賈浩楠 發(fā)自 副駕寺
智能車參考 | 公眾號 AI4Auto
被引用次數(shù)超過12萬次、H因子高達(dá)151、學(xué)科H因子139、出版著作150+……
在最新的計算機(jī)科學(xué)家排名中，這樣的學(xué)術(shù)成績，是中國第二。
這位AI大牛就是商湯科技聯(lián)合創(chuàng)始人、首席科學(xué)家、商湯絕影事業(yè)群總裁王曉剛，是智能車參考的老朋友和出鏡率極高的?？?。
而眼下，王曉剛正帶領(lǐng)著他的團(tuán)隊All in端到端。
知名學(xué)術(shù)平臺Research.com剛剛公布了計算機(jī)科學(xué)全球頂尖科學(xué)家名單，其中商湯的王曉剛博士排名中國第2，世界第37。
Research.com的榜單中，從2022年開始王曉剛就一直是中國計算機(jī)科學(xué)TOP 3的“l(fā)eader”學(xué)者?？偙灰么螖?shù)125264次，從2016年之后算，被引用次數(shù)也達(dá)到了92560次。
因為是細(xì)分的計算機(jī)科學(xué)排名，所以Research.com使用了較為準(zhǔn)確的D-index，及學(xué)科內(nèi)H因子作為依據(jù)，細(xì)化到被調(diào)查學(xué)科的論文和引用值，王曉剛博士的這一數(shù)據(jù)為139。
作為對比，深度神經(jīng)網(wǎng)絡(luò)之父Geoffrey Hinton的D-index為166。
王曉剛博士被引用次數(shù)前三的論文，分別是Pyramid scene parsing network、Deep learning face attributes in the wild、Residual attention network for image classification。
尤其是2017年他和團(tuán)隊提出的PSPNet，深刻影響了后續(xù)圖像語義分割的發(fā)展。其核心思想是利用金字塔池化模塊，通過使用不同尺度的池化核對輸入特征圖進(jìn)行池化操作，有效地獲取多尺度的上下文信息。所以網(wǎng)絡(luò)能夠更全面地理解圖像中的語義信息，從而提高語義分割的準(zhǔn)確性和魯棒性。
類似的成果還有很多，從內(nèi)容上看，王曉剛的學(xué)術(shù)成果覆蓋模式識別、機(jī)器學(xué)習(xí)、特征提取和計算機(jī)視覺，涉及卷積神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)、人臉識別系統(tǒng)、人臉和判別模型，均屬于人工智能范疇。
模式識別、大語言模型、計算機(jī)視覺技術(shù)等交叉領(lǐng)域的探索，正是目前自動駕駛領(lǐng)域最熱門、最被看好的方向之一——端到端自動駕駛。
所以，在商湯科技成長為平臺型AI公司之后，王曉剛也順理成章帶領(lǐng)團(tuán)隊向難度更大、落地場景更復(fù)雜、規(guī)模潛力更大的汽車工業(yè)發(fā)起沖擊。
不過在介紹王曉剛目前的工作之前，先簡單說一下他的經(jīng)歷。
王曉剛是中國科技大學(xué)少年班出身，2001年畢業(yè)。
2004年又獲得香港中文大學(xué)信息工程碩士學(xué)位。
2009年獲得麻省理工學(xué)院人工智能實(shí)驗室計算機(jī)博士學(xué)位，同年加入香港中文大學(xué)電子工程系，2020年起擔(dān)任教授。
學(xué)術(shù)方面，王曉剛在頂級的國際期刊和會議發(fā)表超過300篇論文，其論文在Google Scholar上的引用超過120000次，h-index = 151。
他還是國際頂級計算機(jī)視覺會議CVPR 2017, ICCV 2011, ICCV 2015, ICCV 2017, ECCV 2014, ECCV 2016, ACCV 2014和ACCV 2015的領(lǐng)域主席。
產(chǎn)業(yè)層面，2014年同樣出身中科大、MIT，任教港中文的世界級AI科學(xué)家湯曉鷗，帶領(lǐng)王曉剛、徐立、楊帆等人創(chuàng)辦了商湯科技。
