GTC 2017 | 一篇文章看懂英伟达自动驾驶解决方案
在美国硅谷圣何塞 Convention Center 的 Keynote Hall，我见证了教主丢出新一代「Volta」 架构的 GPU 「 核弹头」 产品，并公布了和丰田的合作。 这场发布会直接让 NVIDIA 的股价飙升了 18%。那么在新架构驱动下，NVIDIA 的自动驾驶解决方案将会是怎样的布局？ 他们与整车厂和 Tier 1 又是怎样合作的？ 在 GTC 现场，我们专访了 NVIDIA 汽车事业部的高级总监 Danny Shapiro，本文将结合他的讲解剖析 NVIDIA 在汽车行业的布局。 NVIDIA 的自动驾驶平台 提起 NVIDIA 的自动驾驶解决方案，我们就会想起 Drive PX 系列。但是其实，Drive PX 只是 NVIDIA 车载 AI 平台的系列名称。而这个系列目前主要包括两代产品：已经量产的 Drive PX 2 平台，以及已经发布，但是最早要于今年年底量产的新一代平台 Xavier。我们做了一张图来体现这两个平台的关系，以及目前基于这两个平台的整车厂商合作信息： 具体来说，两代平台有如下的区别： Drive PX 2：搭载上一代 Pascal 架构 GPU。已经实现量产，并且已经搭载在 Tesla 的量产车型 Model S 以及 Model X 上。目前 PX 2 仍然是 NVIDIA 自动驾驶平台在市场上的主力军，大部分已公布的使用 NVIDIA 方案的测试车（不管是来自整车厂、Tier 1、科技公司还是高校等研究机构）基本上搭载的都是 Drive PX 2。 Tesla，Audi 和 ZF 是唯有的对外公布将 Drive PX 2 应用在量产车上的公司。 关于 PX 2 平台的更多解读，请参考这篇文章：《开放式 AI CAR 计算平台 Drive PX 2 的烧脑解析》Xavier： 它可以说是 Drive PX 2 的进化版本，搭配了最新一代的 Volta 架构 GPU, 相较于搭载上一代 Pascal 架构 GPU 的 Drive PX 2， Xavier 的性能将提升近一倍。 不过这套 SoC 要到今年年底才能量产。这就带来了一个非常重要的时间契合点： 多家主机厂的高级别自动驾驶量产车的计划都是在 2020 年左右，如果按照这个时间减去整车的研发周期（成熟平台的话一般 3 年左右），那么 Xavier 的量产将正好赶上这拨自动驾驶车的研发流程。这也就解释了为何基于 Xavier 的合作都是有量产车落地计划的。包括本次 GTC 公布的丰田合作，也不例外。 不管是丰田，奥迪还是博世，他们都希望通过这样的合作，让自己的量产方案能够用到 NVIDIA 目前最好的自动驾驶平台。所以说对于 NVIDIA 来说， Xavier 才是真正用来进军车厂量产产品的平台。 … 继续阅读
长安和英特尔达成战略合作，这背后其实是供应链的博弈
在 4 月 19 日上海车展的现场，长安公布了与英特尔的战略合作。双方签署了战略合作备忘录，并将在车联网、人工智能、数据中心以及未来无人驾驶等领域一起进行探索与研究。 长安的「 互联网思维」 「 与英特尔的合作主要是为了能在将来的产品中，为用户带来更好的体验。」 这是在发布会之后的专访上，长安汽车工程研究院副院长何举刚对我说的话。作为一家传统自主品牌，长安如此强调以用户为核心的「 互联网式思维」 还是有些让我吃惊的。 从前年发布「654」 战略（即六大平台、五大核心技术，以及通过四个阶段发展最终实现全自动驾驶）开始，长安就一直走在自主品牌 「 智能化」 的最前沿。去年 3 月，长安与百度达成了合作，在智慧互联、智慧地图以及智慧服务领域共同发力。同年 4 月份，那辆著名的长安「 全镀铬」 自动驾驶车从重庆工厂出发，途径 2000 公里一路开到了北京。如果你想具体了解这辆车的话，你可以去看我们之前的文章《带着一身电镀银，长安的自动驾驶车要跑 2000 公里到北京》。 除了自动驾驶车，长安的量产产品也在不遗余力的搞智能化。最新发布的 CS95 SUV，高配版已经是把能上的科技配置全都给上了。ACC，FCW，AEB，智能并线辅助系统，车道偏离预警系统，百度 CarLife…… 一应俱全。就如何院长所说，长安确实正在努力通过科技配置的应用，来提高其产品的用户体验。 讲真，我感觉长安绝对算得上是国内最早想明白的自主品牌 之一：仅仅靠「 新能源」 想在汽车工业弯道超车是不够的，关键还是得看智能化。显然，中国的土壤与市场更加适合依靠数据和软件服务驱动的智能化发展。不管是人机交互、AI、车联网还是自动驾驶，中国靠着自己市场庞大的用户数据量，互联网相关的技术储备以及用户行为的独特差异性，都能够在将来打出属于自己的一片天地。 至于智能化所需要的硬件？就先找英特尔这样的全案供应商做就好了啊！相较于国外那些历史悠久的大车企，长安在发展智能化时的包袱更小，转型更快。再加上在技术及规划布局上的储备本就没有国外大厂那么深厚，长安更希望在智能化硬件平台上有一个能够提供全方位解决方案的供应商，这与英特尔一直在提倡的「 端到端」 解决方案完全吻合。 不管是 Mobileye 的视觉处理方案，还是 FPGA，亦或是 5G，英特尔在各个领域的解决方案都能够满足长安的「 智能化」 战略。对于英特尔自己来说，大车厂在与他们合作时，往往只会选择其全套方案当中的某一个部分，例如 BMW 与 英特尔的合作更多的只是希望其提供自动驾驶的硬件 SOC。这就好比你精心炒了一桌子的菜，最后客人只是盯着其中的一碗炒饭吃，无法体现出英特尔整体布局的优势。而长安则是一桌子菜全扫光，在各个领域都能够给英特尔足够的施展空间。 战略合作的背后，其实是供应链的博弈 汽车的供应链绝对是制造业当中最复杂的一个。其层级与结构多的超乎常人想象。虽然英特尔具有整套的智能化数据处理解决方案，但是在汽车的供应链中，它最多也只能算是一个提供芯片的 Tier 2。在车辆控制，传感器制造，以及整车架构等这些领域，博世，大陆，德尔福这样的 Tier 1 依然占据着统治地位。换句话说，任何「 智能化」 的技术，最后想落实在整车产品上，仍然需要有 Tier 1 的整合。 长安的「 智能化」 同样也需要 Tier 1 的参与。去年的那辆镀铬自动驾驶车，其核心的自动驾驶解决方案其实是来自于博世。