专访何晓飞：场景并不一定为王，有价值才能有模式 | 自动驾驶这十年

创立飞步科技之前，何晓飞是滴滴研究院院长，他在这个中国最大的共享出行平台当中，搭建了关键的交易引擎。

这个引擎衍生出了拼车、动态调价、订单分配、运力调度、供需预测、路径规划等核心功能，而这些功能为滴滴的用户体验增色不少，也是当年拉平和Uber之间距离的重要筹码。

只是何晓飞已然不愿意提起当年战绩。他更愿意以创业者、创新者的身份和世界对话，展示出自己新的一页，在这场重塑交通运输的变革当中，飞步科技的到来可能改变一些什么。

这次的采访当中，何晓飞向雷锋网新智驾讲述了自己从学者转身成创业者的改变，以及他对于自动驾驶十年时光的回顾与思考。这里面有高光和不便言明的过往，有商业和技术的思考，有学者的严谨和创业者的进取。

这是一个站在高光舞台上的人要走向下一个高光时刻的重新出发，而故事的背景底色是自动驾驶这十年当中，激动人心的巨变的力量与庞大的市场前景。

感知和芯片的进步，推动着自动驾驶的发展

何晓飞并非是典型的自动驾驶创业者，最早成名于计算机视觉领域，2003年，他和微软亚洲研究学院合作提出的laplacianfaces人脸识别算法，是当时计算领域最有影响力的算法，也是中国人在NIPS上获奖的第一篇论文（除了港台地区）。

此外，在微软亚洲研究学院期间，李开复、马维英、张宏江都是曾经手把手带过何晓飞，当时何晓飞在攻克两个方向：一个是跟张宏江做人脸识别的相关的研究、另一个是跟马维英做信息检索的研究，何晓飞的早期也发了很多图像检索的论文。

尽管在人脸领域功成名就，但在创业之际，这位CV大牛所考虑的并不是以人脸为切入点。他向雷锋网 (公众号：雷锋网) 新智驾说：从80年代开始，人脸的研究已经开始盛行。从学术的角度来看，人脸是比较好的切入点。但到了今天，我还是希望向更大挑战尝试。而自动驾驶恰恰是人工智能光辉的起点，囊括了人工智能的方方面面。事实上自动驾驶当中所涉及的障碍物检测、交通灯识别跟人脸识别本质没有什么区别，今天用到很多的很多算法跟20年前的机器学习、神经网络很多东西都是相通的。

在这十年之间，技术也在不断地往前推进。 在感知方面：早期基于传统计算机视觉的方法逐步被基于深度学习的方法所取代，获取数据规模的增长也为基于深度学习的方法奠定了基础；芯片方面，传统CPU+GPU的计算架构也开始逐步转向基于深度学习的人工智能芯片。

微观上，技术的改进越来越趋向于细节，尤其是特殊场景（比如雨雪天气、隧道等等）。数据规模越来越大，传感器、激光雷达分辨率的提升速度非常快，性能大步向前的同时，成本不断降低。这对于无人驾驶感知能力的提升，将会起到非常关键的作用。

至于创业当中所需要的商务能力和工程能力，何晓飞认为自己有充足的信心。事实上，何晓飞有充足的从业经验，微软亚洲研究学院、雅虎、滴滴这些履历都给了他充分的历练，都是从0到1解决问题。在他看来，创业也是需要解决未知的问题，科研也是解决未知的问题，过去十年的科研时间里，他无时无刻不在解决遍地都是地雷遍地都是坑的学术问题，从这一点上看，解决未知的能力都是最为核心的能力。

场景并不一定为王

2009年是何晓飞第一次接触自动驾驶，彼时何晓飞还是浙江大学计算系的教授。

当时谷歌刚刚开启了对自动驾驶的研究，几乎与谷歌同步，国家科技部、基金委也开启了对自动驾驶的研究，主要是偏向于学术、算法的研究，何晓飞也是通过这些学术前沿的项目开始了对自动驾驶的研究。

在何晓飞看来，谷歌无人车的上路具有划时代的意义，它在工程上的意义就好比深度学习在学术上的意义是一样的。深度学习诞生之前，没有人相信人工智能是能够实现的。

何晓飞向雷锋网新智驾说：十几年前——深度学习还没诞生之前，当时我们去参加一些学术会议，并不好意思说自己是做人工智能的。因为说做人工智能有一种忽悠别人之感。那时候，我们都不讲人工智能都是说机器学习。同样地，正因为Waymo的出现，使得学术、资本、工业都愿意推动自动驾驶的发展。

