閃馬智慧彭垚:未來五年,實現全省範圍內車路協同丨專訪

語言: CN / TW / HK

作者   宋婉心

編輯   潘心怡

人工智慧技術發展已經歷幾輪起落。經過技術落地、5G加持、商業化驗證幾個關鍵節點後,如今諸如語音語義、視覺AI等技術已經很大程度上融入了日常生活,而其他更長尾的場景應用亟待落地中。

當下,在走向實現全無人駕駛最終目標的過程中,“車路協同”是必由之路。從技術層面來看,真正實現C端全無人駕駛,準確率99%和100%之間,仍是漫長的程序,從商業化來看,實現廣泛落地,車路協同是更為可行的方案。

成立於2019年的閃馬智慧,雖然年輕,但卻始終專注智慧交通方面,積累了大量經驗。

按照閃馬智慧CEO彭垚的說法,從更大的視角來看,閃馬智慧是以城市空間的流動性為底層邏輯,構建上層的垂類業務。也因此,對閃馬智慧而言,“智慧交通”的含義更立體和複雜,除了基礎的車路協同,還包括智慧公路和交通管理等。

36氪近期對彭垚進行了專訪,在公司完成第四輪融資之際,彭垚對公司戰略和行業發展分享了自己的想法。

以下為專訪精編:

關於閃馬智慧

36氪:閃馬智慧從影片智慧分析起家,五大主線產品涉及不同賽道,當時如何確立的這五大主線?背後有怎樣的邏輯?

彭垚: 主要是基於資訊流動性的一些變化規則。一個城市中,人和資訊的流動才產生了城市的發展,流動越快,城市發展推動也越快。經濟發展回退到技術角度的本質,就是不同的流動性,有不同的識別方式,然後賦能不同的空間,所以我們把城市分成了5個空間。

第一是交通空間,這是最大的流動性。第二塊是工作學習的場景,這個場景其實它的流動性是相對固定的,包括空間裡面的人也是相對固定的,所以裡面的行為法則,更多時候它是跟行業相繫結,這個我們就叫崗位管理。第三塊我們叫生活娛樂,生活娛樂空間是時間性、規律性比較強的,是一個週期性的群體性流量,非常大,所以那個時候我們的AI主要是做一些行為分析,以及群體性的流量性分析。

第四塊是環境,就是我們的整個生物環境的空間,包括大氣、水、土壤等一些固定物,更多的是一些物的靜態的分析,實時性要求沒那麼高,流動性也沒那麼大,但是它會造成一些長期性的惡劣影響,發現這些事件能夠去賦能環境保護。最後一塊是網際網路的內容安全,我們會去檢測網際網路的涉黃涉暴涉恐。

整體來看,圍繞以人為本做五大空間,這五大空間是圍繞著以技術為邏輯,以影片分析不同流量性的AI來去分類的,所以它的計算模型是完全不一樣的。

36氪:聽下來我們是對於整個智慧城市,用AI賦能的這樣一個路線和思路。

彭垚: 對,我們不是說研發了一個人臉識別,然後就找各個行業去應用它,這種屬於研究出一個東西,然後找應用落地示範。我們是先研究本質的不同空間的流動性規則,之後我以人工智慧的平臺技術演算法,把這些流動性規則去做分析,識別之後去賦能到這些空間裡面的行業。

所以我們的基礎理論體系和演算法體系,跟其他廠商會有大的區別。

36氪:目前來看,公司的戰略重點是放在智慧交通這一部分,這應該也是基於整個市場的動向,您對於市場趨勢的洞察是怎樣的?

彭垚: 一方面是根據市場,AI賦能落地還是有一個週期,不可能同時各個行業都爆發需求,但是現在交通的需求還是非常大的。

因為交通有幾個硬性需求,一個是交通安全,一個是交通保暢,包括交通建設,每年修新修路,交通的流量更大了以後能夠支撐住城市的運轉,所以它一直是一個非常大的剛需。然後要解決的問題非常多,所以從市場需求角度,交通的空間對我們來說是主力,在研發的已經有1300多個交通模型。

另一方面是從我們的演算法優勢來講,我們的核心能力是在動態的行為分析上面,所以對我們來說變化速度越快,我們的競爭優勢越大。所以對我們來說,主攻這個也是跟我們的技術相匹配。

36氪:我們目前服務的主要還是沒有輔助駕駛功能的車輛是吧?

