从ADAS到自动驾驶，基于数据驱动的开发模式已经是明确趋势。但如何降低开发成本，仍然是最大的障碍之一。

本周一，以色列汽车人工智能公司Autobrains宣布，获得1.01亿美元的C轮融资，来自克诺尔、宝马、大陆集团继续参与了本轮投资，主营业务涉及用于辅助和自动驾驶的自学习人工智能技术。

AutoBrains成立于2019年，是以色列初创企业Cortica和大陆集团成立的合资企业，其中，Cortica已经与瑞萨电子、丰田合作，将相关的技术集成到摄像头SoC芯片V3H。

从Cortica到AutoBrains，源于前者与大陆集团ADAS部门合作一段时间后，决定将汽车业务板块从公司剥离并成立AutoBrains，专注于汽车细分市场的业务拓展。

按照该公司的说法，自学习人工智能从根本上不同于现在普遍基于大数据驱动的深度学习系统，对海量数据的依赖较少，同时对计算能力的需求也较少。如果能够真正商业化落地，这意味着汽车制造商、一级零部件供应商可以减少大量的训练成本。

通过减少人工标记来训练数据的需求，实际上已经成为不少企业解决现实问题的关键。比如，特斯拉推出的3D自动标签工具，被视为全自动驾驶功能开发的重要组成部分。

特斯拉的解决方案是，在软件中引入预增强成像，显示物体在不同环境中的表现。这样做的目的是希望软件能够对不同的环境变化做出准确的修正。而从2019年开始，Waymo也已经将自动数据增强技术应用到基于图像的分类和检测任务。

但显然，技术仍在不断突破，并寻求最优解。

一、“非监督学习”解决低成本刚需

特斯拉提出的3D标签技术，并称之为下一个里程碑式的技术，比以往的技术有两到三个数量级的标记效率的提高。比如，在车端进行实时推理（这在过去还不敢想象），包括如何给数据自动贴上标签，加速训练神经网络。

作为软件工程师来说，剩余的1%（现有的算法模型已经可以处理99%的场景）仍然必须解决“边缘案例”的问题，这是在路上可能遇到的极其罕见的事件，但足够造成重大事故风险。

尽管这些事件很少见，但仍必须解决它们，以提高自动驾驶汽车的安全性。而现有的深度学习算法还没有针对它在现实世界中可能遇到的每一种道路情况进行训练。

AutoBrains提出的解决方案是，人工智能引擎会在数百万个未标注的视频中进行筛选，在没有人工干预的情况下，找到共同的元素，来决定车辆如何针对不同路况做出最佳反应。

这是一种非监督学习，一种实时的、来自真实世界数据的学习方式。按照AutoBrains给出的数据，这种方式所需的计算能力也只有传统监督学习方式的十分之一。

这家公司早期通过在一只老鼠的大脑皮层测试，把电极连接到皮质上，并发送音频和图像的电信号。他们发出的每一个信号都有一个特定的神经反应，也就是所谓的“数字签名”。

“每个物体都有自己的特征，”该公司相关负责人表示，通过将这些签名转换成数学算法，并将它们存储在数据库中。随后，计算机可以参考这些存储的签名，识别出物体或噪声。

如果他们接触到新的特征，他们会自动学习，并将新的输入与存储在记忆中的数据进行比较，并找到相似的签名。这也意味着他们能够通过找到相似的特征进行无监督学习。

该算法知道特定情况下的典型反应是什么，这使它能够在极短时间内创建一系列事件的反应场景，并试图避免“负面”的情况。而现有的深度学习是一种缺乏透明度的“黑匣子”，这种透明度对于分析涉及自动驾驶汽车的事故原因至关重要。

和特斯拉、Waymo还需要利用庞大的后端数据中心来持续强化训练不同，AutoBrains的方式更适合大规模、低成本量产，更关键的是系统的更新可以在几分钟内完成，而不需要重新运行大量的训练数据，比如基于传统神经网络的方法。

按照AutoBrains的说法，这种颠覆性技术相对于传统深度学习的优势在于，它大大降低了对昂贵且容易出错的人工标记训练数据集的依赖。

而对于任何一项新技术，量产交付是唯一的实践证明。

从2019年开始，AutoBrains的母公司Cortica就已经将这种无监督学习技术，应用于瑞萨的R-Car V3H SoC，用于前置摄像头的低功耗、高效CNN IP，优化对象检测能力。目前，这套软件在瑞萨官网已经作为软件工具对外提供。

在本轮投资中，作为全球商用车制动系统的巨头，德国克诺尔投资了约2500万美元，持有AutoBrains约5%的股份。克诺尔看重的是，自学习人工智能技术需要更少的数据和算力，可以大大减少开发时间和成本，而独立于底层硬件的模式，灵活性更高。

