面对大小公司混战的局面，有人问中国无人车小公司是否会像国外团队一样都走上被大公司收购的路子。吴甘沙认为出路通常有三种：1. 被大公司收购；2. 从第二梯队渐渐走向第一梯队；3. 在某个领域生存下来，掌握全产业链，然后尝试从一个垂直领域到另一个垂直领域。驭势保留不同战略可能性，倾向于第二种出路。

　　无人车技术Google第一，Uber第二

　　新智元邀请吴甘沙评价Google和Uber无人车的战略，吴甘沙直言 Google 拆分 Waymo ，调整技术路线，看似怂了。这可能是因为Google高层对无人车发展时间点的判断和无人车早期团队的看法有些不一样，现在Google无人车早期成员基本出走了。目前来说Google技术还是世界第一，而Uber的无人车世界第二。Uber 毕竟挖了卡耐基梅隆几十个人的团队，都是很顶尖的，收购了Otto。而 Mobileye跟 Tesla分手后也和Uber在一起了，所以 Uber 现金和势头都是很强劲的。

　　至于 Tesla 刚刚实现里程达35亿英里的数据超过Google，吴甘沙认为不能单纯从数字上去解读。Tesla依然很难拿到数据，毕竟Mobileye卡在那里，Google跑的200万英里是各种数据都有。这是真金白银，价值很大。

　　现场有人问到怎么看待无人车企业的软件硬件两种路线，如Google自动驾驶走软件路线和Tesla走硬件路线。吴甘沙认为 Tesla 最厉害的一点是第一个实现了商业化。他整套系统做出来了，比奔驰做的好，说明 Tesla 系统集成能力非常强。但是软件方面，比如视觉这一块，他们刚刚接过来自己做，这一块有差距。而Google现在的管理层已经没有那么乐观了。但是他并不认为谷歌完全转向软件路线，可能两方面都会做，只不过暂时加入了跟车厂合作的计划。

　　无人车的黑科技和技术挑战

　　无人车的黑科技主要如下几个方面：

　　1. 基本感知。包括视觉-语义模型，激光雷达-集合模型，视觉+雷达+（超声波），三种方法。从前激光雷达很贵达75000美元，将来可能会在50美元以下。

　　基本感知跟安全息息相关，Tesla的一起惨烈车祸就是因为自动驾驶汽车没有识别超长的卡车造成。如何改进？有两种思路：改进摄像头和改进视觉算法。

　　单目+ 深度学习识别算法用以识别不同距离，不同角度，异形车和遮挡的情况。而多任务深度神经网络适用于复杂城市场景。

　　2. 地图（空间模型）和定位 = 能认路的司机。活动现场，吴甘沙分别介绍了绝对定位和相对定位。GNSS RTK高精度定位 => 高精度惯导 => 定位融合算法。但是这样依然有问题，还要用视觉参照物清楚相对定位误差，所谓参照物比如交通标示和地面。从认路到认识世界，基于语义分割实时产生全面世界模型。

　　3. 利用RNN推理动态物体的特性，比如这个前车掉下来一个东西，这个东西如果是一个塑料桶就可以不用紧急刹车，如果这个东西是个冰箱，就必须采取行动。同理可用于人口密集的园区。同时使用的技术还有监督学习+RNN。

　　一个比较有意思的数据：吴甘沙介绍说，现在奔驰S级轿车上的代码量是波音787梦想客机代码量的16倍。

　　“技术的问题在于深度学习是一个黑盒子，没人知道它怎么工作。对于无关安全问题的识别，我们可以容忍，但是对于无人车这种性命攸关的事情，我们需要更好的方法”，吴甘沙介绍说，“驭势正在用 GAN 改善单纯深度学习的不足”。

　　本次人工智能热潮不是“泡沫”

　　就大家对2016年整个人工智能领域泡沫的担忧，吴甘沙对这一波人工智能的繁荣更有信心，他说：“这一次有着坚实的技术做支持，开奖，总的来说不能认为是泡沫，但是某些领域例如机器人可能是存在泡沫的”。

　　某些细分领域的例如人工智能在编程上的应用，吴甘沙相信明年我们可以看到真正的应用。

　　伦理&政策