■伊吾
　　“其实汽车就像一个机器人，它需要对环境有它的感知，需要对可行进路线进行规划，还需要跟车里的人进行交互：司机是谁？司机在做什么？司机有没有关注到路面上发生的一些情况，等等，这些都需要智能化的理解。”郭彦东博士，小鹏汽车AI产品部计算机视觉首席研究员，日前他就车机智能专题接受《中国消费者报》独家专访时表示，“可以把车理解成一个机器人，它与人之间是一个协作的状态。”
　　郭彦东博士从事人工智能及计算机视觉工作已有14年，曾在被誉为“AI界黄埔军校”的微软美国总部担任研究员，专注于计算机视觉和图像处理技术，是微软智能识别服务的关键贡献者。他开发的计算机视觉模型被广泛应用在微软图像搜索(im－age.bing.com)、人工智能云服务(Mi－crosoftCognitiveService)、知识图谱（MicrosoftConceptGraph）,以及其他微软的视觉方案搭建中。
　　“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，它包括乘客、司机的注意力以及情绪的识别。我们能不能在人和车互动的过程中，让车去更好地理解司机的状态，做一个正向的反馈循环，来提升用户的体验？”郭彦东认为，“这一切的基础，就是智能感知。”
　　建立一个良好的感知系统，需要更多的数据支撑，但数据场景各有不同。比如对于车外状况，郭彦东举例说，在国内，车与车之间行驶距离比较小，并线的情况也比较多。所以对国内用户的真实数据，不管是对场景的覆盖度还是数据量上，都需要足够数据体量。
　　“事实上，在人工智能尤其是深度学习的大环境下，谁坐拥了数据，谁就有可能会有最先进、最完善的技术体系。这也是整车厂商具有的一个优势。”郭彦东强调，“我们从大量用户中搜集反馈，用以不停地调校和更新我们的智能车系统。”
　　感知需要硬件设备来支撑。但是，到底是用激光雷达还是摄像头？业界一直存在不同声音。在郭彦东看来，成本首先是一个问题。除非是运营车辆，在消费市场，现在的产品应用成本至少还在5000美金之上，对于消费者而言，难以承受。
　　而成本之外，技术是否足够成熟，则是限制雷达技术在实际应用中的最大障碍。比如有的产品提供商说他的雷达过车规了，但是并没有实现百分之百过车规，只是开始往这方面努力，并非真能大规模实用。
　　其实，在郭彦东看来，成本与成熟度之外，当下供应链能不能保障大量的供应，也依然是一个问题。
　　所以激光雷达更多的价值，在于给视觉系统加了一个冗余，它并不能拿来替换掉视觉系统，因为激光雷达本身分辨率并不高，有些车型的激光雷达，只是上了一个四线的标准。四线是什么意思？郭彦东介绍，就像我们图片中间的四条线，这个分辨率是非常低的，一个摄像头最低的分辨率现在采用的都是720的。
　　未来，汽车领域所有的人工智能将汇集在一个平台上运行。那么，这些未来的参与者，是各自为战，还是现在就需要一个协议，避免未来的冲突？郭彦东认为，非常需要这样一个前提。他以自己15年前一篇论文复现为例，可能30%把自己的东西做实现，70%要把别人的东西一点、一点实现出来。但因为是别人的文章，具体怎么做也不知道。所以复现的时候要花大量精力。
　　到2012年，AlexKrizhevsky关于 DNN的一篇论文“ImageNetClassificationwithDeepConvolu－tionalNeuralNetworks”出来以后，没有把这个东西藏着掖着，他直接把源代码到数据全部开放了，这给算法带来了非常大的提升。“那其实是点燃了整个计算机视觉深度学习的大的浪潮。”郭彦东强调，“从2012年开始，整个行业的演进变快了非常、非常多，迭代变快了非常多。”
　　有了这样的前提，视觉领域就形成了这样一股风气，不管代码还是模型，你的东西好，就都放出来了，放在网上了，这样就会有几个好处：因为是同一个量化标准，一直演进、演进，很容易证明我比以前做得好，所以整个行业发展得非常快。这对于整个行业的发展推动是很强的。
　　但是，如果全部都是开源的东西，每一个参与者真正的创新点在什么地方？
　　“我觉得来自于两个很关键的地方。”郭彦东认为，“虽然说算法和训练的程序都是开源的、平台化的，但是我的数据和场景是独特的。比如小鹏汽车，有很多车队采集的数据，这不可能拿出来做分享。我的汽车里面，有一些我的场景里面的独特问题，我的问题是特别的，数据是特别的，那我做出来的训练模型，我的智能也是有非常独特性的工作。”
　　“工业界还是有很多这种能力，大家在一种自己的独特数据和独特场景环境里，看能不能有一些共性问题，大家一起去解决，一起去做迭代。”郭彦东说道。