2016 年 11 月 12-13 日，麻省理工学院中国创业与创新论坛（MIT-CHIEF）第六届年度峰会在波士顿举行。图森互联联合创始人兼 CTO 侯晓迪获邀在MIT CHIEF 自动驾驶分论坛演讲，他向与会者介绍了图森互联基于计算机视觉和深度学习算法的公司策略和发展方向。
在随后由《麻省理工科技评论》杂志资深编辑 Will Knight 主持的座谈环节中，侯晓迪与AutoX创始人肖健雄、麻省理工媒体实验室媒体艺术与科学副教授 Iyad Rahwan、云启资本创始合伙人黄榆镔等人一起，就自动驾驶技术及产业现状展开了讨论，并分别从各自的专业角度分享了他们对自动驾驶的思考。
侯晓迪在会后接受了国内知名科技媒体机器之心的专访。
机器之心：自动驾驶汽车的发展阶段被学界分为五级，从部分自动化一直到完全自动化。您觉得图森的研究现在位于哪个级别？5 年内计划实现到哪个级别？
侯晓迪：我觉得这个分级体系其实不够准确，其中一个原因就是，从它定义的第三级到第四级其实是一个很大的跳跃。在第三级，驾驶员虽然不操作，但是还需要观察路况，但是在第四级，驾驶员就可以完全不看路了。这中间其实跳过了很多东西。我们将我们的产品定位在‘三加四减’的阶段，也就是说，卡车不需要随时有人看着，但是也不排除在一些非常规情况（比如轮胎故障），需要人介入进行调整。对于大部分公司来说，特别是创业公司，一下子达到五级都是不太可能的。我认为所有的技术都需要且行且看吧，没有一个技术能够在初期就满足所有人的所有幻想。作为一个创业公司，我们一定是先有商业上的需求，在可得资源和可等待的时间范围内实现一个技术上可行的产品。所以我们目前的计划是定在‘三加’阶段。
机器之心：图森为什么选择自动化卡车作为第一个进入市场的产品？
侯晓迪：第一个原因是成本和价格的问题。对于普通的消费者来说，目前自动化汽车改造的价格是很高的，因为本身我们的成本就很高，而大部分人也不会长时间频繁使用汽车；而对于产品生产者来说，卡车运输是不可或缺的一部分，在被大量使用的基础上，产品公司对价格的承受能力会更高。所以我们的第一步，是让自动驾驶汽车作为生产工具进入市场。
机器之心：自动卡车在市场接受程度上可能会遇到什么阻碍？
侯晓迪：市场接受的程度主要还是取决于最终的产品形态，包括功能、价格、可靠性等等。如果一开始功能定的虚高，算法达不到，最后产品出来不是贵就是可靠性差，就肯定会在市场上碰一鼻子灰。其实有很多技术上无法绕过的难题，是完全可以通过功能设计来回避的。创业公司有一个优势就是，算法设计者和产品功能设计者的沟通成本很低，大家可以坐在一起，持续地沟通和妥协，来达成共识，最后迭代出来一个功能上有价值、价格上可接受、可靠性上足够在使用场景内让大家放心的东西。在风险控制上，我们最开始一定是需要自己承担相关的风险，这样大家的信任程度会更高一些。同时，只要我们的模拟测试能够将出错频率控制在极低的范围内，我认为这个产品就是可以被接受的。
机器之心：政府对自动卡车投入市场的态度是什么样的？
侯晓迪：政府对这件事是非常支持的，因为现在的卡车运输其实存在很多问题，比如超载、危险驾驶、司机行为监管等等，要将这些管理好，要比管理几个自动卡车公司要复杂得多的，所以我们的产品其实也是在帮政府解决这些管理上的问题。
机器之心：智能驾驶产业现在话题度热度居高不下，您对产业现状怎么看？是否存在泡沫呢？
侯晓迪：泡沫是肯定存在的，因为市场包括投资人很难鉴别技术创业者是否真正具有算法研究能力。我们也见识过一些技术领域的‘李鬼’，这些人其实是在消费整个 AI 创业圈的公信力。但是无论怎样，想要实车上路，哪怕只是在开放环境下跑几公里，稍微拐个弯避个障，就已经不是纯靠嘴皮子就能吹出来的了。何况是关乎人命的产品，所以整体来说大家对于风险管控意识很强。而且确实存在不少比无人车泡沫更大的领域。
机器之心：中国现在有接近 1600 万长途卡车司机。随着自动驾驶系统的应用，卡车司机群体失业是不可避免的结果，对此您怎么看？
侯晓迪：一方面，新的职业一定会出现，社会会提供给这些人新的就业机会，比如说，自动汽车不需要人来驾驶了，这些人就可以借着物流成本降低的东风来做生意；另一方面，现代社会学习新知识、新技术的门槛越来越低，这些人群完全有可能成为技术工人甚至程序员。最后，自动驾驶系统的换代升级肯定不会是一夜之间完成的事情，市场的转变会是以年为单位的。
机器之心：图森在大量使用 labelled data，那么也就意味着还是需要人对数据进行解读，之后进行 supervised learning。这样对于历史数据无法覆盖的危险情况，我们如何保证安全？图森是否在进行 supervised learning 之外的尝试？
侯晓迪：所有的测试数据肯定都是‘历史训练数据’无法涵盖的。如何增强模型的泛化能力是机器学**一直以来最核心的问题。近年来深度学**大行其道，确实存在一些急于求成的创业者，一知半解的情况下就拿深度学**说话，给社会一种不靠谱的感觉。但是我们对于纯深度学**的局限性一直很清醒，并且在 end-to-end learning 之外做了很多尝试。比如，我们一直很强调传统的 Bayesian statistics 和深度学习并重的视角来看问题。
