演講内容(部分)
小編使勁整理中……
今天的演講的兩部分：
Why：也就是為什麼要做這件事情？它的目标和意義何在？
What and How：到底做什麼，怎麼做？
很多傳統行業，其實作在還不具備條件進行人工智能化，因為它有些先天不足，比如它沒有資料。沒有資料，那麼很多智能都做不起來，當然，也要找到那些有先天優勢的地方。還有，一定要管理好期望差，人工智能有一個特點：就是 更多的融資沒辦法去改變技術本身成熟的規律和節奏，堆再多的錢進去也沒用。一個女人 9 個月懷胎生一個孩子，九個女人不可能一個月生出來。是以要管理這種期望差，不要覺得趕緊拿錢通過更加努力，就能夠把這個東西很快做出來，這是人工智能很難的地方。
1、無人駕駛—百家争鳴
為什麼現在大大小小的公司都進來做無人駕駛了？
新四化：電動化、共享化、智能化、網聯化
智能化、網聯化，還遠比不上無人駕駛帶來的沖擊。未來的無人車應該是什麼樣子？它的外表跟今天的車不太一樣，它的外表會變得比較拟人化，希望在設計上給别人帶來不同的感覺，設計者都試圖給無人車一些賦予一些人性化的東西。
2、無人車—水大魚大
無人車行業我們認為是一個水大魚大的行業，水必須足夠大，才能夠養出大魚來。汽車是一個發生着巨大變化的行業，出行也是一樣。
3、機遇與挑戰
方向确定、路徑不确定的長賽道，是機會也是挑戰。今天的領先者今後未必還是領先者，因為賽道很長，什麼都有可能發生。
4、無人駕駛汽車的選擇問題
假如無人車的刹車失靈，左邊是五個人，右邊是四個人，左邊的人是戴着頭盔的，右邊是不戴頭盔的，無人車系統到底會選擇誰去犧牲？
這個問題一直在争論，但是沒有一個标準答案。那麼我們應該怎麼去解決這個問題？我們的一個普遍的回答是：怎麼選擇是哲學家考慮的問題，而工程師思維要考慮的問題是怎麼把刹車給修好，不要讓刹車失靈。
5、關于Innovation 和 Invention
Invention 就是從 Money→Idea，要花很多錢，發現或者發明一個從來沒有存在過的一個 Idea；而 Innovation 剛好相反，Idea→Money，真正要實作它産生價值。創業做的是得 Innovation；做學術研究，獲得技術突破是 Invention。
這兩者都是人生價值的展現，并不一定要創業，成為百萬富翁、億萬富翁，才是人生價值的實作。我覺得現在無人駕駛創業不容易，但是技術的突破，支撐着創業公司的發展。
6、大機會時代
我們不要做機會主義者，機會主義者是這邊打一下，那邊賺點錢，必然會把所有的機會都丢了。
第一，算法要好，就好比是一個人的智商；
第二，要有産品力，就相當于人的體格；
第三，還要有客戶能力，相當于情商，要搞定那些大車場、大客戶；
第四，要有學問，就相當于資料。
這些要素不斷的形成一個正向的循環，四種能力缺一不可。如果你覺得自己隻擅長算法，那就要找一個工程能力非常強的幫手，找一個客戶能力非常強的幫手，你們一起來創業，才有可能成功。
對話環節
雷鳴教授：無人駕駛這個産業和其他産業不太一樣，這個領域非常大，但真正創業公司沒有那麼多，不像網際網路，一上市能夠千團大戰。但是我們又看到每家無人駕駛公司的估值都特别高，您是如何看待這個情況的？
吳甘沙CEO：自動駕駛真正進一步到創業階段，你會發現它太難了。
人才結構，對整個技術體系的完整性要求非常高。
自動駕駛其實是有一個很長的過程。第一步叫 Demo，要示範出來；第二步叫 Deploy，要部署出去；第三步叫 Deliver，要真正傳遞；第四步才進入量産，周期非常長。
綜合考慮，就是一場馬拉松，能夠進入最後一層的沖刺的公司不會太多。
雷鳴教授：既然自動駕駛這麼困難，您覺得現在還有可能在這個行業中創業嗎？如果有在什麼地方還有可能？
吳甘沙CEO：現在我能看到的創業的可能，
核心的元件的技術上。可能某家公司做了一種新的傳感器，這種傳感器能夠顯著的提升自動駕駛對環境的識别能力，哪怕是在一些特殊環境下，比如夜間場景等等，如果你可以在一項技術能夠做到極緻，我認為還是有很多的機會的。
安全領域上。這個安全不是 safety，而是 security，未來智能的網聯的汽車，安全一定會是個大問題。如果說你是一個技術特别強的人，但是你又沒辦法組成一個體系性、完整性非常好的團隊，那麼做這種“點技術”，還是有機會的。
