实际上，无人驾驶是一个追求的目标，但很多机会，很多落地的场景是在追求无人车的过程中，而不是之后，我不太赞成因为你找到好的应用就认为不需要做更难的技术。

——希迪智驾创始人及CEO马潍博士

近日，公司创始人及CEO马潍博士接受了全球知名中文IT交流平台CSDN的采访，并就长沙“自动驾驶之城”建设经验、自动驾驶技术的场景落地、算法／规划决策等智能驾驶中的难题，以及中美智能驾驶发展的不同等畅谈了自己的看法。

以下为本次采访实录：

马潍：我叫马潍，是长沙智能驾驶研究院的总经理。长沙智能驾驶研究院有限公司也叫希迪智驾，我们主要从事商用车的自动驾驶，以及智慧交通有关车路协同的一些产品和开发工作。

CSDN：长沙市走上“自动驾驶之城”的道路上经历了“1．0智能网络、2．0工程闭环，以及3．0市场闭环”三个阶段，今年又取得了怎样的进展？

马潍：一个是我们第一次闭环中的1230亩的试车场，这是全国最大的，当时是7．8公里公交车的试验线，然后“双一百”这是一个数据，“双一百”那一年，百度阿波罗也落地了100辆无人出租，后来我们有2000多辆公交车的落地，改造了70多个公交线路，所以这些数字很说明问题。长沙在智能网联汽车的发展中走的比较靠前，所以也非常荣幸去年年底的时候被国家授予了先导区的资质。

CSDN：您认为有哪些经验可以推广至全国？

马潍：第一个经验，我们采取的策略是“小步快跑”，把它化成几步。那么小步快跑怎么知道好坏？叫快速闭环，所以这一点我们做的比较好，把它分解成几个小的步骤，每年，甚至一年多的时间能够迅速闭环，拿到反馈，再决定下一年的路径。

第二个经验是智能网联汽车。我们国家的路线图是走车路协同的路，就是以路带车，这个美国有很大的不同，美国的道路改造起来非常困难，基础建设比较老旧，你比如说高速公路都是50年代建设的，我们国家的路都比较新，都预埋了光纤，所以改造成本比较低。我们是以路先行，所以路是我们国家要率先走出来的一个非常有效的竞争力。可是在很多城市落地的时候，我们把路和车之间的关系优先级没有摆的特别对，政府如果说仅仅是补贴车企，路这个东西它是共辖的东西，很难发展起来，所以最终生态也创造不起来。

第三个经验是如何打造生态。是花很多钱，很多地引进一个巨型车企，还是说创造一个软件定义汽车的生态，孵化出很多小公司、创业公司，如何利用大量的人才能够创出很多新的产品和新的思路，这是我们长沙的一些经验。

CSDN：在智能技术落地产业上，不少业内人士认为相较于攻克高难度的技术，应用场景的挖掘和开发才是真正的难点所在，您同意这个观点吗？为什么？

马潍：从供应端的角度，我们认为技术的成熟度也好，高精尖的技术、难度大的技术也好，我们必须追求，必须努力地做。

但是场景是需求端，到底什么场景需要用这个技术。第一是不是刚需，刚到什么程度。我们都知道井下是第一刚需，矿山是第二刚需，园区是第三刚需，往下排，刚需就和场景有巨大的关系。

同时，怎么发掘刚需，这就和方法论有关系。所以很多场景的发现不是做市场调研发现出来的，而是在动态中发现出来的。

如何在需求端能够通过多次迭代，快速闭环，找到应用的场景都不容易。供应端和需求端两个发掘不可偏废。

现在技术的成熟度，顶尖的技术追求，一直是我们创业公司追求的的目标。实际上，无人驾驶是一个追求的目标，但很多机会，很多落地的场景是在追求无人车的过程中，而不是之后，不管是半无人的或者智能驾驶的，包括主动式的公交优先，这都是我们的技术在落地的过程中，不断发掘出来的一些应用。

我不太赞成因为你找到好的应用就认为不需要做更难的技术，这个节奏怎么迭代，怎么闭环，实际上它是有一套方法的。

CSDN：如何从封闭式较简单的应用场景拓展至更为复杂的场景中？目前实现了哪些突破？

马潍：公交车的信息化、物联网，很多做了20年了，各种各样的设备，装了很多盒子，大家都看到了，但他们往往是检测、监管型的，对驾驶的引导不够。

我们经过深挖痛点，在公交上挖了一阶痛点、二阶痛点、三阶痛点，最后挖出来“优先”是个关键，“优先”我们就用最新的国标车路协同在5．9G的频率上和红绿灯发生通信，让红绿灯对公交车优先放行，就避免了大规模做BRT的投入，所以在这方面我们走出了一条路。

