從AlphaGo到智能汽車 AI將改變世界

備受矚目的AlphaGo對戰柯潔以人工智慧的4：1完勝告終，賽后柯潔哽咽：「我會繼續改變自己,而AlphaGo將會繼續改變世界」。人工智慧歷經幾次從神壇跌落，此次似乎IT 新一輪革命正在開啟，產業化元年腳步臨近，分析人工智慧前沿技術路線和最新應用場景，探索技術產業化的必經路徑，繪製人工智慧產業當前生態圖譜。我們相信，汽車、安防，金融、醫療、服務將成為AI產業化的前沿。

AlphaGo 大勝人類冠軍、Libratus 在德撲賽場上獲得成功，人臉識別準確率優於人眼，語音識別正確率高於人類。。。。。。AI已在感知階段的各個領域超越人類，這些前沿領域的突破將帶來越來越廣泛的人工智慧應用領域。

一、人工智慧前生今世，曲折中前進

人工智慧的Founder——圖靈(Alan Turing)，他既是計算機之父，也是人工智慧之父。人工智慧是指計算機系統具備的能力，它可以履行原本只有依靠人類智慧才能完成的複雜任務。硬體體系能力的不足加上發展道路上曾經出現偏差，以及演算法的缺陷，使得人工智慧技術的發展在上世紀80—90年代曾經一度低迷。近年來，成本低廉的大規模雲計算、大數據、深度學習演算法、需求應用4大催化劑的齊備，導致人工智慧的發展出現了向上的拐點。

人工智慧的演化歷史

從人工智慧發展的歷史看，基本上是一個演算法進化的歷史。隨著計算速度的越來越快，數據越來越豐富，新的演算法不斷被開發，人工智慧的未來讓人充滿了想象。人工智慧的未來發展：

1. 探索新的機器學習方法，是發展人工智慧的主要引擎；

2. 推動以知識處理為核心的研究，攻克非確定性信息處理難題；

3. 發展以神經網路為主的感知與識別系統，提升識別準確率；

二、人工智慧發展的三大背景

1.神經網路的出現，為人工智慧的出現提供動力

人類的大腦中有數百至上千億個神經元，而且每個神經元都通過成千上萬個「突觸」與其他神經元相連，形成超級龐大和複雜的神經元網路，以分佈和併發的方式傳導信號，相當於超大規模的并行計算(Parallel Computing)。因此儘管單個神經元傳導信號的速度很慢(每秒百米的級別，遠低於計算機的CPU)，但這種超大規模的并行計算結構仍然使得人腦遠超計算機，成為世界上到目前為止最強大的信息處理系統。

人工神經網路演算法模擬生物神經網路，是一類模式匹配演算法。通常用於解決分類和回歸問題。重要的人工神經網路演算法包括：感知器神經網路(Perceptron Neural Network)，反向傳遞(Back Propagation)，Hopfield 網路，自組織映射(Self-Organizing Map, SOM)。

深度學習演算法對人工神經網路進一步發展。目前，在短短的不到10 年時間裡，深度學習帶來了在視覺、語音等領域革命性的進步，引爆了人工智慧爆發的新浪潮。

2.運算能力和儲存能力提升,為人工智慧第三次浪潮的到來提供基礎

1946 年計算機正式出現在人們的視野中，至今已有70 年的發展歷史，從5000 次/秒的加法運算能力到現在5.59 億次/秒的峰值計算速度；從簡單的科學計算到現在各領域數據處理的應用；從單機處理到全球網路互聯互通的協同作業；從人工連線驅動計算到現在的智能大腦的誕生；計算機運算能力的不斷提升，為人工智慧大時代的到來提供了物理硬體基礎。

CPU 和GPU 計算能力比較

摩爾定律驅動的產業

3.各界需求的不斷攀升，為人工智慧的完善保駕護航

如今，人類對人工智慧的需求不斷增加：在工業製造業中，大量的機器人可以提升製造效率，可以減少產品的殘次率，更重要的是在人力成本上的節省；在安防領域中，通過視頻監控，人臉識別，人群監控等技術為市民安全帶來保障；在醫療健康方面，通過海量數據對比輔助醫生進行診斷，自動讀片等；在智能駕駛方面，路標識別的準確率不斷提高，圖像和運動感測器與全球定位系統結合，大大地降低了成本，提升了整體安全係數。

短期階段，人工智慧在金融領域會取得較大發展；到了中期，隨著大數據技術的不斷完善，海量的數據積累，會推動人工智慧在醫療方面取得新的突破；從長期來看，人工智慧的最終點就是無人駕駛，計算力、海量數據、演算法與決策、以及感測器的數據採集四要素完備以後，人類才能逐步實現全天候、全自動化的無人駕駛。

