可以想象一个典型的场景，大家可以看到公共汽车，也是很大的车，在非常拥挤环境的时候，经常司机需要把手探出来，跟边上的小车说“让我一下”，或者售票员把手探出来。

　　所以说，在这样的环境里面做自动驾驶是多么的不容易，尤其是卡车本身的体量也是非常大的。

　　可能有人说，我需要在高速公路上解决无人驾驶的卡车，那就可以了。如果要真正解放司机的话，我只是高速公路上把司机换一下，可能上高速公路之前，或者下高速公路的时候，你可能也需要一定的基础设施，或者有一个机制去实现这一件事情。

　　所以说，要实现完全无人驾驶的卡车，应该还需要非常长的时间。但是有一些自动驾驶的技术，包括一些主动安全的技术，可以在短时间内实现，促进自动驾驶卡车的安全性，这个我觉得能够带来非常大的经济效益、社会效益。

　　第二，卡车都是职业的司机，他们比一般的老百姓开车水平要高，我们对标的其实是更高水平的系统。所以说，对卡车自动驾驶的系统，要求肯定会更高。

　　还有一个难点，不仅是在卡车，在整个自动驾驶行业都存，刚刚也提到了，就是增强学习。增强学习很重要的一点是你需要让电脑系统告诉他，怎么样做是一个好的结果，一个步骤怎么是一个快的步骤。

　　刚才增强学习里面举的例子里，下围棋或者玩电子游戏，这样的副样本是非常容易得到的，大不了死一架飞机，大不了输一盘棋。但是你能不能真正容忍车去做这件事情，你肯定是不能容忍的。

　　怎么解决这个问题呢？大家一般的想法是用模拟器去解决。但在自动驾驶这样一个复杂的环境、系统里，去实现一个非常好的仿真，本身是一个非常难的问题。

　　所以说，在技术上也有需要我们未来攻克的地方。像Otto也被Uber收购了，最近有很多收购的例子，在资本上或者技术投入上，大家都在投入很多资源，因为大家相信这是下一个风口，包括出行的工具，卡车也是一个垂直的方向，包括清洁的车辆，或者港口的车辆，还有很多垂直领域。

　　我觉得整个行业的趋势是在往前发展，但是需要大家一起去解决很多问题，包括我们的从业者、配套行业，比如说保险，包括政府需要制订相应的法律法规，一起去解决这个问题，我相信前景是美好的。

　　主持人：通过图象识别来解决自动驾驶是比较通用的一种方式，能否简单介绍一下强化学习在图像识别和自动驾驶中发挥的作用？

　　杨铭：跟驭势科技、乐视有点区别的是，整个产业链上可能分几个链条，包括整车厂提供汽车，也包括一级供货商提供自动驾驶的方案，地平线机器人可能更注重于把一些专门的技术做好，把图象识别的技术做好，把信息融合如何决策做好，作为一个二级供货商，给大家提供解决方案。所以，这是我们现在的一个位置。

　　图像识别，我觉得单独作为一个自动驾驶的全系统，其实还是不足的，还需要跟很多包括雷达、地图等其它信息融合，来构成一个无人驾驶的系统。

　　但是，图象识别有一些自己的优势，它的扩展能力是很强的，可以识别出很多事先并没有完全想到的物体，包括一些更新。而且，它可以克服对信息理解要比较细致的精度，比如雷达之类的，可以知道那有一个物体，但到底是什么物体就并不清楚了。

　　举个简单的有意思的事情，如果地上有一个易拉罐，这种铁的东西，但是对于某些传感器来说，看上去有可能是一个很严重的问题，因为它是金属的，但如果是图象识别，可以看出它的大小、位置，反而能避免。所以，图象识别更有潜力，得到信息更全面，但是它自己还不足以构成一个完全的自动驾驶系统。

　　强化学习在自动驾驶这个领域中，可能还处于一个刚刚应用的阶段，更重要的是说，如何通过模拟器，能够把一些情况去模拟出来，然后用增强学习验证，控制的路径规划算法，去验证。

　　但是在图像识别中，我们可以看到已经有很多的应用了，包括如何通过增强学习的方式，动态的过程，把图像中哪些最关键的点识别出来，通过自动学习的方式，在部署之后，能够做一些反馈提高这个系统。