如果你看了我之前写的博世相关的文章，你就应该知道，博世在自动驾驶领域的重要合作伙伴是英伟达和百度。有意思的事情出现了：英伟达和英特尔一样，都是汽车「 智能化」 趋势当中的芯片解决方案提供商，二者不管是在汽车供应链，还是消费级芯片领域，都是最直接的竞争关系。 长安在去年使用了博世的自动驾驶解决方案，博世和英伟达又是合作伙伴。而现在，长安却和英伟达的直接竞争对手英特尔达成了战略合作，这到底是什么原因？ 其实这背后的本质还是车厂和供应商之间的主动权和话语权问题。我们之前也提到过了，国际车厂往往只会从单个供应商中，选择其全套解决方案中的某一个模块，且需求也会非常的具体。这除了是因为大车厂本身有很深的技术积累之外，还有一个重点原因是车厂不希望过多地将自己的核心技术解决方案交给一个供应商来做，因为这样很容易对某一个供应商产生过分的依赖，从而造成甲乙双方合作过程中话语权的偏移。毕竟，车厂还是出钱的甲方，供应商就算技术再牛，还是要按照甲方的需求做事。 但是，长安这样的自主品牌则有所不同。基于「 智能化」 弯道超车的战略，以及自身技术积累的不足。他们更加希望自己能够找到一个可提供完整打包解决方案的供应商，共同帮助他们解决研发问题。长安所能提供给供应商的是本土化的技术落地，以及庞大的用户群与订单量。反而在核心技术的研发上，供应商有着更多的发挥空间和主动权。长此下去，长安势必会对某个核心技术平台的供应商产生依赖，而在一定程度上丧失自己作为「 客户爸爸」 的地位。 其实在自主品牌刚刚起势时，大多数供应商都把他们当作了香饽饽。因为自主品牌订单量巨大，且往往还能给供应商足够多的研发空间。但是随着自主品牌的不断崛起，以及更多的「 智能化」 解决方案供应商参与到市场当中，自主品牌的选择越来越多了。与英特尔的战略合作，在某种意义上其实也是长安在向现有的供应商施压，告诉他们自己其实是有其他的选择的，并不一定完全依赖于他们。 在我看来，这种话语权的逆转才是目前自主品牌发展的最重大突破。国际大供应商为了能接下自主品牌的庞大订单，不得不开始重点研发适合中国市场的技术以及解决方案。其实按照何院长所说的，长安与英特尔的战略合作当中，也是会有 Tier 1 介入的，但是这个 Tier 1 还会是之前的博世吗？这一点何院长并没有具体向我透露。 这不由得让我想起之前在专访博世高管的过程中，他们不断地在强调：我们不一定只选择和英伟达合作，也可以选择其它芯片供应商。现在来看，博世这么做除了是在给自己留下更多的选择权以及主动权，也是在给车厂客户留下更多的选择与议价空间。毕竟，车厂和供应商是一方给钱，一方出活儿的甲乙方关系。而在这种关系面前，没有永恒的朋友，也没有永恒的敌人，有的只是永恒的利益。 写到这里，身为乙方广告狗出身的我，不得不再次表达自己对汽车行业供应商的钦佩。论服务客户爸爸的能力，我最服你们。 原创声明： 本文为 GeekCar 原创作品，欢迎转载。转载时请在文章开头注明作者和「来源自 GeekCar」，并附上原文链接，不得修改原文内容，谢谢合作！ 欢迎关注 GeekCar 微信公众号： GeekCar 极客汽车 （微信号：GeekCar）& 极市 （微信号：geeket）。
博世也要参与做 AI 孵化器了，这是出于什么考虑？
「 博世携手 Plug and Play 成立汽车人工智能加速器」。说实话在刚看到这个消息的时候，我是不太相信的。因为以 Tier 1 一贯的低调风格来看，加速器这样的项目难免有些过于「 活跃」。但是如果你联想到近期汽车行业与科技行业在 AI 领域的众多合作，这样的举动却又符合趋势。那么到底为何要用加速器的形式？博世对这个加速器又有着怎样的规划？抱着这个疑问，我们和博世负责这个项目的新业务发展总监 Crystal Zhang 女士聊了聊。 为何在中国做人工智能加速器？ 关于为何要做加速器的问题，Crystal 从创业公司和博世两个角度和我们做了分析。下面的实录当中 G 代表 GeekCar, C 代表 Crystal。（采访内容有所删改）C：我们加速器关注的企业是已经完成技术验证、有功能样机或产品但尚未大规模量产，完成至少一轮融资，且以中国作为首发市场的初创。我们了解，初创公司发展初期的挑战主要来自两个部分，第一个挑战是符合车规车标且能大规模量产的产品。第二个挑战是如何能够获得早期的客户，在汽车行业获取早期客户异常耗时。博世的价值在于，我们和几乎每个耳熟能详的整车品牌都长期合作，非常熟悉他们的要求和喜好。我们非常熟悉车规车标的质量标准以及量产化要求。所以说在这两个方面我们都可以解决初创公司的实际难题。 G：的确，初创公司如果加入这个项目会获得很多资源和好处，那做加速器对博世有什么好处呢？ C：中国是全球最大的新车市场，全球第二的人工智能技术领地。我们认为，无人驾驶时代的到来，中国不会等欧美发展到一定程度再跟进，中国更大可能会是无人驾驶的领先市场之一。中国是博世全球第二大市场，在无人驾驶的战略布局中扮演着举足轻重的作用。无人驾驶是汽车产业迄今为止最大的变革，超越了任一单一企业的边界，博世作为行业领袖需要联手合作伙伴共同推进无人驾驶的发展，而初创企业是重要的新生力量。 在博世布局的业务领域，我们会根据重要性的不同和初创企业形成包括业务联盟、合资公司及并购不同层面的合作，无论最终合作模式如何，我们都会以业务合作作为第一步。对于非博世布局领域，如果该技术对无人驾驶的突破非常关键，我们也会助力初创公司在底层技术实现突破，推动行业发展。反过来，行业真正发展起来，博世在无人驾驶领域的投资才能得到商业回报。 博世主要关注什么样的创业公司？ G：目前自动驾驶环节中，博世最关注哪个领域？ C：无人驾驶尚处于早期阶段，只有底层核心技术实现突破，才能商业化大规模量产。因此当下博世关注的重中之重是底层技术。以视觉感知为例，激光雷达可以说是必备硬件，有前景的颠覆式新技术需要解决激光雷达成本高、功耗高、尺寸大等问题。我们说的底层技术必须是破坏式、颠覆式的，能够从根本上解决技术瓶颈的，而不是微创新。 G：我们认为激光雷达量产、算法研发和数据积累是当前行业公认的自动驾驶发展的瓶颈，您认为除此之外还有哪些迫切要解决的问题？ C：完全同意。除此之外芯片运算力的突破也非常关键。 博世参与的这个加速器会有什么不同？ G：汽车领域的创业在国内已经兴起了很长一段时间，且相关的加速器也有很多。那么博世此次参与的这个加速器会有什么不同？ C：如之前所说，首先是关注点上，这里我最好给你画一下（见下图）： 我们基本上将自动驾驶分解成了四个部分，第一个是 Surrounding Sensing，指的是车和车以及车和环境之间的交互，地图、传感器等都算在这一类。第二部分是车辆本身相关的技术，这部分是传统车厂和 Tier 1 最擅长的，包括车辆运行系统、安全系统和功能验证等等。第三个是系统架构，因为有了车与车、车与环境之间的交互，系统架构会发生改变。最后一个会发生很大改变的部分就是人机交互。一方面，不同国家的人，交互习惯本就有所不同。 更重要的是，我们认为一旦自动驾驶发展到了 L4 的时候，人机交互会发生根本性的变化，当 80%-90% 以上的时间是车在开，而人的注意力不在道路前方，手也不会一直放在方向盘上时，人机交互如何在 10% 需要人介入的情况，以最有效的方式让人接手，是其发展的重点。 从加速器的角度以及博世在中国的布局来看，我们将重点关注环境感知（Surrounding Sensing）和人机交互（HMI）这两个部分。我们认为在中国这两个领域是最有可能出现世界级玩家的。所以我们加速器关注的初创企业，也是围绕在这两个方向上。这是关注点的差异。 第二个比较大的差异在于我们的培训项目。我们提供定制化的培训，从车规车标、供应链到产业格局，帮助初创熟悉汽车行业的游戏规则。我们为 15 家初创的每一家邀请了 6 位技术市场的行业专家，针对具体的产品和技术进行有洞见的讨论，确定全球对标的竞争对手及产品定位，利用博世的行业理解选择最合适的早期用户并规划产品业务的路线图，借助博世的全球经验帮助初创突破局限于国内市场的天花板，助力一部分优秀的初创成长为世界级玩家。 我们这样做内部的原因是博世中国本土研发的技术是服务全球市场的，而外部原因则是越来越多初创团队，其人才背景本身就是世界级的。 关于理念上的冲突 G：在我们看来，汽车行业内的企业与科技公司的风格是不同的。比如 NVIDIA 和博世，对于高级别自动驾驶的落地时间看法就有所不同。在这一点上，有些初创公司可能更激进，双方在看待很多事的观点都会不同，甚至有冲突，您认为这种冲突会影响加速器中的合作吗？ C：当然会有一些摩擦，但这种冲突有好处。博世不会像初创公司那么激进，必须守住行业的质量和安全。但是，我们也在吸收初创公司的文化，在和初创公司及小规模企业合作。作为产业的领袖，博世需要学会如何和产业的众多玩家合作共生，需要释放足够空间让产业内的其它玩家也能发展，从而使产业健康发展。所以我觉得这是很健康的冲突。我们只有积极思变，向初创企业取长补短，才能在这轮深刻的技术变革中保持竞争优势。 从以上的交流中，我明显的感觉到：汽车行业的巨头们开始越来越关注中国技术的创新，并已经开始采取了措施。博世和 PNP 合作的这个加速器将于 4 月 20 日 – 5 月 15 日，在经过评估后，将会选择 15 家企业，于 6 月 20 日正式入孵。博世希望入驻的 企业当中至少能有三分之一在博世的帮助下取得突破性的成果。 在 AI 与自动驾驶快速发展的过程中，越来越多的汽车巨头开始有了危机感，他们发现在底层技术的突破式创新上，初创及科技公司往往会更有优势。所以巨头们自然希望在这些潜力股发展壮大之前，就提早将其招募到自己的体系当中。 而从初创和科技公司的角度来看，他们也意识到：想将自己的技术在汽车产品上最终落地，是不可能绕过传统的汽车供应体系的。而靠科技公司自己的路子硬吃汽车行业的供应链，简直是比登天还难。 在这个情况下，双方能做的，也是必须要做的就变成了那三件事儿：收购、合资、战略联盟。博世加速器的目的除了是为了挖掘有潜力的创业团队之外，也是在为未来的这三件事做准备。 最让我感到高兴的是，这次我见证这个趋势的地点不是在硅谷或拉斯维加斯，也不是在柏林，而是在上海。我们一直盼望的中国汽车科技时代，真的要来了。 原创声明： 本文为 GeekCar 原创作品，欢迎转载。转载时请在文章开头注明作者和「来源自 GeekCar」，并附上原文链接，不得修改原文内容，谢谢合作！ 欢迎关注 GeekCar 微信公众号： GeekCar 极客汽车（微信号：GeekCar）& 极市（微信号：geeket）。
博世联合百度、高德、四维的这个合作，才是中国自动驾驶的大招
最近经常在感叹，自动驾驶的发展节奏实在是太快，而且行业中各种合作可谓是环环相扣。就在前不久，我才写了文章《对于 Intel 来说，收购 Mobileye 只是一切的开始》担忧 Mobileye 的 REM 技术的未来。而就在上海车展的前一天，博世在苏州联合了百度、高德和四维图新，共同发布了针对中国道路环境的「 众包」 高精度地图定位方案：Bosch Road Signature（以下简称 BRS）。 「 众包」 地图的重要性 现在这个年代，在自动驾驶行业内的公司如果不懂得「 开放与共享」 的意义，那无异于是慢性自杀。因为除去底层技术的创新之外，自动驾驶发展的最大瓶颈就来自于数据积累，这些数据中主要包括高精度地图与驾驶决策数据（尤其是罕见路况下的驾驶数据）两部分。而覆盖全产业链的开放平台与共享的模式，是攻克这个数据瓶颈的唯一途径。 诺基亚绝对是个好企业，因为他把自己的 Here 地图变成了大家的 Here 地图。自打 BBA 入主 Here 开始，高精度地图就成了整个行业「 共享与众包」 精神的旗帜。这背后的原因其实很简单：高精度地图定位是自动驾驶车辆在规划可驾驶路径时（Drivable Path）的关键一环，它也是唯一能为摄像头提供冗余的环节。而任何一个地图厂商都无法依靠自己的力量去采集与更新世界各地道路的高精度地图数据。因此，「 众包」 就成了行业内达成的一个共识。 传统的地图采集技术依靠的核心传感器是激光雷达。由于成本昂贵，以及数据尺寸巨大，激光雷达目前根本无法得到普及，各大图商只能依靠少数几辆搭载激光雷达的采集车去收集高精度地图。这样的方法，即使是各大图商合作众包，也很难在短时间内积累足够多的高精度地图，更不要提去实时更新各地的地图变化了。因此发展新的高精度地图定位路线就迫在眉睫。 在 2016 年的 CES 上， Mobileye 发布了基于前置摄像头捕捉道路标识的定位服务 REM（Road Experience Management）。率先提出了利用民用车辆上所搭载的前置摄像头，收集道路标识数据，并辅助高精度地图定位的「 众包」 模式。