涨知识，汽车存储技术将影响未来自动驾驶汽车升级？

“美光科技2017全球媒体开放日”不久前在美国旧金山举行。美光(Micron)邀请世界各地的编辑记者，以及著名的未来学家、微软、高通、英伟达等公司的主管畅谈自动驾驶的挑战。

圆桌会议参与人员

主持人：The Bald Futurist CEO Steve Brown

嘉宾：美光嵌入式产品事业部副总裁Jeff Bader，英伟达自动驾驶事业部技术项目管理总监Tim Wong，高通汽车平台总监Sanjay Vishin，微软 Azure 车联网平台负责人 Doug Seven，美光先进计算解决方案副总裁Steve Pawlowski

汽车圆桌论坛主持人——未来学家Steve Brown

Steve Brown:下午好！感谢诸位今天下午加入我们。我叫Steve Brown，你们可以从幻灯片中看到，我是未来学家。你们中可能有人不知道，我简单解释一下，未来主义并不是胡说。这是一件有趣的事情，我帮助公司预测5年、10年、15年，甚至更远之后的世界。所以我做零售业的未来、制造业的未来、以及我最喜欢的领域——未来的交通。

每当我想到未来，我首先考虑过去。大家知道，汽车诞生于19世纪后期，发展至今我们已经看到了巨大的突破，也极大改变了我们出行的方式。而且其中大部分涉及到技术突破，而且经常是电子和计算机方面的, 像电子燃油喷射、汽车ABS导航诊断和混合动力发动机。

当然最重要的是所有人都需要的蓝牙连接。我们期待的重大飞跃几乎都与计算和互联相关，正是这些将改变人类的出行方式，而所有这一切都将由数据驱动。数据是这个行业变革的核心。

数据的捕获、存储、处理和细化带给我们Uber，Didi，lyft，带给我们停车和车道助理，并且未来还将带给我们全面自动化，改变人类的出行方式。工业活动的衡量方式之一是产生的专利数量。在过去七年中，新增的自动驾驶技术专利有5839项，这些都是为了变革人类出行方式，让出行更安全、更愉悦。

仅在美国，每六秒发生一次道路交通事故，每年近四万名美国人因车祸失去生命，全球约有125万人在车祸中丧生，其中94％的车祸是由人为原因造成的，另外仅在美国因交通原因造成的财产损失价值670亿美元。如果能够缓解这个问题，那么将会产生很大影响。所以要实现更好、更安全地驾驶取决于收集和处理数据的速度和方式。那么这个数据是什么呢？它从哪里来？

在自动驾驶汽车的发动机、变速器、刹车系统等地方，所有的传感器都将生成海量遥测数据，所以我想车企都正在明确他们可以用这些数据做什么。所以最基本的是，这些来自多台摄像机、雷达、超声波的数据。在你出行的过程中，你会需要从云端下载高清地图，从而获得实时路况信息，并通过其他汽车和周边的基础设施确定危险地带。所以这些数据都将传输到车里。

处理这些数据的唯一方法是选对存储以快速应对。所有的这些都是在一秒之内以70m/h的速度在发生无数次，而且是重要的生死时速。所以美光举办这场活动，因为你需要内存来应对这些。除此之外，汽车将是下一个主要应用平台，人们将期望能够为他们的汽车购买应用程序，汽车的功能将不再单一，可能可以玩游戏、看电影或是开视频会议等等。一辆互联网汽车中一小时将消耗25,000 MB数据。根据麦肯锡的一项研究，越来越多证据表明，限制创新的不仅仅是计算能力，还有以所需的速度存储和访问所有这些数据的能力。

现在全球有大约14亿辆汽车。因此，机会是巨大的。IHS调查表明，自动驾驶汽车将在2020年至2040年之间以63%的速度增长。因此，在二三十年内，将有2,100万自动驾驶汽车被生产出来。

