在今年年初，博世成立了自己的「全球人工智能研究中心」，這個(gè)中心包括德國(guó)斯圖加特，印度班加羅爾以及美國(guó)帕羅奧圖三個(gè)研發(fā)據(jù)點(diǎn)。上周 BCW 大會(huì)上，博世的 CEO Dr. Volkmar Denner 發(fā)布了與 NVIDIA 的合作消息，并將 AI 列為了博世未來(lái)發(fā)展的四個(gè)重要方向之一。想看 GeekCar 專(zhuān)訪 NVIDIA CEO 老黃的文章， 請(qǐng)戳這里 。

在大會(huì)期間，GeekCar 采訪了這個(gè)「全球人工智能研究中心」的負(fù)責(zé)人 Dr. Hauke Schmidt，同時(shí)在場(chǎng)的還有博世的企業(yè)公關(guān)總監(jiān) Dirk Haushalter。Dr. Schmidt 之前是博世數(shù)據(jù)挖掘部門(mén)的負(fù)責(zé)人，而這個(gè)部門(mén)很有可能就是 AI 研究中心的前身。

以下為采訪的實(shí)錄（G 代表 GeekCar，H 代表 Dr . Hauke Schmidt，D 代表 Dirk Haushalter）：

G：首先請(qǐng)您先介紹一下您所帶領(lǐng)的這個(gè)部門(mén)吧，這個(gè)部門(mén)主要都是做哪些與 AI 相關(guān)的事情？

H：我們把這個(gè)部門(mén)稱(chēng)之為人工智能中心，因?yàn)樗蚨鄠€(gè)研究據(jù)點(diǎn)。我們主要關(guān)注的是人工智能當(dāng)中的深度學(xué)習(xí)（Deep Learning）以及機(jī)器學(xué)習(xí)（Machine Learning）領(lǐng)域，換句話說(shuō)就是數(shù)據(jù)驅(qū)動(dòng)的領(lǐng)域。目前，我們還沒(méi)有涉足語(yǔ)義以及符號(hào)分析等領(lǐng)域，但是未來(lái)或許也會(huì)有所涉及。

G：在您看來(lái)，AI 和自動(dòng)駕駛的聯(lián)系是怎樣的？

H：自動(dòng)駕駛當(dāng)中的很多方面都需要 AI，比如說(shuō)感知、路徑規(guī)劃、執(zhí)行以及車(chē)輛控制等。這是一套非常復(fù)雜的系統(tǒng)，而 AI 可以將這些部分鏈接在一起。例如目前的傳感器和控制系統(tǒng)是相對(duì)分離的，我們需要 AI 將他們整合到一套系統(tǒng)中。

G：如果我們把自動(dòng)駕駛分為感知、地圖、決策、控制四個(gè)環(huán)節(jié)的話，AI 是不是主要將負(fù)責(zé)決策的部分？

H：其實(shí)在感知部分，AI 的作用也十分重要。因?yàn)楦兄缓?jiǎn)簡(jiǎn)單單是傳感器收集畫(huà)面，機(jī)器還需要分辨出行人， 自行車(chē)，機(jī)動(dòng)車(chē)等等。這些都需要通過(guò)數(shù)據(jù)分析和 AI 的應(yīng)用去做具體的識(shí)別劃分。

G：那么在駕駛決策部分呢？機(jī)器如何學(xué)習(xí)人類(lèi)一樣的駕駛行為？

H：如果從數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)角度去看，那么模擬人類(lèi)的駕駛行為主要是依靠案例及數(shù)據(jù)。這需要將車(chē)輛放在各種不同路況和場(chǎng)景中測(cè)試，并看機(jī)器在這些場(chǎng)景當(dāng)中做出的決策是否夠好。在測(cè)試過(guò)程中需要有人工的駕駛員在駕駛位置隨時(shí)待命，以防止問(wèn)題的發(fā)生。一旦機(jī)器產(chǎn)生了錯(cuò)誤的決策，那么這些錯(cuò)誤將被作為反面教材去重新優(yōu)化算法，這樣的話下次機(jī)器再遇到類(lèi)似的場(chǎng)景的時(shí)候，就會(huì)做出更好的決策。

G：提起人工智能，人們總是會(huì)想起在圍棋比賽中擊敗人類(lèi)職業(yè)棋手的 Alpha GO。那么 AI 在圍棋上的應(yīng)用和在駕駛上的應(yīng)用有什么不同？因?yàn)轳{駛環(huán)境當(dāng)中包含更多的決策者，且環(huán)境很難預(yù)測(cè)。