这意味着，ADAS及自动驾驶方案开发商不需要完全依赖芯片本身的能力，在克诺尔看来，考虑到商用车市场的“离散”需求、强制法规以及车型多样化的现实状况，AutoBrains可以帮助其解决低成本“刚需”的匹配。

接下来，无监督人工智能技术也将是大陆集团在高级驾驶辅助系统（ADAS）和自动驾驶市场增长战略的核心。这其中，就包括大陆集团、克诺尔、AutoBrains三方在商用车智能驾驶市场的布局。

二、数据驱动算法实现闭环自动驾驶落地

而在业内人士看来，只有找到一种对海量图像、视频和其他传感器数据进行低成本高效训练的方式，才能真正推动自动驾驶的规模化商业化落地。当然，类似AutoBrains、Helm.ai等公司的技术路线，并非唯一选择。

按照通常的逻辑，完全无人驾驶的最终实现，需要千亿公里的数据来发现长尾问题。考虑到实际道路测试里程积累的巨大时间成本，仿真模拟测试被行业视为解决问题的方案之一。

但事实上，仿真模拟只能是一种过渡方案和完整闭环开发的一小部分，要解决真实场景中的长尾问题，必须通过Data-driven（数据驱动）的算法才能高效解决。

原因是，基于传统规则驱动的算法框架，遇到一个问题，就需要人工设计对应的算法或参数予以解决；而数据驱动算法可以实现用统一的框架去解决大量的问题。

以常见的红绿灯感知算法为例，系统不仅需要检测视野中红绿灯的位置和类别，还需要根据时序信息，对当前的红绿灯状态进行识别，如绿闪状态、黄灯状态等。

而常规的规则驱动算法，往往需要基于规则来决定红绿灯结果的连续帧状态输出，难以适应不断扩展的路线上遇到的不同变化规律的红绿灯。

相对应的数据驱动算法，则只要输入时序的训练数据，就可以自动学习红绿灯的语义与状态跳转模式，而无需手工的调参和状态设计。同时，随着天气、光照情况的变化，算法可以随着数据的不断收集，不断自我进化，提高泛化性。

目前，在全球范围内，以Momenta为代表的公司正在通过“数据飞轮”+“两条腿”战略来部署数据驱动算法量产应用。这家公司刚刚也宣布了C+轮超过5亿美元融资，至此C轮累计融资额已超过10亿美元，整体融资额超过12亿美元。

这其中，首先解决数据问题。

比如，Momenta用Mpilot产品线与车企合作开发量产车型，获得海量真实道路的驾驶数据，然后不断训练和优化，进而实现L4级自动驾驶的进化和落地。

目前，Momenta已经和包括上汽集团、通用汽车、丰田、梅赛德斯-奔驰在内的多家全球领先汽车制造商，及博世等一级供应商建立合作伙伴关系并获得战略投资。

此外，上汽智己首款高端智能电动汽车L7已经搭载Momenta“飞轮式”技术方案推进量产落地，预计将于2022年第一季度上市交付。

而在数据回流的基础上，闭环自动化处理是第二步。这家公司拥有一整套让数据流推动数据驱动的算法自动迭代的工具链，能自动筛选出海量黄金数据，驱动算法的自动迭代。

高价值样本回收到云端后，系统会利用同时记录的观测结果对数据进行全自动标注。累积一定数据后，可自动触发无人工干预的模型训练迭代，利用超大规模深度学习计算集群，在一天半内完成全量数据训练。

这套全流程数据驱动算法，意味着可规模化，自动地解决罕见场景，可实现低成本，高速的系统迭代，并且类似的模式同时覆盖感知、融合、预测和规控等算法模块。

最新数据显示，Momenta当前版本的飞轮可以自动化地解决超过90%的长尾问题，研发效率相比于完全人工驱动的方式提升了近10倍，并计划在2年内将这一数字提升至100倍。

这家公司此前预计，到2022年可以实现全流程数据驱动的算法；到2023年，利用闭环自动化实现算法100%自动化迭代。2024年量产自动驾驶Mpilot大规模上路，通过数据回流，赋能完全无人驾驶MSD。

这其中，Mpilot与MSD基于统一硬件平台开发，前者主要包括面向高速路/城市环路、泊车场景和城市道路的自动驾驶，并且基于高精地图众包方式实现多传感器融合高精度定位方案。

到2024年，Momenta的“两条腿”产品战略将完全打通。Momenta GO将实现单车盈利，完成商业模式0-1的验证。同时，Mpilot大规模上路，量产数据大规模回流，实现数据和技术1-N的储备。

而类似AutoBrains、Momenta这样的技术型初创公司在本轮融资中继续拿到主机厂、一级汽车零部件供应商的投资，意味着，量产进程正在加速。同时，也代表汽车行业主流玩家对新技术的认可。