在人工智能技術的推動下，自動駕駛正在經歷一場深刻的變革。特斯拉、谷歌等科技巨頭在這一領域的投入巨大，他們利用大量數據訓練以及深度學習模型，推動了自動駕駛技術的發展。然而，這些技術仍然面臨著數據依賴性強、成本高昂等挑戰。

在這場技術革新中，天津阿波羅信息技術有限公司以其創新的SLD（Self-Discipline Learning）模型與P=NP邏輯推理模型融合的AGI（Artificial General Intelligence）算法，為自動駕駛行業的發展提供了新方向。

 

近日，天津阿波羅信息技術有限公司總裁顧澤蒼博士接受《汽車觀察》獨家專訪，分享了他對自動駕駛技術現狀及未來趨勢的見解。

 

大數據并非唯一路徑

 

顧澤蒼指出，在自動駕駛技術的發展中，大數據和深度學習雖然發揮了重要作用，但它們并不是實現自動駕駛的唯一途徑。

從2020年6月開始，特斯拉旗下的Model X，Model S以及Model 3配齊了自動駕駛功能。之后，特斯拉自動駕駛屢屢出現事故，這些事故幾乎都與自動駕駛的識別錯誤有關。如，2020年6月，在臺灣的高速公路上，特斯拉車撞向了白色的卡車，其理由是由于深度學習只能識別二維圖像，把白色的卡車當成白云。再如，2021年5月7日，在廣東韶關的一次不明原因的撞車事故，很可能是深度學習的黑箱問題造成。

 

目前，特斯拉通過4億英里的人為訓練，得到巨大的數據庫的數據匹配進行決策，可做到FSD的自動駕駛，但需要巨大的資金支持。

谷歌自動駕駛項目的經歷同樣為外界提供了深刻的洞見。盡管谷歌在自動駕駛領域進行了長達十年的開發和大量的路測，但最終發現，在自動駕駛的決策上，需依賴大量的規則堆積和對目標識別的深度學習。“因只能對特定的目標識別，為適應不斷變化的路況，必需不停的訓練數據。所以，這種技術路線存在局限性。”顧澤蒼解釋道。

顧澤蒼強調，自動駕駛的決策是一個用傳統規則堆積的方法不可能解的難題。“假設自動駕駛車輛周圍有前3、后3、左1、右1共8輛同行車，自動駕駛車輛在針對種路況下進行最佳的決策時，至少要考慮其與每一輛同行車的間隔、同行車的速度、加速度以及自動駕駛車輛本身的加速度，才可以得出是否要變道的決定，這就是5*8=40個要素的組合，在組合理論中，公認超過40個要素的組合問題就是圖靈機不可解的NP-hard問題。”

因此，顧澤蒼認為，自動駕駛的技術競爭一定是人工智能底層模型的競爭，未來的自動駕駛不應僅僅依賴于大數據和深度學習，而是需要尋求新一代人工智能模型。讓自動駕駛從感知、控制以及決策上都導入新一代的人工智能，創造出具備超越人的駕駛IQ的新型自動駕駛是唯一的出路。

 

AGI時代的自動駕駛已來

 

在這樣的背景下，天津阿波羅進行了大膽的創新嘗試，將SDL模型與P=NP邏輯推理模型融合，在無需大數據庫支持的條件下，便可實現AGI時代的端到端的自動駕駛。

“通過基于高斯過程理論的自律學習算法的SDL模型，能夠直接對不特定的目標圖像進行識別，不受背景干擾，且不依賴大量數據訓練，避免了黑箱問題。”顧澤蒼進一步說。

SDL模型的另一個優勢是，它不依賴激光雷達就可實現自動駕駛汽車。據悉，目前除了特斯拉外，大多數傳統自動駕駛技術都需要依賴激光雷達來提供精確的環境感知。

此外，SDL模型能夠實現自律分散的控制自動駕駛，模組間依靠以太網鏈接，提高了系統的可靠性，并避免了傳感器引線過長時的干擾。這是傳統集中式控制系統難以比擬的。

SDL模型還可以通過小數據訓練產生大數據的效果，實現訓練數據聚集在概率空間，這與傳統的深度學習模型需要大量數據訓練有著本質的不同。SDL算法完全不需要與云端交互，就能實現智能化操作，為自動駕駛系統提供了快速響應的能力。

顧澤蒼強調，SDL模型能夠實現無需高精度地圖的自動駕駛，這將使自動駕駛系統更加智能、高效和安全。這在高精度地圖被國際大公司壟斷的當下，具有特殊的意義。

“我們的模型無需長距離的訓練和利用網絡圖像匹配直接產生端到端的結果。我們的技術將使自動駕駛汽車能夠在任何道路上自由行駛，這才是人們真正渴望的、具有智慧的自動駕駛。”顧澤蒼自豪地說。

 

目前，這一模型已經在多款車型上得到了應用，包括東風風神AX7、林肯MKZ混動和傳祺GE3純電等。這些車型的自動駕駛系統展示了SDL模型的實際效果，這也證明了它在自動駕駛領域的潛力。

盡管新技術的推廣需要時間，顧澤蒼堅信，隨著時間的推移，這種無需大數據支持的自動駕駛技術，會被越來越多的人所接受和認可，從而引領自動駕駛技術進入一個全新的時代。

展望未來，顧澤蒼預測，將來可能會用AGI時代來代表自動駕駛的水平。“這個時代的自動駕駛有P=NP的算法，可以無需長時間的人為介入的訓練，無需大數據支持，可以完全自律的處理各種路況，最終給出最佳化的駕駛策略。”