2014 年末，Uber 董事会举行，重要议题需求评论：优步与滴滴的大战刚刚开始，每月超越 5 亿元的补助投向我国，许多股东对此感到置疑。

　　会刚开始，代表大投资方 Google 的董事大卫·德拉蒙德 (David Drummond) 要求逃避，他开门见山：Google 将以无人驾驭轿车进入网约车市场。竞赛很快会变成实际，他现已不适合再参与评论。

　　八年之后，网约车行业大起大落，烧掉数百亿美元，便当了人们的日子、留下很多精彩的商战故事。而无人驾驭投入更大。

　　依照麦肯锡上一年的计算，公司、危险本钱自 2010 年以来在无人驾驭相关技能的投入超越 1000 亿美元。但无人车仍然极不牢靠。上一年 Google（Waymo）的一辆测验无人出租车在路上遇到几个交通锥，就停了下来回绝行进。通用轿车的无人出租车由于没看懂路况、被撞。

　　无人驾驭最急进的鼓吹者、特斯拉首席执行官埃隆·马斯克（Elon Musk）现在供认轻视了开发无人驾驭体系的难度。福特技能担任人道格·菲尔德（Doug Field）说，无人车是 “咱们这个年代最困难的技能问题，比把人送上月球更难”。

　　大公司和本钱市场已近失望。福特、亚马逊、联邦快递各自封闭了无人驾驭项目，有的现已投入数十亿美元。上市的无人车公司，不论是研制无人出租车的、运营无人卡车的、卖激光雷达的，市值与高峰期比较都跌掉 90%。Mobileye 状况好一些，由于它卖的产品还不是无人驾驭，主要是协助司机减轻一些驾驭作业。

　　马斯克说过，人类开车便是用两个摄像头，加上生物神经网络。两只眼睛分辨率很不错，但看运动物体时也就 800 万像素左右；大脑凶猛一些，但全速作业起来，功率也就 20W，不到英伟达上一代游戏显卡的 10%。

　　2012 年，加拿大多伦多大学的教授杰弗里·辛顿（Geoffrey Hinton）和学生们带来了 AlexNet 模型，证明计算机现已能够用简略仿照人脑的多层神经网络模型取得相似人的视觉认知：看过很多图片之后，计算机能够把握不同物体的特征，辨认出同类物体。天然，计算机也能够 “看懂” 路。“看懂” 之后，在城市里开车基本是在 2D 平面移动物体，毫无难度。

　　无人车认路的设备比人眼强得多。Google 现在的无人车安装了 29 个摄像头、百度 RT-6 用了 12 个摄像头。它们还额定装备了多个激光雷达、毫米波雷达、超声波雷达。

　　曩昔十年，科技公司一边组建了贵重的专业团队研讨算法，一边雇佣或外包数千、上万人的团队。每天 24 小时，南极以外的每个大洲，都有数以万计的人坐在格子间或家顶用鼠标和键盘，把一张张图片中的一切物体圈出来，标示清它们是什么、处于什么状况，教无人车认路。

　　为了了解这事为什么做十年也不成，我试着从计算机的眼睛去看路途，当了几天无人驾驭数据标示员。

　　美国无人车数据标示渠道 Remotasks 供给了丰厚的需求。一个典型作业是符号夜间街道上的出租车。

　　标示也不是简略点一下，需求一个像素一个像素，沿着概括圈出来。大都状况，出租车在图片里并不显眼，我得把图片扩大、渐渐画。假如出租车的一部分被其他车挡住，得脑补画出弧度。

　　一个人要对出租车有概念，看几遍就行了。无人车不可，摄像头搜集来的图画，对它来说是一串代表色块的字符，只要重复看上万张有标签的图画，它才干总结规则，搞清楚色块怎样摆放是出租车。

