黃仁勛親述無人駕駛Part Two：Diversity and Redundancy
國慶中秋
雙節快樂
華爾街實力+矽谷驅動力+港股老司機：天風海外集中研究美國科技趨勢、美股TMT巨頭動向及港股策略/TMT/大消費板塊。
首席本碩共三個學位均來自MIT(電子工程本科/人工智慧碩士/MBA）。本碩畢業後在美國惠普研究所工作4年，發表過多篇語音和圖像識別學術論文以及獲得兩項美國專利。MBA後分別在華爾街及香港野村證券出任美國礦業及澳門博彩分析師。團隊其他成員均擁有海外經驗。
成立一年多，我們體驗到澳門的轉型，2016年9月澳門GGR開始轉正後我們重點強調非博彩業務的重要性，4月18日重點推薦新濠國際(200.HK)，漲幅超過40%；我們通過谷歌(GOOGL.US)參悟人工智慧的真諦。
我們的標籤標的：英偉達(NVDA.US)和AMD(AMD.US)傲視全球，2016年推薦至今漲幅均超過300%；Mobileye(MBLY.US)策馬奔騰，2016年10月開始堅定推薦，12月份33美元底部再次重點推薦，目標價60美元與今年3月份英特爾收購價63美元吻合，漲幅超過90%。
我們不忘初心，放眼世界，兼具全球技術最前瞻與港股風雲最洞察。
一年雖短，我們只爭朝夕。前路漫漫，希望研途有你。
首席何翩翩，研究員雷俊成、馬赫、董可心，感謝您的支持！
9月26日，英偉達GPU技術峰會GTC China在北京開幕，在下午的閉門峰會AI for Business中天風海外首席何翩翩受邀出席並與英偉達CEO黃仁勛同台演講。（何翩翩演講實錄請點擊：【天風海外·直擊英偉達GTC最前線】之無人駕駛Part One）
黃仁勛在閉門峰會最後進行了結語與展望。他認為無人駕駛的實現，不僅需要系統冗餘(redundancy in the system)，還需要多種冗餘提供多樣性，後備方案應採用原理上不一樣的方法(fundamentally different approach)，也就是Diversity and Redundancy，才能達到L4級別及以上。
他表示英偉達恰好處在各個陣營，既在攝像頭陣營，又在激光雷達陣營，又在毫米波雷達陣營。身處不同的感測器陣營能夠最大程度上支持多感測器融合和多備用方案實現。為了達到L4的自動駕駛級別，不可能僅僅依靠攝像頭，也不可能僅僅依靠激光雷達，也不可能僅僅只有一個供應商。所以這就是為什麼那麼多公司在自動駕駛方面搞基礎研發，也是因為這麼多公司在研發，產生了協同效應，才能在演算法層面上實現自動駕駛水平。
黃仁勛強調，無人駕駛需要後備方案(Redundancy)，需要多樣性(Diversity)，這是一個很難解決也是一個最基本且需要解決的問題。
我們認為，英偉達自動駕駛廣泛布局，3-5年期長期驅動：當前汽車業務還處在合作布局階段，自動駕駛領域正在向「車企+供應商+晶元巨頭+打車軟體」的組合格局發展，英偉達與英特爾-Mobileye聯盟形成兩大上游競爭者。英偉達今年收穫大眾、豐田、賓士、沃爾沃等車廠合作，並擁抱博世、ZF、海拉等Tier One供應商。已經有145家初創公司基於英偉達的端到端開發平台NVIDIA Drive進行自動駕駛研發。
雖然英偉達當前在軟體層面產品有限，加上DrivePX平台成本離量產尚有距離，但廣泛布局把握先發，我們認為隨著無人駕駛產業普及，成本逐漸下降，完整的解決方案也會隨之落地。
以下為黃仁勛發言實錄：
設想一下，你坐在完全自動駕駛汽車裡，車輛行駛在美國最美的高速公路——加利福利亞一號公路上。汽車廠商告訴你在車上睡覺完全沒問題，此時你也完全睡著了，但是前方卻遇到拐角，路邊另一側是大海，此時汽車以85英里每小時在行駛，車上的某個感測器、電腦、軟體或演算法突然出現了故障，那你該怎麼辦呢？
駕駛員接管駕駛系統？你正在睡覺。依靠系統冗餘(redundancy in the system)？如果你知道如何設計一套完全自動駕駛系統，那你知道如何第二套系統來提供系統冗餘么？現在世界上甚至不知道如何設計一套自動駕駛系統，何來說第二套呢？特別是如果兩個系統同時機遇同一套車載電腦打造，我們遇到了系統性故障(systematic failure)，那麼我們又該怎麼辦呢？
