4月22日，阿里达摩院发布了全球首个自动驾驶“混合式仿真测试平台”，采用虚拟与现实结合的仿真技术，引进真实路测场景和云端训练师，能够提供最贴近实际道路状况的模拟测试，并且模拟一次极端场景仅需30秒，系统每天虚拟测试里程可超过800万公里，将大幅度提升自动驾驶AI模型训练效率，加速迈进自动驾驶L5阶段。
或许很多人看到这里会觉得一脸茫然，但笔者却对此无比激动，先不要着急，且听我慢慢解析达摩院发布的“仿真路测平台”意味着什么。
要想了解这套平台的意义，首先要弄明白自动驾驶的实现方式。
简单理解来说可以分为：感知道路环境、处理数据并给出结果、控制车辆，其中最简单的是控制车辆方面，因为如今绝大部分车辆的方向、油门、刹车都是电子化控制，所以想要执行明确命令并不难，而真正难点在于感知道路环境和基于这些信息做出正确的决策。
专业说法为：感知、融合、决策、控制。即通过传感器将道路信息记录下来、把信息整合分类送入计算单元、处理数据后做出抉择、根据给出的决策控制车辆行驶。
难点即是感知、融合、决策阶段。
尽管近两年，自动驾驶经常被媒体所报道，但几乎所有人争执的焦点都在“激光雷达”“5G技术”“V2X（车联网，Vehicle to Everything）”这几个问题上，似乎大多数认为只要解决了“激光雷达成本”“5G技术普及”“V2X落地”等问题，完全自动驾驶就能迎刃而解。
错，这种观念其实与“我买了这款屏幕、键盘、鼠标就能上分”“我买了这个厨具就能做出好菜”差不多是一个逻辑。
激光雷达是传感器，存在问题的地方在于其成本和体积，高昂的成本使其无法大规模应用于民用车，庞大的体积导致车辆不美观也影响空气动力学。尽管近些年激光雷达的成本在大幅下降，以及在保证性能情况下，体积越来越小，但一个传感器硬件并非是决定自动驾驶发展的充分条件。
（激光雷达传感器效果）
5G技术则可以与V2X归位一类，5G技术本质上解决的是通讯速度和延迟问题，有5G技术的支持，V2X才能够实现。而这两者对自动驾驶的促进作用，在于通过大量车载、非车载的传感器互相沟通，提供几乎所有的环境信息，也就是环境感知的来源不再局限于单个车辆，而是所有联网的传感器都是汽车的“眼”；另外一个作用则是，由于通信速度得到了保证，那么信息处理单元也不再局限于单一车辆的计算力，可以将感知数据传输至云端处理器，而后将决策传输至车辆并执行，以此解决车载处理器算力不足的问题。
细心的你应该已经发现了，无论是5G还是V2X，本质上也只是能够解决感知层面问题，并且由于目前车载算力已经足够（如今Mobileye、英伟达、特斯拉等公司的车载自动驾驶芯片，从算力角度应对自动驾驶需求已经绰绰有余），其实云计算的收益也不高，所以这些仍然不是自动驾驶的核心痛点。
注意，笔者并没有说感知层面和算力层面不重要，因为没有足够的信息输入，就不足以得出正确判断，而没有足够的算力，就不足以在极短时间做出决策。
但是，信息不是越多越好，虽然信息越多，不确定性就会越少，但信息量一旦过了某个节点，其收益增速会逐渐下降，并且导致成本大幅上；同样算力的过剩，除了成本大幅上涨之外，并不会带来更多的益处（另外算力还受到功耗、体积等多种限制）。
那么多少是足够呢？
举个例子，上学的时候，有的人翻一遍书最后考试就能拿到高分，而有些人翻了无数遍书，最后考试还是不理想。大家都是一双眼睛、一对耳朵，最终却成绩不同，本质上是因为聪明程度或学习方法（思维、习惯）不同导致的。也就是说如果足够聪明，那么不需要太多的信息输入，也能拿到不错的成绩，即对于人来说，所谓的足够，主要取决于聪明程度。
