对话 | 盖世汽车CEO、盖世汽车资讯总编 周晓莺
撰文 | 盖世汽车编辑 宋凡
当人工智能与汽车工业的齿轮紧密咬合,自动驾驶技术正以颠覆性的姿态重塑人类出行的未来。在这场全球化的技术竞逐中,Mobileye——这家由计算机科学家Amnon Shashua教授掌舵的企业,始终以“高性能”的引擎驱动行业边界。从早期基于视觉感知的ADAS系统,到即将量产的“可脱眼”自动驾驶方案“Chauffeur”,Mobileye用25年的技术积淀证明:真正的变革,不仅需要算法的突破,更在于成本、安全与全球化落地之间的极致平衡。
在接受盖世汽车的C Talk高端系列访谈时,Amnon Shashua教授以学者与企业家交织的视角,勾勒出Mobileye的野心与务实。其核心武器——EyeQ系列芯片,通过“每秒帧数”这一实战效率标尺,打破了传统TOPS指标的桎梏,将算力竞争从纸面参数拉回真实场景。新一代EyeQ6芯片实现了十倍性能跃升,为第二代SuperVision多摄像头系统的量产提供了坚实支撑。而面向将于2027年发布的Chauffeur方案,Mobileye则试图以较低的成本,实现高速公路场景下L3-L4级“合法可脱眼”驾驶。这背后,是Mobileye独创的“冗余哲学”:通过成像雷达、路网智能技术与多子系统融合,压缩故障率,构筑自动驾驶的安全壁垒。
当行业陷入“端到端”的技术内卷时,Mobileye以复合人工智能系统(Compound AI System)的实践站稳脚跟。Amnon Shashua教授明确指出:“消费级汽车的整个系统成本应该控制在几千美元,否则没有商业意义。”而自动驾驶的未来,终将回归到成本与规模化落地的理性竞争之中。交通出行领域的变革不是一辆酷炫的演示车,而是让数千万普通消费者用得起、敢信赖的技术。Mobileye的变革不仅预示着自动驾驶初级跃迁,更指向从“可脱眼”驾驶迈向全域无人驾驶的远景——一个由技术进步驱动、共享出行理念重构的新时代。
面对中国市场的蓬勃生机,Amnon Shashua教授毫不掩饰对其的重视。他表示,Mobileye已与极氪等品牌展开深度合作,实现技术方案在量产车型中的广泛应用,并致力于为中国车企的全球化战略提供无缝对接。未来,Mobileye将继续为中国车企提供全球化的技术支持,成为中国车企出海的“隐形桥梁”。
站在AI与物理世界交融的临界点,这位身兼多家前沿AI公司创始人的教授,将Mobileye的未来锚定在“Physical AI”的疆域。“人工智能真的是刻进了Mobileye的DNA里。” 随着AI在现实世界中更广泛的应用和扩展,未来,Mobileye的业务发展可能从汽车领域拓展至如机器人等其他领域,从单一场景进化到全域无人驾驶。或许正如他预言的那般:当“可脱眼”驾驶未来十年内走进现实,人类与机器的协作范式将迎来新一轮重构。而这场变革的密码,早已深埋在Mobileye的基因里:用教授的深度思考,与企业家的广袤视野,书写技术普惠的真正答案。
在这场交通领域的变革中,Mobileye凭借其深厚的技术积累和全球化布局,正稳步迈向自动驾驶的未来。接下来,让我们通过Amnon Shashua教授的详细解读,深入了解Mobileye如何通过技术创新与战略布局,推动自动驾驶的普及与变革。
以下为访谈实录:
周晓莺:您觉得您自己更偏向是企业家还是教授?
Prof. Amnon Shashua:两个都是。
周晓莺:那您更喜欢哪个身份?
Prof. Amnon Shashua:我都喜欢。
周晓莺:但这两个身份很不一样。
Prof. Amnon Shashua:的确不同。作为教授需要专注于一个细分的领域然后深入研究。所以,这能产生的影响是有限的。作为企业家既能深入又能拓宽领域。因此,可以对社会产生更大的影响。而将两者结合起来才是真正令人兴奋的。既能深入研究,又能产生更广的社会影响。
感知革新:Mobileye重塑出行新生态
周晓莺:是的,我注意到,您创立了很多公司,Mobileye是其中之一。您能简要介绍一下Mobileye的核心业务吗?