對於自動駕駛的定義，是在汽車能夠不連接雲端的情況下能夠完美行駛。但是我並不是說我們不需要5G網路，但是機器可能會與雲端失聯。當然了，剛才我們說的這種極端情況非常罕見。但是也有可能在以85英里每小時來到加州高速一號的路口，但是電腦卻因某種原因故障了。而且，鑒於如此多人在路上行駛，這樣的情況還是有可能發生的。如果真的發生了，你要找到後備方案，而且需要不只一種。後備方案應採用原理上不一樣的方法(fundamentally different approach)：這就是為什麼我們需要如此之多的感測器——英偉達恰好處在各個陣營，既在攝像頭陣營，又在激光雷達陣營，又在毫米波雷達陣營。為了達到L4的自動駕駛級別，不可能僅僅依靠攝像頭，也不可能僅僅依靠激光雷達，也不可能僅僅只有一個供應商。所以這就是為什麼那麼多公司在自動駕駛方面搞基礎研發，也是因為這麼多公司在研發，產生了協同效應，我們才能在演算法層面上實現自動駕駛水平，我們在演算法層面有冗餘，我們需要不同等級的計算和程序。總的來說，我們需要後備方案，需要多樣性，這是一個很難解決也是一個最基本且需要解決的問題。
在我過去的生涯里，我恰巧在計算機行業待過很長時間。我見識了第四次技術革命以及大公司的來來往往，神奇的電腦被研製出來。技術革命的產生需要兩大基本組成部分，硬體處理器以及軟體系統，同時革新。一方面大家都知道，摩爾定律時代走到盡頭，但我們需要新的加速方法，需要特定的加速器可以將電腦計算性能提高到更高水平。另一方面，人類工程師設計的軟體並不能自己解決問題。在計算機科學領域有一堆無法解決的問題。實際上，這些未解決的問題，其實是人們不知道如何使用計算機的計算能力。在這些行業中，計算機的能力被忽視了，我們不知道如何靈活應用計算機。例如在人類生物藥物學學中，大量進行試驗，但是卻沒有仿生試驗，因為應用數學方法太過複雜，也沒有很好的模型。這些大型行業之中，有大量的未解決問題。
但是最終我們找到了解決這些問題的新方法——機器學習(machine learning)，並通過之後的深度學習(deep learning)帶來進一步革新。深度學習是機器學習的一種，並且我們在之上探索了很長時間，但是為什麼深度學習能夠革新機器學習呢。因為之前機器學習的基本特性是人類編程的，但是深度學習卻允許機器能學習相關特點併產生來自於數據的新知識，這意味著深度學習網路學的東西可以更加複雜，更加細緻，甚至我們人類自己無法實現的事情。另外令人驚奇的是深度學習的迭代能力，這是之前不曾擁有的，所以只需要保留必要的特性，深度學習就可以自動迭代、積累知識，並將這種計算能力轉移到雲端。
人工智慧使得人類第一次能夠解決這樣的複雜問題。我實際上可以想像AI在交通應用中，我知道它可以解決這些問題，並且可以看到在各行各業中，曾經不能解決的問題都在被破解。這是非常令人興奮的，也是非常有趣，我們開發新軟體改變了所有的事情。但現在演算法是不同的，更重要是開發演算法的方法也不再相同。這種開發軟體的方法論完全不同，我們認為每個公司都需要去了解深度學習的內涵，以及解決各種問題的可能性。這種方法論在開發軟體、基礎設施、工具、基本實踐以及技能上都是完全不同的，它花費了我們五年時間來讓公司轉型，而這種轉變真的是非常棒。我們現在第一次處於這樣的計算機時代，計算機處理器等這些硬體正在改變，而軟體開發方法也在改變，我們正在擁抱這種改變，我們是第一次有能力解決如此多曾經無法解決的難題。
（黃仁勛下簡稱Jensen）
Q1：關於冗餘，我打個比方，就好比是將中國廚師和西方廚師放在一個廚房裡，並告訴他們準備一場晚宴，但我們不知道他們是協作的？