H：這兩者間有多個(gè)區(qū)別。首先，駕駛的環(huán)境是不可預(yù)知的。第二，可選擇的行動(dòng)數(shù)量也不同，在下棋當(dāng)中，每一步的可選擇范圍一般只有三四種，最多也就是六七種，且這些行動(dòng)非常的具體化（在不同的位置落子）。但是在駕駛環(huán)境中，這個(gè)選擇范圍就大得多了，單說(shuō)轉(zhuǎn)向的時(shí)候，就有多種不同的轉(zhuǎn)向程度，因此在駕駛場(chǎng)景中，機(jī)器將會(huì)有更多的選擇空間。第三，兩者在量化程度及可計(jì)算程度上也不同。下棋時(shí)，機(jī)器可以提前計(jì)算出不同步驟下所可能產(chǎn)生的結(jié)果，對(duì)對(duì)手的預(yù)判也會(huì)更加準(zhǔn)確。而在駕駛環(huán)境中則不同，路面上會(huì)有多個(gè)認(rèn)為決策者（行人，人工駕駛的機(jī)動(dòng)車(chē)等），他們有他們自己的行為策略，機(jī)器無(wú)法保證一直對(duì)他們的行為做出準(zhǔn)確預(yù)判。所以駕駛要比下棋有著更多的不可預(yù)知性。

G：那么你們將通過(guò)什么方式來(lái)攻克這種不確定性？

H：就像我之前說(shuō)的，還是要通過(guò)足夠多的案例及測(cè)試數(shù)據(jù)積累。只有積累足夠多的測(cè)試?yán)锍蹋?yīng)對(duì)了足夠多的駕駛場(chǎng)景，機(jī)器的算法才能夠不斷的優(yōu)化。

G：所以我可否能理解為目前自動(dòng)駕駛的瓶頸就在數(shù)據(jù)的積累上？

H：是這樣的。目前自動(dòng)駕駛發(fā)展的關(guān)鍵就是要積累足夠多的有效數(shù)據(jù)，并不是所有數(shù)據(jù)都可以，有效的數(shù)據(jù)需要有清晰的標(biāo)注，你需要告訴機(jī)器，這個(gè)數(shù)據(jù)中的行為是正確的還是錯(cuò)誤的。積累這種有效數(shù)據(jù)需要極大的成本，而這正是自動(dòng)駕駛發(fā)展的瓶頸所在。

D：同時(shí)是不是還需要把系統(tǒng)和算法做的更加智能化？

H：我認(rèn)為讓系統(tǒng)和算法更智能化是個(gè)挑戰(zhàn)，但還不會(huì)是瓶頸。目前我們已經(jīng)集結(jié)了很多專(zhuān)家來(lái)讓系統(tǒng)更加智能化，這個(gè)目標(biāo)是可以解決的。但是再好的系統(tǒng)也需要有足夠的數(shù)據(jù)去驅(qū)動(dòng)和優(yōu)化，這就像驅(qū)動(dòng)發(fā)動(dòng)機(jī)的燃料一樣。?

G：現(xiàn)在行業(yè)內(nèi)有機(jī)器學(xué)習(xí)（Machine Learning）、深度學(xué)習(xí)（Deep Learning）、CES 期間 Mobileye 又提到了增強(qiáng)學(xué)習(xí)（Reinforcement Learning）。這幾種方式有什么不同？

H：深度學(xué)習(xí)（Deep Learning）的特點(diǎn)在于神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，深度學(xué)習(xí)在神經(jīng)網(wǎng)絡(luò)上有著眾多的隱層（Hidden Layers），一般 5 層以上。在神經(jīng)網(wǎng)絡(luò)中會(huì)有輸入層，這個(gè)上面的神經(jīng)元會(huì)鏈接車(chē)輛上面的各個(gè)傳感器，例如一個(gè) 1000×1500 像素的攝像頭，每個(gè)像素是輸入層上的一個(gè)神經(jīng)元。然后網(wǎng)絡(luò)中還會(huì)有輸出層，它來(lái)負(fù)責(zé)車(chē)輛的控制，例如轉(zhuǎn)向，剎車(chē)等。而隱層的作用就是鏈接輸入和輸出層，隱層的具體決策和工作邏輯目前還不清晰，這也是我們研究的一個(gè)重要方向：去解釋隱層的決策邏輯。以上就是深度學(xué)習(xí)的基本原理。

而增強(qiáng)學(xué)習(xí)（Reinforcement Learning）的重點(diǎn)是如何去訓(xùn)練神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元。增強(qiáng)學(xué)習(xí)的應(yīng)用關(guān)系到了應(yīng)用環(huán)境，例如車(chē)輛在駕駛環(huán)境中做出了一個(gè)行為，這個(gè)行為會(huì)對(duì)駕駛環(huán)境產(chǎn)生影響，此時(shí)車(chē)輛上將會(huì)自行判定這個(gè)行為到底是好的還是壞的，比如這個(gè)行為是撞上了別的車(chē)還是保持了正常的行駛線路。在這個(gè)判定之后，系統(tǒng)的算法會(huì)收到一個(gè)正面或者是負(fù)面得反饋，而這個(gè)反饋會(huì)進(jìn)一步增強(qiáng)系統(tǒng)得算法。

