田忠 英特尔（中国）有限公司政府与政策部技术政策总监
英特尔认为自动驾驶成功的两个非常重要的因素：安全、经济性。英特尔会把自动驾驶分三个部分：
1.车辆本身各种前端技术和以车辆为主的计算平台。
2.中间部分是网络互联，尤其是马上就要到来的第五代移动通信技术，为车联网和自动驾驶提供了非常好的技术支撑。
3.右边会基于数据中心和云计算。
这是一个整体架构平台，英特尔可以在这三个方面提供技术支持。这不仅仅是技术平台，同时也产生出一些新的业务和服务模式，这也是非常创新之处。
自从2015年开始，英特尔在人工智能和自动驾驶方面加大了投资，投资了一系列公司，其中包括在ADAS方面业界比较领先的Mobileye公司。
在技术方面，如果考虑自动驾驶车辆经济性的话，有三个支柱：感知、地图（定位）、驾驶策略。
感知。车里装了非常多的传感器，有摄像头、激光雷达、毫米波等技术。以摄像头为例，充分利用了计算机视觉，把路径上的所有障碍物，包括行为、车辆、道路标线、信号灯、建筑物进行处理，首先识别行驶的空间，其次规划出一个可行进的路径。
高精地图。现在普通用的手机软件导航地图误差在米级，如果要达到自动驾驶应用的话，至少要达到厘米级的精度。（动图）根据车辆车载的摄像头可以实时识别出道路的分界线和旁边非常简单的道路标线、标志及信号灯，右边是Google earth地图，做了非常精确的匹配。
英特尔旗Mobileye公司推出一个新的技术，这个技术解决高精地图更新比较复杂、比较费时费力，因为高精地图的采集是靠采集车，把定位信息输入到高精地图里，但如果路面发生了变化，比如重修路面或交通标志进行一些变化的话，要更新没有别的办法，只能靠采集车重新跑一遍，这是非常头疼的问题。可以用众包方式，利用已经装载在汽车前端的摄像头和其他传感器，获取实时路面信息的变化，把这些变化传到云端，可以把这些数据实时更新到电子地图，这样所有其他车辆都可以获得更新的地图。这是一个非常经济、有效的高精地图更新的方式。
驾驶策略。
巴黎街头拍摄场景，其他国家大城市里面都有机动车、摩托车和行人混行的状况，其中相当一段时间里也会出现自动驾驶的车辆和人驾驶车辆共存的情况。在这个环境下，如何定义驾驶的策略，在后面会举两个例子。
例1，双Y路口，规则是红色车辆会从右边出去，白色车辆会从左边出去，在入口时是随机放置的。这是比较典型的交通车辆汇集的情况。问题在于假如左行的话，很多车在左边快行线里保持相对高的速度，往右并线才会出来，对别的车产生干扰，同样左边也是，这种情况下大概用了十万次模拟，最后达到99.95%的精确度，远远高于人类驾驶的情况。
例2，环岛例子。左边图里用人工智能做机器学习时，并没有办法发现绿色车辆和蓝色车辆行为特征，刚开始进环岛时经常和其他车辆进行碰撞。经过多次运算和迭代以后，会发现一些特征，即蓝色车驾驶员比较激进，不会让它，绿色车会让它，所以会在绿色车的前面进入环岛。
安全。
Mobileye公司创始人、英特尔市场部总经理、以色列希伯来大学教授阿姆农·沙舒瓦，他在2017年年底，在业界发表了一篇论文，提到“责任敏感的安全”。要想达到安全，不可或缺的路径是靠测试，即通过业界的分析，要想实现完全的安全性或公众信任，测试的时间要超过上亿个小时，测试的公里数或英里数要上亿，如果进行上亿小时、上亿英里测试，会使自动驾驶真正被商业化的时间点大大推后。
他提出一个思路，做一个假设，如果道路上所有参与者、所有驾驶员都是遵纪守法的驾驶员，没有酒驾、醉驾、不闯红灯、不超速、礼让行人、不随便变道等，交通事故率会极大下降。因为自动驾驶车辆行为准则可以通过工程师的编程进行定义。同时把美国高速公路交通安全管理局所做的接近50万个事故案例和场景都一一作出了一些数学描述。