由于目前大部分市面上的新车都搭载了前置摄像头，且摄像头所捕捉的地图数据为小尺寸的 2D 画面，因此这种方式有着积累速度快，传输数据量小，实现成本低的优势。在过去的一年多时间中，Mobileye 已经陆续和 Here、日本 Zenrin、大众、宝马等公司就 REM 技术达成了合作。 目前，REM 的应用一般是作为定位与地图更新的「 叠加层」，融合在现有的地图数据当中，具体的应用状态请看下面的视频。画面中左边的部分显示的是摄像头捕捉的画面。右边的部分则是 REM 在 Google Earth 中叠加的效果，其中众多的小圆点就是 REM 捕捉并记录的标识。 BRS，一个增强版的 REM 此次博世发布的 BRS 服务，其模式与 REM 殊途同归，都是基于车辆现有传感器进行「 众包」 的精准定位服务。但是与 REM 不同的是，除了使用摄像头之外，博世还在 BRS 中加入了对毫米波雷达传感器的支持。这其中摄像头将负责抓取车道线、路牌、减速标识等，而雷达将去捕捉隔离栏、电线杆、桥梁等道路基础设施。不同车辆捕捉到的信息将被上传到云端进行叠加和计算，从而生成能够定位的高精度地图层。 相较于单一摄像头的方案，引入毫米波雷达提供了更高的鲁棒性，这样的话即使在比较恶略的天气下（例如雨、雪、雾等天气）也能够生成高精度定位层。此外，毫米波雷达的探测距离也更远（长距离雷达 0-250 米），能够帮助更早的探测到车辆提前放定位特征的变化。 此外，BRS 的另一个特点就是开放。博世底盘控制系统中国区总裁陈黎明博士告诉我说，REM 目前还仅仅支持 Mobileye 自己的 EyeQ 芯片以及传感器。而博世则希望将 BRS 开放给全部的供应商以及车厂，让更多的车辆能够参与到「 众包」 当中。BRS 技术本身也可以根据不同车厂的需求进行定制化，例如在传感器画面融合时，BRS 既可以融合为 2D 画面，也可以融合进 3D 画面。这样的可调节解决方案非常符合博世 Tier 1 的定位，毕竟任何供应商的解决方案都要以商业化为目的，而满足客户需求则是供应商获得商业利益的根本。 值得一提的是，与 REM 技术一样，目前 BRS 技术也只支持在新出厂的车辆上植入。并不能通过之前已经上路了的车辆的传感器上收集数据。也就是说 BRS 的「 众包」 流程才刚刚开始。 「 开放」 并不是优势，而是一种必然 在 3 月份德国的 BCW 上，我和陈博士也有交流，当时博士说的一句话让我记忆犹新：「 不管是谁参与进来，只要能把咱们中国的自动驾驶做好就行。」 确实，在前两年自动驾驶的发展浪潮中，技术研发的核心趋势往往出现在海外，而中国的本土市场由于某些特殊的原因被巨头们所「 忽视」。这其中可能有政策的原因，比如中国政府对高精度地图的严格把控。也可能有国际公司常见的文化与本土化壁垒。 可喜的是，在今年，出于某些危机感，行业内的巨头们已经越来越重视中国，并且以飞快的速度采取了行动。这里的重视并不仅仅指的是中国庞大的市场潜力，而更多的是重视中国的技术创新与数据产出能力。这样的改变，让更多的国际化大企业向中国的本土公司，甚至是本土初创敞开了怀抱。「 开放」 已经不再是国际巨头之间的谈判套路，而成为了中国技术走向世界市场的通道。 在 Bosch Road Signature 发布会结束后，我又再次看到了陈博士，他高兴的告诉我说，BRS 在中国的落地会是中国自动驾驶发展的一个里程碑。确实，能将百度，高德，四维这些平常在 C 端市场打得不亦乐乎的图商联合在一起，体现了博世作为最大 Tier 1 在中国汽车行业的地位和号召力。对博世自己而言，这个合作除了是为了顺应高精度地图在中国的政策要求，更体现了其作为一家外企向中国自动驾驶市场开放的决心。 当行业当中的玩家都在拥抱「 开放」 时，它就不会再是一种优势，而是一种适应市场变化的必然选择。在所有玩家都在搭建属于自己的开放平台时，谁能够获得更多合作伙伴的认可和信任就成了脱颖而出的关键。毕竟，底层技术的突破，以及如何积累足够多的「 有效数据」 才是平台的核心竞争力。 最后，关于「 开放」，想起了之前 VICE 给冠希哥拍的纪录片当中的一个经典镜头，分享给大家： 原创声明： 本文为 GeekCar 原创作品，欢迎转载。转载时请在文章开头注明作者和「来源自 GeekCar」，并附上原文链接，不得修改原文内容，谢谢合作！ 欢迎关注 GeekCar 微信公众号： GeekCar 极客汽车（微信号：GeekCar）& 极市（微信号：geeket）。
对于 Intel 来说，收购 Mobileye 只是一切的开始
3 月 31 日，Intel 在北京召开了一次发布会，公布了其未来规划。这是他们收购 Mobileye 之后首次对国内的媒体发声。整个发布会传递的核心信息就是：Intel 是一家数据公司。 数据的重要性 不管是人工智能还是物联网，任何产品智能化的本质其实都是对数据加以分析，并产出具有附加价值的服务。这样的研发逻辑让有效数据变成了非常珍贵的资源。Intel 从芯片公司向数据公司转型，正是在拥抱这一趋势。Intel 全球副总裁兼中国区总裁杨旭在发布会上提出：由于市场的庞大，中国已经成为数据大国，未来的智能时代中，各个场景下都有数据产生。例如每个互联网用户平均一天就要用掉 1.5G 流量，一辆无人驾驶汽车一天要产生 4 TB 的数据量，而一家智慧工厂一天则会产生 1 PB（1 PB = 1024 TB）数据。 这些来自不同领域的数据又会分成三类： 结构化数据： 例如图形和文字，这类数据比较容易打上标签，因此也更便于整理和定位。 非结构化数据： 例如音频和视频，相较于上一种，这类数据更难定位，也更加难以整理和分析。 不规则纬度和定制类数据： 例如自动驾驶所产生的数据，这些数据往往包括着很多纬度（视觉，场景，决策等），且数据本身还与环境有着很强的关联。这就使得这类数据更加难以分析。 Intel 此前的一系列并购与转型，其实都是在为处理这些数据而打造平台。 从上面这张图就能看出，除了最基础的硬件及底层软件之外，Intel 其实是希望针对数据处理的不同应用领域，提供一个更加定制化的端到端研发平台。这就好比当我们想要做 PPT 我们就会去选择使用 Office Powerpoint 软件一样。 FPGA 与 Nervana 与其他 SOC 供应商一样, Intel 在介绍自己的平台时也重点突出了其强大的数据运算能力。