注：聪明程度不等于算力，因为算力是一个数据处理量的绝对值，类似于CPU的主频；而聪明程度可以简单理解为是算力*学习方法（思维、习惯），也就是人们常说的天才不仅仅是智力高（算力高），更多的是后天培养的思维方式。
业界实现自动驾驶基本分为两种方式：“强感知、强智能”和“弱感知、强智能”，后一种方式目前只有少数企业在采用，也就是以视觉方案为主的策略，代表是特斯拉；前一种则是绝大部分企业采用，拥有激光雷达、高精地图等额外感知手段，提升“强感知”。
所谓的智能，即是聪明程度，抛开硬件的算力不谈（自动驾驶Tier1级别的处理器算力相差不大，且除了特斯拉之外都是采购第三方的芯片），各家厂商真正角逐的赛场，其实在学习方法（思维、习惯）的提高方面，换句话说，也就是软件层面的问题。这其实就是为什么现如今自动驾驶行业的发展，愈发偏向软件研发公司，例如华为、达摩院等企业的入场。
自动驾驶，需要应对的道路情况极为复杂，因为除了固定的道路信息之外，每个人、车都具有极强的不确定性，可能发生的情况接近于“无限”。如果由程序员来界定车辆在何种情况下进行某种操作，那么就是以“有限”对“无限”，根本没有胜算。所以业界无一例外，在对信息的整合处理阶段，都是采用人工智能的方式，对神经网络进行训练，通过深度学习（Deep Learning，机器学习的一种）的方式提高“智力”。
深度学习，是一种针对神经网络的训练方式。简单理解，即是通过电子解构模拟了人类大脑的学习方式，通过大量“学习材料”（数据）对其进行训练，即可使其获得类似人类一样认知世界和理解世界的能力。（神经网络原理参考笔者另一篇文章：《霹雳游侠》离现实还有多远？）
举个例子，拿一堆照片给神经网络学习，一开始准确率并不高，这就像小时候父母刚刚教你认识各种东西时一样的。但随着接触同类东西越来越多，次数越来越多，识别率会飞速提升，直到无限接近100%的识别率。
并且当训练到达一定级别时，就如同人类已经对周围事物相当熟悉，此时你并不需要仔细观察某物，或者需要多种信息交叉对比才能确定这玩意到底是啥，仅仅需要看一眼就能准确得知物体是什么。自动驾驶领域对神经网络的训练，也能达到同样的效果，一旦训练程度足够，那么感知层面所需要的信息量就很少。
（神经网络训练示意）
例如comma.ai在普通车型上，仅仅通过加装一部普通手机作为感知和运算单元，加上自己写的自动驾驶算法openpilot，就能较好实现L2.5级别自动驾驶。
创始人George Hotz是一位软件天才、黑科，曾在2007年破解第一代iPhone，2009年破解iPhone 3GS，以及后来破解索尼PS3、PSN。曾在特斯拉AP团队工作过，于2015年成立自己的人工智能公司comma.ai，专注于自动驾驶，利用神经网络和机器学习研发了openpilot系统，通过手机作为感知传感器和计算单元，实现L2.5级别自动驾驶。用户只需采购几百刀的设备，即可将几款指定车型变为L2.5级别自动驾驶车辆。
不过自动驾驶不同于考试，达到高分是不够的，终极目标需要的是无限逼近满分才行，毕竟汽车本质上是一台高速移动的“危险机器”，一个小错误都可能以生命为代价。
所以整个自动驾驶行业，从之前的硬件竞争，逐渐转变为了机器学习竞争。也就是说，谁能更好更快地训练自动驾驶AI，谁就具有真正的优势和技术壁垒。达摩院发布的自动驾驶仿真路测平台，就是为此服务的。
车辆所需的训练数据，来源无外乎两类：模拟器、实际道路。
