低調并不等于沒有部署，作為全球最大的電商平臺，阿里的自動駕駛選擇了以物流場景進行切入，這幾乎是順理成章的事情。
而操刀阿里自動駕駛的人是王剛，這個曾經成功打造出天貓精靈第一代自然語言理解系統的技術負責人。而自動駕駛被認為是人工智能的集成大者，這位AI大拿在另一個領域延伸對人工智能更為深刻的理解。
王剛對于自動駕駛有著屬于自己的理解：數據的本質，自動駕駛當中的場景劃分，“深度學習+規則”的理解，當下自動駕駛的算法設計，這位AI 頂級科學家都從最本質的角度進行了探討。
看法之外，王剛也拿出了一套解決方案 —— AutoDrive;此外，王剛也提出了自動駕駛研發中——No Free Lunch 的理論——不可能以一種通用的算法來解決所有場景的問題。與理論相對應的是，王剛認為對場景的高度精細化處理，這是當下推進自動駕駛落地的較為理想的方法。
記者對話王剛，了解自動駕駛之于阿里商業板塊的契合度以及商業部署，了解這位人工智能頂尖的科學家對于當下AI最難的落地場景的思考。
場景的多樣性是自動駕駛中的大挑戰
不同的人對于自動駕駛落地之難，有不同的歸因。
有人將其歸因為是硬件原因;有人將其歸因為基礎交通設施并不完善;事實上，這些原因確實也構成落地之難的阻力之一。
但在眾多的成因當中，王剛認為最大的原因是當下自動駕駛算法在很多情況下，還不能夠有效地處理道路上的復雜交通狀況，場景的多樣性是自動駕駛所面臨的一個非常大的挑戰。
事實上，自動駕駛作為一個和地理環境、人身安全強相關的行業，必須要對所在的場景有清晰的感知，才能作出最為正確的決策。
當前，業界對于自動駕駛的場景分類，有著非常多的思路。有按照行駛環境來進行分類，比如，高速公路、城市道路、鄉村道路;有的是按照場景的要素，比如：物體類型、天氣等情況進行組合。
通常情況下，這些組合都是冗余的，并且和算法是割裂的。王剛認為必須要打破這種割裂的關系，形成精細化的、和算法強相關的分類方法才是行之有效的方法。
在去年9月的云棲大會上，王剛首次亮相了AutoDrive 平臺。這個平臺的發布，也試圖來解決一直以來自動駕駛場景分類過于粗糙的問題。
要理解精細化的分類方法，就必須要追根溯源地理解自動駕駛數據的輸入方法。
自動駕駛數據的輸入主要包括了兩類信息：一類是以傳感器數據為代表的信息輸入，它是對自然界信號的數字化;另一類是基于人類知識的確定表達，比如交通規則。
王剛對記者進一步解釋：因為自然數據的信號本身是自然界產生的，數據處在于一個非常高維的空間，是人腦很難理解和想象的范疇，因此依賴于人工設計對數據進行 Low-Level 或者Middle-Level 的處理，是很難達到最優效果的。現行的神經網絡超參數設計或網絡結構都是人工設計的痕跡居多，而自動駕駛行業都幾乎都面臨著一個尷尬的事實：調整神經網絡參數或是設計網絡結構高度依靠工程師經驗以及領域知識，基礎設計以及工程平臺的缺失，由此造成處理這類數據的低效和低質量。
事實上，處理這兩類數據的方式是由數據的本質決定的，王剛認為于用統計學習或者減少人工的設計，更多的是用計算和學習來驅動，因為機器的優點在乎它的計算能力，通過計算能力去搜索、發現規律。
王剛對記者進一步解釋：過去十幾年來，人工智能取得巨大的進步，深度學習被發明之后，我們通過神經網絡、通過計算去搜索，找到最好的設計，從而提高研發的效率，而深度學習本質上就是計算換智能的方式。
基于上述的理解，AutoDrive 是一個以數據驅動、高度精細化、以動態行為為主的計算換智能的平臺，它嘗試為當下的自動駕駛困局提供另一種的解決思路，是一種新型的研發方式——能夠讓計算機更聰明地找到找到適合每一種場景的算法——包括參數、結構。和AutoML僅被應用于處理神經網絡算法不同，AutoDrive平臺能支持更多的應用，包括決策規劃，定位的算法。
即使是場景無法窮盡，無法完全枚舉的情況下，王剛認為，盡管場景不可窮盡，但至少它是有分布的，至少在99%的場景當中，車是能夠處理問題的;剩下1%的情況，系統是知道不能自己處理的，知道自己不知道其實非常關鍵。因為在這個情況下，人類就可以采取很多措施來規避風險。
AutoDrive的化學反應
AutoDrive 亦交付出一系列的結果，來驗證其思路是否可行。
根據阿里所提供的數據：路口防碰撞策略相比人工設計提升16.5% 的效果、研發效率提升5倍、檢測模型大小縮減90%、延遲降低50%、以加塞的場景為例，AutoDrive為其細化為25類場景，每一種加塞的場景都有一種針對性的算法，效果提升了18.7%。
平臺背后，集中著阿里的許多資源——強大的云平臺、芯片、算法、以及得天獨厚的物流場景，一系列的要素構成了自動駕駛當中的化學反應。
自動駕駛需要海量的數據進行支撐，而海量的數據放在一個單獨的服務器或是單獨的機器上，根本無法跑起來，因此云端化是才能有足夠的計算資源以及內存，AutoDrive 平臺當中的自動駕駛數據的采集、回歸、仿真、模型訓練、測試評價等環節都需要云平臺的支撐，而阿里云就是其強大的后盾。此外，AutoDrive 打通了從數據收集、數據標注以及仿真、模型訓練、評價等整個閉環體系，這背后也是依靠阿里云強大的工程能力。
此外，王剛也強調了訓練芯片需要引起業界的注意，現在業內認為訓練芯片的性能還能夠滿足需求，那是基于業內還沒有廣泛地應用計算換智能的方式，目前芯片的一些方法限制了訓練算法的大規模使用，只有解決這個問題，計算換智能才能得到真正的普及。
末端物流，是阿里自動駕駛當中，最先落地的一環。在上海交通大學等國內六所高校，達摩院自動駕駛實驗室與菜鳥ET實驗室聯合研發的自動駕駛物流車小G，已經落地了常規化的商業化運營，并在去年雙十一取得了單校園單日收寄件千單以上的佳績。
AutoDrive 是一種全新的技術理念，它首次提出了計算換智能的方式，試圖更新當前自動駕駛的人工設計的做法;此外，AutoDrive更是一種從技術理念轉化成為產品的自動駕駛落地實踐，它試圖開辟出一條不一樣的落地思路，先解決99%的問題，推動整個行業的快速向前。