这主要得益于两项技术： FPGA： 中文名称为「 现场可编程逻辑阵列」，这项技术主要来自 2015 年 Intel 对 Altera —— 一家从事 FPGA 芯片涉及和研发的公司的收购，在当时，这笔收购也是花掉了 Intel 167 亿美元的巨资。FPGA 的本质是硬件加速器 。它具有两个重要的特点： 1. 并行运算结构：FPGA 芯片是基于并行运算结构的，这就使它有能力同时处理多项任务，从而大大提升运算速度。我们一般家用电脑的 CPU 中，每个核心同时只能处理单个任务，这也是在人工智能应用当中，CPU 与 GPU 相比的一个劣势。FPGA 的加入弥补了这个问题。 2. 可编辑芯片语言：FPGA 芯片在出厂之后，用户可以对芯片的运算逻辑进行再编程。在自动驾驶应用中，这就使得整车厂和 Tier 1 可乙根据自己的算法需要，定制 FPGA 芯片的运算逻辑。 Nervana 系统： Nervana 是一家从事深度学习和神经网络芯片与软件的创业公司，创立于 2014 年。2016 年 8 月， Intel 斥资 3.5 亿多美元收购了 Nervana， 将其全部的深度学习系统和研究成果收入了囊中。此外 Nervana 团队还将成为 Intel 的人工智能研究中心继续从事 AI 相关的研究。Nervana 在自动驾驶，车内语义分析以及传感器数据处理上都有所涉足。这在算法层面给 Intel 带来了补充。 在今年 CES 上发布的自动驾驶平台 Intel GO 中，FPGA 已经得到了应用，并且还加入了对 5G 技术的支持。但是我们之前的文章中说过，AI 在自动驾驶领域的应用需要硬件，算法和数据三个关键的环节。对 Intel 来说，FPGA 提升了硬件的计算能力，Nervana 系统提供了算法，那么数据从哪里来？ 答案就是 Mobileye。 为何说收购 Mobileye 只是一个开始？ 「 因为收购 Mobileye 的项目正在进行中，很多方面不方便讲，也不好评判，可能过几个月再聊这个问题。」 在被问及关于 Mobileye 的问题时，Intel 中国的相关负责人给了 GeekCar … 继续阅读
在德国，我体验了一把博世打造的生态世界
在我专访博世 AI 老大的文章中《先忘记吴恩达，我们和博世 AI 部门老大聊了聊汽车供应商怎么做人工智能》，我们提到了博世要打造的生态。今天我们就来聊聊这个生态世界是什么样。想要说明白这件事，首先你要知道我在德国参加的这个 Bosch Connected World (以下简称 BCW) 是什么。 Bosch Connected World 是什么？ BCW 是博世举办的以物联网为主题的行业大会。自 2014 年开始至今已经举办过多届。在这个大会上，博世会以 IoT（Internet of Things）为主线，将自己的业务集中起来进行展示。 提起博世，或许你会像我哥们儿一样，以为他们是卖冰箱、洗衣机和钻头的，也或许你会像汽车圈的大部分人一样，把他们定义为汽车行业的一级供应商。但是实际上，他们业务所涉及的领域遍布工业圈的各个环节。光在今年柏林 BCW 2017 大会上展示的领域就包括：汽车、出行、云服务、农业、交互、供应链、传感器、芯片以及工业制造等等。 在之前 100 多年的发展历史当中，博世一直是以工业及制造著称。而 BCW 的举办则代表着博世这个善于「 造物」 的公司，向着互联化和服务化的方向去转变。今年大会的开场演讲中，博世的 CEO Dr. Volkmar Denner 发布了博世的互联战略：传感器（Sensors）+ 软件（Software）+ 服务（Services）。 简单来说就是，在博世造的「 物」 上面加上感知设备，能够使其收集到数据。之后数据将会被传到博世的云端（Bosch IoT Cloud），通过软件的运算和优化，最终形成相应的服务。而在这套互联战略的基础之上，Dr. Volkmar 进一步提出了 4 个关键的技术方向： 1. 雾计算和云计算（Fog Computing and Cloud Computing）：云端的计算能力大家应该都理解，但是随着设备的增多，只让云端负担全部设备的数据传输及计算是不现实的。因此在网络边缘的设备中（例如路由器），也需具备数据处理及计算能力，这样云端的压力就将得到分解。 2. 物联网络（IoT Network）：指的是互联基础设施的建设，以及连接速度的优化。 3. 区块链（Blockchain）：这个技术起源于比特币，它的本质作用是一个可以覆盖所有交易者的总帐本，这个总帐本会实时记录任何一笔比特币交易，并且会存储于网络中的所有终端（例如，A 与 B 的交易记录，会自动同步并存储到网络上所有交易终端的账本当中）。这样的话一个去中心化和去监管化的合约信用体系就诞生了。 4. 人工智能（Artificial Intelligence）：AI 的作用就不用多说了，任何现在需要人工操作的工具，在有 AI 的辅助之后都将变得更加智能，也更加好用。和 NVIDIA 联合发布 AI 车载电脑已经足够证明其对 AI 的重视。 万物互联下的出行生态 很多人会有疑惑：车联网产品和服务的最终用户使用场景是什么样？在 BCW 上博世就展示了几个这样的场景： 1. 自动驾驶：出行生态里没自动驾驶还好意思出来见人吗？所以这是必须的。在 AI 的驱动下，用户可以在人工和手动驾驶之间切换。 2. LBS 及用户偏好记录：例如你今天有计划要去超市购物，那么车机就会在你的下班路程中自动推荐附近你所喜欢去的超市，并在用户确认目的地后切入导航模式。 3. Community-Based Parking：到达目的地后，就需要找地方停车。Community-Based Parking 这项技术就是运用所有车辆上的博世传感器去帮助大家找停车位。任何支持这项技术的车辆在行驶过程中都会通过传感器识别周边环境中的停车位，并将位置实时上传到云端。此后云端将把这些目前空着的停车位再指派给附近有需要的车辆。 4. 智能家居互联：到达超市，并停好车后，你需要知道去超市里都要买些什么。此时车机会调动你家中博世冰箱内的摄像头，告诉你冰箱里现在都有什么。由此来帮助你决定购物清单。 光上面这几项，我已经被「 生态」 一脸了，不过这还不是全部，博世把他的售后服务业务以及供应链业务也并入了进来： 5. 