“自動駕駛是一個嚴肅的科研問題，它是一個跨領域的技術，需要強大的產業基礎，需要更多的本地合作伙伴來一起應對產業變革。”11月29日，小鵬汽車自動駕駛副總裁谷俊麗在2018高工智能汽車開發者大會上闡述了對“開放·融合·本地化”這個大會主題的理解。

我今天跟大家分享的是小鵬汽車的AI Car，我們把自己的產品定位為高智能、高顏值的新時代電動車，我們叫AI Car。AI Car的本質核心是，我們相信技術驅動及人工智能驅動。

自動駕駛本身是一個很復雜的項目，我們自己又做車，又做自動駕駛的解決方案，同時我們從一開始也是一個國際化的團隊，我們在中國叫小鵬汽車，在硅谷叫Xmotors.ai。

先談一談我們的使命Mission，我想任何變革要有很大的愿景才能堅持下去，并把它做成功，我認為個人體驗的變革以及顛覆性是這個時代的兩個關鍵詞。

小鵬汽車是2014年成立的，今年12月12日就會正式開始上市我們的第一款車——G3，是一款智能電動SUV。我們的用戶是年輕化的互聯網人群，年輕人喜歡高品質的東西，喜歡每天都有變化的東西，不喜歡一成不變的東西，這是我們對用戶群的觀察和定位。

我們的產品規劃是每年推出一款新車。第一款車小鵬G3搭載L2.5級自動駕駛，即將于12月12日在廣州上市并啟動交付，2019年發布第二款運動型B級轎車，2020年開始在量產車搭載L3級自動駕駛。

從G3的下一款車開始，自動駕駛將作為一個常態化功能落地在不同的車上，所以自動駕駛作為垂直軟硬件的產品會橫跨多個量產車平臺。

現在，小鵬汽車整個公司接近3000人，已經是跨了五湖四海，兩岸四地，這正是為了吸引全世界的人才，我們知道自動駕駛的人才全球都比較稀缺，我們是盡量依據人才的分布來吸引人才到我們公司，到我們平臺上一起做這樣一件大事。

我們在廣州、北京、上海都設有研發中心，自動駕駛的研發中心在美國，正在大量吸引各種各樣的人才，解決自動駕駛這個難題。

一、自動駕駛=本地化場景

在量產落地這件事上，我們一直認為自動駕駛是一個場景化的東西，我們解決用戶的問題肯定不是從傳感器上解決，比如說泊車是我們認為中國用戶對車的一個痛點，所以我們將其作為G3這款車的重點突破以及差異化的產品功能。

對自動駕駛來講，我個人認為有三個重要的問題，第一個它是一個數據來源的東西，一切的智能源于數據，不是想象出來的智能，而是數據中抽取出來的智能。

AI算法的變革直接決定了我們的功能到底能夠適配多少場景，到底能夠有多少個性化的東西。計算系統永遠是產品的最后一個關卡，不管多牛的算法，如果在車上跑不動，我們最后就沒有這個產品。

我相信未來的自動駕駛最后一步就是本土化，國際化的技術最終要落地本地化市場和用戶。而從用戶體驗來看，我們每個人開車有自己不一樣的習慣，所以我不認為最后的自動駕駛是同一個風格，它是要適應用戶的個人駕駛習慣，這樣用戶才能覺得車跟我是一體的。

我們在前面兩款量產車上是L2級自動駕駛，慢慢往L3級駕駛走。我們解決的問題，雖然通過技術的線路來解決，但是解決的痛點往往是場景性的，比如說泊車可以解決人們停車的問題；高速自動駕駛解決春運、長途的駕駛疲勞。

我們是希望逐個的技術點來突破，形成產業化的東西，形成場景化的東西，且在這個場景下先通過做到60%的場景，慢慢逐步往上擴展，希望能夠給用戶帶來滿意的體驗。

同時，小鵬汽車的智能車其實更大的愿景是運營，所以一旦車上了量之后我們有很多運營化、數字化的服務，會給用戶帶來更好的用戶體驗。

我曾經講過，中國的自動駕駛只能中國人自己來解決，還有人在微博上問我，為什么這個技術有國界？我不是說這個技術有國界，而是這個技術有場景的問題。

比如說我們就是在這種場景下去測（見PPT圖），這讓我意識到自動駕駛不是一個純技術的問題，而是要落地的場景化的東西，這個場景化就要求我們整個框架真的要在中國搭起來。

特斯拉全球加起來現在已經達到10億英里的駕駛里程數據積累，它能夠用數據提升它的產品性能從70分到80分，一步一步往下走，這是它的框架性的優勢，這個不是一下子大家能超越的，這個是需要時間去積累。