尽管现在无人驾驶是一片热土，深度学习大大地推动了人工智能发展，何晓飞也想象不出来有比深度学习更好的技术路径。虽然有了深度学习这把屠龙刀，但在何晓飞看来还是应该夯实基础，人工智能还处在于非常早期的阶段，如机器学习的算法、芯片的设计等底层的技术问题还是有非常大的困难需要克服，也因为如此现阶段自动驾驶底层的技术，还不能支撑、解决和处理整个大交通的问题，很多问题都尚未暴露出来，等到大规模商用的时候，可能会暴露出更多今天无法预料的问题，而这些问题往往拥有一票否决权，决定着一个行业的生死。

因此在尚未整个底层技术尚未成熟之际，选择的场景就特别重要。何晓飞对雷锋网新智驾解释道：虽然场景很重要，但并不意味着场景就一定为王。 未来究竟是场景为王，还是技术为王？现在下结论还言之过早，自动驾驶所涵盖的场景也很广泛，不可能有任何一家公司用一种方案解决所有的交通问题。每一家都要根据自身的优势和侧重点，选择合适的道路。

货运就是何晓飞找到的最快落地的场景。在他看来，创业是一个商业活动，既然是商业活动，必须要尊重商业固有的规律。而之所以作出这个判断，是因为在何晓飞看来，外部的商业环境已经产生了质的变化，这一波AI浪潮所起来的创业公司，必须要尊重科学的发展规律，对于从神经网络到统计学习、到深度学习的科技发展谱系要有认知，同时也需要清晰地定位并且今天所处在的位置。

乘用车的落地时间需时要比商用车要来得晚一些，因为卡车是固定的路线、乘用车是从任意的A点到任意的B点，加上城市交通具有复杂、多变、不可控的特点，例如红灯变绿灯的起步阶段，面对突然横撞冲出的失控车辆该如何应对等。

而商用车的应用场景相对单一，集中在高速、快速路等环境，但货车本身由于机动性、稳定性和精度较差等原因，需要更长的刹车距离、更大的转弯半径，以及更加精确和鲁棒的控制，因此在感知和控制层面对技术提出了更高要求。

总体而言，卡车落地的时间节点要比乘用车要来得更早一些，商用车大概3年就能够落地，这个时间窗口对于创业公司而言确实是友好的。

在这三年的试水期当中，飞步选择的是高速物流的中段位置，是现阶段当中最为可控的部分。但何晓飞认为场景和场景之间，虽然有一定的壁垒，但只要找到最有优势的切入点以后，就能够进行切入。

在针对于货车的无人驾驶，何晓飞最为关注的指标有两个：车速和响应时间。货车速度越快，对响应时间的要求就越高，因为这关系到刹车距离等。在保证安全的情况下，飞步采用算法+芯片的整体解决方案，把货车的反应时间降到了0.05秒，车速提高到90km/h。据何晓飞介绍：这个响应时间，已经超越人类有经验的司机。

有价值才有模式

有关于特斯拉路线与Waymo路线，业界各执一词。李开复认为无人驾驶应该一步到位，而业界当中也有人认为以特斯拉为代表的循序渐进的路径才是正确的路线。

何晓飞认为，之所以衍生出两条不同的路线，更多的是因为双方今天所处的位置。如果Google是一家车厂，那么Google也会有特斯拉的思路；如果特斯拉没有造车经验为支撑，但在AI方面有深厚积累，那么特斯拉也很有可能参照Waymo的路径。

今天无论是谷歌还是特斯拉都在发展人工智能、机器学习、智能芯片等一系列的底层技术，只是在商业路径上，受限于自身的一些优点、定位，才会选择不同的路。

何晓飞认为从大的范围而言，自动驾驶肯定是未来的发展方向，也会产生巨大的经济价值、社会价值，但是最终是什么形态，一切都是未知数。单看美国自动驾驶这几年的发展也能知晓，像美国这些公司，一路走过来其实还是有相当多的变数。何晓飞认为有价值才有模式，要谈自动驾驶的价值，就必须要看它能为交通运输解决哪些问题。自动驾驶在安全、成本、效率是最能产生价值的三个方面，也是从这个三个方面，才能衍生出清晰的商业模式。

谈及当下的资本寒冬问题，何晓飞认为事物本身就存在一个春夏秋冬的阶段，问题永远都会存在，即使资本市场利好的时候，别的问题也会存在，从长的时间阶段来看，无非就是资本挑战和技术挑战。现阶段最重要的事情就是夯实基础，抓住机遇期，往前迈进，参与一场交通革命的重塑。

雷锋网原创文章，未经授权禁止转载。详情见 转载须知 。