Jensen：讓我們考慮下這樣的類比，很不巧兩者的技能完全不同，也許這樣的類比並不恰當，就像是一台電腦會開汽車，另一台電腦會開飛機，所以支持開汽車的設備不會開飛機。現實問題就是如此，如果你想知道如何在印度使用自動駕駛，沒有人能確信能夠在印度駕駛，第一，你根本不需要車道識別，因為印度路上沒有車道線，所以車道識別根本不管用。而且沒有人關心車道線，因為車子就在車道線上騎行。第二，沒有人關註標志，如果你根據標誌來駕駛，你也許就是路上最危險的車輛了。第三，在美國沒有人按喇叭，除非你在紐約，大聲按喇叭是很沒禮貌的行為。但是在印度，你會在汽車後部看到「請響喇叭」的標誌，所以在印度路上行駛你就像是海豚一樣。而且在任何地方都可以看到人和車，所以你需要經常按喇叭讓他們讓行，要不然寸步難行。另外，在路上，並不只是車和人，在車裡你可以看見大象、驢等等東西，沒有自動駕駛車輛能在那裡運行。而對於自動駕駛汽車，雷達就像是耳朵一樣，就像海豚在海底靠聲音判斷方向一樣，所以在這裡當攝像頭不管用了，我們就需要雷達發揮作用。可能兩種方法的效果不一樣，但同樣可以解決問題。
如果攝像頭故障了，我們還可以使用雷達。這也是非常有效的方法，但是你需要更謹慎一些。這兩種解決問題的方式都是有效的。如果攝像頭出故障了，自動駕駛功能仍然可以運行，但是車速就不應保持85英里每小時，車速應在出故障時立即下降。而車輛使用不同的感測器同時，也需要使用定義不同的演算法。同時你需要停止休息並開始手動操作部分功能，並尋找機會排除故障，這就是你解決問題的方法。
我們現在沒有用激光雷達，並不是因為激光雷達不重要。但現在激光雷達比較昂貴，一輛車大約需要花費3000美元-4000美元來安裝它。並且我們不需要在汽車各個方位都安裝，一輛車只需要很少量的激光雷達，但這取決你怎麼使用。如果使用機器人計程車，那會在其周身都安裝6-7個激光雷達。而現在我們雖然構建自動駕駛系統有許多方式，但是我們需要有限度使用產品。就像我們的手機在並不是在每棟樓中都有信號，但是它仍然宣稱可以工作，所以我們需要知道產品的局限性。這有意義嗎？理論上，Level 4級別的自動駕駛可以行駛到任何地方，但是這並不實際，很多地方是自動駕駛無法去到的。而且在印度想實現完全自動駕駛也很困難，我實際上看到很多印度人在公路上U型掉頭，所以在印度道路上做什麼都是合理的。所以我認為每種感測器都是有用的，當我們需要冗餘以及分集時，激光雷達可以提供很好幫助，而且取決於使用汽車時需實現的功能。我們現在唯一能做的就是繼續努力，所要解決的並不是一個問題。
Q2：說到後備方案，您說到不同感測器和相同類型感測器的冗餘？
Jensen：取決於自動駕駛的等級，取決於提供的服務質量。比如你在無人駕駛的汽車中，與其他車輛輕微碰撞了，沒有破壞汽車結構，但是感測器碰掉了，這時你就需要後備方案了，如果沒有的話，車就會停在路中間，讓你在這裡下車。如果車輛是行駛在高速公路上，那讓你下車顯然是不可能的。所以我們就需要後備方案，需要系統冗餘，車就可以自己行駛到維修場中，這就是我們想要解決的問題。
Q3：人工智慧將會怎麼使用能夠更加有效地幫助我們呢？
Jensen：讓我來給你三個原則，你就自己可以決定怎樣使用才是正確的。第一，你的工作、你的行業是否包含有大量的非相關信息，而你的工作是否要求你去挖掘他們，從這些信息中得出結論。第二，你的行業是否要求你去對未來做出預測，也許這是很近的未來，這些預測建立在非結構化、非相關、非聯繫的數據上，並且放入到一個系統之中。我認為對金融系統來說回答肯定的。第三，如果你在某樣事中傾入精力，但是你所處的問題中有大量的數據，而這些數據來自於各種地方，但是你想要在其上花上精力，你也有許多的經驗與技能，你可以專註這些信息並且發現一些啟發。這就是最簡單的方式，來思考AI是不是有助於你，是否你的工作需要預測，是否你的工作需要檢測，是否你的工作要求你去觀察一系列非結構化、甚至完全不相關的數據並且想要從中獲得啟發。
【聲明】天風海外團隊及其親屬並未持有任何文中所述標的倉位
註：文中報告節選自天風證券研究所已發布研究報告，具體報告內容及相關風險提示等詳見完整版報告。
TAG:翩翩看天下 |