第一个例子是：现在一些高档汽车的总代码大概有1亿行，这是什么概念？汽车内的代码量超过了Facebook、微软Office。但反过来想这个事情，你是否会有一些担心？我们能不能把生命交给像Office这样复杂的软件，电脑死机可以重启，无人驾驶系统崩溃则人命关天；

第二个例子是：一个著名厂商CEO跟我们说，现在年轻人买车提的问题和以前大不一样了，他会问你这个车能不能和他的智能手机连在一起？一个手机可能就几百美金，但是它能影响消费者几万美金去买车的决策，这是个需要引起大家格外注意的现象；

总体上看，汽车这个行业里面，未来绝大多数的创新都将发生在电子和软件领域，除了能源外，机械类的创新可能将相对变缓。汽车今后将集数据中心、计算中心、控制中心于一身，成为我们人类不可分割的一部分。

（二）汽车将回归交通工具的本质，无人驾驶是必然趋势，有人驾驶在未来才令人担心。

对于无人驾驶的趋势和好处，我就不再多说。这里有很多报告，包括时代周刊最近的文章里提到了无人驾驶将为美国挽救上万人的生命，每年节约万亿规模的成本、几十亿小时的个人时间等等；在这份麦肯锡的报告里，无人驾驶也被列为对未来有颠覆性影响的12大技术之一。

目前还有一些汽车发烧友关心车里面动力性能，诸如加速时间等等，但是话说回来，车的本质迟早是要回归的。车的本质就是从A到B安全地转送人或物品。那么人类这个驾驶员真的会增加车的安全性吗？ 举一个我的切身体会，我进过很多小区，有时候一进去会发现里面有一个电梯操作员在里面坐着开电梯，我的心里就会咯噔一下，觉得是不是这部电梯很不靠谱？

从技术路线上看，ADAS和无人驾驶应该是两条不同的道路，现在车厂和互联网厂商正在齐头并进。我们认为应该加速无人驾驶方向的发展，最终取代ADAS。但如何解决刚才说过的让人信任1亿行代码的安全可靠性的问题，欢迎大家一起来探讨。

（三）无人驾驶不等于让机器拟人驾驶，深度学习和AI并非灵丹妙药。

针对最近一家互联网公司的无人驾驶汽车的事故，充分说明了拟人驾驶可能是个怪圈。自动驾驶汽车要右拐的时候被障碍物挡住了，变道时撞上了公共汽车。公共汽车司机、自动驾驶系统、以及监控汽车的工程师都认为对方的车会礼让，但结果是不幸的，按照人的思维最后导致了事故，如果不做拟人驾驶是不是会更好呢？

这就是我要提的问题，无人驾驶是不是一定要学习人的驾驶行为？拟人驾驶的方向是否是一种误导？我们认为，无人驾驶必须至少超越十倍于人的驾驶能力，这样才能真正被广泛应用。人的驾驶是有很多不靠谱的方面，大多数的事故都和人自身的能力限制有关。为什么美国一些专家会说过多少年之后我们会强制无人驾驶，有人驾驶不合法，有人驾驶反而需要特批的license，就是这个原因。无人驾驶从保险、成本、生产力提高、安全系数等方面会带来很多的价值。

但我们现在跳入了一个怪圈，刚才很多专家说了Deep Learning、大数据这些东西，它的好多模型、好多算法确实能解决一些问题，我们也用在了ICT相关的应用中，也在解决包括语音识别等那些问题。但是它们仅仅是一个技术，是一个模型之一。我们如果按人的思路去考虑问题会越来越复杂，人有心理、生理、人文的一些变化，很多极其不可控的因素在里面，人类驾驶可能是比较不靠谱、比较不安全的一个行为，相对于忠诚的机器而言。

刚才余博士说了无人驾驶是一个虚无缥渺的东西。如果去模仿人，我也同意。但是我们应该转变思路，使虚无缥渺的东西变成确定性的自动化控制问题，而不是人工智能的问题。无人驾驶会不会很快达到预期的目的呢？大家比较清楚，我们在研发飞机的时候也没有学鸟，它的原理和鸟不一样。但是我们把飞机造出来了，如果单纯学鸟说不定也会几十年没有结果。正如我们今天学到一个Deep Learning，明天学到一个别的Learning，是否就是在陷入拟人的AI怪圈里呢？

刚才粱博士也说我们人要懂自己的脑子和自己的智能是很困难的一件事情。难道我们的自动驾驶还要再等几十年吗？所以我们要换思路。前段时间我还见了一个科学家，他说人的大脑学习可能也不是你们想象的Learning，里面可能有一个量子效应。如果真是这样，拟人的无人驾驶是否就更不靠谱了呢？可能是下一辈子的事情，所以我们是不是可以换一个思路呢？

