生物界的寒武紀大爆發(fā)的成因到今天依然是個未解之謎。但可以肯定的是，在寒武紀大爆發(fā)時期出現(xiàn)的一項關鍵“技術”就是視力。在寒武紀時代以前，沒有任何化石證明眼睛的存在，但在此之后卻出現(xiàn)了多種視覺器官。無人駕駛汽車和有人駕駛汽車的區(qū)別之一，在于多了一雙“眼睛”，但這雙“眼睛”將顛覆萬億級傳統(tǒng)汽車市場。

無人駕駛與“零原則”

“撼動傳統(tǒng)行業(yè)的新興科技都有一個共同特點：產(chǎn)品推出后，一項或者多項生產(chǎn)工作的成本將降到幾乎為零。”哥倫比亞大學人工智能實驗室主任利普森（Hod Lipson）教授在《無人駕駛》一書中寫道，這個原理叫做“零原則”（Zero Principle）。

先來看一些符合零原則的歷史先例，從蒸汽機開始。假如你是18世紀末英國的技術觀察家，你會考慮對新興的商用蒸汽機進行投資嗎？如果你用零原則來衡量這個新產(chǎn)品的投資價值，就能馬上看到它的潛力。

蒸汽機大幅降低了動力行業(yè)的機械成本，在發(fā)明蒸汽動力以前，工廠和磨坊的動力來源都受到直接、間接的現(xiàn)實操作限制。當商用蒸汽機被引入工業(yè)時，直接和間接的動力機械成本都被“蒸發(fā)”掉了，轉(zhuǎn)變了制造流程，最終引發(fā)工業(yè)革命。

將近200年后，另一項產(chǎn)生深遠影響的發(fā)明——計算機出現(xiàn)了。和蒸汽機一樣，計算機影響了整個行業(yè)的發(fā)展，因為它降低了曾經(jīng)十分昂貴的計算成本。

那么，今天的無人駕駛技術的發(fā)展是否會出現(xiàn)顛覆性的局面？

我們把零原則應用在無人駕駛的案例中，看看哪些直接或間接成本能減少，無人駕駛汽車能減少的最大經(jīng)濟、社會成本之一就是交通事故造成的傷害。

另外，能節(jié)省下駕駛的時間。對于普通人來說，花在駕駛上的時間是間接的機會成本。對于運輸公司而言，人類司機的時間成本直接以薪酬的形式體現(xiàn)，是決定貨物運輸過程的主要因素。

最后，由于無人駕駛技術去掉了人為易發(fā)生事故的因素影響，汽車和貨車車輛不再需要以“體型龐大”和“專為安全性而設計”的形象出現(xiàn)，同時無人駕駛還能降低燃油的消耗，催生豐富多樣的車身和車型。

如果我們仔細梳理一下，會發(fā)現(xiàn)無人駕駛將四項核心成本減至接近零。

1、接近零傷害。駕駛是高風險行為，無人駕駛汽車能極大降低車禍的直接或間接成本，也減少了每年因交通事故住院的醫(yī)療成本（美國全年的醫(yī)療費用在180億美元）。以及相關的工薪損失（每年330億美元）。醫(yī)療、保險、器官捐獻等收入與交通事故掛鉤的行業(yè)將喪失部分收入來源。

2、接近零成本。無人駕駛汽車去除了一項客運或貨運的成本：工資。貨車司機的工資是運輸貨物、商品的一項重要成本。乘坐出租車的成本也和出租司機的工資有關。

3、接近零耗時。無人駕駛汽車將駕駛的時間減少至零。平均每天美國人花在駕駛上的時間是3小時，每年耗在交通擁堵上的時間是63小時。以前用于駕駛的時間可以用于工作或個人生活。

4、接近零尺寸。有人駕駛的車輛出于安全設計的限制，體型龐大沉重。無人駕駛汽車的事故可能性較小，因此車型更小，重量更輕。沒有司機的貨運車只需要與所運輸?shù)奈锲反笮∫恢录纯伞?/p>

無人駕駛概念車

無人駕駛——人工智能寒武紀大爆發(fā)的開端

寒武紀大爆發(fā)是生物進化史上的重大事件，在此之前絕大部分主流的動物門尚未形成，只存在簡單的生命形態(tài)；在此之后的幾百萬年中，生物多樣性加速發(fā)展——開始出現(xiàn)多細胞機體，生命形態(tài)變得與我們今天所熟悉的動物王國非常類似。

