访谈嘉宾：中国工程院院士，清华大学智能科学讲席教授，智能产业研究院院长 张亚勤（左）

访谈主持：《中国汽车报》社总编辑 桂俊松（右）

编前：自动驾驶成为汽车产业当中最具关注度的领域；而由于其交叉性、复杂性，也成为相关行业关注的焦点，人工智能的应用在其中大放异彩。中美两国均较早对自动驾驶展开布局与探索，也有各自不同的实践。

开启了3.0人生阶段的中国工程院院士，清华大学智能科学讲席教授、智能产业研究院（简称“AIR”）院长张亚勤，深耕于软件研发、人工智能领域，曾常年在互联网产业一线奋战，领导百度等国内互联网巨头在自动驾驶行业探索。在4月下旬的一个早上，《中国汽车报》社总编辑桂俊松与张亚勤院士进行了深度视频交流。谈起人工智能、自动驾驶以及不同技术路线等专业领域，张亚勤娓娓道来，如数家珍。

桂俊松：智能化、自动驾驶正成为汽车产业转型的一个方向，也是近年来社会关注的热点。在刚刚结束的2022中国电动汽车百人会论坛上，汽车智能化甚至已经超越电动化，成为业界热议话题。作为人工智能专家，您怎么看待汽车自动驾驶？

张亚勤：汽车工业已经有100多年历史，如果我们把1908年亨利·福特推出T型车作为现代汽车工业的开端，随之而来的技术革命拉开了现代汽车工业百年发展的帷幕，直至当下，已经逐步形成了一个基于燃油技术的成熟产业，不论从技术、产业链，还是从商业模式角度看，它都已经非常成熟了。然而同时，我们也应当认识到，身处“百年未有之大变局”中，汽车产业则开始了以电动化、智能化、网联化、共享化为特征的“新四化”产业转型，如果我们把近来热议的绿色低碳化也归入其中，就可以称之为“新五化”了。我们观察，在这一过程中，汽车的技术要素也在变化，从过去的发动机、离合器、变速箱等这样的工程机械要素为主，逐步扩大，包含进了电化学（电池）、半导体芯片、人工智能算法、互联网软件等众多全新技术要素，汽车产业也随之转型成为一个全新的交叉型产业。而在众多推动要素当中，我认为，人工智能将成为未来5~10年内全球汽车产业最重要的变革和突破力量！

桂俊松：为什么是今天而不是昨天或者别的什么时间，汽车自动驾驶开始进入人类视野？

张亚勤：让汽车实现自动驾驶，是人类自汽车诞生以来就有的梦想，但这只有在人工智能发展到一定阶段才能实现。从人工智能技术自身的发展趋势来看，它和汽车自动驾驶可谓“天作之合”。只有在目前数字化3.0时代，即物理世界的数字化，或者称之为互联网的物理化大背景下，我们才可能拥有足够量级的、可供支撑汽车自动驾驶的大数据。我们的城市在数字化、我们的交通也在数字化，大量路侧的感知设备，给我们深度学习提供了丰富的大数据支持。有了数据仅仅是实现自动驾驶梦想的必要条件之一，其他必要条件还包括深度学习领域算法的突破，以及由于半导体技术的进展，使我们的算力能够大大提升，这三者完美结合，才使汽车自动驾驶成为可能，从而彻底重塑汽车产业的格局与面貌。

桂俊松：在前几天举办的美国TED 2022大会上，特斯拉首席执行官埃隆·马斯克讲到人工智能。有两句话让我印象深刻：一是，他认为，2022年有信心实现FSD（全自动驾驶）；二是，他认为，要实现FSD，就要解决“现实世界的AI（人工智能）”，并进而提到了开发“人形机器人”的问题。是否可以这样认为，机器人、人工智能技术的发展完善会极大推动汽车机器人的到来？在您看来，汽车的自动驾驶是否是人工智能自身发展的一个水到渠成的状态？