车辆故障预警：车辆中的某些故障是可以通过车载的传感器进行提前预判的，比如说蓄电池快要没有电了。这个预判会通过车机提前反馈给用户，确保用户能够做好提前的规划。 6. 维修站互联：在车辆获得故障预警之后，用户将会收到提示，是否搜索常用路线中的维修站（当然演示当中的维修站也是博世的…）。在用户选择维修站之后，维修故障所需要的备件（例如一个新的蓄电池）就会在云端的指令下直接从仓库或工厂通过供应链送到用户选择的维修站，整个运输流程，用户都可以通过互联设备监测到状态以及预计到货时间。系统也会根据到货时间向用户推荐最终去到维修站的时间。 这一系列场景体验下来，我真的以为自己是置身在一个互联网发布会当中了。但是看到周围清一色的西装，又把我拉回到了汽车行业。其实仔细想来，不管是汽车企业，还是互联网公司，大家最终对物联网下中出行场景的规划都是大同小异的。有区别的只不过是先有「 物」 再有「 网」，还是先有」 网」 再有「 物」。 看到上面这张图，你就会发现：搭平台，重布局这样的生态式战略，其实并不是互联网公司的专利。博世这样的以实业发家的公司，讲起生态来也是毫不示弱。 就像电影猜火车里，Diane 和 Mark 说的那句经典台词：The World is Changing. 思维的转变已渗透到任何行业的理念当中。我相信如果博世把上面这套战略包装成一个好的 BP 放到互联网圈，融他个几轮应该也是没有问题的吧。 想起博世作为一个百年老店，居然至今都还没有上市，我不禁陷入了沉思… 原创声明： 本文为 GeekCar 原创作品，欢迎转载。转载时请在文章开头注明作者和「来源自 GeekCar」，并附上原文链接，不得修改原文内容，谢谢合作！ 欢迎关注 GeekCar 微信公众号： GeekCar 极客汽车 （微信号：GeekCar）& 极市 （微信号：geeket）。
先忘记吴恩达，我们和博世 AI 部门老大聊了聊汽车供应商怎么做人工智能
在今年年初，博世成立了自己的「 全球人工智能研究中心」，这个中心包括德国斯图加特，印度班加罗尔以及美国帕罗奥图三个研发据点。上周 BCW 大会上，博世的 CEO Dr. Volkmar Denner 发布了与 NVIDIA 的合作消息，并将 AI 列为了博世未来发展的四个重要方向之一。想看 GeekCar 专访 NVIDIA CEO 老黄的文章， 请戳这里 。 在大会期间，GeekCar 采访了这个「 全球人工智能研究中心」 的负责人 Dr. Hauke Schmidt，同时在场的还有博世的企业公关总监 Dirk Haushalter。Dr. Schmidt 之前是博世数据挖掘部门的负责人，而这个部门很有可能就是 AI 研究中心的前身。 以下为采访的实录（G 代表 GeekCar，H 代表 Dr . Hauke Schmidt，D 代表 Dirk Haushalter）： G：首先请您先介绍一下您所带领的这个部门吧，这个部门主要都是做哪些与 AI 相关的事情？ H：我们把这个部门称之为人工智能中心，因为它包含着全球多个研究据点。我们主要关注的是人工智能当中的深度学习（Deep Learning）以及机器学习（Machine Learning）领域，换句话说就是数据驱动的领域。目前，我们还没有涉足语义以及符号分析等领域，但是未来或许也会有所涉及。 G：在您看来，AI 和自动驾驶的联系是怎样的？ H：自动驾驶当中的很多方面都需要 AI，比如说感知、路径规划、执行以及车辆控制等。这是一套非常复杂的系统，而 AI 可以将这些部分链接在一起。例如目前的传感器和控制系统是相对分离的，我们需要 AI 将他们整合到一套系统中。 G：如果我们把自动驾驶分为感知、地图、决策、控制四个环节的话，AI 是不是主要将负责决策的部分？ H：其实在感知部分，AI 的作用也十分重要。因为感知不简简单单是传感器收集画面，机器还需要分辨出行人， 自行车，机动车等等。这些都需要通过数据分析和 AI 的应用去做具体的识别划分。 G：那么在驾驶决策部分呢？机器如何学习人类一样的驾驶行为？ H：如果从数据驱动的深度学习角度去看，那么模拟人类的驾驶行为主要是依靠案例及数据。这需要将车辆放在各种不同路况和场景中测试，并看机器在这些场景当中做出的决策是否够好。在测试过程中需要有人工的驾驶员在驾驶位置随时待命，以防止问题的发生。一旦机器产生了错误的决策，那么这些错误将被作为反面教材去重新优化算法，这样的话下次机器再遇到类似的场景的时候，就会做出更好的决策。 G：提起人工智能，人们总是会想起在围棋比赛中击败人类职业棋手的 Alpha GO。那么 AI 在围棋上的应用和在驾驶上的应用有什么不同？因为驾驶环境当中包含更多的决策者，且环境很难预测。 H：这两者间有多个区别。首先，驾驶的环境是不可预知的。第二，可选择的行动数量也不同，在下棋当中，每一步的可选择范围一般只有三四种，最多也就是六七种，且这些行动非常的具体化（在不同的位置落子）。但是在驾驶环境中，这个选择范围就大得多了，单说转向的时候，就有多种不同的转向程度，因此在驾驶场景中，机器将会有更多的选择空间。第三，两者在量化程度及可计算程度上也不同。下棋时，机器可以提前计算出不同步骤下所可能产生的结果，对对手的预判也会更加准确。而在驾驶环境中则不同，路面上会有多个认为决策者（行人，人工驾驶的机动车等），他们有他们自己的行为策略，机器无法保证一直对他们的行为做出准确预判。所以驾驶要比下棋有着更多的不可预知性。 G：那么你们将通过什么方式来攻克这种不确定性？ H：就像我之前说的，还是要通过足够多的案例及测试数据积累。只有积累足够多的测试里程，并应对了足够多的驾驶场景，机器的算法才能够不断的优化。 G：所以我可否能理解为目前自动驾驶的瓶颈就在数据的积累上？ H：是这样的。目前自动驾驶发展的关键就是要积累足够多的有效数据，并不是所有数据都可以，有效的数据需要有清晰的标注，你需要告诉机器，这个数据中的行为是正确的还是错误的。积累这种有效数据需要极大的成本，而这正是自动驾驶发展的瓶颈所在。 D：同时是不是还需要把系统和算法做的更加智能化？ H：我认为让系统和算法更智能化是个挑战，但还不会是瓶颈。目前我们已经集结了很多专家来让系统更加智能化，这个目标是可以解决的。但是再好的系统也需要有足够的数据去驱动和优化，这就像驱动发动机的燃料一样。 