同時，自動駕駛是一個垂直軟硬一體的系統工程，我們要有海量場景大數據，我們的算法跟軟件真正要做到打通的情況下，它是一個復雜的軟件工程，它不是一個零部件的東西，所以我們要在大量的云端，大量的計算力的情況下反復適用各種AI的算法來搭這個框架，同時還要不斷驗證。

結果就是，我們可以發現產品到底是10分還是20分，有多少場景適用，多少場景不適用，這是一個快速迭代的過程。

二、自動駕駛迭代，首先打通任督二脈

其實我在2016年初加入特斯拉的時候自己做了一張表，我當時加入特斯拉就是認為自己想做最酷的產品。這張圖其實挺震驚的，汽車工業史上出現這么多汽車的品牌，其實只有100年的歷史，從1900年福特第一臺汽車出來，這么多年我們步步往前走，不斷加入一些防碰撞的安全功能，直到特斯拉的出現，帶來了行業的變革性的重塑，為什么？

我想在特斯拉之前大部分的車是模擬機械化，但是特斯拉是悄悄把這個車做成了數字化的電腦。我們都知道計算機出現之后才出現了編程，編程出現之后有各種各樣的產品，手機上的產品，網頁上的產品，所以一旦車變成了數字化的單元它就可編程，最重要的核心功能就是讓它會自主駕駛。

我認為，特斯拉的變革精神就是為行業鋪下了這條路。現在在座的各位有做不同Level等級自動駕駛的，有做泊車的，有做攝像頭的......所以我覺得它是把過去人類100年積累的高科技都可以在自動駕駛這個產業鏈找到，這是一個非常龐大的全球產業鏈，且涉及人類所掌握及未掌握技術的方方面面。

小鵬汽車最終是做車，所以我們的策略就是腳踏實地一步一步去搭這個平臺，搭這個框架，把任督二脈打通成為數字化的，智能化的車。

在這里我想提一下OTA，有人經常發帖子說現在很多電動車還不是自動化的車，因為數字化沒有完全打通，數字化沒有完全打通的情況下OTA不能完全打通。

OTA這個技術并不新，比如說手機上已經非常普及。但在過去，我們在做車的時候是一個個零部件堆積的，很多零部件是端到端的，不同的零部件廠商很難打通。就算能打通的情況下，因為中國過去都是4S店銷售模式，這是很長的產業鏈，什么東西都免費升級一下，對4S店的模式也是一個挑戰。

我們著重在前兩臺車上打通數字化功能，唯有打通我們才能逐步快速迭代自動駕駛功能的可使用性。

三、為什么自動駕駛這么難？

為什么自動駕駛這么難？大家談起自動駕駛有各種各樣的觀點，從我們的角度來說，自動駕駛是AI領域最難的應用。

舉個例子，比如某個場景并不是那么復雜，但端到端自動駕駛感知、決策是一個很復雜的過程，多種傳感器數據進來，一步一步分解，一步一步整合。

比如，它在算法層通過點云把它弄進來之后，首先通過點云的幾何尺寸分析周圍到底有什么物體，把這個框起來再做語義的識別，識別完之后要再去檢測跟定位跟你強相關的物體，就是這個綠色軌道里面的物體以及橫向標的關鍵的地方。

這是我們在嘗試做的東西，它橫跨了AI算法，各種傳感器的技術、計算機視覺、機器人、大數據以及芯片，整個把它整合在一起作為一個產品，作為一個能量產的功能。

我們現在談這么多的AI，其實只解決了二維圖片大規模識別問題，2012年出來的最初的深度學習的文章，就是說原先人類視覺的識別，算法是通過一種使量，深度學習是給我大量的數據，我來學習抽取這種模式，幾千類物體大的規模識別可以做到98%的精度。

但是我們開車不是在二維圖片里面開的，是一個三維的東西，我需要知道周圍有什么物體，在什么地方，這個三維的東西也是AI沒有解決好的問題，但也是業界在努力解決的。

人類開車是基于預測，前面的車停下了我會怎樣，所以最后自動駕駛系統要開得好，一定要往思維、空間去走。在中國這種復雜場景下要預測人的交互和可能導致的行為，我最后要做一個決策，我要看看這個決策是最安全的，還是最激進的。

AI現在只是在2D跟3D之間，但是要解決自動駕駛，它是一個六維的監測，我們還有需要待解決的問題。所有的這些傳感器加起來，也不能完全精準的提供三維空間究竟發生了什么，還有大量的傳感器融合，大量算法糅合在一起，這就是一個難點。

