余凱博士在《自動駕駛之計算與處理器》主題演講中指出，思考人工智能面對的感知認知決策控制，是不是一定要從軟件驅動場景驅動的角度去思考這個問題？

余凱首先通過發問引發思考，我們知道在宇宙中最聰明的設備是什么？是人的大腦，人的大腦看所無所不知，無所不能，但是問題是不是這樣呢？有時候大腦的行為也讓人很費解，首先我們知道我們在處理圖像不是按照順序，實際上我們是不管前后上下，對圖象變形處理，使得我們能夠滑雪能夠在高速公路飆車。但是我們又能夠把這個數據接起來，我們有腦補的能力，這個能力是人區別于很多動物的根本，腦補能力使我們能干很多很奇妙的事情——你在不斷預測未來，使得我們高效的處理很多的事情。

未來包括自動駕駛人工智能處理器，我們有很多思想借鑒到我們對大腦的理解。但是這些想法，我們針對這個場景去做專門的優化而不是做通用的問題，我們能夠極大提升我們對這件事情的處理能力，在自動駕駛里面反映的就是足夠的安全，足夠的可靠。

他接著說道，還有一個趨勢是計算，我們考慮到計算也像天下大事一樣分久必合，合久必分，由移動互聯網不斷地中心發展，到現在云計算。從2017年開始，我們會看到另外一個趨勢，就是很多很多的計算不斷的往終端跑，自動駕駛就非常本質，我們在講智能網聯，包括像百度跟谷歌的自動駕駛都依賴于高精度地圖，但是我個人認為自動駕駛的安全性的本質屬性決定了，我們一定要讓汽車在不聯網的情況下面充分地安全、足夠地安全。

在整個云計算互聯網邊緣節點上面去做本地計算是對自動駕駛非常重要的。中國的交通出行實際上是邊緣計算，是世界邊緣計算第一大場景。去年中國賣出了2800萬輛車，美國是1700萬輛，我們是毫無爭議汽車銷售大國，你很難找到像汽車對于海量數據的處理以及實時性要求這么高。我們知道一輛汽車對于自動駕駛每天會處理4-10到TB的數據，幾千輛車比整個百度檢索的量還要大，在自動駕駛這個邊緣技術，中國交通出行是全球邊緣計算第一大場景。

他指出，我們在思考技術的三大支點，從算法出發，去思考怎么樣設計這樣的處理器和架構，怎么使得它充分支撐它在本地的計算，要求我們全站式思考一個問題，不僅僅是軟件或者硬件，包括軟件和硬件的協同，包括系統軟件包括云計算。

人工智能對自動駕駛非常重要，第一個是透明可追溯。整個軟件系統透明性是非常非常重要的，如果有原因的話，如果出了什么事情一定要能夠理解它然后加以控制。其他的包括端到端的學習，傳統的人工智能系統都是訓練的，但是未來得人工智能系統都是學習的，所以訓練跟學習是兩回事。它基本上就是一個灌輸式的學習，其實人都是這樣的。

還有一個就是硬件的友好，軟件系統的硬件友好，這是通常做人工智能系統或者做軟件的人不太關注的，在汽車方面因為涉及到整個性能、延時功耗和可靠性，需要軟件和硬件高度配合。我們的設計思路，首先思考軟件，思考軟件同時我們做硬件，我們不做通用的神經網絡處理器的設計，因為我們覺得自動駕駛這樣一件事情足夠難，我們把它計算平臺設計得通用，會使它的效率并不足夠高。在明年1月份，在拉斯維加斯地平線會向外界介紹我們第二代處理器的架構，這是一個核心像素級的圖象處理設備。像素級的處理更加細節，它更加準確更加精確，這里面包括馬路牙子，電線桿都處理過，包括背后有遮擋的行人、車邊界更加的精確。

他分享道，我們跟德國人交流，德國覺得中國的自動駕駛幾乎是不可能的，因為他們連人都不敢開車，我們慢慢慢慢走，這個其實是非常細的細節，我們開上四環，這些桿子也很重要，我們知道什么是移動、什么是不變，這個就對你的定位非常重要?；谶@樣我們的處理器，同時處理四路視頻，我們把什么地方是柱子、什么是停車位我們都實時找出來。駕駛自動感知預測這個維度比我們現在思考的要復雜，這個對計算要求非常非常高。

地平線在支撐共享出行智能代客泊車。實際上你的自動駕駛剛需并不是人在車上，而是當人不用車時，你到了目的地、下車，你希望這個車自主的停車而不是你去停車，這個車的續航只有100多公里，它需要自主充電，它需要自主接下一個客人……這種情況下大規模的提高效率，但是同時它所應對的場景沒有那么復雜，因為它只要低速就夠了，這種場景下面實際上我倒是覺得它可能比乘用車最先的去實現，那么我們的設計思路就是只依靠視覺來做這個事情。

基本上我們的思考，地平線的商業定位我們只做賦能的賦能者，我們自己不會去做車，我們自己不會去做運營，我們的想法就是心無旁鶩的去打造處理器平臺，然后去賦能我們的OEM。我們很多的創業公司，科研院所希望做底層的支撐性的平臺，所以地平線的核心想法是做一個技術平臺的供應商，因為未來整個產業的生態需要各種不同的玩家。