这个问题现在可能没有答案。我的意思就是说，我们必须超越人类的能力限制去思考无人驾驶，我们的无人驾驶必须提供至少十倍于人的能力。希望未来可以像自动开飞机、开火车那样，汽车做到高度自动化，而不是模仿人去开车。

（四）以观察能力的增强，代替思考能力的不足，华为希望用EAI的思路实现全天候的安全自动驾驶，

无人驾驶的本质是观察、思考与行动能力的结合。但思考就往往意味着不确定性，而我们开车不应该有不确定性。就好象我们做通讯设备一样，我们有5个9的可靠性才能卖给运营商，而让我把生命交给自动驾驶，恐怕就需要不只5个9，或6个9的可靠性。类似数据库CAP原理，在这几个需求间做tradeoff，我们能否利用观察能力的提高消除思考的不确定性，增加识别能力、感知能力呢？人看不到下雾100米之外的情况，但是电子上可以做到，还有很多先进技术可以做到这一点，让我可以看到500米、600米之外的状况。这样的话是不是我有足够的自我决策，使这些不确定因素变成自动化控制的确定性因素呢？就好象开飞机一样，如果飞机上有一个Deep Learning，基于统计学原理，存在不确定性。同时DL的黑盒子模型，出故障定位也是一个大问题，我们敢把生命交给它吗？

最近AlphaGo很热，我们知道这是从互联网厂商兴起的AI、DL技术。吴先生提到，它的取胜是在确定边界同时一定规则下的取胜，反而他的一局失败却表明了AI存在崩溃的可能性。在互联网的应用下，无论是围棋还是图像识别，发生错误或崩溃都不会引起人命关天的问题，而自动驾驶对概率性的崩溃零容忍。

在从A点到B点移动这个行为里，好多动物有类似的高超的行动能力，它们能够在几十米之外定位到蚊子大小的东西并能够前往把它吃了。不用眼睛/不用思考也能在复杂环境里畅通无阻，靠的就是观察能力的特长。

刚才几位专家也提到，目前互联网厂商也在反思，说现在做完全自动驾驶的，因为加州天气好、路况好就开的很好，但是到中国北京五道口就不行了，到印度就更不行了。我认为我们需要转变思路，使人工智能一些非确定因素转变成确定的因素，我们是有可能做到全天候驾驶。如果我们无人驾驶不跳出人类驾驶能力的束缚，我认为这个无人驾驶时代就不会很快到来，所以我们必须克服全天候无人驾驶的技术问题。比如送你家小孩上学遇到发大水、下雨、下雾、或有个牛过街的情况，汽车拒绝工作或无法适当地处理，都是不可接受的。

我们必须应付各种全天候的场景，因为人在冰天雪地里面不敢开或不愿意开，才让汽车自动开。因为它是机器，能够无怨无悔的为人类服务。全天候安全自动驾驶应当是这一波自动驾驶创新的第一期目标，完成了这个目标，我觉得这个会引起汽车行业及相关商业模式巨大的变化。我们搞IT或者CT的就是要帮助汽车产业快速达成这个目标，并快速市场化。
如何达成全天候安全无人驾驶呢？我举个机器人的例子，机器人干吗一定要那么高大上的来一个图象识别，为了识别猫脸、人脸？我们能不能换一个思路呢，比如家庭机器人。大家思考一下，现在大家可能都在用200美金的扫地机器人，如果我们把Deep Learning还有其他的感知能力都装上去，谁能买得起这个扫地的机器人？还不如雇一个扫地的清洁工呢。所以我们反过来想，我们能不能别这样搞这么高大上的？比如说我们作为扫地机器人，能不能先到我们家来先别忙着识别了，我就领它扫一圈它能够记住。我们家的家具如果将来变动的情况下再告诉它一下，再领它扫一圈让它记住，这样多简单。况且它家里布置不变动的情况下它工作的都会惊人地准确、高效。就好像家里的机器人一样，我可以允许它识别不了陌生人，但识别家庭成员100%的准确，因为大数据分析可能相对昂贵。我之前参加了一些机器人的会议，有较多的演示，它们又慢又不准确，比如取一本书架上的书，用图像识别的思路对很多遮挡、模糊的问题无法解决；我们能不能换一个思路呢？我新买一本书贴一个电子标签，这样机器人就会百分之百准确地能够取到这本书。因为有标签，我就简化了一些高大上的功能，成本也很低廉。还有很多人在研究解决机器人怎么上楼梯的问题，很难搞。但能不能不爬楼梯而采用类似升降机技术呢？为什么一定要走楼梯呢？打这个比方，这就是说明我们可能需要换一个思路。
上面机器人和动物飞行的例子也很好地解释了我们EAI的思路，EAI是Educated Application Intelligence的缩写，EAI实际包括了领域场景的制导，受教式的学习，以及传感能力的倍增，这是我们相信能在无人驾驶领域帮助车企持续领先的ICT技术基础。