦平臺，這個平臺它首先是一個軟件，首先是一個基于深度神經網絡的操作系統和芯片，因為我認為從今天開始我們需要關注的是說，所有這些硬件里面，我們放在里面的不僅僅是這些軟件，我們不僅僅是讓它能聯網，首先是構造一個軟件的操作系統，個人認為這個操作系統是基于深度神經網絡的一個操作系統。第二個，在下面一定有一個芯片級的對深度神經網絡的一個支持，這個設計應該跟過去很多芯片的設計完全的不一樣。
??? 我們主要聚焦的是兩個場景，一個是Smartcar，另外一個是Smarthome，沿著這兩條線不斷的往前演進。我剛才講到一個觀點，我們需要新的深度神經網絡芯片的架構，我想對于這個認知，無論是我們還是英偉達，包括英偉達自己內部的很多一些技術的前沿的研發，其實都是支撐這個觀點的。我想我們不光是未來使它的計算力要更加的強大，但同時深度神經網絡它本身算法邏輯跟芯片的設計都會共同的向前。舉一例子，我們講(天河二號)是世界上最大的超級計算機，今天它的計算力毋庸置疑，但是它需要千萬瓦級的功耗，但是人類大腦它的計算實際上跟(天河二號)是相當的，這里面不光是物理、原理型的功耗的設計，其實也包括邏輯方面算法的設計。所以最近深度神經網絡在算法層面的一個研究的熱點問題，實際上是怎么樣去設計非常低功耗的，可以低功耗的硬件實現的深度神經網絡結構，大大降低功耗，不一定是很高集成度的芯片就能實現非常復雜的深度神經網絡。
??? 地平線現在在關注什么東西？地平線關注的是設計深度神經網絡聚焦在什么呢？在200塊錢人民幣以內能夠買到的計算資源，我們怎么去設計這個深度神經網絡用來支撐自動駕駛所需要的高精度的計算要求。所以說我關心的是今天市面上200塊或者150塊人民幣能買到什么計算資源，建中如果你能夠給我150塊錢能夠買到的計算資源我就專門為它開發深度神經網絡算法，如果明年150塊能買到的計算資源是什么，我們就專門為它開發，所以我們一定要去關注這個趨勢。就是100塊到200塊之間的計算資源，然后我們要把這個算法做到極致。
??? 這個是我們用單個神經網絡在路面上面同時做車道線的檢測跟汽車的檢測跟蹤。這個是中間神經元的一些中間表示，整個路面全部掃描，每個地方都會支離破碎得到一些判斷。在上一層的神經網絡有一些綜合，實現對對面整體判斷。從60米就開始估計它的距離，估計這個距離除了深度神經網絡還需要關注對車的仰角要做精確的計算，需要做很多的事情。
??? 我們講在中國的路況要做一些什么事情？我們要做一些這樣的事情，這個是外國的路況，大家稍微看一下可以知道，為什么在中國做自動駕駛特別不容易？在中國做自動駕駛一定是世界的，當然除開印度，印度的路上還有猴子什么的。因為國外不光是它的算法，他們的算法實際上檢測，這個媒體上經常報道，這是UCSD的一個技術，他們的檢測跟蹤不但沒有我們的穩定精準，關鍵是他們路上沒有人。這個是地平線用深度神經網絡用單個攝像頭計算的，然后用非常便宜的計算資源所達到的水準。
??? 開發自動駕駛駕駛技術，除了在路面跑，非常重要的一點是仿真。要能夠在虛擬世界里面對整個汽車的控制動力系統做精準的仿真。包括對整個路面環境做綜合的仿真，使得你的很多的控制算法，它能夠在這樣一個仿真系統里面測試，能夠去開發，甚至能夠通過ALPHAGO這樣的左手搏右手，所有的虛擬車在英偉達充滿GPU的數據中心，這些虛擬的車在跑，不斷的調整和學習它的算法。因為仿真可以低成本的去做，比如說這個攝像頭壞了怎么辦，哪個地方出了問題怎么辦，可以在不需要產生真實的交通事故的情況下，你可以去測試你的系統安全性、可靠性，這點非常重要。
??? 最后我想講一下，深度學習這么漂亮這么美有什么挑戰？識別車、識別人\能不能識別印度街上的猴子。計算的平臺，包括兩個方面，一個是云端的計算平臺，還有在前端的可控性，怎么樣去高效，怎么樣低成本，怎么樣能夠做到實時。第三個是系統集成，包括不同的傳感器，包括跟整個控制系統的連接，這是一個高度復雜的系統。
??? 大家不怎么關注的一個問題是可控性，就是深度神經網絡這樣一個系統，非常的高效，但是有一個巨大的問題，巨大的問題是什么呢？就是你如果是出了什么問題你不知道怎么辦，它看似是一個黑箱系統，這個問題非常重要，我記得在2005年的時候在西門子做氣囊促發算法的研發，當時我們做出一個更加先進的算法，實際上如果事故發生了，我們可以得出結論它可以挽救30%的人命，但是最后系統沒有采用，產品部門沒有采用，因為它是一個相對黑箱的系統，但是一旦出現了事故在法庭上面的時候不能提供一個透明的解釋究竟是哪兒出了問題，這是第一點。第二點是它不知道出了問題以后后面怎么樣去提升，所以這個東西是一個超出技術之外的一個問題，這個問題非常的關鍵，它如果沒有解決好，它可能會造成很大多的問題，這個是傳統的車廠會非常關注的，但是我們很多做算法的人只去追求這種準確性，但是在這方面不一定充分的去認識到。
??? 最后，講一下整個的ADAS，因為我從來不叫無人駕駛，因為我覺得無人駕駛可能是一個非常虛無縹渺的事情。從產業發展、技術發展路徑來講我覺得應該嚴謹一點。像谷歌那樣有無限的資源去做，想希望一步達到無人駕駛這樣一個道路，我覺得不光在技術上面有挑戰，在商業上面也缺乏可行性，他們最近可能正在反思這方面的問題，一定是一步一步往前進展。
??? 我在差不多一年多以前的時候接受媒體采訪的時候，其實就有一個這樣的比喻，未來來講我覺得我們需要去追求的這種自動駕駛的目標，它實際上是構建一個人車的關系，就像今天的人和馬的關系一樣，這個馬在路面上會充分的感知環境，會非常及時高效的做判斷。甚至我們可以想像你騎的馬如果在一個萬馬奔騰的場景里面，馬在微觀層面的控制可以做的比人都好，但是需要在任何一個時刻你要控制那匹馬，所以我想未來實際上在車上面的話，你的一個駕駛的體驗，我估計可能從自動駕駛的角度來講，可能跟騎一匹馬是差不多的一個感受！
??? 謝謝大家！

以上內容根據論壇實錄速記整理，可能會有部分出入，敬請諒解！

僅能提供部分PPT圖片，敬請諒解！

請關注公眾號“汽車創新港”，獲取后續更多論壇實錄！

加工作人員微信號：tinydanio，備注“我要入群”直接進入直播群！

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的地平线机器人_地平线机器人CEO余凯：基于深度学习的自动驾驶之路的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。