寒武紀大爆發(fā)的成因到今天依然是個未解之謎。但可以肯定的是，在寒武紀大爆發(fā)時期出現(xiàn)的一項關鍵“技術”就是視力。在寒武紀時代以前，沒有任何化石證明眼睛的存在，但在此之后卻出現(xiàn)了多種視覺器官。

在寒武紀中后期的伯吉斯頁巖中，出現(xiàn)了不同種類的眼睛，適應此前出現(xiàn)的多種器官形態(tài)——視覺敏銳度不同，光線敏感度不同，對波長、動態(tài)和色彩不同的識別能力。

我們無法確切知道視力是否在寒武紀的生物多樣性出現(xiàn)中扮演了重要角色，但我們可以在此做一個假設：并非眼睛本身帶來了多樣性，而是其后的認知能力的發(fā)展。

區(qū)別于觸覺、味覺和嗅覺，視覺信息是“高帶寬”的，在空間分辨率和時間流中，導致數(shù)據(jù)率比其他感覺器官要高。因為數(shù)據(jù)是遠距離的傳感器，范圍覆蓋機器以外的廣闊世界，需求新的場景分割認知器官，空間模型和對世界的了解。

提供視覺信息的機制控制了我們的大腦。數(shù)據(jù)顯示，每只眼睛含有15億的光傳感器，而一只耳朵只含有3萬個聲音感覺神經(jīng)。處理視覺信息的神經(jīng)元占皮層的30%，而觸覺和聽覺的神經(jīng)元分別只有8%和3%。

生物界的寒武紀大爆發(fā)與機器人的前景探索具有極高的相似性。DARPA計算機項目前負責人吉爾·普拉特（Gill Pratt），在2015年被任命為豐田公司自動駕駛汽車分部的領導時寫道：

今天好幾項前沿技術的發(fā)展正在機器人的多樣性和能力發(fā)展范疇燃起一場大爆發(fā)。機器人依賴的許多基礎硬件技術，尤其是計算能力、數(shù)據(jù)儲存和交互能力，正在以冪次數(shù)量級的速度增長。兩項新技術——云計算和深度學習將會影響上述基礎技術在良性循環(huán)中進行爆炸性發(fā)展。

確實，對機器人影響重大的基礎技術正在飛速發(fā)展，這些技術使自動駕駛汽車的潛力和多樣性成為可能，這背后有六大驅(qū)動力：

1、動力儲存與效率的冪次增長

自動駕駛機器人需要動力的自動化；在過去的幾十年中，電池技術不斷進步。從1950年的鉛酸電池到今天的聚合物理鋰離子電池效能提高了兩倍。

除了電池能力以外，機器人甚至能從效率的提高中獲得更大的動力，例如發(fā)動機效率的提升。動力儲存和效率的提升加速了自動駕駛系統(tǒng)整體性能的提高。性能更優(yōu)的機器人可以花更多的時間做事情和學習，降低充電和獲取動力的時間。

2、計算能力的冪次增長

正如摩爾定律所預測的，每一塊錢所能購買的可用計算能力每18個月增加一倍。由于受到體積限制，最近幾年的晶體管小型化發(fā)展速度下降，然而每單位美元能購買的計算能力卻繼續(xù)以其他方式來增長，如多核平行等。

對于需要處理數(shù)據(jù)流和實時決策的自動駕駛系統(tǒng)而言，計算能力真是至關重要。高速的處理能力能讓機器人在機構化程度較低環(huán)境中順利運行，更快地從經(jīng)驗中學習。

3、傳感計算的冪次增長

從激光雷達發(fā)展到超聲波，傳感器變得更精確，速度更快，價格更低。所有維度中快速發(fā)展的傳感器之一是相機。受到移動設備發(fā)展驅(qū)動，相機技術的性能和價錢都在以冪次數(shù)量級發(fā)展。

光學儀器和傳感器在成本、大小、性能的發(fā)展使得多功能的相機可以媲美一個機器人。多重數(shù)據(jù)流帶來更好的認知性能，因為人們可以從多個視點（例如，來自超立體視覺的深度感知和速度感知）獲得更可靠的場景理解，同時在應對惡性破壞和暫時的傳感盲區(qū)時，帶來更高的魯棒性（所謂“魯棒性”，是指控制系統(tǒng)在一定(結(jié)構,大小)的參數(shù)攝動下，維持其它某些性能的特性）。