一般来说，车辆在初期训练阶段都是在模拟器中进行的，优势在于可以24小时不停地进行学习，从而大幅提升基础自动驾驶能力。但问题在于，模拟器中虽说可以针对不同的道路环境进行自定义设置，但仍然比不上实际道路的复杂状况，也就是在模拟器中训练完成，犹如应试教育毕业的学生，与社会仍然存在脱节。
（图来自亿欧）
如果采用实际道路数据，效果会好很多，但是实际道路数据需要大量行驶在普通公开道路的车辆，而到达这个级别的车辆只有一个：特斯拉。
根据2月底举行的Scaled Machine Learning Conference（大型机器学习研讨会）中，特斯拉AI和视觉负责人Andrej Karpathy分享了最新的数据，在AP启用状态下共行驶了30亿英里，NOA（Navigate On Autopilot）启用状态下里程超过10亿英里，自动变道执行超过20万次，高级智能召唤使用次数超过120万次。
特斯拉自家的大型计算机集群项目Dojo可以将这些数据筛选整合，基于真实的路测信息对AP算法（神经网络）进行无监管训练和优化升级。但这样级别的规模和早于市场很多年的规划，不是哪个自动驾驶企业都能做到的，无论是售出车辆规模还是软件团队进度。例如投入自动驾驶长达十几年之久的谷歌团队Waymo至今的路测里程不过2000万英里而已。
多家研究机构表示，自动驾驶车辆需要积累177亿公里的实际路测数据，才能保证自动驾驶的安全性。这样就进入了死循环，自动驾驶的能力不够，产品力就不足以有吸引力，那么市场中行驶的自家车辆就少，而使用模拟器训练又无法与实际路测训练竞争。
所以达摩院发布的自动驾驶仿真路测平台就派上用场了。
该平台能够将现实的路况信息通过其他手段收集，并融合进模拟器环境中，也就是说神经网络系统能够得到比一般模拟器更加真实的训练，能够接近路测数据级别。该平台甚至通过算法模拟人类的不确定，对车辆进行随机干预，模拟各种现实中奇怪的驾驶习惯以及场景。并且由于性能强劲，传统极为复杂的场景需要仅1个月时间，而在达摩院这套平台中，仅需30秒即可完成复杂场景的构建和测试准备，每天可支持场景构建数量达百万级别。整体训练效率相比普通模拟器将提升百万倍。
这无疑对于其他自动驾驶企业来说，是个天大的喜讯。
不过值得注意的是，这个平台就像一个高级培训班，能够获得多少提升，还要看自己的算法优劣。因为本身深度学习本身并不复杂，一个略微懂Python的朋友也能够自己玩，比如Chares 2.0系统就是国外一个博主自己针对GTA5游戏，编写的自动驾驶软件，经过半年多的训练优化，已经能够在游戏中实现相对不错的效果。
但这东西就是入门简单，精通难，想要提高效率、优化算法，是一件极其复杂的事情。这也是为什么近几年，有不只一家公司被特斯拉起诉，前员工将部分算法代码“偷”到下家使用。
（前一阵自动驾驶公司Zoox承认了员工窃取特斯拉AP算法）
总结来说，自动驾驶发展道路上，硬件技术虽然重要，但只是门槛，真正的技术壁垒和难点，集中在自动驾驶神经网络的训练上。并且基于神经网络的训练模式，这种进步速度是超乎一般人想象的，最简单的例子就是谷歌的Alpha Go仅用几年时间，就击败了全球顶尖围棋高手。
当然想要完全克服所有场景下适用的完全自动驾驶（L5级别），还是需要大量工程师的长久努力，但如今自动驾驶的发展速度已经不能用日新月异来形容了，应该用每分每秒来计量。神经网络系统无时不刻通过大量数据在“进化”，就相当于一个顶尖天才从不休息地在高效学习，其结果可想而知。
达摩院此次发布的仿真路测平台或许很多人不在意，但是记住笔者的话，在不久的将来，或许你使用的自动驾驶系统就“毕业”于这里。