人工智慧板塊藍圖

三、人工智慧成為IT 架構的核心

信息和通訊技術(ICT)是信息技術與通訊技術相融合而形成的一個新的概念和新的技術領域。如今雲計算、移動化、網路和大數據技術不斷走向深度融合，人工智慧在IT 架構中的核心地位也日益顯現。從移動互聯時代開始，從軟體到硬體、從信息收集到平台服務，人工智慧在各個領域的生態會更加完整，未來隨著物聯網和雲計算的發展，人工智慧在應用方面的深度和廣度會越來越大。

ICT 在過去的變革

到2025 年，全球將有1000 億台數字設備接入物聯網，物聯網市場估值將高達2 萬億美元。屆時，ICT 供應商需要以互聯基礎設施和移動寬頻技術為基礎，打造最高水準的數字生態體系，讓人們無論何時何地都能享受高速聯接服務。

四、人工智慧全方位超越人類，產業化漸近

人工智慧主要三階段：運算智能、感知智能、認知智能

隨著演算法的迅速成熟，人工智慧早期的「演算法紅利」時代正式過去，而產業化步伐正在開啟。於此同時，人工智慧向認知智能的探索也在迅速推進。

我們認為，經過深度學習這項里程碑性的技術突破發展，機器視覺方面，人工智慧在識別率等技術上已經成功超越人類水平，下一階段更應該關注三維信息、大規模N 對N 比對等技術發展和技術應用等問題；語音辨別方面，人工智慧雖然已經無限接近人類水準，但是仍然存在1%識別率差距、實驗條件局限等最後1 公里要走，未來必須在發展產品應用的同時，抓緊研發突破核心技術，實現對人類感知的全方位超越。

現今，全球市場都在人工智慧的巨大浪潮中，各家公司、機構加緊對戰略、研發和投資的部署和準備。其中，國外的科技巨頭-蘋果、谷歌、微軟、IBM，國內的互聯網巨頭-百度、阿里、騰訊，國內專業科技公司-商湯科技、Face++、科大訊飛等都在這場巨大的革命性的風潮中，開始對感知智能、認知智能進行投入，並開始嶄露頭角。

梳理整個人工智慧產業，這個階段的人工智慧應用擁有三個核心競爭壁壘：數據能力，產品化能力，渠道能力。這三個核心能力將幫助企業駕馭人工智慧技術，並實現迅速變現。

五、人工智慧前沿——移動智能機器人——智能汽車

1.無人駕駛「升級」路徑

根據美國國家公路交通安全管理局(NHTSA)所採用的美國汽車工程師學會(SAE)的分級方式，將自動駕駛分為五個等級。

SAE 自動駕駛安全等級劃分

2.三大感測器比較

感測器方面，目前主流的技術基本基於三款感測器設備：攝像頭穿透力最弱，需要光線，單目攝像頭只能獲取2D 圖像，3D 環境建模目前靠演算法理解，一旦獲取的圖形有誤差，會極大的影響最終分析結果，優勢在成本低廉，圖像識別技術對物體識別的能力最好，研究時間最長且技術普遍較為成熟。

三款感測器主要應用比較

主流完全自動駕駛系統車輛感測器配置

3.無人駕駛兩大陣營

無人駕駛研究領域目前基本分為兩個陣營：

1、以谷歌、百度以及初創科技公司為主的「越級式」研究型陣營——「在特定區域里發揮全效功能」；他們強調通過採集某一區域的高精度3D 地圖信息配合激光雷達在某一區域實現無人駕駛。

2、以傳統汽車廠商和Mobileye 合作的「遞進式」應用型陣營——「在任何區域里發揮局部功能」；他們強調「萬無一失」的複雜感測器組合(redundancy in system)識別周圍環境，通過低精度導航地圖在任何區域實現無人駕駛。

但是殊途同歸，兩大陣營的終極願景都是：「在任何區域里發揮全效功能」。未來的自動駕駛需要幾乎實時級別的數據傳輸；對於環境的識別以及數據處理，將更加依賴車載電腦在車上完成實時計算；現在很多公司要做到無人駕駛前80%的功能較為簡單，但如果想要做完後面的20%，就是無人車向超級司機的轉變。

無人駕駛兩大陣營

遞進式陣營

遞進式陣營主要以傳統汽車廠商為主，包括一級二級供應商，整個供應商的關係也在重組，主要源於四個核心的驅動因素：降低技術風險、分擔研發成本、縮短研發時間以及鎖定客戶。