这是一个全新的市场，车联网和自动驾驶汽车放在一起是个巨大的挑战，需要在座各位一同去解决并且在这过程中也会遇到新的挑战。其中一个问题是计算应该在何处发生？它在架构上是什么样子？另外如Mike所说5G不能解决所有问题，不可能多有事情都在云端发生，然后通过汽车等远程设备实现所有的计算和数据处理。你们怎么看，随着时间的推移，计算将在哪里发生？云端，边缘还是网络，亦或是均有？这将会如何变化？

Tim Wong: 我们将其称之为自动驾驶汽车意味着它必须能够实现自主，必须能够在没有云连接的情况下也能安全行驶。但就像我们用手机app时，往往是连到4G效果更佳，5G会更好。当我们连接到云端时，可以拥有更详细的地图、得到信号灯和基础设施上的数据，这会是更好的体验。但是顾名思义，自动驾驶就是要能够独立运行，就像你开车没有地图、手机辅助，但是仍然可以慢慢开车、操控车辆，尽管你可能不太确定方向。

Sanjay Vishin：我同意这一点。但我会把自主分为两个阶段。第一个就是Tim Wong所说的，大多数感知发生在汽车里，而对云和周围环境的依赖不多。第二个阶段的自动驾驶汽车，我们可能会更加大胆，通过在汽车内和周边配置远程传感器。但正如你所说的那样，这个连接系统必须加强。所以我们在发展5G。我们达到5G的时候，频谱和带宽都会增长。

Doug Seven:当讨论自动驾驶时，有两个角度。一方面是自动驾驶的被动反应，它要感应周围世界并做出反应，并且这是在汽车边缘以一种低延迟、即时处理的形式发生。汽车是一个边缘装置，智能的建议就发生在那里。  

另一方面是其主动性。当我们开车时，我们知道那条路右侧有一个坑。因为我们每天开车经过，所以我们靠左边一些。我们知道不要在星期二三点转向那条路，因为那里有一个校车站，那会让我慢下来。这些信息使我们经验积累或是通过收音机等外界来源获取的，而边缘装置是无法依赖自身主动获取的。边缘装置可以实现被动的一部分，这十分重要，可以确保孩子跑上马路时车辆能及时停止。而主动的一面则需要通过云端实现。另外高清晰度地图可以告知车辆道路上哪各部分坑坑洼洼，哪里有障碍物。最终将反应性边缘过程和主动式云功能要组合在一起，从而使处理器在任何地方都能运转。

Tim Wong: 但即便是你所讲的第一个阶段，你仍然需要在云端做训练来提出能够探测到行人、动物以及其他车辆的模型，这些都需要在云端的大数据中心完成。所以即便是在第一个阶段，还是要用到云端。

Steve Pawlowski:正在与我们合作的客户中甚至有意向想在边缘做训练，所以它也不一定全都归到云端那里，这完全取决于能够用在边缘的资源。Mike是正确的，公地悲剧不会消失，有限的资源会被不断地利用和过度利用。我认为底线是在资源受限的前提下汽车能够有足够的计算能力。

Steve Brown: 现在的自动驾驶行业有点像1995年的个人电脑行业。他们都受限于晶体管容纳上限以及能力上限。展望未来，随着自动驾驶的复杂性不断增强，所要面对的挑战是什么？

Doug Seven: 当下要面对的一个问题就是你面对的是个拥有百年历史的行业，他们从造车变成了造“带轮子的电脑”。一些开明些的汽车制造商认为是汽车是轮子上的数据中心，他们甚至没有把汽车当作电脑，而是当作移动网络设备。更进一步说，汽车行业的本质发生了改变，从机械设备制造商转变为软件公司，以及创造技术并将其置于计算机中的公司。

Jeff Bader：技术的步伐显然正在加速。第一个导航系统是基于ddr2技术的。在汽车采用这一技术的五到七年前就先在个人电脑中验证过了。今天，我们正在推广lpddr4技术，而九个月前，Mike就将其用在手机应用中了。我们正处于汽车变革或下一轮汽车变革的起点。