Prof. Amnon Shashua:Mobileye最初是一家专注于视觉感知和摄像头数据处理的公司,这是我们的DNA。能够利用摄像头输入、视频输入,并以此诠释交通场景,进而发展出高级驾驶辅助功能。这些驾驶辅助功能会警示你注意避免道路碰撞、在碰撞发生前及时刹车、提醒你注意路上行人、交通标志或红绿灯信号等。理解场景并采取行动来减轻或避免碰撞事故的发生。这就是Mobileye成立的最初愿景,这也是我们收入的重要组成部分。
我们设计了一款非常高效的芯片——我们称之为 “EyeQ”系列,现在已经迭代到第六代。随着时间的推移,我们开始业务扩张。在原有业务基础上,我们开发出一套多摄像头系统——我们称之为 “SuperVision”。这套解决方案的首次推出是在中国市场。搭载它的是极氪 001 和 009 车型、以及极星4车型。它可以360度解读交通道路场景,并支持在特定运行设计域内实现可脱手驾驶。但驾驶员仍然需要对驾驶负责。驾驶员需要专注于路况,不能做其他事情。不过汽车本身已经具备了可脱手驾驶的能力这就是目前我们所处的阶段。
第一代SuperVision方案是在中国推出的,其搭载量超过了30万辆汽车,为我们将复杂技术应用到量产车型中带来了大量实践经验。
我们第二代SuperVision方案将于明年推出,搭载到奥迪、保时捷、以及整个大众汽车集团的车型上,使用的是我们的EyeQ6芯片。新的方案计算能力提升了十倍。我们可以将更多AI技术融入系统中,提供的是功能更加强大、同时具备更高可用性的系统。
我们的愿景远不止于此。我们相信,为了实现在交通出行领域的变革,必须从“需注视”的系统——即驾驶员驾驶时需专注路况,进化到“可脱眼”的系统——即驾驶员可以在驾驶中合法的做其他事情,无需专注路况。
我们将这样的方案称之为“Chauffeur”。首款Chauffeur方案将于2027年初在奥迪车型上实现量产搭载。它将先在特定设计运行域的高速公路上应用。这套系统非常实用,可以以最高130 km/h的速度行驶、能够实现自动变道、自动跟随路线、并允许驾驶员在行驶中合法做其他事情。
周晓莺:这已经是 L3 或接近 L4 的系统了。
Prof. Amnon Shashua:是的,这是 L3-L4 的系统。驾驶员仍需坐在驾驶位上,但同时可以在做其他事情,不需要专注路况。比如,你可以使用手机,实现“可脱手”、“可脱眼”的驾驶。
为什么说这是一次变革呢?因为一旦驾驶员在长时间驾驶中可以“脱眼”… 实际上,我们大部分驾驶是在高速公路上完成的。比如在美国,驾驶车辆从旧金山开到洛杉矶总共五小时车程,其中一小时是在市区道路,剩下四小时是在高速公路。假设这五小时中,你可以用四小时进行工作。
周晓莺:对的,这样可以节省很多时间。
Prof. Amnon Shashua:这是一种巨大的价值体现。因此,这显然是一种颠覆性的变革。问题是,目前还没有公司成功构建出这样的技术。原因是什么?
目前的成功经验,比如Waymo的Robotaxi。他们的技术路线是投入大量传感器。如果你去他们展台参观一下他们的车辆,你会看到车上安装了很多传感器。这些传感设备的成本加起来大概是几万美元,而这对于消费级汽车而言并不适用。消费级汽车的整个系统成本应该控制在几千美元,否则没有商业意义。所以,还没有人展示过如何用几千美元的成本,实现既经济实惠、又能达到“可脱眼”驾驶系统所需的精确度。
与现有系统相比,这种精确度是质的飞跃。
现有的“可脱手”驾驶系统,即使是最好的系统,平均干预间隔时间也只有几个小时,5个小时、10个小时。而“可脱眼”驾驶系统要求的平均干预间隔时间需要在数万小时到数百万小时之间。因此,需要跨越如此巨大的障碍,才能实现从“需注视”驾驶到“可脱眼”驾驶的过渡。
不是一个平稳的过渡,而是一个飞跃性的进步。这正是 Mobileye 的目标所在,也是 Mobileye 90% 的精力所在。我们致力于构建这类技术,因为它将带来一场出行变革。
我们是从“Chauffeur”方案开始。同时,我们也在研发无人驾驶出租车(Robotaxi)。等会儿我们参观展台时,我会向您介绍基于大众汽车旗下ID Buzz平台打造的Robotaxi。
因此,“Chauffeur”方案是创造出行变革的第一步。Mobileye 95% 的精力都用在构建实现这一目标的技术。
AI定义竞争新格局
周晓莺:立足起点,展望未来,我们看到了人工智能的崛起。人工智能现在成为一个热门话题,它改变了很多行业的工作和生活方式。那么 Mobileye是如何将 AI 技术融入到实际应用中的?
