文／王剛

“大事化小，小事化了”，自動駕駛也一樣。遵循“No Free Lunch”理論，實際應(yīng)用中的復(fù)雜場景可以通過分解為數(shù)個小場景，逐個分析、研究算法得到解決，結(jié)果往往比研究一種通用算法要好。

自動駕駛是能給汽車、交通、物流乃至整個出行行業(yè)帶來巨大變革的變量，這項技術(shù)包含挑戰(zhàn)，也包含機遇。今天，作為一個自動駕駛的研發(fā)人員，借助文章同大家分享阿里巴巴達摩院自動駕駛實驗室對自動駕駛技術(shù)研發(fā)的思路和思考。

與商業(yè)結(jié)合促良性發(fā)展

關(guān)于自動駕駛，大家討論的更多是載人自動駕駛，阿里巴巴從第一天起就在關(guān)注物流自動駕駛。

王剛 阿里巴巴達摩院自動駕駛實驗室負(fù)責(zé)人

關(guān)于物流的自動駕駛，阿里巴巴專注于兩個場景，第一個場景是最后1-3公里的無人配送，也稱末端無人配送。這個場景有非常大的需求，快遞或者外賣員進行最后1-3公里配送的時候效率非常低，因為無法實現(xiàn)集約化，就需要挨家挨戶去寄送，導(dǎo)致效率極大降低。

自動駕駛是一個投入大，周期長的行業(yè)，單純是由技術(shù)驅(qū)動以及投資來驅(qū)動，存在很大風(fēng)險，所以阿里認(rèn)為必須在早期就要和商業(yè)進行結(jié)合，和業(yè)務(wù)進行結(jié)合，產(chǎn)生商業(yè)的結(jié)果，從而能夠驅(qū)動自動駕駛的良性發(fā)展。

幸運的是，阿里巴巴擁有全世界最豐富的商業(yè)場景，其中也包括物流場景。阿里內(nèi)部有一條16字方針，即：需求牽引、技術(shù)驅(qū)動、結(jié)合業(yè)務(wù)、小步快跑。讓商業(yè)和技術(shù)能夠形成良好的互動。

雖然自動駕駛有很多機會，前景值得看好，但不可否認(rèn)的是，自動駕駛現(xiàn)在還面臨著全方位的挑戰(zhàn)。我列了一個表，包括算法、計算硬件、傳感器、基礎(chǔ)設(shè)施。算法中除了控制是比較穩(wěn)定的，感知、定位、決策三個模塊都存在一些不足。在計算硬件上面，還沒有高性能、低成本，以及能夠滿足車規(guī)要求的計算芯片。傳感器也存在挑戰(zhàn)，整體上挑戰(zhàn)非常多。

作為一名軟件開發(fā)人員，主要還是從軟件角度來講對自動駕駛的思考。自動駕駛是一個軟硬一體的系統(tǒng)，同時，我認(rèn)為它也是一個軟件決定硬件的系統(tǒng)，那么很多硬件設(shè)備，包括芯片就必須為軟件定制，否則是很大的浪費。

細(xì)化分解復(fù)雜場景疑難雜癥逐個擊破

為什么現(xiàn)在還沒有一種非常好的算法，能夠?qū)崿F(xiàn)感知和決策？有人認(rèn)為整個自動駕駛的算法要處理的問題太難了，而且當(dāng)今社會道路場景繁多、復(fù)雜，很難找到一個通用的算法處理所有的場景，就會導(dǎo)致車輛存在碰撞風(fēng)險。

那么在開發(fā)過程中如何處理這個難題？在人工智能領(lǐng)域有一個經(jīng)典理論叫“No Free Lunch”理論。這個理論表達了一個觀點：用通用算法處理所有問題，很難在所有的問題上都取得非常好的結(jié)果，相反的，開發(fā)者若是針對每個具體問題進行算法的開發(fā)、優(yōu)化，就會在每個問題上得到比通用算法更好的結(jié)果。同理，在自動駕駛領(lǐng)域，我們可以把復(fù)雜場景分解，變成多個小問題，去進行針對性的算法研發(fā)。

為了使用“No Free Lunch”理論，第一步需要把交通場景進行分類、細(xì)化、分解，把大問題分解為可以解決的小問題。場景分類的任務(wù)并不簡單，一個好的場景分類至少要滿足兩個條件，第一，場景必須是精細(xì)化的，一個非常粗密度的場景分類起不到降低問題難度的作用，基本上是無效的。第二，場景分類必須為算法服務(wù)，和算法是進行融合的，不是為了測試服務(wù)，也不是為了管理服務(wù)，是為了測試研發(fā)能夠有的放矢、各個擊破。

