采访在CES 2019前夕进行。手拿一杯星巴克，旁边一盒小橘子，像公司普通的员工一样，余凯“窝”在一个靠墙的小格子间里，和地平线的同事在为CES 2019做准备，希冀在资本寒冬打好2019第一仗。
“创业者值得同情，企业家就是自我折磨、九死一生的过程。”这是余凯对的创业的首要定位，也是对自己的警醒。习惯了“刀口舔血”的日子，当泡沫被提起，自动驾驶寒冬到来，在其眼中已成惯象。
“最近地平线也收到了好多简历，大多数来自那些破产公司的人士”。余凯面色沉重，“寒冬来了，企业家要做好准备，经历一段比较黑暗的时刻”。
2018年年底，大多数企业都没有好消息。余凯提起近期在香港上市的企业，如今在水上的寥寥无几，“部分公司都在让投资人赔钱”。
自动驾驶圈子内，虽然头部玩家Waymo商业化自动驾驶网约车服务终于在寒冬中落地凤凰城；百度“阿波龙”下线，跑进园区；但按照地平线创始人余凯的话来说，“对于何时取消司机、实现完全无人驾驶，头部玩家Waymo同样没有具体的时间划定、完整的商业化路线，严格意义上，Waymo并没有实现完整的无人驾驶商业化”、“2018年百度自动驾驶真的满足量产了吗？”
自动驾驶走过十年有余，各家对于自动驾驶到来的时间标记在不断延后。
自动驾驶大规模商用之路漫漫。经济低迷期，余凯告诉地平线的伙伴们更要耐得寂寞。这是地平线创立之初敲定的核心价值观之一。
站在二级供应商视角，走在时代前沿的余凯对于过往自动驾驶做了如下反思：谁是机器人时代的英特尔？深度学习是人工智能唯一的支撑点吗？新摩尔定律时代，AI芯片公司未来之路如何走？
作为当局者，余凯不是个会讲故事的人。很多媒体人将余凯列为最喜欢的采访者之一。接地气、总说大实话、这个时常面露微笑的被采访者喜欢来点毒鸡汤，来警醒圈子里的混沌者。
谁是机器人时代的英特尔？
2015年，百度自动驾驶元老级人物纷纷离职的档口，余凯也离开了老东家，创建自动驾驶公司。没有像王劲、韩旭、倪凯、彭军一样搞自动驾驶全栈，而是瞄准处理器。
“人工智能，包括自动驾驶，真正要解决的问题是搞定处理器”。处理器被余凯定义为关键环节。这是其创业的一大原因。余凯提到，从车联网、ADAS到高精度地图，从L3/L4到更高级别自动驾驶，这是一个漫长的过程，但每一个环节都需要处理器。
从百度离开后，余凯便踏上了一条冷门的赛道，“我们不要关注外面的什么东西时髦，不要追热点，不想当明星”。2015年，地平线选择做中国第一家AI芯片公司。按照余凯的说法，“我们在思考产业未来的格局”。
2015年，余凯在这条冷门的赛道上独行，当时地平线还是中国唯一一家做AI人工智能芯片的公司。第二年开始，行业入局者慢慢多起来。
李书福将车比作为四个轮子上的沙发。自动驾驶时代，余凯将自动驾驶汽车看作四个轮子上的数据中心。德国博世与戴姆勒合作的自动驾驶出租车至少需要40个以上的传感器，这需要相当大的实时计算及信息处理性能。
自动驾驶出租车开上街道，谁是那个时代的英特尔是地平线想要回答的问题。
英特尔是PC时代的王者，掌握着戴尔、联想、IBM等诸多电脑供应商的命门—核心处理器。自动驾驶时代同样也需要核心处理器，地平线想握住这个时代的命门。
余凯提到，未来的发力重点在于终端人工智能处理器。不同于云端计算，终端传感器即基于本地数据进行实时计算，需做到低延迟、低功耗。地平线希望在终端传感器方面实现积累，成为机器人时代的英特尔。而车将是机器人的形态之一。
除了老玩家英伟达、英特尔外，谷歌、百度、阿里，甚至特斯拉都已自研芯片。此前，特斯拉一直依赖于英伟达Drive平台。对于前者而言，市面上没有更好的处理器进行选择，而自研芯片能满足自有自动驾驶系统对于高算力和低功耗的需求，实现定制化和快速迭代。但从长远看，余凯并不认为特斯拉自研处理器是一条持久之路。一则特斯拉汽车的年出货量并不足以支撑其更加高效的研发汽车核心部件。另外产业初期分工不明确，历史中曾有许多公司依自研处理器（例如IBM），而伴随着产业分工越来越明确，核心处理器都开始交由专业的供应商负责。另一边汽车产业发展很多年，一直都是产业充分合作态势，很少车厂全部覆盖生产所有核心部件。
地平线对此的逻辑是，如果一家供应商为多家车厂、自动驾驶企业提供处理器，其可以获得更多的经验，积累多路况处理数据，提升计算理解能力。而一家整车厂选择自研处理器的优势在于垂直整合，但劣势在于成本高(上亿美金)，研发周期长，且仅有限路况数据。能否担负起初期一次性的研发成本，并在整个汽车销售过程中将其摊薄，这是车厂需要回答的问题。
一边是开放路线，一边是封闭路线。在余凯看来，随着时间的演进，哪个阵营能占领风骚，还要靠产品吸引力评定。