G：现在行业内有机器学习（Machine Learning）、深度学习（Deep Learning）、CES 期间 Mobileye 又提到了增强学习（Reinforcement Learning）。这几种方式有什么不同？ H：深度学习（Deep Learning）的特点在于神经网络的结构，深度学习在神经网络上有着众多的隐层（Hidden Layers），一般 5 层以上。在神经网络中会有输入层，这个上面的神经元会链接车辆上面的各个传感器，例如一个 1000×1500 像素的摄像头，每个像素是输入层上的一个神经元。然后网络中还会有输出层，它来负责车辆的控制，例如转向，刹车等。而隐层的作用就是链接输入和输出层，隐层的具体决策和工作逻辑目前还不清晰，这也是我们研究的一个重要方向：去解释隐层的决策逻辑。以上就是深度学习的基本原理。 而增强学习（Reinforcement Learning）的重点是如何去训练神经网络中的神经元。增强学习的应用关系到了应用环境，例如车辆在驾驶环境中做出了一个行为，这个行为会对驾驶环境产生影响，此时车辆上将会自行判定这个行为到底是好的还是坏的，比如这个行为是撞上了别的车还是保持了正常的行驶线路。在这个判定之后，系统的算法会收到一个正面或者是负面得反馈，而这个反馈会进一步增强系统得算法。 G：我是否可以理解为增强学习可以让车辆本身自行优化自己的算法和决策？ H：这并不是我们的做法。我们的做法是在车辆上面植入一个固定的神经网络模型（Model），它不会自己做出改变。但是车辆在行驶过程中将会不断收集数据，并把这些数据上传到云端。在云端上，这个神经网络模型会得到训练和优化。在这之后，我们会将优化后的模型再去做测试，其中将包括我们挑选的一些特定的路况与驾驶场景。当我们确定了优化后的新模型能够应对这些场景，并能够确保其实际应用的安全性之后，我们才会将新的模型部署到车辆上。此时，适配新模型的车辆将会有更好的表现。因此，我们的算法学习和优化并不是直接在车辆上面完成的，而是会经过一个系统性的流程来实现。 G：在驾驶场景当中将有多个 AI ，包括语义识别、人脸识别、车辆控制等。如何将这些 AI 整合在一起？ H：其实并不需要把它们都整合在一起，因为我们并不是把一个人工智能直接卖给用户。用户关注的是最终产品的表现，他们希望车辆能识别他们的声音，识别他们的身份，希望车辆能够自己驾驶。而在后台一共有几个 AI 在工作，对于用户来说是不重要的。你刚才提到的这三个 AI 会有一些联系，比如当你开车到某个路段时，希望能够进入自动驾驶模式，然后通过语音向系统发出指令。但这其实只是两个 AI 系统之间的一个简单链接。 G：既然您是负责人工智能相关的业务，那可否透露一下与 NVIDIA 的合作，双方具体是怎样的分工？ H：NVIDIA 将负责硬件部分，而博世将围绕这个硬件构造全套的自动驾驶系统。 D：NVIDIA 将提供硬件芯片，主要是 GPU。 H：是的，我们使用 NVIDIA 的 GPU 芯片驱动博世的算法，这样整套系统才能运转。 G：也就是说 NVIDIA 提供硬件，以及基础的一些驱动程序，而博世则提供算法？ H：我是这么理解的。 G：那么未来的发展中，硬件将如何帮助您的团队优化算法？您认为硬件和算法哪个将更加重要？ H：我认为最重要的其实是成本控制，有了 NVIDIA 的 GPU，我们现在可以将硬件做得更加小巧和紧凑，同时我们也能够帮助降低这套硬件的成本。与 NVIDIA 合作的这套小型系统的性能与几年前我们在卡车上应用的大型计算单元相当，这才是重点所在。 … 继续阅读
专访英伟达 CEO 黄仁勋：「教主」眼中的自动驾驶，到底是什么样？
在 CES 2017 报道英伟达（NVIDIA）的文章《CES 2017 | 详解英伟达 CEO 黄仁勋演讲：「AI 教父」的自动驾驶布局》中，我们已经提到了 NVIDIA 发布的最新 Xavier 平台，以及与博世的合作。其实在 CES 上，老黄卖了个关子：在 3 月份德国柏林举办的 Bosch Connected World 上，他将登台发布进一步的合作成果。事实证明，老黄没有食言，在 BCW 上，博世联合英伟达发布了基于 Xavier 平台的车载人工智能电脑。 关于 Xavier 平台的运算能力，在 CES 的文章中已经有所阐述，在这里就不再具体展开。在 BCW 的发布会之后，GeekCar 有幸与老黄面对面聊了聊，本文将重点结合老黄的发布会与专访，解析他眼中的自动驾驶。 老黄在 BCW 上都讲了什么？ 除了发布车载人工智能电脑，老黄在演讲中还介绍了英伟达在自动驾驶领域的 3 个布局： 1. Deep Learning：GPU 在深度学习领域的应用成就了今天的英伟达。在老黄看来，深度学习驱动下的人工智能，也将成为自动驾驶决策的主要算法结构。 2. HD Map：在高精度地图领域，深度学习也将起到重要的作用。它能够帮助机器更高效的通过传感器收集地图数据 ，例如识别道路特征、提取建筑轮廓、识别道路图形标牌等。 3. AI Supercomputing SOC：这个是英伟达本就十分擅长的硬件芯片。博世将 NVIDIA 人工智能平台纳入到自己的零部件供应商中已经是对其硬件实力的最好证明，这也意味着英伟达的人工智能芯片将开始正式向量产平台进军。 此外，这次老黄还发布了将与卡车制造商 PACCAR 合作，基于 Drive PX 平台发展卡车领域的高级别自动驾驶。 在此之上，老黄又进一步聊了实现 L3 级别自动驾驶所需要的几个环节：Detection（感知）、Localization（定位）、Occupancy Grid（占用空间）、Path Planing（路径规划）、Vehicle Dynamic（车辆运动）、OTA（在线升级）。 可以看到，除去 OTA 之外，老黄的理解与我们之前一再提到的感知、地图、决策、控制有一些类似。但是，这两者之间最大的不同点是在于对「 决策」 的理解。做图像处理发家的老黄，将驾驶决策巧妙的分成了两个偏向图形分析的环节： Occupancy Grid（占用空间）： 这个环节指的是，机器对于周围环境中各元素所处位置与所占空间做出的判断。这个判断既包括当前环境，也包括未来环境。而元素可以是车辆、行人、建筑物等等。 