Steve Brown: 人们没有想到的数据来源是什么？有可能是短期或中期暂时不需要的。哪些是未来的自动驾驶汽车、车联网必须处理的数据来源？

Jeff Bader：10年来智能手机行业改变了世界，也有很多行业围绕智能手机展开，当我们到达自动驾驶时代时，会发生完全相同的事情。会有针对自动驾驶的各种服务， Netflix、应用程序，所有这些都是另一个数据源并需要被存储、处理、从云端下载或是在网络上运行。所以当我们看自动驾驶汽车的时候，会看到一系列正在发展的服务和业务。

Tim Wong：你的车内有很多传感器，激光雷达、超声波、摄像头等，不可能把所有数据都上传到云端，因为太大了，而是通过元数据进行跟踪。有趣的是一旦你连上网络，就会获得很高的带宽。路上其他的车将是你的附加传感器，一辆车出了事其他车都能知道。所以基本上你是上传元数据然后被实时下载处理而不是上传原始传感数据。

Doug Seven: 这就是为什么智能边缘非常重要。我从事有关云的业务，但我们同样认为边缘是我们构建的解决方案的关键部分。如果从计算的视角去看自动驾驶汽车，那我们讨论的是它每天能消化的PB级的数据量，所以即便有5G我们也不可能都将其上传到云端。我们需要引入人工智能来决定哪些数据重要、哪些数据可以舍弃、哪些需要在方便的时候上传而不是实时上传，所以在边缘需要做这些评估和决策，所以需要引入人工智能来使这些汽车更加强大，并最终通过过滤所有数据以决定如何处理。

Steve Pawlowski：我认为将会有大量的自组织网络（ad hoc network），不同的汽车将根据距离来被接入网络、共享信息。所以有大量的信息需要分析从而判断谁是好的，谁是不好的，你如何建立联系，并能够相应地管理它。如果一辆车碰巧断网，如何另建网络访问？

Tim Wong：数据是不可知的。比如一个情境下也许你看不到行人，但信息交换使得汽车依然懂得停下，即便司机也不明白为什么要停下。所以很明显这些不可知的数据，有助于基本上保持每个人的安全，且会被共享。

Sanjay Vishin：这就是我所说的第二次自主计算浪潮。

Steve Pawlowski: 当你看通用的甚至是高性能的计算时，数据移动比起实际计算的数据小号的能量要高出成千上万倍，它实际上是关于数据在哪里、你能对数据做些什么。我在Intel有32年的职业经验，专注于计算领域，所以随着计算越来越密集，内存和存储组件变得越来越重要。

Steve Brown: 回到5G的问题，它不能解决所有的问题。从人们尝试通过4G、4.5实现自动化转变到利用5G，会产生哪些变化？从通过4.5G打造自主解决方案到利用5G，其所采用的方法会有哪些变化？事实是5G并不能神奇地瞬间实现以云为驱动的自动化。

美光的车用SSD(固态盘)，容量120GB，SATA接口，读写速率6Gbps

Sanjay Vishin: 是的，我们采用多个路由器，同时跨越多个运营商，使得AT&T, T-mobile和Verizon都各有一个路由器，通过跨越三大网络保证车辆无论在哪里都不会存在盲区。所以我们针对现有4.5G采用多个路由器的方式相对来说已经可以攻克5G的问题。从安全性的角度，我们把所有信息都加密到VPN上，从而确保其隐秘性。同时我们也有WIFI而不只是蜂窝网络。这些车辆需要快速上传大量传感器数据，但他们并不会为所有的移动网络带宽买单。这和5G十分相似，因为5G提供了参差不齐、高带宽的毫米波覆盖，所以当你在其中驾驶的时候云将引导你驶入相对高带宽的区域。相似地，我们植入2×2、4×4的路由器使得传感器数据不需通过蜂窝网络。另外还存在感知失误，比如在险恶气候下，当交警在道路中央疏导车辆时，这些感应机制将会失灵，因为要通过摄像头的像素识别这些复杂的手势是十分困难的。因此这种情况下他们需要远程遥控车辆，打开并上传所有摄像头的数据，所以这里传感器数据的特征是完全不同以往的。你会看到巨大的上行带宽，因为所有摄像头的数据都需要在一定时间内提供到远程控制者那里，以供其了解当下交通情况并远程驾驶车辆。所以这些是我们不需要等到5G到来就能解决的。

