百度计划 2018 年前让商用自动驾驶汽车上路。但是目前技术的局限性，实现这个目标并不是很容易。吴恩达和林元庆在本文提出了改变道路基础设施的想法，用全新的交互方式推动无人车未来的发展。
自动驾驶汽车将很快成为司机的一员——比大多数人想象的更快。在百度，我们计划在 2018年 前让商用自动驾驶汽车上路。但是保证它们安全性的方法并不是让它们像人类司机一样驾驶汽车——事实上，现今技术上的局限让这种方法没有可行性。取而代之的是，我们应该对我们的基础设施做出不少改变，编写程序让无人车的一举一动尽可能处在预测之范围内，并且让公众学会用新的方式与无人车交互。
这些变化可以扬长避短，避开无人车的短处——比如无法理解一个建筑工人打出的手势——并利用它的长处：永远不会放松的警惕性，而且没有视觉盲点。这些变快来得越快越好，要知道每年有 130 万人死于交通事故。安全的无人车将会拯救许多生命，并且让交通变得更便宜、更方便。不过，无论是汽车制造厂商还是科技公司，都无法独力实现这样的愿景。这需要群体的努力。
我们曾经完成过类似的转变。19 世纪时，铁路的兴起让市民们有了比马匹更快速也更安全的出行方式，它也改变了整个社会。但是我们需要学习如何与火车这种交通工具打交道。今天，如果有一只宠物狗跑到铁轨上被火车轧死了，我们会感到很难过，然而我们不会认为这是火车的错，因为我们知道在铁轨上运行是机器的天性。通过找到与火车打交道的新方式—（比如不站在铁轨上）以及新的基础设施（比如在铁路交叉口安置特殊的警示灯与铃声来提示人们避开火车），我们适应了这种机器的天性。
现在，乘坐火车旅行比坐在马背上旅行要安全得多了。在未来，计算机驾驶的汽车也将会比人类驾驶的汽车安全得多。但是，就像火车与马匹不同一样，我们也需要认识到计算机驾驶的汽车与人类驾驶的汽车也是不同的，并且找出新方式让它们安全地融入我们的生活。
关键区别
今天的无人车在一些重要的方面是比不上人类司机的：
- 如果一个建筑工人打手势告诉汽车可以通过或是要停下，现在没有一辆无人车能够可靠地做出正确决策。
- 当阳光刚好位于红绿灯背后时，大部分摄像头都将无法识别信号灯的颜色。
- 如果我们看到一辆贴着 “转弯半径大”（Makes Wide Turns）标志的卡车，我们知道要如何根据这句告示来调整我们的驾驶策略。如果我们看到路上有孩子被冰激淋车吸引了注意力，我们知道要减速，因为他们可能会直接奔向冰激淋车。现在的计算机还无法娴熟地理解这些复杂情景。
无人车也有比人类更好的地方：
- 我们可以在制造时让无人车没有盲点，达到 360 度全景。
- 它们永远不会醉酒驾驶，在驾驶的时候也不会分心。它们不知疲倦，只有在维护时才休息一会儿。
- 它们的反应比人类快得多。
由于计算机观察和理解世界的方式与人类迥异，它们的驾驶方式也与人类不同。人工智能技术正在大步迈进，不过我们不应该期待近期就会出现与人类驾驶方式一模一样的计算机。
对基础设施做出适当改变
我们的道路系统是为人类司机修建的。幸运的是，只需做出适度的改变，现今的道路系统也能支持安全的计算机驾驶和人类驾驶的汽车。
与其让建筑工用手势引导车流，我们应该给他们配备无线信号灯或无线应用，用电信号告诉汽车该做什么。修路方案可以提前发给自动驾驶汽车，这样自动驾驶汽车就有时间围绕这些复杂的情况制定计划。执行紧急任务的车辆也将需要一种明确的沟通方式，因为它们的汽笛声和闪光灯都是为人类司机设计的。
我们或许还要在事故频发的十字路口修建多个交通信号灯，这样无论太阳处于什么方位，至少有一个信号灯总能被汽车的摄像头清楚拍摄到。或者，我们可以研发更敏感的摄像头。汽车制造商、技术公司和公共机关一起参与到一个公私合作项目中，测试各种解决方案，这将是确保我们共同设计出一个安全有效的交通系统的最佳方法。
可预测性
