雷锋网按：今年是 CICV（中国国际智能网联汽车技术年会）举办的第四年，这个被业内誉为智能网联行业最有影响力的技术年会，内容也从 ADAS 扩展到智能网联汽车各方面的技术，如传感器开发与智能安全系统、人工智能与自动驾驶、高精度地图与定位、V2X等等。
今年大会的主题重点讨论的是 L3 自动驾驶汽车的量产问题。在 CICV 年会期间，中国工程院院士、欧亚科学院院士、中国人工智能学会理事长李德毅就这一话题带来了主题演讲：L3 的挑战与量产。以下内容由雷锋网编辑与整理（有删减）：
近年来，汽车辅助驾驶空前繁荣，从辅助人工驾驶(L1）转型到部分自动驾驶（L2）、再到机器自动驾驶（L3），从早先的预警、提醒驾驶员跨越到机器自驾为主、固定驾驶员的角色不复存在，L3量产的势头不可阻挡，也为位置服务业（LBS）开辟了新战场。
目前几乎所有路上的自动驾驶汽车都还处在 L2 等级，都要由人掌控，包括特斯拉在内。美国加州车管局发布的 2016 年度自动驾驶报告中，最高水平的 0.2 次/千英里的干预频率，属于哪一级别的自动驾驶？
汽车自动驾驶时，可以有时释放人的脚，有时释放人的手，甚至可以同时释放人的手和脚。但可不可以释放人的注意力，释放人的驾驶认知？
糟糕的是，越是信任自动驾驶，越容易造成驾驶员注意力不集中。因此，不能释放驾驶员认知的所有自动，都不能称之为自动驾驶。
从 L2 到 L3 的跳跃，是掌控权由人转移到机器，难在哪里？这里有三点质疑：自动驾驶等级转换点如何估量？掌控权交接点如何度量？掌控权交接过程中的事故如何度量？
在国际汽车工程师协会 J3016 标准中，唯 L2 到 L3 的跳升是质变，明确了驾驶掌控权由人转移到车，跳升的界定很明确。
L3 的挑战和量产，实际上应对的是自动驾驶车上路要获得驾照，是底线要求。至于 L3、L4、L5 的差别，是获得驾照的自动驾驶车的技巧和经验积累的多少而已。
可以说汽车人已经把汽车里的自动控制做到了极致，同时也触碰到了自动化的天花板。光靠自动化解决不了无人驾驶。于是，人工智能来了。
汽车是在开放的不确定的环境下行驶，人工驾驶常常会遇到偶发的大雾、大学、大雨、大风等天气状况：
狭小胡同、崎岖小道、傍山险路、积水、涉水、宾雪、低劣、地陷等道路状况：红绿灯失效、道路施工、事故突发、行人违规、车辆醉驾、熙熙攘攘农贸集散区通行状况。连新手驾驶员都难以完成这些驾驶任务，经验驾驶员往往能够灵活处置，而自驾车如何应对呢？
一旦突破了自动驾驶所设置的窗口条件，如地理栅栏、气候栅栏、以及人文地俗栅栏，马上需要进行驾驶掌控权的交接。在这样的交接过程中的事故也许比纯粹的人工驾驶更危险。
那么，L3 的基本问题是要解决车的问题，还是解决人的问题？
这里的「车」是指把车越做越好，做成软件定义的机器，实现自动驾驶。而「人」是指把驾驶员的认知用机器人替代，是有记忆、决策和行为能力的人之主题，实现自主驾驶，有技巧，有个性。
一个事实是，汽车是从马车演变而来，作为动力工具，汽车的马力可达到 100 匹马力，但汽车远远不如马车应对不同负荷、不同天气、不同路面、不同车辆情况下的适应能力。汽车的感知、认知能力远远不如马这个认知主体，老马识途，车不如马。
*案例：超车并道工况中的预测和控制
在自动驾驶过程中，驾驶员和周边车辆的交互认知哪里去了？驾驶员的经验和临场处置能力由谁来替代？由此一个重要结论是：自动驾驶，好在专注，永不疲劳。自动驾驶，难在拟人，不仅在车。
人在回路中的预测与控制被驾驶脑取代
如果要释放驾驶员的注意力，释放驾驶员的驾驶认知，必须要有一个物化驾驶员在线认知的智能代理——驾驶脑，否则难以自动。
驾驶员脑不等于驾驶脑。前者装了太多东西，会分散注意力，会疲劳。后者仅仅用于驾驶，永远专注，永不疲劳。有了驾驶脑，「人类第一杀手」的罪名将不复存在。
我们将汽车上所有的传感器分成四大类：它相当于人的眼睛、耳朵、鼻子，来感知周围的景观。