如，经常碰到的情况是行人横穿马路，车辆与行人发生碰撞，最简单的情况下，行人以匀速方式横穿马路，车辆离他有一个距离，可以通过传感来看到距离和车速，包括可以预测他通过马路的时间来避免进行碰撞。其他还有一些复杂因素，行人可能因为恐慌会停止不动或掉头往回走，这些情况都会用一些数学描述进行编程，放在自动驾驶里来应付这些场景。
换句话说，如果自动驾驶的车辆是完全按照正确的行为准则进行操作，出了碰撞交通事故，应该有豁免权，不承担事故的责任。
这篇论文引起业界热烈反响，绝大部分持非常赞成的态度。至少有一点，技术公司或在自动驾驶方面有投资的公司都不愿意触及安全和责任方面，因为这可能会引起政府和其他相关单位的顾虑，对整个产业界会有负面影响。但是不解决这个根本问题，也没有办法让自动驾驶技术真正变成商用。从这个角度来讲，这是非常大的一个突破。根据大量测试来保证安全性，是可以并行的另外一条路径，希望能够跟政府多多进行交流，在汽车免责方面提出创新性的思想，大家可以进一步落实其可行性。
驾驶策略。大家都认为安全性是计算机完全学习的过程，是否能够满足相应的安全性？
例，ALphaGo下围棋，2016年3月份击败了当时世界上最强的韩国的李世石九段，当时它的第一个版本，包括2017年出的Master版本强了三个子以上，但是这两个版本都是借鉴了非常多的人类对围棋的理解，即输入所有人类有名的棋谱，再加上计算机有一个高度自我学习和自我对战的方式。但是去年底，发布了最新版本——ALphaGo Zero，即不告诉它任何人类的知识，只告诉它规则，围棋如何下，如何判断输赢，哪些子不能下，然后它完全自主学习。第一盘，跟三四岁小朋友下围棋一样，胡乱下。都是计算机对战计算机，大概到了第六盘、第七盘时，逐步发现人类的定式（即某个局部双方最佳的一些变化），学到120个小时时，可以百分之百击败以前所有的版本。人工智能发展迭代的速度远远超过人类对它的预期。
2016年3月份ALphaGo和李世石下棋时，整个围棋圈里没有人认为ALphaGo会赢，认为最好的结果是1：4，因为当时要下5盘棋，但实际结果是因为它出了一点Bug，是4：1赢了李世石。去年跟柯洁下的时候，3：0，没有机会，到现在ALphaGo Zero，人类与它差太远，不可能跟它再去下棋，也就是说李世石九段可能是最后一个击败人工智能的围棋选手。
所以这里会牵涉到大量人工智能、机器学习、深度学习的技术，也可以把非常多交通的自动驾驶里安全的一些算法集成到里面，然后达到一个非常好的经济方面的可扩展性。
REM（路面经验管理），其实解决了实时的高精地图更新的难题，这是非常重要的技术，也希望与各业界同仁，包括政府机构进行沟通。它是利用众包方式，是众人拾柴火焰高，不是只靠高精地图厂家一家之力，是应用所有安装在其他地方的摄像头和传感器，大家一起去工作，可以实时更新整个地图。
交通安全法规规定了各种违章行为，要避免违章行为，翻译成正确的指令，存储在自动驾驶车辆处理器里，去引导车辆按正确方式行驶。同时也会有一些灵活性，不是说百分之百必须按照法律执行。
例，如果大家开车到一个红绿灯道口，从绿灯马上变成黄灯时，要做一个急刹车。同时，一个老司机的经验是要看后视镜，后面是否有车离你很近，如果急刹车停在红灯之前会导致追尾事故。建议你带着刹车，如果后面跟得很紧的话，宁肯部分车轮超过白线，保证前面没有碰撞可能性，避免自己被撞上，类似这样一些事情也要放在计算机系统里面来做。