這個陣營的「升級」路徑是伴隨ADAS 功能逐漸向智能駕駛完善的方向前進的，所以遵循「在任何區域里發揮局部功能」的中期目標。

強調「萬無一失」的複雜感測器組合(redundancy in system)的配合提供路徑標識與規劃等功能，通過低精度導航地圖在任何區域實現智能駕駛。

隨著類似REM 等高精度地圖的逐步整合，短期內能夠為駕駛系統提供額外的安全冗餘，長期上配合車聯網增強可選路徑預測和規劃的功能。

遞進式陣營的可商業化路徑更為清晰，從ADAS 功能到半自動駕駛的升級過程中，新功能的推出和疊加對消費者有較大的吸引力。而隨著L4 高度自動駕駛功能的完善，我們認為技術普及到量產的過程將會推動滲透率的提升。

越級式陣營

越級式陣營以谷歌、百度以及初創科技公司為主，依靠強大的技術背景和巨額的研發投入進行越級式發展：

強調通過採集某一區域的高精度3D 地圖信息配合激光雷達在某一區域實現高度自動駕駛，也就是「在特定區域里發揮全效功能」的中期目標。

這個陣營通過以激光雷達為主的感測器進行路面地圖採集，把高精度地圖作為路徑導航規劃決策的主要依據，其他感測器主要用作預防碰撞的功能。

相較於遞進式陣營，特定區域的高精度地圖規模化效應不明顯，需要投入較高成本在擴大地圖掃描範圍上。

目前商業化落地路徑不明確，因為越級式的技術進步在智能駕駛等級達到L4 水平之前，由於不依靠ADAS 功能的支撐，較難出現過渡性產品。

4.各國政府政策指引

西方國家近年為安全評級加入更多安全駕駛功能標準，政策上提供結構化行業發展推動力，促進ADAS 的穩步發展。根據美國公路安全保險協會(Insurance Institute for Highway Safety,IIHS)的數據，超過90%的交通事故都是有人為原因造成的，IIHS 預計，如果所有的車輛都配備了FCW、LDW、側視輔助和可調節頭燈等ADAS 功能，每年可防止或減輕多達190萬次交通事故，包括減少三分之一的致命事故以及五分之一的嚴重/中度傷害事故。

聯合國在2016 年3 月對《維也納道路交通公約》進行了修訂。在修正案中，所有隻要是符合聯合國的車輛管理條例，或者是駕駛員可以人工關閉的自動駕駛技術，就可以被用到交通運輸中。這項修正案在一個月之後就正式實施，相當於是給了自動駕駛車一個合法的身份。

各國車輛安全體系評分發展

4 智能汽車發展前沿線報

谷歌的超級司機

谷歌無人車是Google X 旗下的一個全自動駕駛汽車項目，項目起始於2009 年，此前由斯坦福大學人工智慧實驗室前領導人及谷歌街景項目的聯合創始人Sebastian Thrun 負責。現在的負責人是曾擔任現代汽車美國分公司CEO 及汽車電商TrueCar 總裁的John Krafcik。谷歌車目前獲得了美國4 個州的測試牌照，並且最近從實驗室畢業，分拆為一家名叫Waymo 的谷歌子公司，正式開始商業化之路。

在2014 年提出的無方向盤、無剎車踏板結構的無人車概念，並在2015 年推出可進行公路試的無人車原型。主要部件包括一套由64 個激光單元組成的LIDAR 感測計算系統，擁有120 米掃描半徑，水平360 度及垂直26.8 度視野(Field of View)，0.08 度角解析度，0.4 度垂直解析度，掃描精度小於2 厘米，每秒掃描點數量超過220 萬次。

此外無人車還配備了：分別裝載在前後保險杠上的四個車載雷達，用來掃描在汽車身處高速公路時的快速車流狀況；一個安裝在後視鏡上的攝像頭，用來捕捉交通信號燈提示；GPS、慣性測量器IMU 以及車輪編碼器(wheel encoder)，來測定無人車的運動軌跡和實時位置。

現在谷歌關注無人車一些更為高級的駕駛技術(最後10%的任務)，讓無人車在面對緊急車輛、施工區域、車道封閉等突然變化或罕見路況時，具備更好的檢測與反應機制。目標是打造一個能於路面實體自然交互的谷歌超級司機。無人駕駛系統目前已具備理解行人手勢、自動鳴笛、腳踏車手的識別等功能，正在優化突變路況的應急反應能力。

Waymo 的Tier One 野心

谷歌無人車去年12 月從實驗室畢業，分拆為一家名叫Waymo 的谷歌子公司，並任命曾擔任現代汽車美國分公司CEO 及汽車電商TrueCar 總裁的John Krafcik 為Waymo 的CEO，正式開始商業化之路。