4、數(shù)據(jù)儲存的冪次增長

數(shù)據(jù)儲存能力正在以冪次數(shù)量級的速度不斷增長。這些提高影響的不僅僅是每一塊錢能購買多少儲存字節(jié)，還影響了數(shù)據(jù)存儲和檢索的速度和可靠性，每次數(shù)據(jù)存儲消耗的能量，數(shù)據(jù)的物理重量。當機器人能高效地在本地儲存大量數(shù)據(jù)，它們能回憶并重復利用以前的經(jīng)驗，從過去儲存的經(jīng)歷中學習新的知識。

5、交互寬帶的冪次增長

幾十年前，信息傳送不僅速度慢、技術困難、價格昂貴，而且效果不佳。今天我們通過衛(wèi)星以太字節(jié)為單位的信息量，絲毫不會懷疑信息是否能完整到達目的地。長距離的交互能力與可靠程度，以及允許機器人相互之間分享數(shù)據(jù)和本地結(jié)果分析，催生了聯(lián)合分享智能技術，就是所謂的云機器人。

未來幾年5G技術應用落地將極大推動無人駕駛發(fā)展。可以說，非5G網(wǎng)絡環(huán)境下的無人駕駛都稱不上真正意義上的無人駕駛。

因為無人駕駛依靠的最核心技術是高精地圖。而高精地圖需要實時更新，通過傳感器、攝像頭采集到的信息通過通訊手段（比如5G網(wǎng)絡）與云端做交互，能使得地圖更加智能。基于智能地圖信息的路徑規(guī)劃，通行效率更高。

而且高精地圖的數(shù)據(jù)量巨大，達到Gbit/公里級別或以上，以盡量少的時間完成更新，需要超高速帶寬。

6、冪次增長之王——算法

在計算機科學和電子工程師中流傳著一種說法，無論硬件工程師取得什么樣的進步，軟件工程師都能馬上“廢了”它們。

舉個例子，我們用算法來解微分方程。這一類的數(shù)學算法對任何需要進行預測和動態(tài)控制的機器人來說，都是關鍵的因素。1945-1985年間，執(zhí)行這類基礎任務的算法以每年3萬點的系數(shù)在增長，或者平均29%的增長率。

在“數(shù)據(jù)為王”的今天，數(shù)據(jù)科學家離不開算法的使用。2017年，著名的資料探勘信息網(wǎng)站KDnuggets策劃了十大算法調(diào)查，數(shù)據(jù)顯示，與用于數(shù)據(jù)分析/數(shù)據(jù)挖掘的2011年投票算法相比，Boosting算法同比增長40％，文本挖掘同比增長30％，回歸算法同比增長16%。

近日，地平線創(chuàng)始人兼 CEO余凱博士也在《AI芯片卡位戰(zhàn)：誰贏得自動駕駛處理器，誰就贏得了AI時代》一文中寫到：應用場景決定算法，算法定義芯片，軟硬件協(xié)同設計，這就是 AI 時代的新摩爾定律。誰理解了應用場景并掌握了算法，誰就掌握了核心優(yōu)勢。

寫在最后

從多細胞進化出視覺感知細胞，花了500萬年；從視覺感知細胞進化到智人花了5億年。如果依照這個時間做類比，感知器花了50年時間從20世紀50年代的“無視力機器人”發(fā)展而來，也許要花上500年的時間，人工智能才能發(fā)展到人類水平相當?shù)淖晕乙庾R覺醒。硬件進化的這股發(fā)展趨勢，可是算法的進化遵循其自身的間隔發(fā)展特點。

不過，無論是2020年還是2500年，相比于人類的進化歷史來說，都太快了。

人類一直以來都傾心追求制造出有生命的活物，古時候的煉金術士用盡各種辦法，賦予泥石流生命的氣息。歷史上出現(xiàn)各種神秘的處方，多年以后，煉金術士被他們的現(xiàn)代“追求者”——機器人學家所取代。今天，研究機器人的專家擁有更好的工具、更深層的理解力和稍微充裕一些的資金。最終，我們依然在不停嘗試，把生命的氣息帶給毫無生命特征的機器。