火车、地铁不善于避开轨道上的障碍物，但它们之所以安全是由于其行为具有可预测性。自动驾驶汽车不会在轨道上行驶，但我们仍然需要尽全力让它们变得可以预测。例如，它们应该不会突然刹车，因为这会导致其他人从后面撞上来。
尽管如此，自动驾驶汽车的行为还是会有所不同。这就是为什么自动驾驶汽车的外观应当显眼并且一眼就能认出来，好让其他人心里有底。在百度，我们选择的第一辆自动驾驶汽车，不是设计最美观的，而是我们看起来觉得最显眼的：白顶红底。这就像在车上贴了张大大的 “新手司机” 标签——它告诉其他人应该对这辆车的行为有不同的预期。
美国国家公路交通安全管理局发现，黄色的转向灯明显比红色的要安全，因为黄色的转向灯与刹车信号不同，更容易辨别。身旁司机不到一秒的延迟，就可能使一次安全的转弯变成一起撞车事故。因为自动驾驶汽车的行为与人类不同，明确地告知周围司机自己的意图对自动驾驶汽车而言更加重要。
道路养护状况良好对可预测性也至关重要。有了清晰明确的车道标记，人类和计算机都能在车道之间安全驾驶。至于养护状况很差的道路，其问题不仅仅在于在上面很难驾驶，而且计算机和人类都不能准确地预测其他车辆会驶往何处，因此降低了可预测性。
轨道铺设策略
综上所述，安全的自动驾驶汽车需要对基础设施进行适度的改建，外观设计要容易辨识和预测，而且行人和人类司机需要知道计算机是如何开车的。自动驾驶技术还需要一个明确的法律框架，处理合法性及责任归属问题。这是大量的工作，但好在我们不需要在所有地方一次性就做出这些改变。
我们主张先由一小部分限制区域开始，让这部分区域 “允许自动驾驶”，而后再扩展开来。我们将其称为自动驾驶的 “轨道铺设策略”（Train Terrain Strategy）。例如，我们也许可以从几条班车路线开始，然后扩展到整个城市。这种方法使必要的基础设施改建更容易得到落实，也给了行人和人类司机时间理解计算机如何驾驶，预测计算机会有什么行为——就跟预测还在学开车的司机会做出的某些行为一样。
我们认为这是实现安全自动驾驶汽车愿景最快的方法。
道义责任
撞车事故每天导致 3000 多人死亡。自动驾驶汽车将能减少这一无情的死亡人数，并且成本在公众可承受的范围之内。我们在道义上有责任快速得出成果。每延迟一天，就又有 3000 条生命死亡，又有 3000 个家庭接到那通恐怖的电话。
让自动驾驶汽车成为现实不可能由单一的一家机构做到。它需要公私合作伙伴关系，一个由立法人士、研究人员、工程师、技术公司和汽车制造商组成的团队。携手一起，我们将迎来一个更加光明的未来，亿万人民的交通运输变得更加实惠和安全。
本文转载自微信订阅号“新智元”，编译作者为王婉婷和闻菲。您可关注 “新智元”（Al_era）了解更多人工智能最前沿资讯。本文编译自：wired.com
·氧分子网（http://www.yangfenzi.com）延伸阅读：
自动驾驶发展的瓶颈之一在于，需要开发出可以对汽车所处环境进行3D感知的高性能传感器。
技术的进步使得自动驾驶不再是遥不可及的事情。在众多智能器件中，传感器显得十分关键。
在自动驾驶汽车中广泛使用的是被称之为“Lidar”的传感器，即激光雷达传感器,它也被称为无人驾驶汽车的眼睛。Lidar可以发射激光束，并通过捕捉反射回来的信号绘制出周围环境的3D模型。谷歌、Uber和丰田等公司测试的自动驾驶车都依赖这种激光雷达系统，使得车辆可以自我定位，并识别行人和过往车辆。当前最好的传感器可以识别距离100米之外、大小只有几厘米的物体。
大多数开发自动驾驶汽车的公司都使用Lidar系统，只有特斯拉是个例外，它只依靠相机和普通雷达。然而，雷达传感器在捕捉细节方面捉襟见肘，相机在低光或眩光的条件下也表现不佳。去年，一辆特斯拉汽车和一辆拖拉机相撞，特斯拉车主不幸遇难。这一事故的原因正是特斯拉的Autopilot软件系统无法在高亮度的天空背景下识别拖拉机。丰田负责自动驾驶的副总裁RyanEustice承认，安全问题仍然是自动驾驶汽车开发过程中的“未解难题”。