新摩尔定律时代，AI芯片公司的未来之路在哪？
从2017年开始，摩尔定律开始发生变化，五纳米的物理制程对于芯片工艺制造已接近极限。人类在芯片制造工艺上正在逼近原子（0.1纳米）最值，物理制程牵绊摩尔定律发展缓慢，单位集成度提升滞后。
进入“新摩尔定律”时代，业内普遍的做法即提高其并行度。以往单核芯片约名片大小，目前多核芯片可进行横向扩张，以此实现并行计算，并保持算力持续增加。余凯提到，并非所有的计算均可进行并行计算。支持并行计算意味着硬件构架和软件设计要进行深度结合。新摩尔定律下，应用场景决定算法，算法定义芯片，软硬件集成进行深度联合、协同设计，让人工智能、边缘计算成为可能。
新的摩尔定律将影响人工智能、自动驾驶发展，顺应该趋势，AI芯片企业需改变发展路线。这是余凯的考虑，他也直言“但大部分人并不这样看”。
大多数人还在疯狂追逐风口，对于AI芯片演进的技术路径的思考停滞不前。余凯提到，顺应新的发展路线，未来单纯的硬件公司将不会存在，越来越多的软件工程师将出现。
地平线已经开始有所行动，将征程芯片、Matrix 自动驾驶计算平台等核心硬件与地平线智能驾驶软件平台深度耦合，面向智能驾驶提供高性能、低成本、低功耗的多级别的视觉环境感知方案，并支持对复杂场景进行细粒度、结构化的语义感知，高度可扩展、模块化的三维语义环境重建，以及透明化、可追溯、可推理的决策和路径规划。
围绕核心处理器应用解决方案，地平线在智能驾驶层面的商业路线分为三类：车内人机交互、辅助驾驶、自动驾驶。
在自动驾驶应用领域方面，地平线已经有征程系列处理器、以及基于地平线 AI 芯片技术的 Matrix 自动驾驶计算平台、驾驶员行为监测系统（DMS）等系列产品。而基于Matrix计算平台的激光雷达感知方案以及 NavNet 众包高精地图采集与定位方案也在2019 CES上进行公开展出。
高精度地图众包方案及激光雷达方案并非一时头脑之热。余凯早有谋划，2015年创立之初，地平线已规划“三步走”路线：纯感知、语义建模、决策。这也是地平线在芯片方面的规划。
地平线开发的众包高精地图采集与定位的方案NavNet，使用单目摄像头，基于地平线Matrix视觉感知计算能力、NavNet 的语义 SLAM 算法，在边缘进行全部点云建图过程，开发者可以在 Matrix 计算平台上实现 720P@~30FPS 的局部三维重建，并支持自动生成高精结构化地图。
在余凯看来，新摩尔定律还在用新的方式在延续，计算成本会越来越低，而传感器物理硬件成本下降较难。余凯将高精度地图方案目标成本定在1000、2000元左右。目前高精度地图方案正在和车厂合作进行初步联合验证。
深度学习是人工智能的唯一支撑点吗？
“人工智能只靠深度学习，肯定是越走越偏了。”
2012年余凯回国，将深度学习带回中国，创建百度深度学习研究院（IDL）。当时余凯出席任何场合的演讲主题都围绕深度学习展开，台下也传出许多反对的声音“深度学习是什么玩意儿”。
7年前，国内了解深度学习的人寥寥无几，而如今深度学习已经被说“烂”了。比较直观的数据分析显示，中国学者在国际上发表的80%AI文章与深度学习有关，而美国的研究则相对较平衡。
深度学习对于自动驾驶的作用，行业内已一目了然。余凯提到，现在行业内强调的是深度学习已不是唯一。其局限在于仅在感知方面发挥作用，对于异常情况处理、结构化信息，甚至决策等应用效果并不理想。
深度学习要基于规则方式，并同贝叶斯网络结合。余凯提到，从感知到决策阶段，尤其是决策层面，贝叶斯网络规则的引入尤为重要。
自动驾驶这十年
“自动驾驶这十年，美国是突飞猛进的，而中国是失落的，日本和德国同样比较保守”，余凯脱口而出，丝毫没有犹豫。
这位走在时代前沿的当局者对于自动驾驶格局进行了剖析：未来美国自动驾驶将早于国内实现。国内自动驾驶很长时间段里依旧停留在辅助驾驶及人机交互层面；2025年，类似于谷歌在凤凰城的自动驾驶运营服务，在美国将会越来越多，而这一现象并不会出现在中国。这是余凯的判断。
一则中国路况更加复杂；余凯将更大一部分的原因归属于内在：太多的发布会及PR充斥，自动驾驶汽车在真实场景内脚踏实地的进行每日常规性路测，积累数据，不断提升算法能力的公司少之又少。
在余凯看来，“场景为王”这句话总是对的，“但养分极少”。在限定场景下运行自动驾驶，是否推广到通用型场景，这依旧是个问题。谷歌、Cruise等自动驾驶公司依旧在比较开放的环境中进行自动驾驶测试，而非局限在具体场景。开放的环境对于自动驾驶系统的挑战更大，前者一旦突破，聚焦在园区内的企业将变得没有任何竞争力，这是余凯的逻辑。【完】
网友评论