驾驶过程中，驾驶员在回路中的预测与控制是汽车自身无法替代的。轮式机器人驾驶脑应运而生，它不同于雷达等传感器的感知，要去完成包括记忆认知、计算认知和交互认知在内的驾驶认知，成为智能车产业化链条中的重要零部件，车载机算机和机器人操作系统也无法替代。
驾驶脑自主应对驾驶过程中常常遇到偶发的各种各样的不确定性。可利用微电子技术、采用 CPU+GPU+FPGA+ASIC 架构生产专用芯片和板卡，研发驾驶脑。
我们比任何时候都更需要研究驾驶员，学习驾驶员，分析驾驶员行为大数据，构建驾驶员的智能代理——驾驶脑。
经验驾驶员不但要符合驾规，安全行驶，文明行驶，其经验还体现在节能技巧、驾乘舒适性、对不同动力学的车辆适应性等方面。
世界上驾驶员的经验和行为，如同人的行走姿态，各各不同，可用驾驶行为作为驾驶员的身份识别，成为驾驶指纹。而标杆驾驶员是经验驾驶员中的杰出代表。
智能车研发的困难，不仅仅是汽车动力学的性质和各种各样的传感器要求，更重要的是要研发和驾驶员一样在线的「机器驾驶脑」，模拟实现人在回路的自主预测和控制，应对车辆行驶中的不确定性。
将人在回路中的自主驾驶让车厂去模拟，是难以承受之重。把机器驾驶脑的研发让车厂去做，是难以承受之重。
集图灵奖、诺贝尔经济学奖和美国心理学会终身成就奖于一身的人工智能早期学者赫伯特·西蒙（Herbert.A. Simon）的工作启发了我们，有了线控、数控汽车，通过深度学习，挖掘驾驶员对方向盘、动力踏板、制动踏板的驾驶行为大数据，就可以判断并获得特定驾驶员技巧的个性。驾驶技巧和开车目的地无关。
传统汽车仅仅是驾驶员手、脚和力量的延伸，控制车辆行为的是人。线控汽车装备了传感器之后，用驾驶脑提到驾驶员认知，并获得驾驶指纹和驾驶技巧，使得汽车成为驾驶员自己、或者说让机器成为自己，这应该是人工智能时代最有意义的问题之一。
关于驾驶脑的畅想，不同的驾驶脑，认知水平可以有差异，技巧和经验也可以有不同，但都具备了基本的驾驶认知能力，是获得了驾照的自动驾驶。
截止 2016 年底，中国产销汽车超过 2680 万辆，年产销量再创全球历史新高，汽车保有量达到 2.79 亿辆左右，它们都用于什么样的场景？
对于自动驾驶：
不必将全球所有地域的道路状态，都压在一辆特定的车型上；
不必将所有天候条件的应对，都压在一辆特定的车型上；
不必将人类驾驶员的所有驾驶认知，都物化浓缩在一个特定的机器驾驶脑里；
在特定应用场景下，自驾车能否取代驾驶员掌控，取决于能否处置特定场景下的意外情况，能否发出求助信息要求人工干预，或者在迫不得已的时候作出最小损失的决策。
这其中，无人泊车对解决无人驾驶「最后一公里」的痛点，地位重要。从当前的代客泊车市场预估无人泊车，有很大后装市场（百亿元规模）。
泊车通常是怠速状态，四轮轨迹差异大，体现车辆动力学。泊车工况多样，手脚并用，繁忙切换，考验小脑，考验驾驶技巧，难搞定；可模拟多种多样艰难泊车环境，但用地不大。
让标杆驾驶员反复泊车，可获得精准轨迹和丰富的行为数据，用于深度学习和训练。
*被李德毅院士称赞的智行者推出的用于特定应用场景的无人配送物流车，搭载速腾聚创16线激光雷达
如同驾驶员的经验是逐渐积累的一样，从有限分为的特定应用的自动驾驶车型开始量产，逐渐拓广，是一条务实的、接地气的路线。
在未来，汽车成为大数据的源泉，移动社会的传感器。驾驶脑有学习和自学习能力，技巧和经验可以在线提升，驾驶脑智能的进化速度超过自然人。
全球现有 70 亿人、 20 亿辆车，年产新车 1 亿辆，一旦量产自动驾驶汽车上路，且占比越来越大，驾驶脑成为汽车必配，加之智能网联崛起，驾驶数据和智能越来越累积，驾驶脑越来越聪明，L3 多了，L4 也就慢慢多了，生成 L5 的自动驾驶车迟早也会出现。
从特定的应用环境寻找量产 L3 的抓手，人类摆脱了驾驶的羁绊，开始享受移动办公和移动生活。偶尔干预一下脱离的请求，甚至不理睬。自动驾驶车自身积累着数据和技巧，逐步推广到更高车速、更加复杂的道路场景、更多不确定性天气条件下的自动驾驶。
最后用一句话总结：人工智能以润物无声的柔软改变着整个世界。
雷锋网推荐阅读：
正在生成分享图...
刘伊伦