Prof. Amnon Shashua:过去十年的人工智能变革极其重要,它改变了一切。
这一切始于 2012 年的深度神经网络。深度神经网络使开发者能够将原始图像和视频输入到神经网络中,从中找到场景中的物体,例如车辆。在深度神经网络出现之前,开发者需要通过其他方式提取图像中的特征,然后用机器学习从特征中识别物体。有了深度神经网络,输入原始图像和视频就能进行检测。但这需要一些创新能力,将二维图像中的感知数据提升到三维,并整合来自多个摄像头的信息。
随着Transformer模型的问世,下一个飞跃出现在2017年。它也是ChatGPT等语言模型构建的基石。
其突破在于能够在不同领域之间建立协同性。在Transformer出现之前,计算机视觉需要专门的知识体系、自然语言处理也需要一套专门知识、语音或声学处理又需要另一套专业知识。而Transformer出现后,这一切趋于统一。
为什么呢?因为Transformer可以将输入源转化为词元,也就是“tokens”。然后有一套模型逐一处理这些tokens,这种方法叫做“自回归”。输入一些tokens,然后预测下一个token。接着,把输出内容也转换为tokens。然后,这个模型从输入tokens转换到输出tokens。
它并不在意这些tokens是否来自图像、是否来自语言、或是声音、或是其他来源。于是,所有这些不同的学科融合为一体。这是一个重大突破。它为我们这个领域带来了从原始图像中提取多摄像头的图像,直接生成三维感知的能力。
可以将车辆直接放置在三维空间中,而不再需要先经过二维的处理,然后拼接各部分,再构建三维感知。这极大加速了图像处理能力。这是一个巨大的变革。
在Mobileye,我们正所做的是,利用所有这些Transformer技术以及即将发布的下一代芯片EyeQ6,以非常高效的方式赋能我们达到非常高的精确度。
我的意思是,看一下现在的AI 系统,比如ChatGPT。它们的优化并不在精确度上,它们的优化侧重于可用性上。如果把 GPT-3、GPT-o1 等进行对比,会有什么变化?
语言模型能解决越来越多的问题,但精确度提升并不大。精确度是指——你问一个问题,它是否给出了正确答案?它可能会产生“幻觉”,可能会给出错误的答案。所以,它们的优化侧重于可用性,而不是精确度。
如果你想开发出“可脱眼”驾驶的自动驾驶汽车,你要优化的就是精确度。而这正是仅仅依靠数据驱动引擎会遇到的问题。比如说,以摄像头为例,如果只是通过不断输入数据来训练,是否可以达到如此高的精确度?目前还没有人能够给出答案。
机器学习系统并未优化精确度,它们的优化侧重于可用性。因此,你需要做些不同的事情。我们正在做的这件与众不同的事的灵感来自航空领域,就是飞机。飞机恰恰是一个需要极高精度的机器。飞机不会突然从天上掉下来。
周晓莺:的确,这绝对无法接受。
Prof. Amnon Shashua:那么它们是怎么做到的呢?它们通过创建冗余机制,每个功能都由多个子系统来实现。这些子系统执行相同的任务,从而形成倍增效应。假设一个系统有一定的故障率,如果再增加一个故障率相同的系统,故障率将会呈现平方关系,实际上达到了故障率相乘的效果。也就是说,通过多子系统的配置,可以非常快速地达到极高精度。
我们在Mobileye面临的问题是——如何设计这些子系统才能提高精确度?