Steve Brown: 所以我们还需要5G么？

Sanjay Vishin: 我们当然还是需要5G的，比如如果卡车后面还有一辆小车，你的传感器是没办法通知你的。要么你通过云端获取汽车周边的高清实况图，要么你需要5G网络的高带宽来实现低延迟的互联。

Doug Seven: 我女儿的学校在郊区，在那里我手机是没有信号的。所以我不相信更大的网络通道可以解决这个问题。无论我们怎么样，都还是会有覆盖不到的地方，即便我们有更广泛铺设的5G信号，也不可能是100%覆盖的。我们必须预设5G信号可能会在任何时候消失，同时准备好相应的解决方案。

Sanjay Vishin: 幸运的是在车内你关注的是对车辆周围的感知，所以对于一些功能来说5G还是能够发挥作用。同时我也同意对于云端的互联性来说，带宽会有所不同。

Steve Brown: 在可见的未来汽车厂商如果预算没有上限的话，将会在汽车内配置越来越多的计算、内存和存储，当然是在经济上和装配空间上具备可行性的前提下。但未来很长一段时间汽车计算的负载将十分庞大，为确保车辆能够安全行驶以及适应各种复杂环境，需配置各种应用，同时也为你们提供了一个出售优质产品的平台。如果让你们猜测，你们觉得计算基础设施的重负荷将会持续多久？

Tim Wong: 我想这会一直持续下去。当我们第一次推出自动驾驶汽车计算产品时，人们会立刻开始将大量数据放到车内，如果我们推出更强大的下一代产品，又会出现更多大的或更复杂的应用。这是一个军备竞赛，并且会一直持续循环下去。

Doug Seven : 同意。你需要了解这些应用。如果我们运行的是一个表格，那么我们见过这个产品，如果是我们没见过的图形，那么就取决于你要解决什么问题。在自动化中，深度学习仍处在初步发展阶段，未来十年还无法实现合作学习。

Steve Brown: 如果我们将汽车转变成一个可以远程遥控的“导弹”，要采取哪些措施或你们正在采取哪些措施来确保其安全性，让人们有信心安全驾驶？

Jeff Bader :我认为最终像计算机系统或是其他系统，策略中的防御都是从信任的根基出发，并从中建立整个系统直达云端，从而我们可以判断整个链条中哪里遭到入侵，并且任何时候出现问题都可以通过故障保护机制防止安全事故发生。它基本上是一个安全应用，这些系统上中有一定程度上的备份，可以帮助你发现、比对、监测系统入侵。

Steve Pawlowski : 坦诚来讲，我想这对于汽车行业来说是一个机会，来实现计算机行业没有做到的事情。我们现在构建的系统是基于30年前的架构设想，而那时我们并没有预料到有人会利用它去做病毒或类似的东西。所以我们过去很多年都在修补这些旧的架构，但很难完全改变这些架构因为在这上面已经有价值数百亿的软件还在运行。所以汽车行业可以作为一个平台让我们开始解决这些问题。我并不喜欢把所有钥匙都集中到一个地方，汽车是一个比较分散的环境，所以你可以分散地保存你的凭证。但依然存在问题，还是有人可以黑进你的车。这些都是人们需要思考和解决得问题，否则我们很有可能会再暴露1亿个攻击点，同时物联网也是一样。