事实上，自动驾驶技术发展速度之快，使得激光雷达的发展显得略有滞后。激光雷达传感器之前一直是相对独立的业务，与传统汽车制造相比远不够成熟，尚不能成为数百万辆汽车的标配。
从披露的各种试验车上，我们也能看得出问题所在：激光雷达传感器体积巨大且笨重。这也是为什么谷歌、Uber和丰田的自动驾驶汽车都顶着一个大大的圆顶或盒子状的装置。
激光雷达眼中的世界
激光雷达传感器价格不菲，一台传感器的花费就高达数千甚至数万美元。目前，大多数测试车辆上都装有数个激光雷达。尽管道路上自动驾驶车辆的数量极少，激光雷达也到了供不应求的地步。最近有相关报道称，尽管激光雷达制造商正在努力增加产能，但客户还必须等待6个月左右才能得到一台新的传感器。
激光雷达的稀缺也帮助我们理解了上个月Waymo对Uber提起的诉讼：Waymo宣称它有证据表明，其顶级工程师之一的Anthony Levandowski在离开公司创立自有品牌Otto之前窃取了Waymo激光雷达传感器的设计。之后Uber收购了这家自动驾驶卡车公司Otto。
去年，Otto的共同创始人Lior Ron告诉媒体，公司建立了专门针对卡车的激光雷达传感器，因为市场上并没有满足18轮大卡车在高速公路上安全驾驶所需的传感器。 Waymo指出，Otto的技术实际上来源于Waymo耗资数千万美元开发的技术，Otto靠着搭顺风车将传感器的成本与几年前相比降低了90％以上。
高性能的激光雷达系统是Waymo将自动驾驶汽车商业化和实现盈利的重要部分。该公司开发了三种用于寻找不同范围物体的传感器。Waymo表示它准备将这些技术打包，然后分别授权给知名的汽车制造商。
Waymo并不是市场上唯一一个耗资数百万来解决激光雷达滞后的公司。去年，福特和百度向世界领先的激光雷达供应商Velodyne投资了1.5亿美元。该公司准备在圣荷西建造一个大工厂，并计划从明年开始发售激光雷达。
不过，激光雷达在导入市场之前还需要很多改进。包括Velodyne在内的几家公司正在开发不使用旋转镜改变激光束方向的Lidar系统。相比于目前的笨重设备，以纯电信号来改变激光方向的Lidar会更便宜、体积更小。因为其没有可移动的部分，这种激光雷达被称为“固态”激光雷达系统。
谷歌自动驾驶汽车的专利显示了其如何使用激光雷达来探测前方的道路
这一理论还处在测试阶段。Velodyne报道其在去年12月取得了一项“突破”，可以使激光雷达的价格低至50美元，但它并没有指出是否实现了固态系统。初创公司Quanergy去年获得了9000万美元的融资，声称它将在马萨诸塞州建立工厂生产固态激光雷达传感器，售价为250美元，但该公司的产品细节目前还不清楚。汽车零部件供应商Continental和Valeo也在开发类似的技术，宣称将在两至三年内上市。
包括福特和宝马在内的汽车制造商表示，他们希望在2021年之前实现自动驾驶汽车的批量生产。毫无疑问，这些汽车的性能、成本和外观在很大程度上都将视激光雷达系统的发展情况而定。
条件AI小蜜蜂。这个名字，与林元庆将要开启的创业之路一样「有趣」。
撰文 | 宇多田
离开百度的林元庆，有点不一样了。
如果说之前在百度研究院更多是专注于技术的研发与产品化，那么现在的林元庆则是把一只脚完全浸入了行业里。
「过去 3 个多月里，我拜访了大概有 32 家传统行业里的公司，各个行业都有，跟他们深入地聊了一下他们的需求。确切地说，是他们究竟想让 AI 帮他们做一些什么样的改变，感触真的很深。」
借着今天在北大举行的一场 AI 技术讲座，在离开百度将近 3 个月后，林元庆第一次对外公开了自己的创业进展：