除了摄像头之外,我们需要开发另一种传感器。它的性能要求与摄像头相当,但其工作原理则与摄像头完全不同。于是,我们开始研发成像雷达。
这些雷达是高清的,分辨率非常高。它们的输出与摄像头相似,但原理完全不同。它们能够在任何天气条件下工作。但它们的故障点与摄像头完全不同,从而实现了另一套独立的系统。那现在就有了两套子系统——一套来自成像雷达,一套来自摄像头。
此外,我们也开始在软件中设计更多子系统。例如,可以把地图看作一种传感器,将摄像头看到的视图看作另一种传感器。现在,你拥有两套独立的信息,可以将它们融合在一起、结合起来,这就形成了冗余。
核心在于,如何将一个问题分解为多个子系统从而提升精确度。因为这就是关键所在。如果无法达到如此高的精确度,就无法构建“可脱眼”的自动驾驶系统。你只能停留在“需注视”驾驶阶段。虽然这也是一个不错的产品,但它并不是革命性的。
革命性的变化指的是,具备让驾驶员“可脱眼”驾驶,去合法做其他事情的能力。例如,使用智能手机,或者小憩,但无需专注路况。这是最大的挑战。
周晓莺:当行业迈入AI时代,竞争难度是增加了还是减少了?
Prof. Amnon Shashua:要想回答这个问题,我们要回到关于语言模型的讨论。
有很多公司都在构建语言模型,比如名列前茅的OpenAI和Anthropic、还有Google的Gemini。目前这条赛道挤进了超过 100 家公司,这些公司构成了一个长尾效应。
现在有一个网站叫Chatbot Arena。这个网站会对市面上所有语言模型进行排名。但他们的排名方式不是通过基准测试,因为如今的基准测试都存在偏差。那些声称自己通过了基准测试的说法不够可信。因为这些系统是在整个互联网环境下训练的,这也就包括了这些基准测试的数据,所以就很难准确评估。
所以他们采用了众源方式——当一个人提问时,他会收到来自两个不同语言模型的答案,然后需要评估哪个答案更合适。通过这种方式,他们就能对所有语言模型进行排名。当然,OpenAI和Anthropic排在了最前列,后面则是一个巨大的长尾市场。
所以,现如今想处于行业中游位置比五年前容易得多。但处于中游位置并没有多大意义,因为99% 的使用量都来自前两家公司。
我们所在领域的情况也类似。如今想打造一辆性能不错的演示车比五年前容易很多。但要从一辆演示车到覆盖多款车型、多家主机厂的规模化量产,就是一个巨大的飞跃。再比如,打造一辆可以连续自动驾驶半小时或一小时而无需人工接管的车是一回事,但要打造一辆100 万小时才需要人工接管一次的车则完全是另一回事了。
所以,想要跻身行业顶尖仍然非常困难,而处于行业中游位置现在比五年前容易得多,但这毫无意义。
周晓莺:我认为处于中游或中游以下毫无价值。
Prof. Amnon Shashua:没错,这毫无价值。
技术与执行力铸就未来基石
周晓莺:那么,Mobileye的优势是什么?是如何保持行业领先的?
