小鹏汽车首席科学家郭彦东：特斯拉高级辅助驾驶被一颗橘子骗了

小鹏汽车首席科学家郭彦东提出："在车和人互动的过程中，AI的应用能让车去更好的识别和理解人，从而提升用户体验及车辆安全性。AI汽车不仅要更懂路上的中国人、还要更懂车里的中国人。"此外，关于智能驾驶技术，郭彦东还提到了关于特斯拉高级辅助驾驶的漏洞和目前智能驾驶面临的一些问题，非常有趣。

什么是更懂中国人的AI 汽车？

更懂中国人的AI汽车的第一层面是更懂路上的中国人。其实我们路上有这样那样的行为，包括开远光灯也好，有时候人车混流也好，需要学习的其实是人的行为，人的文化，也还有人制定的政策和法规。举个例子，在美国车跟车之间的距离是比较远的，但在中国驾驶场景当中，在等红灯的时候，车跟车的距离非常之近，哪怕非常之近的时候都有车加塞进来，这个环境当中对智能的要求，就已经超出了普通的物体检测提到的要求，智能车其实学的是人的行为、人的文化，学的是人的政策和法规。

更懂中国人的AI汽车的第二个层面是更懂车里的中国人。更懂车里的中国人，最简单的就是要求智能车听得懂中国话，认得到中国人，符合中国的驾驶习惯。另外要懂在车里的这一个中国人，第一我们要人脸识别，知道开车的是谁，他有什么样用户的画像。第二我们需要对用户的情绪状态有这样的感知，情绪信号其实是对我们调校车的用户体验的一个非常强的信号。

智能驾驶目前存在哪些漏洞？

关于这个问题，有一个很有意思的例子，特斯拉的"自动驾驶限制"被一颗橘子破解。

我们知道，特斯拉的辅助驾驶系统，要求司机必须要手持方向盘，它是通过方向盘里面的一个压力传感器来检测司机是不是手持方向盘的。有些用户不愿意去遵守特斯拉公司这样的一个规定，就把这个橘子放在方向盘上面，从而成功的骗过了特斯拉汽车。这个是一个很小事件，但是我们从这个橘子上也看到了一些挺有意思的事情。

有很多辅助驾驶功能，都包括车道线辅助、紧急刹车、盲点检测等等技术，甚至很多都有供应商提供了。我们希望能让人工智能技术真正提升用户体验跟车辆安全性，比如用智能的感知与决策把这些独立的辅助驾驶功能有机结合起来，这个车才是一个真正的智能车，才能够提高用户的体验。例如，一个司机在路上看到一辆校车停在路边，车门打开了，他会知道可能有小朋友从车里跑出来。但是什么时候我们的辅助驾驶功能车，搭载了智能模块以后也能做出类似的判断呢？这才是我们乐于看到的一个事情。

另外，跟车外的一些情况预测和判断、智能感知比起来，车内的感知可能显得更重要。我们能不能在人和车互动的过程中，让车去更好的理解司机的状态？不光是他的注意力，包括他的疲劳、情绪，做一个正向的反馈循环，来提升用户的体验。

智能驾驶的基础数据来自哪里？

目前智能汽车技术研究的基础数据主要来自于互联网大数据、仿真大数据、自有车队或者测试车队大数据、中国真实用户大数据。

最近这20年，整个人类其实做了一件很有意义的事情，就是把他们的行为、信息、知识都做了互联网化。我们现在想要找一些信息，在互联网上直接做简单的搜索就可以马上得到，是因为我们大量的人类信息都已经在互联网上被数字化了。互联网数据量非常之大，对早期算法的演进意义重大。但是它有它的挑战，这部分数据可能跟无人驾驶、智能车想要的数据分布有一些不一样的地方，标注也有一些困难，需要用一些办法把互联网的知识转移到智能车上去。

另外，中国用户的真实数据，不管从真实度上，还是成本效率上，还是对场景的覆盖度、数据量上，都远远的优于仿真和自有车队的数据体量。在人工智能尤其是深度学习的大环境下，其实谁坐拥了数据，谁就有可能会有最先进、最完善的技术体系。整车厂商可以从大量的用户中搜集用户的反馈，用这个数据不停的调教和更新智能车系统。

在智能车场景中最有价值的是哪类数据？

在智能车的场景中，最有价值的是所谓的长尾（long-tail）数据。这些数据发生的频次很低，很有可能你开很久的车才会有一次、两次发生，但是这些事情的种类、类别、数量会非常多，想要让我们的车辆适应尽可能多的场景，就要求我们的人工智能平台有快速处理这样一个长尾（long-tail）数据的能力。

这有个挺有意思的例子，比如在高速路上，天气很好，前面是一个油罐车，这个油罐车很干净，它把后面的车倒映到油罐车的油罐上面去了。

油罐车倒影中的场景有可能会被算法误认为是真实的车道线与车辆

如果你对这个场景没有一个特殊的理解和处理的话，很多世界上最好的计算机视觉算法，都有可能误认为倒影是真实的车道线与车辆。特斯拉曾经发生过一件很惨痛的事故，特斯拉的车没有成功的把一辆白色的大货车认成车，认为是一片云彩，就撞上去了。

特斯拉把大货车误认为是一片云彩

还有一个案例，一个披着cosplay衣服的行人走在路上，人类司机都可以完成识别是一个行人。但是计算机视觉，由于这个人穿了一件cosplay的衣服，可能算法不一定能成功检测到是一个人。

穿人偶服装的行人无法被车辆识别

这就对人工智能学习平台提出的问题--当样本不是那么常见、频次很低的时候，如何快速学习呢？其实在业界有很多这种类似的方法、技术已经被研发出来了，比如微软的custom vision。

有了数据，有了人工智能训练平台，还需要有一个独特的场景，就是量产车场景。最重要的就是可以保证最新的算法能够在车上安全的跑起来，能够把用户的一些行为能够实时的反馈回来。作为目前造车新势力当中专注智能汽车的整机厂，小鹏汽车目前是在AI领域投入最多的车企。智能汽车的未来到底能怎样为人类服务？值得期待！