G：我是否可以理解為增強(qiáng)學(xué)習(xí)可以讓車(chē)輛本身自行優(yōu)化自己的算法和決策？

H：這并不是我們的做法。我們的做法是在車(chē)輛上面植入一個(gè)固定的神經(jīng)網(wǎng)絡(luò)模型（Model），它不會(huì)自己做出改變。但是車(chē)輛在行駛過(guò)程中將會(huì)不斷收集數(shù)據(jù)，并把這些數(shù)據(jù)上傳到云端。在云端上，這個(gè)神經(jīng)網(wǎng)絡(luò)模型會(huì)得到訓(xùn)練和優(yōu)化。在這之后，我們會(huì)將優(yōu)化后的模型再去做測(cè)試，其中將包括我們挑選的一些特定的路況與駕駛場(chǎng)景。當(dāng)我們確定了優(yōu)化后的新模型能夠應(yīng)對(duì)這些場(chǎng)景，并能夠確保其實(shí)際應(yīng)用的安全性之后，我們才會(huì)將新的模型部署到車(chē)輛上。此時(shí)，適配新模型的車(chē)輛將會(huì)有更好的表現(xiàn)。因此，我們的算法學(xué)習(xí)和優(yōu)化并不是直接在車(chē)輛上面完成的，而是會(huì)經(jīng)過(guò)一個(gè)系統(tǒng)性的流程來(lái)實(shí)現(xiàn)。

G：在駕駛場(chǎng)景當(dāng)中將有多個(gè) AI ，包括語(yǔ)義識(shí)別、人臉識(shí)別、車(chē)輛控制等。如何將這些 AI 整合在一起？

H：其實(shí)并不需要把它們都整合在一起，因?yàn)槲覀儾⒉皇侵苯影岩粋€(gè)人工智能直接賣(mài)給用戶(hù)。用戶(hù)關(guān)注的是最終產(chǎn)品的表現(xiàn)，他們希望車(chē)輛能識(shí)別他們的聲音，識(shí)別他們的身份，希望車(chē)輛能夠自己駕駛。而在后臺(tái)一共有幾個(gè) AI 在工作，對(duì)于用戶(hù)來(lái)說(shuō)是不重要的。你剛才提到的這三個(gè) AI 會(huì)有一些聯(lián)系，比如當(dāng)你開(kāi)車(chē)到某個(gè)路段時(shí)，希望能夠進(jìn)入自動(dòng)駕駛模式，然后通過(guò)語(yǔ)音向系統(tǒng)發(fā)出指令。但這其實(shí)只是兩個(gè) AI 系統(tǒng)之間的一個(gè)簡(jiǎn)單鏈接。

G：既然您是負(fù)責(zé)人工智能相關(guān)的業(yè)務(wù)，那可否透露一下與 NVIDIA 的合作，雙方具體是怎樣的分工？

H：NVIDIA 將負(fù)責(zé)硬件部分，而博世將圍繞這個(gè)硬件構(gòu)造全套的自動(dòng)駕駛系統(tǒng)。

D：NVIDIA 將提供硬件芯片，主要是 GPU。

H：是的，我們使用 NVIDIA 的 GPU 芯片驅(qū)動(dòng)博世的算法，這樣整套系統(tǒng)才能運(yùn)轉(zhuǎn)。

G：也就是說(shuō) NVIDIA 提供硬件，以及基礎(chǔ)的一些驅(qū)動(dòng)程序，而博世則提供算法？

H：我是這么理解的。

G：那么未來(lái)的發(fā)展中，硬件將如何幫助您的團(tuán)隊(duì)優(yōu)化算法？您認(rèn)為硬件和算法哪個(gè)將更加重要？

H：我認(rèn)為最重要的其實(shí)是成本控制，有了 NVIDIA 的 GPU，我們現(xiàn)在可以將硬件做得更加小巧和緊湊，同時(shí)我們也能夠幫助降低這套硬件的成本。與 NVIDIA 合作的這套小型系統(tǒng)的性能與幾年前我們?cè)诳ㄜ?chē)上應(yīng)用的大型計(jì)算單元相當(dāng)，這才是重點(diǎn)所在。

D：在 Schmidt 的回答基礎(chǔ)上我還要補(bǔ)充一點(diǎn)：理論上，我們也可以和其它的芯片解決方案供應(yīng)商合作。

G：說(shuō)起合作，Intel 剛剛收購(gòu)了 Mobileye，而 Mobileye 的 Shashua 之前一直提倡行業(yè)的聯(lián)合以及數(shù)據(jù)的共享。對(duì)這點(diǎn)，您怎么看？（GeekCar 關(guān)于 Intel 收購(gòu) Mobileye 的報(bào)道文章）