四、自動駕駛的三大挑戰

自動駕駛當前面臨的挑戰：第一，大數據是基礎；第二，AI算法是核心的驅動力，在中國這個道路場景下AI要做的很尖端才可以；最后的賦能者是計算。

我說一下大數據為什么這么難？很多人都認為大數據不就是越多越好嗎？其實不是，大數據它是有講究的，你想所有的智能都是從數據來的，這個數據里面肯定有它的科學性，比如說數據中要是沒有黑夜數據，它可能就無法識別黑夜的場景，你的數據中可能從來都是直的車道線，沒有彎的。

有很多外國專家每次來中國的時候都會跟我說，原來他們的思考是錯的，中國馬路上怎么有這么多障礙物，以前想都沒想過，所以它有很多場景化的東西要涵蓋，而我們這個非規則性導致這個涵蓋的面是非常大的。

最后，你還要去平衡各種結構化的東西，它是一個數字量化的東西，只有你量化好了，最后出來的智能才是不偏科的算法和智能。

小鵬汽車將來有自己大規模的量產車，這是我們的一個優勢，因為我們是不限定我們的用戶在哪一條路上開的，這樣我們的車可以學習各種場景以及可能出現的極端模式。

其次，是傳感器融合，我經常在一些國際會議上將這是非常具有挑戰的一件事情。大家經常說，誰用的傳感器多、誰就能看得明白，真的是這樣嗎？

不是這樣的，傳感器多了，每一個傳感器要有自己的算法，我相信每一家做算法的都自己的一個邏輯在里面，所以這種情況下總有一些場景你是監測不到的，所以這也是為什么現在有一些安全性的問題。

不光是多種傳感器的融合，同樣是攝像頭，角度不一樣看到的東西也不一樣，你在訓練中也要把它歸一化。傳感器融合是比較經典的能夠代表當前軟件垂直上的問題多么難解決，我們真的需要推進傳感器再進一步往前發展，比如更高的分辨率、看到更遠的物體。

我相信在現在以及未來兩三年之內會出現新型的傳感器，并且有些人會把邊緣計算跟傳感器結合在一起，就是為了把數據抽取出來，提供靈活度。

最后說一下計算，計算是最后一步要解決的，這個成功了我們就有產品，解決不了我們就沒有合適的產品。

我記得非常深刻，2016年的時候當特斯拉的車開始賣的時候，算法是有的，功能也是有的，只是弄到不車上，當時大家集體跟著CEO失眠，怎么辦？這就是量產要解決的問題，我相信很多人可能還沒有到那一步。

我們知道計算系統是最后的使能者，我也拭目以待接下來兩到三年內會不會出現更多車載端的計算解決方案，甚至新型的解決方案。

現在解決計算的問題還有抽象層的問題要解決，比如說這個算法天天在變，算法每三個月就是一代，而計算芯片至少要18個月才迭代一代，你在設計算法的時候要考慮首先它有足夠的計算量，同時你要考慮它到底是什么形態的計算，它是CPU？GPU還是FPGA，還是你用了一種新型的芯片。

比如，我們想自動駕駛系統搭載在多款車型上，就必須要解決硬件抽象化的問題，讓它能夠涵蓋接下來兩到五年內各種變化，如何把這個產品無縫搭載在這款車型上，這是很難的工程問題。

同時，我認為這是一個必然的趨勢，一定要這樣解決，為什么呢？因為這款車本質上是一個平臺，它的本質意義在于提供一種軟件跟硬件同時演進的道路，這就是AI Car的本質定義。

五、自動駕駛的未來個性化體驗

最后是我最喜歡講的一張PPT，關于個性化的自動駕駛。

以后會有各種不同形式的自動駕駛風格，比如說同一臺車周末開的時候要出去玩就激進一點，平時上班就安全一點，心情不好的時候要換種風格，路過十字路口的時候我要小心一點，這就是個性化的駕駛。

另外，駕駛是反映本地文化的，紅綠燈橫著裝還是豎著裝，路燈桿是多高的？這都會影響產品的可用度。

六、產業變革才剛剛開始

另外，我想補充一下，11月初我們去了德國的博世總部，我覺得他們是非常了不起的企業，他們除了已經量產的產品同時正在摸索下一個變革的東西。他們自己有很強的不安全感，認為這個產業在變革，供應商也在變革。

他們會非常愿意跟我們這樣的OEM廠商交流未來你想要什么，想要理解場景化的東西。其實，我們也非常愿意跟各種各樣的合作伙伴一起努力，把平臺化的東西做好，因為產業變革才剛剛開始。