张亚勤：能够实现自动驾驶的汽车，在某种角度上，我们确实可以将其视为一个有特定任务、目标的，对技术、安全等方面要求非常高的机器人，是先进机械技术与人工智能的有机结合，或者叫“汽车机器人”。从技术角度看，我认为人工智能是汽车实现自动驾驶最核心、最具难度、最具挑战性的要素，但同时也是未来5~10年内有巨大应用前景的技术。人工智能在自动驾驶领域的应用，与通用型机器人会有所区别，它的系统更复杂，但并不是不可实现。因为这一复杂系统也能够被分解成若干子系统，从而将复杂问题简单化，并最终找到答案。汽车自动驾驶技术可以理解为包括机器学习算法、高精地图技术、芯片、操作系统、HMI等多方面技术的集成。而目前这些技术，多年来在包括互联网在内的许多领域都已经得到广泛应用，并逐渐进入了成熟期。因此，我认为，汽车自动驾驶虽然系统复杂，但它一定是可以实现的。比如，在感知层面，目前，由于激光雷达、视觉摄像头、毫米波雷达甚至V2X技术的应用，我们自动驾驶汽车已经能够做到比人（只能依靠眼睛、视力）的肉眼感知能力更全面，能够获得更多维度的数据，从而做到在驾驶过程中更安全。

特斯拉是个了不起的公司， 但埃隆·马斯克总是过于乐观，我不认为特斯拉 2022年底靠纯视觉能实现FSD 。

桂俊松：您认为，自动驾驶当前的主要难点在哪里？

张亚勤：的确，自动驾驶向前发展，目前在技术与政策法规两个层面都还有不少困难需要克服。我倾向于认为，在技术层面，自动驾驶的相关技术最难点已经被克服并逐步成熟，只是大规模应用还需要时间。

在技术层面的难点当中，第一位的依然是安全性问题。基于行业的普遍共识，对自动驾驶的安全性要求至少要高于人类驾驶一个数量级，达到99.99999%的水平。而要实现这样的安全目标，就需要深度学习、车路协同，有这两个大的方向性技术作为支撑。就深度学习而言，重要的是对泛化能力的突破。自动驾驶领域当中，我们虽然在研发过程中会进行大量的测试、试验，但是在实际使用中，总是会出现测试、试验中没有遇到过的情况。利用算法来提升泛化能力，需要算法本身具有更好的透明性、可解释性，同时利用大量数据，不断迭代算法。而车路协同，同样是自动驾驶领域需要重点关注的问题。自动驾驶的感知、决策，单独依靠单车智能是不够的，需要依靠车路协同、依靠路侧的基础设施智能化来解决长尾问题。智慧的道路、路测设备能够给自动驾驶车辆更多维度的信息和数据，能够让规划、决策、执行更加安全。同时，车路协同也能够为自动驾驶进行技术上的冗余备份，以应对可能出现的突发情况。

在政策法规层面，客观地说，在全球范围内，其实都面临着一个同样的挑战——政策与监管滞后于前沿技术的发展。无论是测试、试运营、保险设计、事故责任认定甚至是用户的隐私保护等，政策法规的调整都是相对滞后的。但是，我倾向认为，自动驾驶事关生命安全，政策层面的谨慎应该远胜于激进。而在这一方面，中国的政策环境是比较好的，中国用户对于包括自动驾驶在内的新技术应用普遍具有更开放心态，愿意拥抱新技术，愿意尝试。

桂俊松：要实现高阶自动驾驶，目前在技术和政策法规方面都还有些困难，解决起来也都需要时间，但我感觉，这可能是两类不同性质的困难，且相互关联。政策法规方面固然有滞后，但真要下决心解决，也可能会很快的。而且在很大程度上，政策的慎重往往也还是因为技术问题。