自造感測器+軟硬結合

Waymo 新研發出了長距離和短距離兩種LiDAR 激光雷達，取代了Waymo 原有的一個中程激光雷達配置，並達到了360 度全面覆蓋範圍。在此之前，谷歌無人車使用的是Velodyne的HDL-64E 激光雷達，成本為7.5 萬美元左右，如今Waymo 自行製造的激光雷達，降低了激光雷達90%的成本至7500 美元。激光雷達作為無人車配置中精確度最高的感測器，一直受限於成本高企而無法商業落地。Waymo 通過自造激光雷達，將成本下降到可控範圍內，力圖突破無人駕駛量產的瓶頸，同時利用成本優勢也擴大了Waymo 與汽車製造商的合作與規模生產。

John Krafcik 還表示，Waymo 已經可以自行設計無人駕駛技術所需的所有套件，緊密集成感測器硬體、感測器融合軟體、高精度地圖、駕駛決策系統和其他方面的全部自動駕駛系統組件。Waymo 軟硬結合的戰略，一方面利用其自行研發的感測器達發揮成本與技術優勢，達到範圍經濟；另一方面，軟體與硬體在同一個體系內，硬體的改進以及軟體方面數據的收集形成了良性循環，及大的提高數據識別效率，減少人工調教和訓練成本。最終，軟硬體合力開發，將會大大縮短新一代產品的開發周期。

攜手本田與克萊斯勒，定位一級供應商

1 月份的底特律北美國際汽車展上，Waymo 展示了與菲亞特克萊斯勒推出合作的全自動駕駛Pacifica Hybrid Minivan，Pacifica 將搭載Waymo 自行製造所有的感測器，首批100 輛已於去年11 月投產。在合作過程中，克萊斯勒修改了電動系統及其它組件，100 輛汽車是在加拿大組裝的，然後運到Waymo 安裝自動駕駛設備。汽車已經在密歇根的克萊斯勒測試公路上進行測試，1 月底，也會開始在亞利桑那州和加州公共道路上投入路試。

安全性方面，2016 年Waymo 的自動駕駛車輛的安全性已經提高了四倍，平均每千英里人工接手系統次數(Disengages/1,000 miles)從2015 年的0.8 次，下降到2016 年0.2 次。截止2016 年底已累計完成250 萬英里的全自動駕駛路試；第一個100 萬英里用了6 年，第二個100 萬英里用了16 個月；預計今年5 月前累計行駛里程將達到300 萬英里。2016 年全年還完成了10 億英里的模擬路試。

同時，Waymo 將牽手本田，同樣由本田為Waymo 提供車輛，配合Waymo 自動駕駛技術，共同開發自動駕駛汽車。Waymo 將自己定位為汽車產業的一級供應商，它為傳統汽車商提供一套完整的自動駕駛解決方案。Waymo 未來集中注意力在與克萊斯勒、本田這樣的OEM 廠家建立夥伴關係上，幫助他們把車輛變成無人駕駛車。

我們可以看到，在推動無人駕駛落地的過程中，傳統車企一直視科技企業為潛在競爭對手，而不願意分享行車數據。但菲亞特克萊斯勒、本田等車企並沒有巨頭們的巨額研發投入，因此類似的戰略合作對於加速無人駕駛技術的推廣顯得尤為重要。

申請無人「網約車」專利，進入無人共享汽車市場

谷歌最近有一個「無人車接送旅客決定接送地點」的專利被披露出來(專利號US20160370194)，乘客提供接送或目的地，車輛操縱自身到該位置，整個駕駛過程處於完全自動的駕駛模式。但是自動駕駛車輛接送的難點在於自主車輛可能不能駕駛人類駕駛車輛的任何地方，如建築障礙、交通管制和限速等道路狀況等位置不能夠安全停靠。谷歌稱其專利解決這一難題，主要依靠其集中式的調度系統。集中式的調度系統主要由谷歌地圖提供地圖信息，通過政府機構、付費信息服務、自動駕駛車輛實時收錄，獲得關於道路、建築物、高地、消防栓、施工區域以及實時交通狀況等的信息。集中式的調度系統根據乘客

提供的位置，提供一些建議的地點以接乘客上車或下車，這些建議的地點包括用戶提供的位置或者附近方便的位置。

當無人駕駛技術真正成熟時，我們預計會看到技術最先應用在租車和打車市場上，也就是我們常說的自動駕駛計程車(self-driving cabs)的共享經濟概念。Uber 一直以來的打算就是未來的叫車服務將不再需要人類駕駛員，Uber 完全控制駕駛系統以及自有車輛，這樣可以極大地節約人力成本與提高車輛的使用率，從而減低路面的擁堵。谷歌的專利也為長期致力於汽車共享服務的Uber 帶來了挑戰。