H：對(duì)于 Intel 對(duì) Mobileye 的收購(gòu)，我無(wú)法發(fā)表評(píng)論。從博世的角度來(lái)說(shuō)，我們與客戶(hù)，與供應(yīng)商都有很深的合作。尤其是在數(shù)據(jù)收集層面，我們一直在嘗試通過(guò)合作和協(xié)商來(lái)盡可能的收集更多數(shù)據(jù)，因?yàn)槿缥覄偛潘f(shuō)，這個(gè)是瓶頸所在。

G：你們也在和自己的合作伙伴分享你們自己的數(shù)據(jù)嗎？

H：這要取決于具體哪個(gè)合作伙伴，以及具體的協(xié)商細(xì)節(jié)。例如對(duì)方向我們分享了他們的數(shù)據(jù)，則我們也會(huì)相應(yīng)分享我們自己的數(shù)據(jù)。每個(gè)具體的合作都有所不同。

D：我同意，這取決于合作伙伴以及數(shù)據(jù)本身。博世自身是非常開(kāi)放的。對(duì)于 Intel 收購(gòu) Mobileye，從博世集團(tuán)的角度來(lái)說(shuō)，我們認(rèn)為這是十分正常的，且我們很歡迎這樣的整合。不過(guò)，他們之間的整合與我們和 Nvidia 的合作有一點(diǎn)不同：我們擁有百年的汽車(chē)行業(yè)經(jīng)驗(yàn)，這會(huì)給我們帶來(lái)優(yōu)勢(shì)。Intel 和 Mobileye 更像是芯片技術(shù)與攝像頭識(shí)別技術(shù)的整合，他們還不具備我們這樣的汽車(chē)行業(yè)經(jīng)驗(yàn)。這點(diǎn)上，我們還是很自信的。

G：那么與硅谷的科技公司，如 Google 和 Uber 比，博世的人工智能有哪些優(yōu)勢(shì)呢？

H：我覺(jué)得主要有兩點(diǎn)，首先我們公司有著足夠的汽車(chē)行業(yè)經(jīng)驗(yàn)，這包括傳感器，軟件以及服務(wù)等領(lǐng)域的專(zhuān)業(yè)知識(shí)。這些是硅谷的科技公司沒(méi)有的。第二是我們的人工智能技術(shù)在博世涉足的其它行業(yè)也會(huì)有廣泛應(yīng)用，除了汽車(chē)和出行之外，我們?cè)诮ㄖ?、能源、工業(yè)制造等領(lǐng)域也都有人工智能的應(yīng)用。從「物聯(lián)網(wǎng)」的趨勢(shì)來(lái)看，博世很擅長(zhǎng)「物」的部分，我們是制造和工業(yè)領(lǐng)域的專(zhuān)家。而現(xiàn)在我們將在此基礎(chǔ)之上進(jìn)一步添加更多的軟件服務(wù)與技術(shù)。

此次專(zhuān)訪之后，博世的公關(guān)負(fù)責(zé)人也告訴了我他們眼中的高級(jí)別自動(dòng)駕駛落地時(shí)間：L4 級(jí)別為 2025 年。這個(gè)時(shí)間確實(shí)要比之前老黃預(yù)測(cè)的 2019 晚了很多。汽車(chē)制造行業(yè)對(duì)外發(fā)聲時(shí)還是維持了一貫的保守風(fēng)格。

但是，博世對(duì) AI 的發(fā)力其實(shí)代表著一個(gè)重要的信號(hào)：汽車(chē)制造業(yè)的巨頭們（不管是主機(jī)廠還是供應(yīng)商）正在加快自己向軟件服務(wù)公司變化的腳步。把這個(gè)信號(hào)與 Intel 收購(gòu) Mobileye 結(jié)合在一起，你就會(huì)發(fā)現(xiàn)，雙方正在以驚人的速度走向整合。這在之前制造業(yè)與科技業(yè)互相不待見(jiàn)的時(shí)代是很難想象的。

如果博世最終真的能夠發(fā)展出強(qiáng)大的人工智能以及物聯(lián)網(wǎng)技術(shù)，并用這些技術(shù)將自己涉足的各個(gè)工業(yè)及服務(wù)領(lǐng)域聯(lián)系在一起（這其中包括汽車(chē)，智能制造，建筑，家電，售后維修等等）。那我們沒(méi)準(zhǔn)就真能看到生態(tài)世界了。

賈總，要加油?。?/p>

上一篇：雪佛蘭 Bolt 打折促銷(xiāo)出售；寶馬將加入第 5 賽季 Formule E 比賽 下一篇：寶馬將發(fā)布子品牌; 微軟向豐田授權(quán)車(chē)聯(lián)網(wǎng)技術(shù)專(zhuān)利