Prof. Amnon Shashua:这涉及的方面很广,并不是只靠人工智能或软件,远不止这些。
首先是芯片。我们的芯片非常高效且成本很低,这使我们能够以非常实惠的价格构建系统。同时,我们的芯片还专为运行我们构建的人工智能堆栈而设计,这是我们的一大优势。
第二个优势是,我们暂时把人工智能放一边,谈谈人工智能之外的事情。另一个优势是我们可以通过智能路网技术来构建高精地图。例如,欧洲大部分地区、美国大部分地区已经通过我们的技术完成了绘制。
第三个优势是数据。我们拥有650PB的数据。这是一个巨大的数据量,其中有300PB是视频数据。换而言之,我们拥有数千万小时的录制视频数据,遍布全球。“遍布全球”非常重要。因为,如果你只在某个地区拥有大量数据,那么当你在另一个地区驾驶时,系统表现是否一样呢?它也许并不能正常运作,它可能属于分布外的数据。因此,你需要覆盖全球的数据,这也是Mobileye的优势之一。在过去的25年里,我们积累了大量数据。
其次,我们还拥有庞大的基础设施以及便捷的数据访问方式。比如说,你碰到一个边缘情况,即使你只是口头描述它——例如,路上有一辆车翻车了。我们的技术和搜索引擎在你口头描述一辆车在路上翻倒时,它就在650PB的数据库中搜索并反馈给你翻倒在路上的车的相关图片。
我们利用这些数据不断完善和优化系统。我们拥有庞大的模拟器、丰富的硬件环路,使得系统可以在一夜之间运行数万小时的数据。一夜之间,也就是成千上万的系统共同运行,就是一个巨大的执行机器。
Mobileye至今已销售并交付了超过1.9亿颗芯片。也就是说,全球有超过1.9亿辆车正在使用Mobileye的技术,差不多占全球所有汽车总量的15% 左右。这非常了不起。有超过1200款车型正在使用Mobileye芯片。这一切都为我们提供了大量的经验和技术积累。
在人工智能之前,Mobileye强在执行。
执行力强意味着你可以以最优的成本带来最好的技术,因为成本很重要。如果你只有非常优秀的技术,但成本很高,那么你在量产上会受限。如果你能做到低成本,但技术不够先进,那你同样会受到限制,并且使用场景也会受限。Mobileye做到了两全其美——既有高质量的产品,同时又将成本压到很低。
那说到人工智能,更是我们的专长所在了。
我本人是一名计算机科学教授,我的专长就是人工智能。我担任教授已经有20年了。我的同事Shai Shalev-Shwartz 是Mobileye的首席技术官(CTO),同样是一名计算机科学和人工智能领域的教授。
我是数家人工智能公司的联合创始人,包括机器人领域的Mentee Robotics公司、人形机器人和语言模型领域的AI21 Labs公司。我最近又创立了一家新公司名叫Double AI,致力于研发下一代人工智能,一种可以取代如牛顿和爱因斯坦这个层级专家的人工智能。如何才能创造出能够解决只有爱因斯坦才能解决的问题的人工智能呢?这是我正在研究的另一个领域。
所以人工智能真的是刻进了Mobileye的DNA里。当把所有元素结合起来,你会发现Mobileye是一家非常独特的公司。
Mobileye的宏远蓝图与未来航向
周晓莺:是的。我们可以看到,在我们这个时代,新技术正源源不断地涌现。展望未来,十年之期,您认为Mobileye的未来会是什么样的?
Prof. Amnon Shashua:Mobileye的愿景首先是——以实惠的价格实现“可脱眼“的自动驾驶技术,成本几千美元左右。
从高速公路开始,然后逐步拓展到更多类型的道路,最终在消费级汽车层面实现完全无人驾驶。不是在无人驾驶出租车层面,而是消费级汽车层面。所以第一次革命是实现“可脱眼”的驾驶。
第二次革命是实现车内无需驾驶员的驾驶。这意味着什么呢?这意味着,一个家庭只需一台车。我开车上班然后让车自己开回家,因为车内不需要司机。
周晓莺:是自动驾驶。
Prof. Amnon Shashua:这将会是又一场变革。因为它改变了我们今天对车辆的所有权和使用方式。我们所需的车辆的数量将大幅减少,而出行的保障依然不变。我认为这是在我们的十年规划末期可能实现的愿景,也就是从现在起至少六七年之后的事情。
那在近两三年之内,从“可脱眼”的自动驾驶技术开始,逐年进步,提供越来越多的应用场景,直到可以在消费级汽车层面做到完全无人驾驶。
周晓莺:大概五年后?
Prof. Amnon Shashua:差不多五到七年,八年的样子。
周晓莺:很快就会实现。
Prof. Amnon Shashua:在我们这个行业,十年内都可以称为是“不久的将来”。
另外,我认为未来Mobileye的业务会随着人工智能在现实世界中更广泛的应用而扩展,比如到机器人领域。我认为,Mobileye将会成为在现实世界中运用AI技术的公司。我听过一个很不错的名字,是黄仁勋在一次演讲中提到的“Physical AI”。我预期中的Mobileye就是一家可以量产“Physical AI”技术的公司。
周晓莺:不仅仅是在汽车领域?