2016年起王曉剛?cè)紊虦芯吭涸洪L，整體負(fù)責(zé)商湯科技的研發(fā)工作，建立起包括計算機(jī)視覺、自然語言理解、語音識別、混合現(xiàn)實(shí)、人工智能內(nèi)容生成、智能影像、通用人工智能、決策智能、智能芯片、人工智能傳感器和人工智能大裝置等眾多領(lǐng)域在內(nèi)的研發(fā)體系。
近幾年間，商湯研究院在全球計算機(jī)視覺頂級期刊和會議上共發(fā)表600余篇關(guān)于深度學(xué)習(xí)和計算機(jī)視覺的研究論文，在世界所有科研機(jī)構(gòu)和公司排名第一，在各類國際人工智能比賽中獲得超過70項冠軍。
2022年，商湯將汽車業(yè)務(wù)獨(dú)立拆分，命名為“絕影“公開亮相，王曉剛為總裁。
據(jù)官方透露絕影目前已經(jīng)和30多家國內(nèi)外車企攜手合作，產(chǎn)品覆蓋超100款車型，累計交付260萬輛智能汽車。
與其他AI公司押注智艙或智駕的單一業(yè)務(wù)模式不同，絕影依靠商湯在計算機(jī)視覺、大算力轉(zhuǎn)裝置、大模型基礎(chǔ)架構(gòu)方面的先行優(yōu)勢，智能駕駛、智慧車艙、車路協(xié)同各個技術(shù)路線上不斷拿出量產(chǎn)上車成果。
而今年被點(diǎn)燃的“端到端”浪潮，王曉剛和絕影團(tuán)隊不但all in，還“血統(tǒng)純正”、上車在即。
從去年CVPR 2023最佳論文到現(xiàn)在整整一年時間，商湯絕影做了這么幾件事。
首先是一段式端到端自動駕駛大模型的產(chǎn)品化、工程化不斷推進(jìn)，已經(jīng)從幾千行代碼，完成了向符合汽車工業(yè)標(biāo)準(zhǔn)規(guī)范的量產(chǎn)產(chǎn)品的演變。
對于一般的自動駕駛公司來說，這一步可能就是目標(biāo)和終點(diǎn)，也是最難、最緊迫的挑戰(zhàn)。能全力交付端到端的產(chǎn)品，就能活到下一輪出牌，至于功能、體驗，都可以后期OTA。
但商湯絕影不止步于交付一個單一的自動駕駛模型，更進(jìn)一步，提出了兩個新的技術(shù)和應(yīng)用：
自動駕駛大模型DriveAGI，和車載AI Agent，幾個月前北京車展期間就曾提及，剛剛結(jié)束的WAIC人工智能大會上，又被王曉剛博士著重強(qiáng)調(diào)。
同出一源，都是商湯原生多模態(tài)大模型，同時又都以UniAD端到端大模型為基礎(chǔ)，和自動駕駛、智能座艙的功能、體驗深度關(guān)聯(lián)。
比如UniAD，在無高精地圖，甚至是針對某種類型目標(biāo)0樣本學(xué)習(xí)的前提下，也能僅依靠視覺感知實(shí)際道路情況，準(zhǔn)確地完成包括大角度轉(zhuǎn)向、避讓占道車輛及施工區(qū)域、繞行跑步行人等一系列高難度操作，做到“像人一樣開車”：
在路上遇到救護(hù)車，它還可以自動避讓；遇到潮汐車道或公交車道時，它能根據(jù)限行規(guī)則自動規(guī)避：
除此之外，它也可以切換不同的駕駛風(fēng)格，當(dāng)需要趕時間時，你可以告訴DriveAGI開得更快?些；如果是想要放松?下，你還可以讓它開得平穩(wěn)?些。
對于智駕，多模態(tài)大模型相當(dāng)于一個“點(diǎn)讀機(jī)”，圖像、視頻數(shù)據(jù)哪里不會點(diǎn)哪里，不理解的目標(biāo)場景，都能給出準(zhǔn)確的解釋。
商湯絕影對于端到端的描述和布道，已經(jīng)和業(yè)內(nèi)主流思路有了底層的區(qū)別：從應(yīng)對自動駕駛挑戰(zhàn)，上升到了AGI在車端應(yīng)用。
王曉剛認(rèn)為現(xiàn)在談AGI上車，時機(jī)剛好，甚至還有點(diǎn)緊迫，因為AGI應(yīng)該是端到端的必要條件和前提。
所謂端到端，就是駕駛?cè)鞒痰腁I化，傳感器信息輸入，直接輸出決策數(shù)據(jù)信號。直接的好處，就是可以讓AI模型直接學(xué)習(xí)成熟的駕駛行為，理論上具備和人一樣的駕駛能力。
端到端對傳統(tǒng)自動駕駛技術(shù)范式的降維打擊，是用數(shù)據(jù)驅(qū)動替代規(guī)則驅(qū)動，解決系統(tǒng)能力上限被鎖死，以及后期無休止高投入、維護(hù)難的問題。
這樣的誘人前景讓現(xiàn)在所有玩家都跟進(jìn)押注。但無論是出于成本考慮還是技術(shù)實(shí)力所限，現(xiàn)實(shí)的情況是大部分產(chǎn)品實(shí)現(xiàn)端到端，都是靠“兩段式”方法，即感知模型后面，串一個決策和規(guī)控模型。