　　要是想让无人车更精确地认路，还得靠人把图画中每一个像素用不同的色彩符号好，区分出什么是天空、什么是树干、什么是树冠、什么是修建、什么是车、什么是人、什么是可行进的路途、什么是车道线等等。

　　Remotasks 里标示整张图画的场景，用不同的颜分行人、车辆、路途、树干、树冠、障碍物、车道线 月，特斯拉的自动驾驭辅佐体系（Autopilot）把骑马的人辨认成人和狗。明显特斯拉没有教过体系怎样辨认马。尽管无人驾驭体系也不会直接撞上狗，但它需求预判面前的物领会怎样举动，再决议自己怎样开。这就意味着危险，马和狗举动的速度大不相同。

　　特斯拉的自动驾驭辅佐体系把骑马的人辨认成人和狗。来历：Curtis Biggs

　　标示无人车更依靠的激光雷达数据会费事许多，标示员面前是 360 度全景图，密布的白点一圈圈晕开，碰到物体时会聚在一堆，组成车或人的形状。标示员得用矩形框圈出画面中车或人的巨细、高度、方向，标清楚它们是什么车或什么状况的人，给机器学习。

　　在 Remotasks 上标示激光雷达数据的场景，用立体框圈出轿车。正下方是不同的摄像头视角，右侧是标示的物体。

　　新方法传递到数据标示环节，代表着更多要求。标示员得合作不同视角的摄像头图画，校对激光雷达标示框，然后添加更多信息，便利算法做判别。比方框里是什么车？小轿车仍是卡车？车是否被遮挡？遮挡了多少？车的转向灯是否亮着？刹车灯是否亮着？尾灯是否亮着？等等。有些任务要补白清楚 20 多个不同的状况，操作手册都有 60 多页。

　　Waymo 的无人出租车停在交通锥周围，右下角的屏幕显现它辨认出了交通锥。来历：JJRicks

　　路途上随处可见的交通锥，是无人车体系必需要学习辨认的物体。无法精确辨认交通锥曾是特斯拉自动驾驭辅佐体系的缺点，出过屡次事端。2019 年特斯拉在一次自动驾驭辅佐体系升级时特别强调，能够精确辨认交通锥。

　　“或许他们也不清楚为什么会这样”，长时间从事无人驾驭安全研讨的加州大学尔湾分校助理教授陈齐（Alfred Chen）说。建立在人工智能技能上的无人驾驭体系是一个 “黑盒子”，没人能搞清楚它怎样把一堆数据变成成果。人们能做的，是给它很多标示好的数据，让算法自己提炼规则，并依此处理新的数据。但工程师并不能看懂算法的逻辑。

　　左边为 3D 打印的正常交通锥，右侧是通过特别规划的交通锥。图片来自陈齐等人的论文（

　　模仿环境中 Apollo 体系能够辨认正常交通锥，但无法辨认特别规划的交通锥。图片来自陈齐等人的论文。

　　对无人车的进犯也会以正常的状况呈现。陈齐说，他们正在进行的一项研讨发现，无人车周围的车行进路线略微古怪一点，一些无人车体系就很难正确猜测它会怎样举动了。而猜测周围车辆怎样行进是它规划行进途径的条件。

　　无人车公司想了许多方法防止极点状况，最主要的是加装更多的传感器。Waymo 最新的无人车上有 5 颗激光雷达、6 颗毫米波雷达、29 个摄像头。2014 年，Google 高管觉得很快就能让无人出租车上路接客的时分，Waymo 的车只要 5 个激光雷达， 4 个毫米波雷达和 1 个摄像头。

　　现在估值最高的人工智能创业公司，不再是研讨算法的公司，而是找人给图片打标签的公司 Scale，美国大大都无人车或机器人公司都是它的客户。Scale 和它跨过数十个国家的众包团队，每个月在 Remotasks 等渠道上给不同品种的数据打上数十亿个标签。上一年 4 月，它完结融资后估值 73 亿美元，不到半年就翻了一番。