张亚勤：是这样，也的确有一个相互依赖的问题。

桂俊松：在自动驾驶方面，中国和美国都是全球的领先者，但这两个国家的路径、产业组织、开发模式并不一样。根据您的观察，两者的差异性体现在哪？

张亚勤：确实有差异。首先，我觉得，美国在自动驾驶领域的研发还是企业主导的。例如谷歌（Google）旗下的Waymo，通用汽车（GM）旗下的Cruise，以及特斯拉等，当然还包括大量的初创企业；其次，美国在自动驾驶领域的研发基本都聚焦于单车智能；第三，美国自动驾驶在垂直领域的应用比较多，例如聚焦矿卡的卡特彼勒等。造成这样的差异，部分原因是因为美国有自己的一些特殊情况，特别是各级政府对道路、交通等城市基础设施建设的影响力比较弱。所以，他们实际上是非常羡慕中国能够进行车路协同的。

桂俊松：国内一些地区，特别是北上广深等特大型城市，对发展车路协同、自动驾驶都是非常热衷和支持的，成为推动自动驾驶发展的一股重要支撑力量。

张亚勤：是这样。中国在自动驾驶领域也有非常多的各类企业的参与，既有类似百度、滴滴这样的互联网头部企业，也有大量的初创企业活跃其中。但值得指出的是，中国较早确定了车路协同作为智能网联的路径方向。单车智能固然重要，但我们更多的要从系统的角度来看待自动驾驶问题。从系统的角度看，自动驾驶就不单纯是汽车产业的问题，更需要与城市、交通、能源有效联动。这是中国的优势，这样的路径不仅仅对未来的自动驾驶有利，同时也能够赋能我们目前的在用车辆，让整体交通更高效、排放更低。比如，在车路协同过程中，我们会从感知协同、决策协同，逐步过渡到参与交通系统优化与智慧城市建设当中去。

在我供职的清华智能产业研究院，我们与百度联合研发，进行了一项名为Apollo AIR计划的探索，聚焦于中国车路协同技术领域的无人区。我们把道路从C0~C5进行了6个层级的划分，提出了一个智能道路的分级体系，在智能化程度较高的C4、C5级别道路上，对车辆的（智能化）要求就会降低一些，也就是探索在不使用车载传感器，仅依靠路侧轻量感知的前提下，利用V2X、5G等无线通信技术就可以实现车-路-云协同的L4级自动驾驶。当然，我们也希望，单车智能和道路的智能化程度都能够达到最高的等级，这样，未来自动驾驶就有了一套充分的安全冗余系统备份。

桂俊松：按照您的观点，实际上是以汽车智能化为一个坐标轴，道路智能化为另一个坐标轴，构成了一个完整的坐标系，自动驾驶实际上就是在这个坐标轴中寻找到一个合适的坐标，从而实现单车智能与道路智能之间的平衡。那么您认为汽车智能与道路智能之间的平衡点或平衡预期应该在哪里？

张亚勤：我认为在这个体系内，应该有三个关注点：第一，会大幅降低自动驾驶的实现成本。根据我们测算，在单车智能与智慧道路的共同作用下，自动驾驶实现的成本，将比单车智能下降约三成，这将极大有利于自动驾驶的商业化落地推广；其次，会增加系统冗余。当单车智能能够独立实现自动驾驶，智慧道路也能够独立实现自动驾驶，两者都已经达到了相当高的水平时，两者实际结合起来，实际使用体验会更加稳健；第三，毫无疑问，会使我们的自动驾驶更安全。

桂俊松：上个月，美国交通管理部门出台一项法规，不再要求车企为全自动驾驶汽车配备手动驾驶控制系统，怎样看待这一事件？

张亚勤：这是人类历史上第一次将人类司机与机器司机同等对待，在自动驾驶领域无疑具有里程碑意义。自动驾驶车辆上是否有人类驾驶员存在，首先是一个心理上的跨越，同时也是对自动驾驶车辆应对极端情况的一种测试。今年晚些时候，我们可能还将看到类似重大进展：谷歌将在旧金山推出无安全员的自动驾驶运行。而事实上，中国有一些地区也已经计划或正在推进类似尝试，例如北京的亦庄高级别自动驾驶示范区。我认为，这些都是自动驾驶发展过程中具有里程碑意义的事件。

