專訪何曉飛：場景並不一定為王，有價值才能有模式｜自動駕駛這十年

創立飛步科技之前，何曉飛是滴滴研究院院長，他在這個中國最大的共享出行平台當中，搭建了關鍵的交易引擎。

這個引擎衍生出了拼車、動態調價、訂單分配、運力調度、供需預測、路徑規劃等核心功能，而這些功能為滴滴的用戶體驗增色不少，也是當年拉平和Uber之間距離的重要籌碼。

只是何曉飛已然不願意提起當年戰績。他更願意以創業者、創新者的身份和世界對話，展示出自己新的一頁，在這場重塑交通運輸的變革當中，飛步科技的到來可能改變一些什麼。

這次的採訪當中，何曉飛向雷鋒網新智駕講述了自己從學者轉身成創業者的改變，以及他對於自動駕駛十年時光的回顧與思考。這裡面有高光和不便言明的過往，有商業和技術的思考，有學者的嚴謹和創業者的進取。

這是一個站在高光舞台上的人要走向下一個高光時刻的重新出發，而故事的背景底色是自動駕駛這十年當中，激動人心的巨變的力量與龐大的市場前景。

何曉飛並非是典型的自動駕駛創業者，最早成名於計算機視覺領域，2003年，他和微軟亞洲研究學院合作提出的laplacianfaces人臉識別演算法，是當時計算領域最有影響力的演算法，也是中國人在NIPS上獲獎的第一篇論文（除了港台地區）。

此外，在微軟亞洲研究學院期間，李開復、馬維英、張宏江都是曾經手把手帶過何曉飛，當時何曉飛在攻克兩個方向：一個是跟張宏江做人臉識別的相關的研究、另一個是跟馬維英做信息檢索的研究，何曉飛的早期也發了很多圖像檢索的論文。

儘管在人臉領域功成名就，但在創業之際，這位CV大牛所考慮的並不是以人臉為切入點。他向雷鋒網新智駕說：從80年代開始，人臉的研究已經開始盛行。從學術的角度來看，人臉是比較好的切入點。但到了今天，我還是希望向更大挑戰嘗試。而自動駕駛恰恰是人工智慧光輝的起點，囊括了人工智慧的方方面面。事實上自動駕駛當中所涉及的障礙物檢測、交通燈識別跟人臉識別本質沒有什麼區別，今天用到很多的很多演算法跟20年前的機器學習、神經網路很多東西都是相通的。

在這十年之間，技術也在不斷地往前推進。在感知方面：早期基於傳統計算機視覺的方法逐步被基於深度學習的方法所取代，獲取數據規模的增長也為基於深度學習的方法奠定了基礎；晶元方面，傳統CPU+GPU的計算架構也開始逐步轉向基於深度學習的人工智慧晶元。

微觀上，技術的改進越來越趨向於細節，尤其是特殊場景（比如雨雪天氣、隧道等等）。數據規模越來越大，感測器、激光雷達解析度的提升速度非常快，性能大步向前的同時，成本不斷降低。這對於無人駕駛感知能力的提升，將會起到非常關鍵的作用。

至於創業當中所需要的商務能力和工程能力，何曉飛認為自己有充足的信心。事實上，何曉飛有充足的從業經驗，微軟亞洲研究學院、雅虎、滴滴這些履歷都給了他充分的歷練，都是從0到1解決問題。在他看來，創業也是需要解決未知的問題，科研也是解決未知的問題，過去十年的科研時間裡，他無時無刻不在解決遍地都是地雷遍地都是坑的學術問題，從這一點上看，解決未知的能力都是最為核心的能力。

2009年是何曉飛第一次接觸自動駕駛，彼時何曉飛還是浙江大學計算系的教授。

當時谷歌剛剛開啟了對自動駕駛的研究，幾乎與谷歌同步，國家科技部、基金委也開啟了對自動駕駛的研究，主要是偏向於學術、演算法的研究，何曉飛也是通過這些學術前沿的項目開始了對自動駕駛的研究。

在何曉飛看來，谷歌無人車的上路具有劃時代的意義，它在工程上的意義就好比深度學習在學術上的意義是一樣的。深度學習誕生之前，沒有人相信人工智慧是能夠實現的。

何曉飛向雷鋒網新智駕說：十幾年前——深度學習還沒誕生之前，當時我們去參加一些學術會議，並不好意思說自己是做人工智慧的。因為說做人工智慧有一種忽悠別人之感。那時候，我們都不講人工智慧都是說機器學習。同樣地，正因為Waymo的出現，使得學術、資本、工業都願意推動自動駕駛的發展。