CSDN：您之前说“算法很难达到理论上8bit×8bit的峰值”，目前智能驾驶的算力问题是如何解决的？

马潍：到底是怎么Benchmark？怎么来界定？这个算力是多少？有十几种算法来界定一个统一的算法，但是目前的高算力我们都是用的8×8来算，可是算法本身很难保证，它一定是每一个运算环节都是在一个动态范围之内，这个就是计算机的有限字长的问题。

我们做软件的实际上这是一个创新的领域，真正一个算法如何能够利用他的峰值算力精度上是个具体的挑战。所以说在多种运算中，如果32位、16位你要用8位来算，速度就会下下来，所以综合算力很难达到它的峰值的要求，目前看起来一般达到10％就不错了。

第二个瓶颈就是属于存储、存算的问题。就算是你的算力能够达到无穷的计算，但是这个数据怎么能喂进去，因为它的总限是有限的，所以并行利用双精度，各方面的特点把数据装进去，浮点运算也好，这又是另外一个挑战，能够把它喂饱，同时把动态范围和精度限定在某个有限字长，这是我们目前软件工程师的一个挑战。

CSDN：“规划决策”被认为是实现智能驾驶最具挑战性的技术难题，您有哪些可供分享的宝贵经验？

马潍：决策规划中你可以采取比较保守的，也可以采取比较激进的。比如在高速公路上，你保守的策略就是老跟车，尽量不超车，不换道，但是换道的时候你速度慢了，又换不过去，要快速，那么一旦加速，往往是事故的根源，所以这段挑战确实比较大，这都是我们在做自动驾驶工作中要实时地、不断地研发，在这方面我们目前是从场景上做一些优化，比如我们的矿山，道路是不定的，而且不断地变化，我们怎么通过车路协同，前车后车，车车通信，知道他们的相对位置，感知激光雷达在雾、雪、粉尘的情况下能不能工作，规划的时候会车地点是采取激进的还是保守的，还是在待定地点的会车，这就牵扯到无人矿山调度的问题，这里包括节省能源，什么省油，这是一个规划问题，也是个数学问题，但是在实际中还有很多新的问题，需要根据数据的采集、优化。怎么做是一个比较重要的领域，我们一直在努力过程中。

CSDN：您曾在硅谷工作和生活20余年，从美国到中国，您觉得有哪些“变”与“不变”？

马潍：不一样的地方，一个是美国很多产业，包括半导体产业，过去10多年来投资力度下降了，很多公司回购股票，所以初创公司就相对少了，相反中国的经济，尤其2010年以后大幅度地进入一些“无人区”，所以初创公司的机会非常多，这是一个不同；另外一个不同就是我们国家是基础投入型的政策引导型经济，对很多的产品技术落地的促进这方面做的也比较好，尤其是自动驾驶这样属于革命性的技术，对未来的整个产业会产生深刻的巨变，那么能否在政策上，能否在环境上，能否在落地场景上做一些引导，中国可能会有不同的路径。

目前看起来在美国自动驾驶政策比较宽松，很多路上都可以测试，中国的监管比较严格一些，反之在很多固定场景，国内推动的比较活跃，比如说矿山、园区、港口，有很多落地的场景，所以“变”和“不变”之间也在迅速地发生变化。

CSDN：眼下正是毕业季，对于刚走出校门想从事智能驾驶行业的新晋程序员，您有哪些建议和期许？

马潍：我是觉得我们软件工程师也好，程序员也好，生活在一个非常好的时代，新晋的程序员第一就是要明白这个领域潜力非常大，未来50年的主战场就在这儿，比如传统的车企，大众需要2万软件工程师，那么未来车企中，90％的利润可能来自于软件，所以产业的前景非常好，但是问题、挑战也很多，考验的是你快速学习的能力，对新的工具，新的TOOI能不能迅速掌握，新的库能不能理解，这是第一步。

第二步，我们产业界要求效率和优化，程序开发出来后能不能迅速到嵌入式的平台中去，嵌入式的平台的计算机体系架构又非常复杂，多达几百个内核，很多工具自动编译，实际上利用率又不够高，我们能不能钻进去，能不能做出来比较有竞争力的算法。软件的领域很多，开源也是一个很好的领域，我们非常希望有年轻的员工能够加入到行业，这是一个非常好的行业。