新公司的名字叫做 Aibee，已经拜访了超过 32 家各行业 Top 级公司，要做的事情就是「帮行业升级」，未来 2~3 星期将有一大笔天使轮融资到账。
这家公司究竟要做什么？
Aibee，翻译过来，就是「AI 小蜜蜂」。
但是林元庆给公司取这个名字最初的理由，有点让我们哭笑不得：
「本来我们想叫 AI2B……虽然我是一个简单直接的人，但这个名字听起来还是太简单粗暴了，所以我们就叫 Aibee，就是 AI 小蜜蜂。」
而「小蜜蜂」的另一层含义显而易见：为行业进行「人工授粉」，帮他们「结出果实，提高产量」。
实际上，在离开百度的这几个月里，林元庆一直在思考一个看起来很大，但却不容逃避的问题：
AI 到底会给经济带来一个什么样的影响。
在过去3个月，他带着这个问题去走访超过 32 家各个行业的 top 级公司的过程中。每到一家使用AI的公司，他首先问的一个问题，就是AI究竟对他们的主营业务收入产生多大的影响。
而很多时候，他得到了与预想完全不同的答案：
「几乎每家公司都说AI对他们的业务很重要，都在做AI，但不知道 AI 到底能做什么，只是觉得应该做，大家都在做，就做了。
但究竟要用 AI 达到一个什么样的效果，以及是否能对自己业务有一个质的提升，他们并不清楚。」
教育行业，是林元庆观察及探访了很长一段时间的行业。
他先后拜访了 VIPKID、新东方、好未来等知名英语机构，与他们的 CEO 或 CTO 进行了深入沟通，发现他们都在招人，都在计划用 AI 技术对自身业务进行「改造」，但对于「怎么改」，以及「AI 真的能否能解决自己迫切需求」都存在很大的顾虑。
林元庆用 VIPKID 举了个例子，这家已经成长为「超级独角兽」的 1 对 1 网上英语教育平台，其实最想利用技术达到「因材施教」的效果。
也就是说，为每一个学生，匹配一个最合适的英语外教老师。但目前，这基本上是无法做到的。
「你可以想一下这样的场景：一个家长带着孩子进来，跟学校说『我想要一个 20 多岁，白人女老师』，然后平台拿出了 8、9 份符合条件的资料，最后家长和孩子可能还是只会选个顺眼的。」林元庆描绘了一个英语教育机构可能经常遇到的状况，
「这个时候用 AI 会怎么样？如果 AI技术能很好地分析出这个学生是什么样的特性，然后把分析结果拿去匹配老师，那么这家机构就能够做到『因材施教』，教育质量肯定能获得很大的提升，家长也会觉得自己的钱花得值。」
其中，「分析」与「匹配」，就是林元庆的团队要做的事情。
林元庆认为，说的高大上一些，Aibee 就是做『给企业赋能』的事情；说的不好听一些，其实也可以把他们当成一家「外包公司」。
「我并不反感叫我们外包公司，但你可以是一家赚十几万的外包公司，也可以是一家赚几千万的外包公司。」
林元庆还幽默地表示，自己已经成为了公司最大的BD：
「我不在乎被称呼什么，我在乎的是自己是否戳中了公司最痛的痛点，是否能给这个行业带来亿级以上的产业升级。」
「与众不同」的业务模式
不过，即便与市面上很多其他技术厂商同样做 2B 的生意，但用林元庆的话来说，「他们的业务模式也是 total different（完全不一样的）」：
绝对不是围绕「单点技术」来做项目，而是会根据行业痛点，将计算机视觉、图像识别、语音识别等多重技术进行全方位融合
一定不会为一家公司做定制化的方案，不是 AI to Company（公司），而是 AI to Industry（产业）。
「当下很多项目的创立，都是单点技术的创立」，林元庆认为，当下 AI 公司的技术都做的很垂直，
「譬如我会做人脸识别，我就去开个人脸识别的公司；我会做语音识别，我去开个语音识别的公司，我会做 NLP，我去开个做多轮交互的公司。」
但是，在为一家传统企业，乃至整个行业做解决方案，这种所谓的「垂直」，很多时候跟他们的「痛点」不匹配，确切地说，是「单点技术能做到的太有限」。
