欢迎关注“创事记”微信订阅号：sinachuangshiji
文/叶方 编辑/王德芙
来源：汽车之心（ID:Auto-Bit）
自动驾驶行业再次迎来重磅新闻。
据CNBC报道，特斯拉正计划将嵌入式计算视觉新创公司DeepScale收入囊中。
这件事情的起因是昨晚（10月1日），DeepScale CEO Forres tIandola更改了自己在Linkedin上的动态。
他现在已是特斯拉员工，出任特斯拉资深机器学习科学家一职。
此后，Forres tIandola还在推特上发文称：
“本周我加入了特斯拉Autopilot团队，我期待能与公司其他深度学习与自动驾驶大牛们并肩战斗。”
除了Iandola外，在过去的两天时间里，至少还有10名DeepScale工程师与研发人员加入了特斯拉。显然，即使特斯拉没有买下这家公司，也已经将它“掏空”。
过去几年，特斯拉至少收购了包括SolarCity和Maxwell 在内的5家公司，但均与自动驾驶无关。如果对 DeepScale 的收购完成，这将是特斯拉在自动驾驶领域的第一笔投资。
目前特斯拉还没有确认此次收购，对相关消息也暂未发表评论。
01
另辟蹊径的DeepScale
DeepScale两位创始人：Forres tIandola（左）与Kurt Keutzer（右）
DeepScale的前身是名为“伯克利深度驾驶”(Berkeley Deep Drive)的研究团队，其联合创始人Iandola与Kurt Keutzer一直致力于提升计算视觉深度神经网络的效率。
2012到2016年间，计算视觉行业一直都在靠堆资源来运行深度神经网络。而Iandola与Keutzer则另辟蹊径：
试图在只适用于嵌入式系统有限资源的情况下，完成简化版深度神经网络的构建。当然，其前提是不影响其性能和准确性，同时降低时延。
最终，他们拿出了名为SqueezeNet 小型深度神经网络架构。
SqueezeNet在ImageNet上实现了AlexNet级的精度。与AlexNet相比，参数数量减少50倍。
此外，借助模型压缩技术，DeepScale能够将Squeeze Net压缩到小于0.5MB的空间（比AlexNet小510倍）。
据汽车之心了解，DeepScale将继续推动深度神经网络在计算机视觉的精度和鲁棒性。公司也正在研究如何让上述方法在硬件上运行，且兼具价格优势（接近于10美元而不是1万美元）和低功耗（接近10瓦而不是2千瓦）的特性。
此前，Iandola在“伯克利深度驾驶”的研究吸引了多家汽车公司的目光，业界巨头纷纷解囊相助，其中就包括福特、博世与三星等行业巨头。
这些公司告诉Iandola，自家自动驾驶研发项目都卡在了AI系统上，因为它需要太多服务器做“后期保障”，而大家都想找到一个能有效降低成本，让搭载AI的车辆有更好的获益前景。
02
DeepScale的杀手锏
虽然DeepScale规模不大，但Iandola还是将业内巨头Mobileye看作自己的头号假想敌。
2017年3月，Mobileye被英特尔在2017年以153亿美元收购，此前这家以色列视觉公司也是特斯拉的合作伙伴，正是双方联手才有了初代的Autopilot。
说了这么多，DeepScale到底有什么杀手锏？
Iandola 表示：
“在Mobileye那里，你得接受捆绑销售，掏钱买下整个解决方案，摄像头、处理器和软件等等。如果你只用到一部分技术或想换个玩法，这样就是在浪费钱。事实上，20年前Mobileye刚刚崭露头角时，整个汽车市场都是这样的一揽子买卖。
如今，汽车市场的价值链已经出现了巨大变化，更为开放的平台成了大家的最爱，第三方供应商供给的解决方案则是汽车厂商与一级供应商差异化竞争的重要原料。
DeepScale找到的正是这一突破口，我们的解决方案将选择权交到了客户手中，而不是硬生生塞给他们许多根本不需要的东西。
简言之，客户能将我们的技术融入自家感知堆栈，也可移除我们产品中的某个单元来补强自己的解决方案。”
Squeezenet得以崛起主要还是得益于各种变体深度神经网络应用，比如针对物体探测的SqueezeDet，针对激光雷达数据语义分割的SqueezeSeg，以及更简化的图像识别网络SqueezeNext。