彭垚: 我們其實是賦能三大塊,我總結下來,第一塊是基建,我們在基礎公路之上做了智慧公路,做整個公路的全要素感知,就是公路上所有的設施裝置,所有的車輛動態變化,包括橋樑動態的變化,各種感測測試實時就是建模路橋、隧道,相當於整條路的整體狀態,都是能全程感知的,包括人、車、非機動車,也包括整個路上的基礎設施。

第二塊是賦能交通管理。其實以前就有一些公司在做,比方說給交警做一些管理系統,但是因為這些系統不能做到全路感知,它的管理力度是比較粗的。我們的管理力度就比較細,就可以細到比方說交通的一些組織優化,比方說到底行車線執行幾條,左轉幾條,右轉幾條,包括訊號燈的調優、路設應該怎麼安裝、路上發生的各種事件呼叫救援力量。

第三塊就是您說的助力交通服務,從交通服務型別來講,其實無外乎物流和出行送人或者送貨。從車輛的種類來講,現在基本上是普通車輛為主。

另外一塊就是車路協同的一些示範,就是我們會實時把以上的全要素感知的內容,通過車路協同的網路去傳送到少量的一些車輛,就是一些有OBU的可以接收這種資訊的一些車輛上去,或者我們會結合高德去做一些釋出,這個也是有的。

36氪:針對本輪融資的4億元,閃馬智慧有怎樣的規劃?

彭垚: 主要還是會去延展我們在AI+交通領域的核心演算法優勢,然後去擴大在整個行業的影響力。我們其實已經在全國做了很多智慧高速路,以及一些城市的智慧交通,之後這部分深度發展,把車路協同全時空、全天候的感知,做到精度非常高。這個也是跟無人駕駛有點像,他們是做單車智慧,我們是做車路協同智慧。

然後第二塊我會去延展車路協同和軌道交通的智慧化分析。第三塊會去做廣度,會去做全省的未來公路的規劃和建設,這可能是未來5年的一個計劃——一個全省可以做無人駕駛的車路協同工作。

36氪:車路協同方面,行業內有百度、阿里、華為等大廠的方案,閃馬的競爭壁壘是什麼?

彭垚: 我們的核心競爭壁壘就是專業度非常高。從底層的自主人工智慧框架,到上面的和演算法研究,再到整個應用以及資料分析,再到專案交付,全流程都由我們團隊完成。因為專注地去做事情的話,很多通用性的東西我們也不用去考慮,相對來說比較容易去把東西做好。

36氪:閃馬會有資料量是否充足的問題嗎?

彭垚: 我們的資料量非常大,一個是我們去的城市非常多,因為我們有一些拳頭產品,所以我們去的城市就很多。第二個我們在優化演進,也有很多聯合實驗室,所以這塊相對來說還是比較有優勢的,而且我們本來就是七牛雲出身的,影片量本來就非常大。

36氪:目前五大主線業務中,營收佔比大概是怎樣的情況?這是否符合您的預期?今後還會開拓怎樣的場景?

彭垚: 交通佔大部分,因為其他的場景剛剛也說,需要更長一段時間的各個行業的沉澱和適應,進而對AI才會有需求的增長。

關於行業

36氪:技術角度看,路端感知相較於車端感知有怎樣的異同?會有怎樣的難點?

彭垚: 單車的話,主要是相當於是從第一視角感知周邊的車輛和周邊的實施狀況。

路側感知要把這個車從前到後所有的東西做影片融合,做影片接力,所以它的難度和綜合性複雜度要高很多。

然後對車側的話,其實是車輛的整體感知到控制的整套要求比較高,一個相當於單體智慧體,一個是叢集感知體,這是兩種演算法,我們側重於感知方面。所以這兩個系統不一樣,架構也不一樣,底層演算法也有不少區別。

36氪:我們如何選擇攝像頭和鐳射雷達方案?

彭垚: 對,我們是融合的裝置,包括我整個全路網感知融合的整套系統演算法平臺,相當於攝像頭和鐳射雷達都融合著用。

之後還要融合整條路上所有的鐳射雷達這些東西,整條路上所有的鐳射雷達這些東西之後,就才能去把整個的交通狀況去做實時分析。在這個之上,我們其實更多時候是做一些時空發現,比方說我會預測出未來會有擁堵,會有可能發生車禍的指數。

36氪:從巨集觀視角來看,車路協同經歷了怎樣的幾個發展階段?每個階段的市場需求是怎樣的?您認為當下處於怎樣的階段?

彭垚: 我覺得現在車路協同,還是屬於示範階段。它主要現在應用多的還是一種純測市場,純測市場的話,就是說幾乎都是選了一些車輛非常少的高速公路路段去做,車路協同相對的安全係數也會高一些。

因為道路其實是一個非常複雜的狀態,我們為什麼核心想做道路?因為不同的道路,它的擁堵狀況不一樣,所處的地方不一樣,這些東西都會影響車對周邊的一些感知,所以其實就是說我們做路就可以把各種路況的感知都做起來,這是一個基礎。

當然,車路協同未來會去找一些更復雜的場景去做測試,我相信這是一步步技術演進突破的過程。

推薦閱讀

點選圖片即可閱讀