但商湯絕影堅持搞“純粹”的一段式端到端模型：輸入一段視頻，輸出一段預(yù)測的軌跡。
王曉剛給出的理由是兩段式首先解決不了信息丟失的問題，但更致命的是后串決策規(guī)控模型，“實(shí)際上規(guī)模很小”。
小模型永遠(yuǎn)無法激發(fā)出應(yīng)對復(fù)雜場景的通用能力，永遠(yuǎn)無法產(chǎn)生自動駕駛的ChatGPT。
所以端到端天然就應(yīng)該是原生大模型，也只有這樣，才能解決自動駕駛從感知向認(rèn)知轉(zhuǎn)變的問題。
所以商湯絕影的DriveAGI誕生，把商湯原生多模態(tài)大腦能力應(yīng)用在車端，能夠同時輸入、處理多種數(shù)據(jù)類型的模型，可以是文本、語音、圖像、視頻等等。
實(shí)際上相當(dāng)于給端到端自動駕駛系統(tǒng)，安裝了一個和人類基本認(rèn)知能力相同的大腦。
底層的思路是這樣：既然大語言模型的學(xué)習(xí)、認(rèn)知能力已經(jīng)和人類差別不大了，那為什么不能用語言模型基礎(chǔ)的范式框架去處理其他數(shù)據(jù)類型的任務(wù)呢？
實(shí)際上就是用大模型語義理解能力去看、去分辨圖像、視頻或者任何類型的數(shù)據(jù)。
現(xiàn)在都說只有端到端才能真無圖，沒有無圖就沒有端到端…這樣的觀點(diǎn)背后暗含著系統(tǒng)能夠“認(rèn)知”世界的前提，但這是狹義端到端模型本身完成不了的任務(wù)。
實(shí)際上幾乎所有和智能車參考交流過的業(yè)內(nèi)人士，都說現(xiàn)在根本不存在絕對的無圖，各家方案都或多或少要用到相關(guān)信息。
或者說“端到端”這個大黑盒，決策過程、思維能力等等開發(fā)者根本就無從知曉，“菩提本無樹”。
現(xiàn)階段，商湯絕影根據(jù)歷史研發(fā)積累和技術(shù)發(fā)展趨勢給出的最佳解決方案，就是利用多模態(tài)大模型展現(xiàn)出的通用AI能力，解決自動駕駛的認(rèn)知問題。
這兩年間Research.com名氣越來越大，他們的學(xué)校、學(xué)科、學(xué)者排名也被越來越多的從業(yè)者和媒體引用參考。
按照Research.com的介紹，它們本質(zhì)上是一家有經(jīng)營性質(zhì)的公司，主要服務(wù)對象是四處求學(xué)的國際生。
所以它們連續(xù)推出各種榜單排名也合情合理。
Research.com賺錢的路子有兩個，一是直接和留學(xué)培訓(xùn)機(jī)構(gòu)合作，收取咨詢費(fèi)，二是靠網(wǎng)站廣告位賺錢。
可能也是因為不靠任何學(xué)?；蜓芯克诿澲琑esearch.com的榜單含金量被認(rèn)可程度越來越高。
它們有一支60多人的專家組，包括各個學(xué)科的著名學(xué)者，但在評選時不依賴某一組選定科學(xué)家的意見，也不會直接發(fā)調(diào)查問卷，而是依賴硬性數(shù)據(jù)進(jìn)行排名。
數(shù)據(jù)要么是公開的，要么來自擁有多年數(shù)據(jù)收集經(jīng)驗的知名、可信的組織。比如有關(guān)學(xué)院、招生、畢業(yè)、校園設(shè)施的一般信息基于最新版本的 IPEDS 和 Peterson數(shù)據(jù)庫。有關(guān)學(xué)者的信息取自谷歌學(xué)術(shù)、College Scorecard 數(shù)據(jù)庫等等。
根據(jù)被引用次數(shù)、H因子、出版物等等客觀公開數(shù)據(jù)進(jìn)行排名，王曉剛博士是中國計算機(jī)科學(xué)No.2。
那第一呢？
正是湯曉鷗博士，商湯科技的創(chuàng)始人，王曉剛的老師兼創(chuàng)業(yè)伙伴。
所以計算機(jī)視覺領(lǐng)域，學(xué)術(shù)水平和綜合應(yīng)用中國實(shí)力最強(qiáng)是誰，應(yīng)該沒有爭議。
— 聯(lián)系作者 —
— 完 —
【智能車參考】原創(chuàng)內(nèi)容，未經(jīng)賬號授權(quán)，禁止隨意轉(zhuǎn)載。
點(diǎn)這里?關(guān)注我，記得標(biāo)星，么么噠～
用戶評論