Iandola的“巅峰”是SqueezeNAS，它利用神经架构搜索技术实现了深度神经网络开发的自动化。
去年，这项技术就用在了神经网络的开发中，它拿出的产品比人工设计的还要精确且低时延。
显然，DeepScale专注于效率的切入点没找错，因为SqueezeNAS已经证明，这项技术可以减少训练和搜索时的GPU占用时间，它不但能用在推理硬件的优化上，还能提升任务执行效率。
原本要扔7万美元在云计算中的任务，现在700美元的成本就能搞定（价格基于亚马逊AWS）。
今年1月，DeepScale首款产品姗姗来迟，这是一套模块化深度学习感知软件，专为驾驶辅助系统Carver21打造。
借助这套软件模块化与高效两大特点，DeepScale准备吸引更多的汽车厂商与一级供应商客户。
同时DeepScale还指出，Carver21可以整合进任何客户指定的传感器与处理器中，以便实现顾客对ADAS功能的不同需求。
DeepScale宣称，基于英伟达DriveAGXXavier处理器的Carver21能同时并行3个深度神经网络，在实现L2+功能的同时仅占用处理器算力的2%。
鉴于Xavier算力为30TOPS，而特斯拉自有芯片可达72TOPS，因此Carver21如果用在特斯拉上，恐怕连1%的算力都用不上。
这样来看，DeepScale掌握的高性能、低资源占用的计算视觉技术确实是特斯拉最好的“自动驾驶野心倍增器”，毕竟现在特斯拉CEOElonMusk一切以视觉为中心，对激光雷达嗤之以鼻。
虽然嘴上不停攻讦激光雷达，但Musk也不是不想用这个传感器，他只是扛不住成本这座大山。
毕竟，特斯拉即将实现年产50万台的目标，如果每辆车上都用360度摄像头、雷达、激光雷达和超级计算机等硬件，那就没有多少消费者能买得起了。
因此，不想在成本上吃亏的特斯拉只能研发快速、准确、可靠且不怎么占用算力的深度神经网络，而这正是DeepScale的强项。
为了实现“花小钱办大事”的效果，两家公司都强调软硬件的联合研发。
虽然DeepScale并不自行开发硬件，Iandola依旧表示DeepScale与硬件合作伙伴联系紧密，同时他们也会影响对方在设计上的抉择。
显然，这也是特斯拉一直以来的风格。
Musk手下的精兵强将甚至专门开发了针对深度神经网络的计算硬件，而且性能超群。
与此同时，DeepScale推崇的神经网络自动化开发也与Autopilot部门负责人AndrejKarpathy的所谓“软件2.0”范式不谋而合。
除此之外，DeepScale还能将新的测试方法带到特斯拉。
这种方案类似功能安全评估，但却更适合软件定义的新型车辆。
03
自动驾驶行业对人才有多饥渴？
特斯拉对DeepScale的收购还反映出自动驾驶行业对人才的追逐日趋白热化。
此前，苹果收购自动驾驶公司Drive.ai数十名工程师以及Drive.ai的其他资产。
而Waymo则接收了13位来自机器人创业公司Anki的机器人专家。
未来，类似的收购案会越来越多，大家的核心目的都是人才。
此前就有消息显示，业内想收购DeepScale的其实并非特斯拉一家，当时谈判的价格甚至达到了9位数（数亿美元）。
不知道是开价太高还是特斯拉横刀夺爱，总之其他追逐 DeepScale 的公司都没能成功。
当然，要想在市场上挖来足够多的自动驾驶AI人才，花上数亿美元太正常了。
也有消息称，特斯拉这次花大价钱收购，不但是要对 DeepScale 技术进行全面吸收，也是为了狙击竞争对手。
自今年5月份以来，已经有11名自动驾驶工程师离开了特斯拉Autopilot团队。
诚然，DeepScale的人才补充能壮大特斯拉的自动驾驶团队。但对比过去几年里纷纷出走的精兵显然还是杯水车薪。
随着Musk在今年3月AutonomyDay上的承诺迫近，Autopilot却无甚动静。现在来看，特斯拉离真正的自动驾驶还有很长一段距离。
在时间线越发紧张的情况下，特斯拉的员工必须精诚一致，而且他们还得保证用户不会丧失耐心。
毕竟，大家都在期待自己的特斯拉能够早日实现全自动驾驶。