Prof. Amnon Shashua:是的,不局限于汽车领域。首先攻克汽车行业,然后再向其他领域拓展。
自动驾驶的终局不止端到端
周晓莺:谈及智能驾驶领域,目前,我们看到有很多公司都在应用端到端技术,您对此有什么见解?
Prof. Amnon Shashua:关于端到端技术讨论有很多,我认为这些议论没有太大意义。即使某个公司声称 “我们正在做端到端” ,实际上他们做的不止是 “端到端” 。
到底什么是“端到端”?
“端到端”就是,比如说,以摄像头为例,你拿视频信息作为输入,那输出将是控制指令。Mobileye也在做“端到端”。在我CES新闻发布会的演讲中,我展示了一段Mobileye的视频。那就是一个端到端——从图像输入到控制输出。
Mobileye与其他做“端到端”的公司的不同在于,他们主张,只要有端到端就可以解决所有问题,但Mobileye认为,还需要冗余。仅仅有“端到端”是不够的,你需要额外的路径来创建子系统。不仅涉及传感器的多样化,还需要有不同的算法。所以,端到端只是其中一条路径,还有需要其他额外的路径——我们称之为复合人工智能系统。
因此,Mobileye的方法是,端到端是复合人工智能系统中的一个组成部分。
周晓莺:好的,这是一个不同的洞见。你们认为,“端到端”并不是全部。
Prof. Amnon Shashua:是的,端到端是一个元素,一个部分,然后还有其他部分。
算力衡量新视角
周晓莺:当下的自动驾驶领域,我们看到很多公司都在算力上展开竞争。您认为,算力越高越好吗?还是其实有其他途径来解决问题?
Prof. Amnon Shashua:算力确实是一个必要条件。因为如今的AI技术需要越来越强的算力来支撑。问题是,如何衡量算力?标准的衡量方法是每秒万亿次操作,也就是所谓的TOPS。Mobileye认为这是错误的衡量标准。
周晓莺:错误的?
Prof. Amnon Shashua:我们认为,应该有其他指标来科学地衡量芯片的效率。所以Mobileye衡量的是每秒帧数。拿一个算法,看看这颗芯片运行起这个算法来每秒可以处理多少帧画面?
例如,我们展示了EyeQ5和EyeQ6的差异。用TOPS衡量的话,差异只是两倍。但用每秒帧数衡量,差距是10倍。
周晓莺:居然有10倍的差距。
Prof. Amnon Shashua:这意味着在使用TOPS和每秒帧数衡量之间,会产生巨大的差异。所以我们认为,每秒帧数这个数值才真正有意义,因为它直接反映了芯片能够输出的实际性能。
打个比方,有一个算法,我更关心的是运行这个算法的速度到底有多快。至于TOPS,并不十分重要。因为芯片内部通常集成了多个加速器,它不仅仅是CPU,还有其他专用硬件加速器。而且,这些额外的加速器,即使我们竞争对手的芯片,比如英伟达的,也有多种类型的加速器,而不仅仅是GPU。
因此,用TOPS衡量等于把所有东西都放在一个篮子里。但每个加速器都有其最合适的工作负载,所以每秒帧数才是衡量效率的最佳标准。这也是Mobileye衡量芯片效率的方法。
我们的EyeQ6芯片性能足够强大,通过合理芯片配置,可以支持我们所需的全部自动驾驶功能。我们的系统配置是从单颗EyeQ6芯片开始,我们称之为环视ADAS——包括前置摄像头、四个泊车摄像头和环绕式雷达,仅需一颗EyeQ6芯片即可。
SuperVision方案配备了两颗EyeQ6芯片,包括车身的11个摄像头和若干雷达作为可选项。
“可脱手”的Chauffeur方案则用了三颗EyeQ6芯片;Robotaxi方案配备了四颗EyeQ6芯片。
到2027年,EyeQ6将被EyeQ7迭代替换掉。EyeQ7将会具备更强劲的性能。也就是说,原来需要两颗EyeQ6的系统未来只需一颗EyeQ7芯片。原来需要四颗EyeQ6的系统将被两颗EyeQ7芯片取代。这样一来,进一步实现了成本优化。
周晓莺:成本的降低,是客户最期待的结果。
Prof. Amnon Shashua:归根究底,一切都是对成本和性能的优化。你需要两者兼俱。当前的大环境下,只抓其中一头是远远不够的。
全球视野赋能中国车企走向世界
周晓莺:您在去年到访了中国,您有没有亲自体验过中国的电动车?