桂俊松：从这些标志性事件可以看出：中美两国的优秀公司都在加速推进自动驾驶的商业运营。

张亚勤：是的。无论是美国的谷歌（Waymo）、中国的百度，这些头部的企业之所以领先，就是因为他们进行了大量测试，成为进步的基础，而尽早扩大规模进行商业化推广运营，则意味着商业模式的成熟，也才能够支撑技术不断地进步。这一点上，中国、美国两国的产业界是相互学习借鉴，共同成长的。当然，美国产业界值得我们国内产业界学习借鉴的还有很多，例如在芯片领域、操作系统、工具链等方面，美国依然具有巨大优势。

当然，我们观察产业，要从底层延展至顶层，要有系统观念、整体战略。我们应该看到，越是在生态整体迁移、重构的过程中，越是有大量的机会。由于汽车工业率先产生在欧美，这些国家、地区具有极大的先发优势，中国此前一直处在跟随者的地位，而在汽车工业的技术要素构成发生重大变化之后，中国的汽车工业和其他先发国家站到了同一个起跑线上，甚至在某些方面，中国更具优势。我们应当把握住这种战略机遇。

桂俊松：您曾经长期供职于微软、百度，在这些互联网巨头企业担任高管，现在到清华大学已经有两年时间。您为什么要在清华领衔建设智能产业研究院（AIR）？这是基于什么样的使命？

张亚勤：AIR成立至今已经过去一年半。人工智能不仅仅是自动驾驶，更是第四次工业革命的引擎。比较遗憾的是，在前三次工业革命中，中国都是旁观者或者是跟随者，但这一次，我们有可能成为领导者。所以我们把清华大学智能产业研究院（AIR）定位于面向第四次工业革命的国际化、智能化、产业化的应用研究机构。我们的使命是：以人工智能的技术赋能产业升级，推动社会进步。

桂俊松：为什么要以“顶尖架构师和CTO（首席技术官）”的人才培养和关键核心技术的突破为目标？

张亚勤：学校最重要的还是培养人才，所以我们达成使命的首要路径就聚焦于“人”。培养 CTO、高端的架构师，正是看到了我们产业现有的需求。以微软、谷歌、亚马逊等国外互联网巨头为例，企业内有很多具有系统观念的系统架构师团队，帮助企业解决复杂系统问题、避免重大技术陷阱，协同商务、技术、运维团队开展工作，但在国内的企业中则比较少见，所以我们的培养方向，就是弥补人才短板。其次，我们达成使命的第二条路径是聚焦科研，聚焦于面向产业的可应用的科研。新一代的人工智能有个特点，它一定是基于大数据，基于大场景的。只有基于场景的算法、科研才有意义。所以我们主动寻求与产业相结合，产业一旦有需求，我们会立刻拿出算法进行支持；在产生了数据之后，很快又会推动我们的算法进行迭代。而第三个路径，我们希望技术不仅应用于现有产业，也期冀产学研用能够有效结合，孵化出新的项目，寻找到新的方向。因此，我们特地选择了当下应用人工智能非常重要的三个垂直方向进行重点关注，分别是智慧交通、智慧医疗、智慧物联。我相信，这既是产业现实需求，也是国家战略需要。

桂俊松：汽车自动驾驶需要生态建设，生态系统越完善，发展越快。清华智能产业研究院也是这一产业生态的一个重要组成部分。

张亚勤：是的，学术引擎和产业引擎两个引擎一定要相互结合，才能最大限度促进产业发展，这也是我们通常所说的“产学研结合”的价值所在。坦率地讲，在清华大学进行这样的尝试是具备了非常理想的条件的。因为清华拥有车辆与运载学院、计算机科学与技术系、电子系、自动化系、生命科学学院等，对于人工智能研究来说，这样的学科体系全面而完备，我们AIR团队的老师，也都与不同领域的院系有深度合作。

汽车工业发展至今，早已经不是一个单纯的机械工程分支，这就需要我们的汽车教育也进行相应变革，跟上产业技术的变革步伐。如此，我们培养的学生和人才，才能拥有全新的、适应未来行业要求的交叉知识体系。