「你跟一家公司说『你们需不需要人脸识别』，他们会说『不太需要』。但是我们的一个做法是：跟他们的 CEO 或核心管理层聊，聊怎样去做，才能给他们业务带来质的提高。」
就像刚才林元庆讲到 VIPKID 所面临的问题一样，如果要了解一个孩子的特性，那么就需要通过视频和音频，对人脸、语音以及语义做多重识别和分析，而这里面绝对不可能只涉及一项技术。
「其实这里面我们要做的 90% 的工作，就是去感知和理解，通过对视频、语音的多维度分析去总结学生的特性。」他强调，
「如果你只做单点技术，你很难去站在一家公司管理层乃至一个行业的角度去思考他们想要解决的问题。」
但林元庆表示，即便是要为一家企业做一份综合性的技术方案，也并不是定制化的，仅为个别企业「做升级」。
按照他的想法，「既然是要思考 AI 会给经济带来什么影响，那么这必定是行业化的技术输出」。
只不过 Aibee 选择的突破路径，是先为一个行业的头部公司做『升级』，然后再用「一个点去击穿整个行业」。
「我们已经决定，明年会做两个行业，先拿下几个大客户的订单，然后逐步渗透。」
AIbee 瞄准了哪些行业？
教育、金融、零售、房地产，这些领域都是林元庆提到 Aibee 有可能深入的行业；而安防，则是一个当下靠「单点技术」就完全可以「攻略」，而且厮杀相当激烈的市场，对林元庆没有很大吸引力。
不过，虽然林元庆一直在拿教育行业举例子，但他并确定这是否将是 Aibee 第一个进行「攻略」的领域。
「教育只是其中一个可能性，我提到它，是因为教育这个行业比较好理解。但是这个行业也有一些问题，譬如我们的盈利空间可能没有很大。」
但相对应的，其他产业也有 Aibee 需要面对的一些麻烦。譬如金融行业，数据就是一个很大的难题。
「金融与医疗一样，可能都是我们偏中长期的要做的，甚至是最后要进入的领域。拿金融来说，银行虽然有自己的数据，但远远不够，它还要借助外部其他渠道的数据，这便需要一个过程。」
总之，截止目前，究竟 Aibee 会从哪个行业开始做起，仍然是林元庆正在保守的一个保密。
不过我们注意到林元庆有提及，今天与其一起参与讲座的斯坦福大学人工智能实验室的教授 Silvio Savarese，将会与 Aibee 进行紧密合作；而 Silvio 所在的实验室，刚刚与京东签署了「AI 联合研究计划」。
巨额天使轮融资与多元化团队
林元庆承认，既然要为行业制定「多点技术」方案，那么团队的组成也必定是多元化，不过更多细节仍然要等到天使轮融资完成后再陆续公布：
「我们将在 2~3 个星期内宣布天使轮融资，额度非常大。但是投资方都会是国内的资本，因此是以人民币为单位。钱差不多已经到账了。」林元庆看起来非常高兴。
此外，虽然团队规模暂不知晓，但 Aibee 的办公地点已经确立，一个在北京，另一个在硅谷。林元庆坦言Aibee正在扩建团队，希望人员配置能够与客户的需求进行匹配：
「我们接下来宣布的每一个 collaboration（合作）都会很大，明年就做几个大客户。所以说，每一个项目都必须配置完备的综合技术团队。
譬如我们一个客户就会铺进去 20~30 人，对方再进来 20~30 个他们懂业务的人，我们就聚在一起，在 3~6 个月里解决他们最迫切的需求，然后再不断迭代。」
不过，这并不意味着团队规模会达到科大讯飞那种上千人的规模。林元庆强调，一个行业的问题，一个量级不大但足够优秀的综合性团队就可以解决：
「科大讯飞用那么多人，是因为他们想把语音用到各个领域，各个智能产品中去；但是我们不需要，我们解决的是这个客户，这个行业的问题：做语音的 3 个人，做人脸识别再 3 个人，做 NLP 的再 3 个人……最后就组成个 20 多人的团队，就 OK 了。」
无论如何，现在我们要做的，就是等待 Aibee 创立信息的正式公开，以及林元庆带给传统行业的一个与众不同的「改造方案」。