Doug Seven: 是的，我也认为纵深防御正是我们目前需要考虑的，因为你需要去保护这些实体以及相互之间的连接，还有保护云端，并且这些实体的认证、授权也变得愈加重要。今年四月份，Azure和美光围绕物联网设备身份识别及识别管理展开合作，结合内存层面的安全性，我们近期刚刚公布了Azure IoT Hub Device Provisioning Service（DPS），基于这一服务可以建立识别机制，从而在实体和云端间建立更强的信任，提高可靠性。

Sanjay Vishin: 刚刚提到安全和保障对于打造一辆自动驾驶汽车以及整个过程中的网络连接来说是两个不同的角度。从安全的角度，像Steve所讲他们通常通过备份来解决这个问题，但是利用TMR或DMR会大大增加你的成本，所以很大的问题在于如何以一个更划算的方式解决。考虑到汽车的容量并不是很大，所以以我们为例通常会将移动领域的组件用于汽车需求。

Steve Brown: 有什么事情是人们目前没有考虑，但其实是需要考虑的？有什么能预见的挑战吗？

Tim Wong: 是让愚蠢的司机不再上路。我之前出了人为的、完全不必要的车祸，汽车能感知到交通情况，并能阻止人们因人为原因发生事故，人类司机不能预知，是一个危险因素。我已经从超速行驶中得到教训，不再让人类司机上路可能会让驾驶环境变得更加安全。

Doug Seven : 在交通方面，当自动驾驶汽车和人类驾驶的汽车混合上路时会发生危险，因为人类司机会分心、做蠢事，而这些是不可预知的。我每周在上班路上都会在路边或沟渠里看到翻倒的车辆，这是由道路性质和司机行为双重因素导致的，人类天生就是危险的。

Jeff Bader : 我认为自动驾驶在被采纳时也会受到阻碍。我敢打赌，在座各位都是早一批接受自动驾驶的人。但对我来说，自动驾驶最好的目标受众是我的妈妈，她可以在中午光线明亮的那4个小时开车，但我不认为她是早一批接受自动驾驶的人，所以我们的算法中可能要考虑一些个性化因素。如果你不想自己开车时旁边是大卡车，那么你也不会愿意自己的自动驾驶汽车行驶在卡车旁边，即便自动驾驶要比本人驾驶的好。至少在推广早期是这样的。这是从个性化角度来谈的，我想这需要和OEM厂商一起来解决。

Tim Wong:我实际上并不赞同你的观点。我妈妈91了，她白天可以开车，但是雨天和晚上不行。自动驾驶汽车可以更加方便她出行，因此我认为她会是很适合的受众。

Doug Seven: 有一个问题我们没有解决，我们在经历巨大飞跃，让人人都相信自动驾驶，对吧？但这之间还有一个可信度的问题需要解决。我想现在就愿意坐上一辆没有司机、没有方向盘也没有刹车的汽车的人还是很少的，因为我现在连车里的蓝牙都不能确保可靠，更别提让人坐自动驾驶汽车。我们要努力加强自动驾驶的可信度。口说无凭，随着时间的推移让技术为自动驾驶汽车建立起信任度。

Tim Wong:有一些汽车制造商，我并不能透露名字，利用技术让汽车可检测到周围的所有事物，它可以反映外部环境，即使在糟糕的天气也能识别车辆的位置。它像一个安全网，如果有人闯红灯，虽然你没有看到，但它依旧会阻止你踩油门，不会让你置于危险之中。我们现在看到有很多安全系统在自动驾驶汽车出现前先被推出，提高自动驾驶的可信度。如果你知道这些系统能帮你节省大量时间，你就会开始信任它。

Steve Pawlowski: 刚刚大家讨论的问题是你是否相信自动驾驶汽车，我的另一个问题是你能否信任一个计算能力极其一般的大脑来计算天气状况？我觉得有意思的是，AI要发展到什么程度才能做到自主思考，比如识别出最好的交通状况，辨别最佳机会，知道车内发生了什么，及时做出调整以节省燃油等等。现在，算法开始解决这些问题，有意思的事情是算法如何发展。然后我们将回到那个经典问题：它们是不是懂太多了，是否会接管整个社会。这是以后要担心的问题，是未来学家的工作。

