如果說三年前傳統車企對自動駕駛還是將信將疑，如今則幾乎全線壓注自動駕駛。誰能最先把自動駕駛投入實用，誰就贏得下一個時代，而競爭關鍵則取決于決策算法和計算平臺。

　　1. 決策算法成為競爭焦點

　　從技術角度講，自動駕駛由三大主要技術構成：感知、決策和控制。那現在自動駕駛技術真正的門檻在哪里？

　　如果你去CES參觀各家公司的自動駕駛樣車，你會發現一個趨勢：各家公司的傳感器配置越來越趨同化：前視多目攝像頭，77GHz長距/短距雷達、環視攝像頭、加上十個以上的超聲波雷達，豪華一點的再配上幾個低線束的激光雷達，這些傳感器的供應商也差不多。在感知層面，隨著ADAS的大量部署和長時間的技術開發，已經相當成熟，可以說感知技術已經不是主要的瓶頸。而控制則是傳統車廠和Tier1非常擅長的領域，做了很多年，積累了大量的經驗。

　　自動駕駛在技術上的競爭，主要聚焦于決策環節。事實上，區分一個系統是ADAS還是自動駕駛，也主要是看該系統是否有決策部分。無論是谷歌，還是特斯拉，他們的核心競爭力，都還是體現在其決策算法方面。

　　傳統汽車界的研發是基于功能安全的設計方法學建立的，滲透到開發流程的每一個環節，并且在過去一個世紀，將汽車的安全性提高到了極高的水準。如今，頂尖的公司已經可以確保汽車發動機能使用一百萬公里！但是面對洶涌而至的機器學習熱潮，傳統汽車界突然發現自己嚴重缺乏技術儲備，面對特斯拉和谷歌激進的策略，顯得力不從心。這已經成為制約傳統車廠開發自動駕駛的最大短板，目前，傳統車廠或者大肆收購機器學習公司，或者與其合作，他們需要盡快補上這塊短板。

　　傳統車廠出身的克拉富西克顯然深知這一點，在他出任Waymo CEO之后，谷歌一改之前模棱兩可的商業策略，明確表示向車廠提供解決方案，并迅速宣布和本田合作，事實上是將自己定位在Tier 1的角色。此前谷歌雖然在技術積累上處于領先位置，但一直沒有確定可行的商業模式，克拉富西克的到來，讓谷歌對于商業化的態度更接地氣，也更精準。在該解決方案中，硬件基本也是外購的，顯然無法成為谷歌的競爭壁壘，最有價值的，還是一整套經過驗證的軟件，尤其是其中的決策算法。可以想象的是，谷歌將會向業界提供軟件授權，就像它之前在安卓系統上所做的一樣。

　　2、理性決策是必然趨勢

　　決策算法面臨的最大挑戰，就是如何達到自動駕駛所需要的極高的安全性和可靠性。自動駕駛決策的結果會輸出到控制器，根據ISO26262已有的功能安全的規定，這會反過來要求決策系統也需要達到ASIL-D的標準。目前，ISO組織對專門針對自動駕駛的功能安全標準正還在制定中，有可能會用一種新的標準進行考量，但功能安全的基本原則依然有效。

　　? 端到端的AI方法有隱患

　　這意味著，我們必須嚴肅地思考，如何才能滿足功能安全的要求？對于谷歌、百度以及許多初創公司，這些非傳統車廠出身的玩家來說，是一個全新的命題。

　　目前，很多創新公司都在使用深度學習加增強學習做端到端的訓練，也就是說，從傳感器的輸入直接導出控制器（剎車、油門、轉向等）的輸出。但深度學習的問題在于它失去了透明性，僅僅依賴于概率推理，也就是相關性，而非因果推理，而這兩者是有本質不同的。

　　相關并不意味著因果。舉個例子，統計發現，手指頭越黃的人，得肺癌的比例越大。但事實上，手指的顏色和得肺癌的幾率之間顯然沒有直接的因果聯系。那么為什么統計數據會顯示出相關性呢？這是因為手指黃和肺癌都是由吸煙造成的，由此造成了這兩者之間產生了虛假的相關性。

　　深度學習就像一個黑盒子，無法進行分析，出了事情你不知道原因到底是什么，也沒有辦法預測下一次會出什么狀況。有一個很搞笑的例子，用深度學習訓練一個系統，來分辨哈士奇和愛斯基摩狗，初步測試效果非常好，但進一步的測試表明，這個系統其實是通過區分背景，而不是狗本身來判定其種類的，因為訓練所使用的樣本中，愛斯基摩狗幾乎總是伴隨者雪地的背景，而哈士奇則沒有，想想看，如果這樣的系統應用到自動駕駛，是多大的隱患！