Prof. Amnon Shashua:中国的“可脱手,需注视”的智能驾驶功能令人印象深刻,极其令人印象深刻。它们成本更高一些、需要更强的算力支撑、搭载了更多的传感器,但在性能方面表现确实非常非常出色。
周晓莺:现在,越来越多的中国车企都在希望走向全球市场,您认为它们将面临哪些挑战?有什么建议吗?或者Mobileye可以在海外市场为它们提供哪些帮助?
Prof. Amnon Shashua:我们在中国的大多数客户都是具备全球化雄心的中国车企。事实上,今年,我们预计ADAS产品将会在中国市场增长约40%。这正是得益于这些有全球化拓展计划的中国车企,比如奇瑞、吉利等。
Mobileye的优势在于,我们的系统可以在全球范围内无缝适配。车企不需要为每个目标市场单独收集数据。与这些有全球拓展计划的中国车企合作,为我们带来了在中国市场可持续发展的机会,且还将不断增长。
地域差异中铺就自动驾驶之路
周晓莺:谈到自动驾驶的发展,不同国家和地区的开发进程和实际应用场景存在明显差异。从您的角度看,真正意义上的自动驾驶将如何在部分地区实现?哪个地区会是率先实现自动驾驶的呢?
Prof. Amnon Shashua:这正是地图变得至关重要的地方,也就是高精地图。
因为如果把地图看作记忆的话,当你开车经过一个你曾经到过的地方,你会感觉更加自在从容。而当你开车进入一个陌生的区域时,你会更加专注,因为这个地方对你来说是未知的。所以把地图看作记忆的话,有了这些“记忆”,你就能更轻松实现全球范围的拓展,比起你第一次进入一个未知的地方要轻松许多。
初次接触一个地方时,会遇到全新的驾驶文化、交通规则等。但这些挑战都可以通过“记忆”被化解。因此,地理拓展的关键因素之一,就是能够获取全球范围内的地图支持。
AI时代:挑战与机遇并存
周晓莺:好的,最后一个问题。我想请问教授关于教育和人工智能的问题。由于人工智能发展迅猛,我常常思考未来教育会怎样?尤其是对于孩子们来说,他们应该学些什么来才能更好的应对将来?
Prof. Amnon Shashua:首先,我们聊一下谷歌的搜索革命。二十年前,那些有大量事实知识的人,常常被奉为非常聪明,非常有才智的人。但现在,人们会觉得记住这么多事有必要吗?谷歌一下就什么都知道了。
我认为这个现象在未来会被进一步放大。当你拥有人工智能时,那些重复性任务——像是把文章主旨提炼出来、或是把多篇文章结合起来写一篇综合总结、甚至创建计划之类的事情,都可以通过AI自动完成。所以,现在人类需要思考哪些是机器做不到的?这就是将来能区分成功的人类与不太成功的人类的关键所在。
从今天来看,成功的人类不再是那些有大量事实知识的人,因为一切都可以搜索获取。而且AI也会有它的局限性。我认为AI会是人类一个非常有用的工具,来帮助人类提高生产力。而那些不懂得如何使用AI的人将会被时代抛在后面。
所以,在教育层面,学习如何使用AI是至关重要的。这意味着老师们需要更加努力。因为你需要能够设计出就算学生使用了AI工具,做起来难度也比较高的作业。不能假设他们不会使用AI工具。所以你需要给他们设计一些就算他们拿AI工具去完成,依然很有挑战性的作业去做,让他们必须付出努力才能完成。
因此,教育的挑战在于老师需要布置比现在更有难度的作业。
周晓莺:这很难。
Prof. Amnon Shashua:这是一项巨大挑战。
联系邮箱:info@gasgoo.com
客服QQ:531068497
求职应聘:021-39197800-8035
新闻热线:021-39586122
商务合作:021-39586681
市场合作:021-39197800-8032
研究院项目咨询:021-39197921
版权所有2011|未经授权禁止复制或建立镜像,否则将追究法律责任。
增值电信业务经营许可证 沪B2-2007118 沪ICP备07023350号