Path Planing（路径规划）： 在判断了周围元素之后，机器将根据这个空间环境，规划出可驾驶的路线。 这样的划分，无疑能够更好的体现 GPU 在图像处理方面的优势。在老黄看来，目前市面上还没有任何一个量产的计算平台能够同时整合上述五个环节，而这正是 NVIDIA 希望在汽车领域攻克的难关。 最关键的部分来了：综合上面的分析，老黄提出， Deep Learning 在高精度地图以及图像识别方面的应用不仅能够优化自动驾驶的决策，更能够帮助降低车辆上所需传感器的成本。 我们之前提到过，除了特斯拉之外，大部分主机厂和 Tier 1 都认为，每一辆实现 L3 级别的自动驾驶车辆需要配备激光雷达。而老黄认为，在 Deep Learning 的驱动下，现有量产级别传感器以及高精度地图技术的潜力将被进一步挖掘，从而在一定程度上打破 L3 级别自动驾驶对激光雷达的依赖。由于目前激光雷达的成本和量产时间是实现 L3 自动驾驶的主要瓶颈之一，老黄相信，我们有可能在今年年底到 2018 年间就实现 L3 级别的自动驾驶，在 2018 年底到 2019 年实现 L4。 在德国当着无数汽车行业的人给出这样的观点，老黄就这样把他的「 黄氏定律」 带到了汽车圈。 带着女儿来专访 演讲之后，在 BCW 场地旁边的一个酒店会议室中，我又再一次见到了老黄。专访的一开始，老黄就给了在座的媒体一个惊喜：「 今天我的女儿也跟我一起来了，有我女儿看着，你们要对我好一点哦。」 这样的画风也让整个专访氛围一下子变成了科技公司的轻松范儿。 在向大家介绍完了自己的女儿之并复盘了一下自己的演讲之后，老黄开始回答起了大家的问题。 在被问到 Intel 收购 Mobileye 的事情时，他首先开玩笑的说：「 他们为什么要买 Mobileye 啊！？」 随后又说：「 英特尔这个决定肯定是有他们自己的原因和考虑的，至于收购后的效果，时间会给出我们结果。」 当有记者问到老黄英伟达如果面临被巨头收购会如何决策时，老黄也开玩笑道：「NVIDIA 一直都在对外出售啊，你们都赶紧来买一点我的股票吧！」 可以看出，对于行业内最近的兼并，老黄并没有表现的很在意。这与他平时果断、自我的行事风格十分相符。 熟悉 GeekCar 的都知道，我们关心的是技术。所以我针对老黄在发布会上的观点提出了两个问题，以下是问答的实录（M 代表 Mark，H 代表 … 继续阅读
除了那 153 亿美元，关于 Intel 收购 Mobileye，你还应该知道这些
就在我正绞尽脑汁研究 Mobileye 去年年底发布的关于 Reinforcement Learning 的论文的时候，朋友圈就被这条新闻点燃了：Intel 以 153 亿美元的现金收购了 Mobileye。这也是以色列科技企业历史上最大的一次并购。关于 Mobileye 在自动驾驶领域的地位，可以关注我在 CES 期间对 Mobileye 的报道：《详解 Mobileye CES 2017 演讲：自动驾驶行业能走向联合吗？》在此不再赘述。其实除了 Intel 的土豪大手笔，关于这笔收购，还有很多值得关注的地方。 在 Mobileye 的 CEO Ziv 以及 CTO Dr. Amnon Shashua 发给员工的声明信中提到了如下几个细节： 1. 在本周一之前， 出于法务上的原因，Mobileye 的管理高层以及董事会都将收购的事宜对员工进行了保密。所以大家也别去向在 Mobileye 工作的朋友打听了，他们也和我们一样被稳稳的老哥们搞了个大新闻。 2. 虽然 Intel 全资收购了 Mobileye，但是与一般的收购不同：在交易完成后，Mobileye 将反过来整合 Intel 的自动驾驶部门（Automated Driving Group，简称 ADG）。 Intel 的 ADG 团队将成为 Mobileye 的一部分，并且还是会以以色列为研发总部。 3. 目前在 ADG 所拥有的大部分技术及员工都将并入 Mobileye，这其中包括：系统工程师、车辆研发工程师、软件工程师、模拟器、地图采集设施、云计算及数据中心等。这些资源将大大提升 Mobileye 的研发实力。 4. Mobileye 将保持自己的品牌名称，但是 Logo 会做出相应的变化以体现与 Intel 的关系。 5. Ziv 和 Shashua 将和之前一样继续领导 Mobileye 的团队以及业务。Intel 并不会派人参与或干涉 Mobileye 的运作，但是 Mobileye 也会主动去学习 Intel 的企业文化及经验。 6. Mobileye 的业务也将维持不变，这其中包括之前已经发布过的和一系列主机厂以及 Tier 1 的合作、芯片业务、EyeQ Roadmap、后装业务等。Mobileye 会借助 Intel 的资源进一步扩充自己在上述领域内的优势。 7. 整个收购的流程最早要到 2017 年底才会完成。在收购完成之前，Mobileye 现团队的业务及工作状态将保持不变。Ziv 和 Shashua 将在仔细分析 Intel 的资源之后，制定详细的整合计划。整合将进一步扩大 Mobileye 的公司规模，包括在以色列及美国境内设立多个新的研发据点。 可以看到，虽然被 Intel 收购，但是 Mobileye 依然保持了他们的独立性以及原有的公司愿景。Intel 将作为一个强大的后盾，持续对 Mobileye 的研发进行支持。 在我们之前关于自动驾驶的文章当中，已经好几次强调了自动驾驶所需要的四个重要元素：感知、地图、决策、控制。而今年发展的重点在「 决策」——暨如何让机器能像人类一样做出驾驶决策。「 决策」 又包括着三个关键部分：硬件性能，软件算法以及数据积累，三者缺一不可。 在此之前，业内还没有公司能够在软件与硬件两个方面都处于绝对领先的地位，数据方面则是各家都在搜集。这也是大家都在抱团合作的原因——为了达到优势互补并在一定程度上共享数据。但在这次收购之后，一个「 软硬兼施」 的新型自动驾驶巨头诞生了。CES 2017 上，Intel 发布了自己的自动驾驶平台 Intel GO，他提供了处理芯片、5G 支持、FPGAS 等技术。现在，Intel 在自己原有的硬件实力基础之上又得到了 Mobileye 的视觉处理算法，这样的整合无疑能够更好的提供高级别的自动驾驶解决方案。 其实，早在年初的拉斯维加斯 CES 上，Dr. … 继续阅读