Doug Seven:在微软，我们对人工智能的未来有巨大的信心，不仅仅是在交通方面应用，它将会普及到各个领域。我觉得世界的发展、技术的进步有点像我们在之前展示过的计算进阶图（Slide 11）。我们知道云计算使很多事情成为可能。云使得物联网及很多其他功能成为可能。紧接着智能边缘成为下一个重要的浪潮，边缘计算将增加，并开始承担一些云端工作负载、将其放入边缘。然后再下一个进化就是人工智能，如何真正发挥它最大的功能，而不仅仅是在边缘进行计算，并且将智能带入边缘？它不仅仅可以回应，而且可以思考、处理、决策、执行。这是我们真正实现自动驾驶的唯一方式，因为交通是动态的，需要真正的思考和智能。

Steve Brown: AI和机器学习将会如何发展？未来在自动驾驶领域，AI短期和长期的机遇或者用例将是什么？

Tim Wong：它无处不在，比如行人探测器、司机的摄像头，通过这些，它能够知道你位于哪儿、在观察什么。

Steve Brown: 除了计算机视觉，AI还会应用在哪些领域呢？

Tim Wong：对话沟通，像Alexa、Google Home、Siri、Cortana，它们可以理解语言、理解对话，此外还可以读懂唇语。与汽车进行交流，是需要高度信任的双边沟通，但现在还不是。这是AI智能的一个巨大领域。传感器正在以一种方式融合，将激光、雷达、摄像机、超声波放在相同规模的一个电网上，而AI可以更快的实现这种传感器融合，这些都是AI将会应用的非视觉领域。

Doug Seven :AI将很多认知型服务带到边缘，无论是语言还是计算机视觉，最简单的形式就是通过经过训练的机器学习模型来进行物体识别，然后进行周围景物定位、运动预测、路线规划， AI就这样不断进化，但这些要从最简单的机器学习开始。

但无论我们要把哪种认知能力带到汽车中，针对不专心驾驶的监管越来越多，人们会越来越依赖于汽车的语言能力。除了向汽车发出语音命令，也能与它进行互动，能明白问题背后的意图，整个对话都需要AI的支持。

Steve Brown:所以，AI应用十分广泛。作为一个未来学家，我想到了所有可能出现的情况。如果我们利用硅来加速执行AI功能，这对内存子系统有什么作用？又会给未来的内存子系统增加什么样的负担？

Tim Wong:通过网络传播图像或音频文件需要快速存储，所以内存越快越好。汽车并不是只有一个网络，有很多网络在并列运行，所以需要速度。

Steve Pawlowski : NVIDIA发表过一篇很棒的论文，是关于虚拟分布式神经网络的。文章展现了简单图像识别所带来的内存需求增长速率。随着像素和特征图的清晰度越来越高，存储需求将成指数型增长。但你获取些数据后，需要判断哪些是重要的，哪些需要保存下来，哪些需要删除？这里可能会存在一些冲突，数据的增长太剧烈了，我们未来可能要删除一些现在还不能删除的数据，所以未来的驾驶将需要极大容量的内存。

Steve Brown: 对存储业的人来说是个好消息。

Steve Pawlowski :是的，但它必须是可靠的，即使在极度环境中也能工作。

Sanjay Vishin :这是我们还没有接触到的部分，我希望可以通过深度学习提高可靠性，当然并不只是学习，如果某些事情发生，我们可以解决它，而不是像从前那样有很多冗余，从而使机器高效运行。

欢迎加入车聚网读者微信群：请先添加微信号autojucom，并注明“我要入群”，之后我们将拉您入群，或加入QQ群：383683141。

欢迎微信扫码或搜索autoju（←长按可复制），关注我们的公众号。