　　深度學習的實際表現，基本上取決于訓練的樣本以及你所要求輸出的特征值，但如果你的樣本比較單一，輸出特征值又比較簡單，則很容易訓練出你并不想要的結果來。就自動駕駛而言，這是無法接受的，它需要高度的理性決策。

　　如今，深度學習的熱潮席卷了整個業界，很多人不再對基礎算法進行鉆研，而是瘋狂加大數據，堆機器進行訓練，以期更快地出成績，結果看上去還不錯，但這樣的非理性態度其實是給自動駕駛埋下了隱患。我們需要的是對于事實邏輯的深入分析，以及不同方法論的結合，從這個意義上講，如果用小數據可以達到好的效果，更能說明我們對機器學習技術的理解能力。

　　? 基于規則的專家系統不靈活

　　傳統的主機廠和Tier 1面臨的則是另外的問題。如果接觸各大Tier1的ADAS產品，無論是AEB，還是ACC，LKA，你會發現都是基于規則的專家系統。這種系統精確可分析，但專家系統的問題在于，在場景非常多變時，創建的規則就無法保證足夠的覆蓋面。結果，當添加更多新的規則時，就必須撤消或者重寫舊的規則，這使得這個系統變得非常脆弱。并且，各個功能都有自己單獨的規則，組合到一起，其可能性就非常多，甚至還存在矛盾，這使得ADAS向自動駕駛過渡之路變得更加艱難。我曾經跟一家主機廠在交流他們的決策系統時曾詢問過這個問題，得到的答案是：這種基于專家系統的規則經過組合，能產生一萬種可能！你甚至很難對這個系統進行完整的測試。

　　? 新的決策機制：因果推理

　　因此，我們需要在自動駕駛領域引入新的決策機制。自動駕駛決策技術路線的一個重大趨勢，就是從相關推理到因果推理。這樣的人工智能框架是Judea Pearl在八十年代建立的，他也因此拿到了圖靈獎。

　　上世紀 80 年代初，Judea Pearl為代表的學術界出現了一種新的思路：從基于規則的系統轉變為貝葉斯網絡。貝葉斯網絡是一個概率推理系統，貝葉斯網絡在數據處理方面，針對事件發生的概率以及事件可信度分析上具有良好的分類效果。它具有兩個決定性的優勢：模塊化和透明性。

　　模塊化的優勢非常重要，例如，假如任務是更新汽車的變速箱，當變速箱被更換的時候，你不必重寫整個傳動系統，只需要修改為變速箱建模的子系統，其余的都可以保持不變。

　　因此，我們可以把深度學習的系統作為一個子模塊融入到其中，專家系統可以是另一個子模塊，也融入其中，這意味著我們有了多重的冗余路徑選擇，這種冗余構成了貝葉斯網絡的子節點，將有效強化輸出結果的可靠性，避免一些低級錯誤的發生。

　　透明性是貝葉斯網絡的另一個主要優勢。對于自動駕駛而言，這尤為關鍵，因為你可以對整個決策的過程進行分析，了解出錯的哪一個部分。

　　可以說貝葉斯網絡是理性決策的極佳實現，適合用于設計整個決策的頂層框架。

　　因果推理的另一個典型范例就是基于增強學習的決策框架，它把一個決策問題看作是一個決策系統跟它所處環境的一個博弈，這個系統需要連續做決策，就像開車一樣。優化的是長期總的收益，而不是眼前收益。這有點像巴菲特的價值投資，優化的目標不是明天的收益，而是明年或者十年以后的長期總收益。

　　谷歌把這樣的框架用在下圍棋上，取得了革命性的成功。自動駕駛的場景也非常適合應用這樣的決策系統。比如說要構建價值網絡，評估當前的駕駛環境風險，評估的是從現在時間到未來時間的整體風險；然后利用策略網絡輸出本車的控制決策，選擇最優的駕駛路徑和動力學輸出。

　　同時，我們還可以構建一個基于模擬路況的仿真環境，通過增強學習去做虛擬運行，獲得最優的決策模型，并且還將產生大量的模擬數據，這對決策算法的成熟至關重要。

　　可以說，向因果推理型決策模型轉化是自動駕駛技術邁向成熟的重大標志。