通用管理層曾表示，通用與Lyft 以及Cruise Automation 的合作就被看作是通用希望未來人們使用Lyft 打車時搭乘無人交通工具。通用集團總裁Dan Ammann 表示他們非常清楚地看到了未來自動駕駛計程車市場的巨大發展空間，他們也認為無人駕駛技術最先應用的地方就是拼車及租車服務。

谷歌發布「共享出租」專利

Elon Musk 與他的大師計劃：Autopilot 車隊學習

Autopilot 1.0 的誕生

2014 年10 月，特斯拉為Model S 裝備了在保險杠和車身周圍的12 個遠距超聲波感測器，能夠進行16 英尺距離的全車身360 度感應。用戶再多花4250 美元，還能購買一個升級「技術包」，包括一個前置車載雷達，一個由Mobileye 開發的光學攝像頭，以及數控輔助制動系統。這些硬體能在車輛發生碰撞之前及時接管汽車並制動，並為特斯拉收集了大量的行車數據，然後等待車載系統的匹配——到2015 年10 月14 日，特斯拉通過OTA 空中升級的方式，為60000 輛安裝了感測器的Model S 車主們帶來了車載系統的第7 代版本，也就是眾所周知的Autopilot。

Autopilot 這個詞來源於航空飛行領域，指的是飛行員在飛行時所使用的自動駕駛儀系統，特斯拉的Autopilot 結合車輛的4 個模塊：攝像頭、雷達、超聲波感測器以及GPS，為駕駛員提供了類似飛行員的操作，包括車速控制、車道內自動跟車、變更車道、自動泊車等。自動側方泊車功能在賓士、寶馬、通用的汽車上也能看到。而且與飛機需要進入巡航平飛狀態后才能進入自動飛行模式一樣，特斯拉Autopilot 不會自動啟動，在進入Autopilot 前，車輛需要感知到清晰地車道線、相對穩定的車流速度、周圍其他車輛的感應以及所處地區的地圖數據。

特斯拉Autopilot 升級階段

按照這個標準，Autopilot 目前處在等級2-3 之間，需要駕駛員的監督，只能算是自動駕駛的初級階段，一定程度上減輕駕駛員疲勞。特斯拉CEO 馬斯克預計，在2018 年特斯拉有可能達到等級4 的水平。在特斯拉系統7.1 的升級中，加入了一項「遙控召喚」的功能，車主可以用鑰匙遙控汽車進出自家車庫。而馬斯克就希望，這項「召喚」功能可以在未來2 年內進步到，車主人在洛杉磯，能夠遙控召喚停放在紐約的汽車，然後汽車自動行駛穿越美國，來到車主身邊。

特斯拉在2016年10 月發布了自動駕駛系統的硬體升級，表示現在開始所有在產的車輛都將配備升級版無人駕駛硬體，以達到支持完全無人駕駛系統的硬體配置。主要包括8 個車載攝像頭(其中3 個為前向攝像頭覆蓋廣角、長焦)進行250 米範圍的360 度成像，12 個超聲波感測器作為輔助，檢測距離提高了近1 倍。一個升級后的毫米波前向雷達為系統提供冗餘波長，增強車輛在大雨、塵霧中的行車探測能力。為配合此套硬體，特斯拉將開發Autopilot 2.0 自動駕駛系統，並為該系統搭載以英偉達DRIVE PX 2 超級車載電腦，計算能力為此前系統的40 倍，每秒運力達到12 萬億次，以此來運行特斯拉開發的針對圖像、聲吶、雷達數據進行處理的神經網路。升級后的完全無人駕駛系統安裝價格為8000 美元(消費者還可以選擇安裝加強Autopilot 配置，僅搭載4 攝像頭，安裝價格為5000 美元)，而上一代Autopilot 的價格只有3000 美元。

特斯拉Model S 與賓士E200 的智能駕駛測試對比

Elon Musk 表示，無人駕駛技術要能達到監管層面的認可，需要至少積累10 億公里的無人駕駛數據。截至去年5 月，硬體配套的特斯拉車隊完成了7.8 億公里的數據；OTA 7.0 升級后，Autopilot 激活下1 億公里的智能駕駛數據；車隊每天會記錄420 萬公里里程數據(現在這個數據已經擴大到500 萬公里)，只需要大約6 小時便可以收集100 萬公里數據。