硬體的終良率。做硬體的難點是在什麼地方？技術原理都走通了，并不代表你能成功，因為一定會出現良率的問題，無論是固态雷射雷達，還是其他的自動駕駛配件，它們的原理都可以走通，但是最終良率卡在 10%，20%，這是沒有辦法的。
雷鳴教授：一個完整的自動駕駛團隊都會用到哪些比較深的技術？尤其是跟人工智能有關的技術，這些團隊，他們大概的組成的配比是怎樣的？成員之間怎麼協作？
吳甘沙CEO：其實在不同的階段是不一樣的。
創業初期，可能絕大多數都是研發：比如說一半是做軟體的，一半做硬體的。那麼随着公司越來越從項目驅動往産品驅動轉型發展，你就會發現硬體成長比較慢，而軟體疊代更快些。
車端&雲端：它們要解決的是不同的問題。車端要解決硬體便宜可靠，可能還需要考慮功耗低，散熱好等等一系列的問題；軟體就是主要的 AI 技術發揮作用的地方，比如 OS 實時性要好、可靠性要好、延遲要低、可預測性要強，算法和深度學習模型要能夠在便宜的硬體上能跑起來等等。雲端要解決的問題主要是資料管理、高精地圖、仿真、車輛的運維等等。這其實是一個典型的産業網際網路的場景，車端的所有這些零部件都是聯網的，在零件出現問題的時候你、要及時止損，甚至是預測性的發現問題，比如說傳感器被遮擋了等等，要及時的發現。
體系要求完整：它确實是體系性要求非常高，橫跨了 AI 的算法，汽車的軟體工程和硬體的工程，包括通訊、包括雲端的大資料的管理等等，是非常完整的一個體系。
初始階段需要大量算法去做決策：一開始的階段可能會做大量的算法，但是到了一定程度以後，決策的重要性變多了。比如 Waymo 去年人工接管的案例大概一半是跟決策相關的，1/4 是跟感覺有關的，還有可能不到 1/4 是跟路上不理性的一些行為有關的，還有一些就是跟軟體、硬體的錯誤有關，此外還有天氣的狀況的影響等等。
雷鳴教授：技術更新換代速度很快，今年學一項技術，明年還有沒有用就不好說了。您覺得學習技術怎麼能鍛煉一些讓自己能夠長時間都可以有用的能力呢？除了算法之外，到底怎樣才能讓自己就是學到能更有效、更長時間伴随自己的能力？
吳甘沙CEO：技術更新真的是非常快，而且說實話，這一波 AI 所依賴的技術基礎，比如深度學習基本上都碰到瓶頸了，現在想在 ImageNet 上再提高 0.1% 已經很困難了，技術必然在不斷地變化，我們也要不斷的學，但是學的過程當中，你學到的不是技術本身，而是一種“元能力”，是你不斷學習新的技術的能力，而不是新的技術本身，這點非常重要。
匠人精神深入研究：随便裝個 Tensorflow 的工具鍊，再到 GitHub 上面随便找一個模型，很快就能把一個事情做起來了，即使你不斷的更換也是學不到東西的，你需要的是鑽深的技術。
物質豐富到人逐漸喪失原本的能力：我覺得現在很多事情都太容易得到滿足了，現在世界的物質如此豐富，很多夢想都太容易實作了。比如打遊戲的時候，你随便買點裝備很快就通關了，這個沒什麼意思，你應該靠自己的本事去練出來真正打通關的能力。
如果說每出來一個新的 CVPR 論文，你都能找到論文、找到原代碼、找到模型，真正能夠去了解它後面的東西，在這個過程當中，你其實就在積累你的語言能力，而不僅僅是運用這門技術的能力。以前有一句話：你要選擇一條少有人走的路。随便拿一個模型過來，訓練一下馬上就能用，雖然很爽，但是沒有什麼用，你要走那條少有人走的路，這樣才能在技術的疊代當中，不斷增強你的競争力。
————————————————
版權聲明：本文為CSDN部落客「一個處女座的程式猿」的原創文章，遵循CC 4.0 BY-SA版權協定，轉載請附上原文出處連結及本聲明。
原文連結：
https://blog.csdn.net/qq_41185868/article/details/88699340![241 Different Ways to Add Parentheses（C代碼版）[圖]](data:image/gif;base64,R0lGODlhAQABAIAAAP///wAAACwAAAAAAQABAAACAkQBADs=)