以變道切入的場景為例，阿里將其細(xì)分為25個場景，進行針對性解決后，效果提高了20%，并帶來更高的研發(fā)效率以及更低的反應(yīng)延遲。

圖1 自動駕駛技術(shù)的全方位挑戰(zhàn)

圖2 怎么樣處理多樣化場景？——No Free Lunch理論

數(shù)據(jù)驅(qū)動的AutoDrive平臺

計算換智能是一個非常美好的方向，為什么前面沒有做？原因有兩個，第一個是設(shè)計理念上還沒有想到，第二個是AutoDrive平臺需要一個堅實的工程支撐，如果想實現(xiàn)AutoDrive，必須完成從輸入信號到輸出結(jié)果的完整閉環(huán)，才能夠讓機器自動學(xué)習(xí)。

借助阿里巴巴的能力，我們做了三個事情：第一件事，將所有的路測數(shù)據(jù)，全部放到阿里云上，只有云平臺才有足夠大的存儲能力和計算能力。第二件事，我們建立了從數(shù)據(jù)的上傳、標(biāo)注、模型訓(xùn)練、仿真以及評價整個數(shù)據(jù)的閉環(huán)，從而從信號輸入到結(jié)果輸出都能夠在計算環(huán)境里去實現(xiàn)。第三件事，依托于阿里巴巴的資源，我們建立了強大的模型訓(xùn)練和仿真回歸的平臺，能夠高效地對數(shù)據(jù)進行處理。這三個方面的工程能力是AutoDrive平臺能夠使用的必要條件。

受到美軍作戰(zhàn)思路的啟發(fā)，阿里巴巴做了一個叫自動駕駛數(shù)據(jù)中臺的平臺。類似于為美軍作戰(zhàn)提供火力支援的飛機部隊和導(dǎo)彈部隊。中臺就像每個作戰(zhàn)團隊后面強大的戰(zhàn)略資源。自動駕駛數(shù)據(jù)中臺應(yīng)符合兩個條件：第一，實現(xiàn)資源的共享，所有的團隊，所有的開發(fā)人員，都能夠獲得相應(yīng)的資源。第二，資源必須非常強大，非常全面，是能夠解決問題的資源。

阿里巴巴的數(shù)據(jù)中臺能夠?qū)崿F(xiàn)場景庫的共享、所有數(shù)據(jù)的共享、系統(tǒng)工具的共享以及技術(shù)的共享。所以每個開發(fā)人員能夠很方便獲得已有的信息，并且平臺里也包括各種工具，包括訓(xùn)練工具，包括Bug的追溯工具等等，能夠讓工程師以更高的效率開發(fā)算法。

筆者認(rèn)為，要產(chǎn)生自動駕駛研發(fā)的化學(xué)反應(yīng)，必須有三個要素：第一個要素是場景，根據(jù)“No Free Lunch”理論，我們需要對這個場景進行精細(xì)化的分類，把一個復(fù)雜交通場景的問題分解為數(shù)個，或者是幾百個、幾千個更容易解的小問題。第二個是算法，當(dāng)我們有了這樣的分解之后，對算法可以進行針對性的開發(fā)，去各個擊破，去處理每個場景。第三個是云平臺，這樣的算法開發(fā)在現(xiàn)有的模式下，對人工的要求非常高，所以我們提出要用計算換智能，找到自動化的方式，提升研發(fā)效率和質(zhì)量。

最后還有一個問題，是計算能力，也就是芯片。最近幾年，人工智能芯片是一個關(guān)注度非常高的領(lǐng)域，但人們關(guān)注的更多是端上怎么進行快速推理的芯片，對于訓(xùn)練芯片以及訓(xùn)練集群的關(guān)注有點少?？赡芤恍┚W(wǎng)絡(luò)結(jié)構(gòu)的搜索需要五千個GPU，但現(xiàn)在的芯片能力很難達到這種程度。

從某種程度上說，計算芯片、訓(xùn)練芯片限制了我們對更高效訓(xùn)練方式的研發(fā)，甚至說被發(fā)明，人們可能有很多更好的主意去訓(xùn)練算法，但因為訓(xùn)練芯片的限制，沒有辦法付諸于現(xiàn)實，所以這方面應(yīng)該引起關(guān)注。