儘管現在無人駕駛是一片熱土，深度學習大大地推動了人工智慧發展，何曉飛也想像不出來有比深度學習更好的技術路徑。雖然有了深度學習這把屠龍刀，但在何曉飛看來還是應該夯實基礎，人工智慧還處在於非常早期的階段，如機器學習的演算法、晶元的設計等底層的技術問題還是有非常大的困難需要克服，也因為如此現階段自動駕駛底層的技術，還不能支撐、解決和處理整個大交通的問題，很多問題都尚未暴露出來，等到大規模商用的時候，可能會暴露出更多今天無法預料的問題，而這些問題往往擁有一票否決權，決定著一個行業的生死。

因此在尚未整個底層技術尚未成熟之際，選擇的場景就特別重要。何曉飛對雷鋒網新智駕解釋道：雖然場景很重要，但並不意味著場景就一定為王。未來究竟是場景為王，還是技術為王？現在下結論還言之過早，自動駕駛所涵蓋的場景也很廣泛，不可能有任何一家公司用一種方案解決所有的交通問題。每一家都要根據自身的優勢和側重點，選擇合適的道路。

貨運就是何曉飛找到的最快落地的場景。在他看來，創業是一個商業活動，既然是商業活動，必須要尊重商業固有的規律。而之所以作出這個判斷，是因為在何曉飛看來，外部的商業環境已經產生了質的變化，這一波AI浪潮所起來的創業公司，必須要尊重科學的發展規律，對於從神經網路到統計學習、到深度學習的科技發展譜系要有認知，同時也需要清晰地定位並且今天所處在的位置。

乘用車的落地時間需時要比商用車要來得晚一些，因為卡車是固定的路線、乘用車是從任意的A點到任意的B點，加上城市交通具有複雜、多變、不可控的特點，例如紅燈變綠燈的起步階段，面對突然橫撞衝出的失控車輛該如何應對等。

而商用車的應用場景相對單一，集中在高速、快速路等環境，但貨車本身由於機動性、穩定性和精度較差等原因，需要更長的剎車距離、更大的轉彎半徑，以及更加精確和魯棒的控制，因此在感知和控制層面對技術提出了更高要求。

總體而言，卡車落地的時間節點要比乘用車要來得更早一些，商用車大概3年就能夠落地，這個時間窗口對於創業公司而言確實是友好的。

在這三年的試水期當中，飛步選擇的是高速物流的中段位置，是現階段當中最為可控的部分。但何曉飛認為場景和場景之間，雖然有一定的壁壘，但只要找到最有優勢的切入點以後，就能夠進行切入。

在針對於貨車的無人駕駛，何曉飛最為關注的指標有兩個：車速和響應時間。貨車速度越快，對響應時間的要求就越高，因為這關係到剎車距離等。在保證安全的情況下，飛步採用演算法+晶元的整體解決方案，把貨車的反應時間降到了0.05秒，車速提高到90km/h。據何曉飛介紹：這個響應時間，已經超越人類有經驗的司機。

有關於特斯拉路線與Waymo路線，業界各執一詞。李開復認為無人駕駛應該一步到位，而業界當中也有人認為以特斯拉為代表的循序漸進的路徑才是正確的路線。

何曉飛認為，之所以衍生出兩條不同的路線，更多的是因為雙方今天所處的位置。如果Google是一家車廠，那麼Google也會有特斯拉的思路；如果特斯拉沒有造車經驗為支撐，但在AI方面有深厚積累，那麼特斯拉也很有可能參照Waymo的路徑。

今天無論是谷歌還是特斯拉都在發展人工智慧、機器學習、智能晶元等一系列的底層技術，只是在商業路徑上，受限於自身的一些優點、定位，才會選擇不同的路。

何曉飛認為從大的範圍而言，自動駕駛肯定是未來的發展方向，也會產生巨大的經濟價值、社會價值，但是最終是什麼形態，一切都是未知數。單看美國自動駕駛這幾年的發展也能知曉，像美國這些公司，一路走過來其實還是有相當多的變數。何曉飛認為有價值才有模式，要談自動駕駛的價值，就必須要看它能為交通運輸解決哪些問題。自動駕駛在安全、成本、效率是最能產生價值的三個方面，也是從這個三個方面，才能衍生出清晰的商業模式。

談及當下的資本寒冬問題，何曉飛認為事物本身就存在一個春夏秋冬的階段，問題永遠都會存在，即使資本市場利好的時候，別的問題也會存在，從長的時間階段來看，無非就是資本挑戰和技術挑戰。現階段最重要的事情就是夯實基礎，抓住機遇期，往前邁進，參與一場交通革命的重塑。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！