特斯拉第一筆自動駕駛投資的如意算盤。
文 | 利榮
完全解放，對於自動駕駛行業來說，就是“生死線”。
經證實，特斯拉現已完成對DeepScale的收購，TechCrunch分別與兩名不願透露姓名的訊息人士證實了這一交易，不過他們都不願就交易的財務條款提供更多資訊。
已獲1800萬美元融資的DeepScale
DeepScale是2015年成立於矽谷的人工智慧初創公司，致力於為邊緣裝置提供先進的高效感知功能，幫助汽車製造商使用低功率處理器，來驅動非常精確的計算機視覺系統。
他最受矚目的成果包括深度學習基礎設施，FireCaffe以及深層模型，如SqueezeNet 和SqueezeDet。他在此基礎上於2015年聯合創立了DeepScale公司。
Forrest Iandola於10月1日正式宣佈加入特斯拉，出任資深機器學習科學家。
那麼，在被特斯拉收購前，DeepScale在自動駕駛中扮演什麼角色？
其實在自動駕駛汽車架構這個話題上，整個架構被分為5大部分——感知、定位&規劃、決策/執行、控制，連線&I/O。DeepScale的關注點是前兩個部分——感知、定位&規劃，他們會支援整個環境建模，包括：目標識別、柵格網路、車道分割、目標追蹤和自定位。
Forrest Iandola就曾說過，他不覺得DeepScale一定要等待全自動駕駛汽車到來再推廣這項技術。“我們看到感知方面的問題很普遍。類似的技術可以被用在已經量產的ADAS汽車和用來接駁服務的自動駕駛汽車。”
此外，DeepScale在資本圈一直很受青睞。
DeepScale已在由Steve Cohen的風險基金Point72和西門子支援的風險基金next47牽頭的A輪融資中籌集了1500萬美元。同時，他們還從一家美國科技公司籌集了300萬美元的種子輪融資。
DeepScale的自動駕駛特色
特斯拉為什麼可以成為高階輔助駕駛領域的扛把子，這裡是有原因的。要解決這個疑問，首先要理清一個知識點：什麼是神經網路。
神經網路（NEURAL NETWOTRK）是機器學習的一種，通過借鑑生物神經網路的工作原理二形成的一種數學模型，構造類似上圖。
神經網路可以用於解決機器視覺以及語音識別等諸多難題。舉個例子，如果你想讓你的神經網路識別一張圖片，比如狗，那你需要提供大量的圖片資訊供你的機器進行學習最終達到識別的能力。
在自動駕駛晶片領域，目前AI加速器都力圖以最小延遲實現更好的精度，特別是在自動駕駛汽車（AV）中，TFLOPS已成為許多所謂的智慧晶片的關鍵競爭指標。包括Nvidia的Xavier SoC、Mobileye的EyeQ5、特斯拉的HW3和NXP-Kalray晶片。
Forrest Iandola解釋了為什麼這種“蠻力”處理方法不可持續，並表示AI硬體設計人員常見的許多假設已經過時。
隨著AI玩家們獲得了更多AI應用的經驗，他們越來越清楚地意識到不同的AI任務開始需要不同的技術方法。如果這是真的，AI使用者購買AI技術的方式將會改變，那麼供應商將不得不做出迴應。
Iandola認為，“例如，神經網路架構搜尋（NAS，neural architecture search）的快速發展可以使搜尋優化的深度神經網路（DNN）更快、更便宜。有一種方法“可以在目標任務和目標計算平臺上產生最低延遲、最高精度的DNN，而不是依靠更大的晶片來處理所有AI任務。”
Iandola預計在未來，AI晶片或感測器系統（即計算機視覺、雷達或鐳射雷達）的供應商不僅提供硬體，還會提供更快、更高效的自己的DNN，既為特定應用構建的DNN。
事實上，目前似乎大多數供應商需要不同的DNN，並用於不同的計算平臺。如果所有這一切都是真的，那麼以往在這場AI競賽中的所有努力方向將會有很大的改變。
但需要明確的是，晶片公司和感測器供應商目前都還沒有提出類似對未來的預期。很少有人暗示會在特定硬體上執行目標AI任務的可能性。
因此，Iandola和他在DeepScale的隊友設計了一系列名為“SqueezeNAS”的DNN模型。
在前不久發表的一篇論文中，他們聲稱SqueezeNAS在搜尋目標平臺上的延遲時實現了更快、更準確的模型。該論文透露出了一些AI行業之前關於NAS、MAC（multiply-accumulate）操作的一些假設，應用於目標任務時的ImageNet準確度。
特斯拉自動駕駛投資的如意算盤
特斯拉汽車尚未實現完全自動駕駛技術，換言之，還沒有達到L4級。
因為，達到L4級自動駕駛的汽車可以在特定條件下處理汽車行駛過程中的所有問題，而無需人為干預。
目前，特斯拉汽車仍處於L2級。它的輔助自動駕駛系統Autopilot技術是一個比現今馬路上大多數汽車更先進的一個駕駛員輔助系統。
馬斯克曾承諾，特斯拉將會不斷改善其汽車的高階駕駛員輔助系統，直到最終實現完全自動駕駛。
今年早些時候，馬斯克表示特斯拉將在2020年推出自動拼車網路。總部位於加州山景城、成立四年的初創公司DeepScale似乎是這一計劃的一部分。
過去一年，特斯拉的Autopilot團隊經歷了相當的人事動盪，有訊息稱，此次收購將填補特斯拉Autopilot團隊的人才缺口。
目前，DeepScale已掌握在小型、低成本、汽車及感測器和處理器上使用高效的深度神經處理系統來提高感知系統準確性的技術。
這些感知系統使用感測器、地圖、規劃以及控制系統來實時對資料進行解釋和分類。這對自動駕駛汽車的執行至關重要。簡而言之，這些系統能讓汽車了解周圍發生的事情。
DeepScale稱使用低功率和低成本感測器和處理器能夠為所有價位的汽車都提供駕駛員輔助和自動駕駛功能。
該公司已經從包括Autotech VC、Bessemer、Greylock和Trucks VC在內的風投機構募集了1800多萬美元的投資，其中包括300萬美元的種子資金和1.56億美元的A輪融資。
週一，DeepScale的聯合創始人Forrest Iandola在Twitter上釋出了一則訊息，並更新了他的領英頁面。他在推特上這樣寫道：“這周我加入了特斯拉的自動駕駛團隊。我期待著與這些最聰明的人在深度駕駛和自動駕駛方面合作。”
在特斯拉邁向“全自動駕駛”的過程中，它開發了一種新的定製晶片，專門針對這些功能設計。
馬斯克曾表示，目前生產的特斯拉汽車已經具備了全自動駕駛所需的硬體——電腦等。“你需要做的就是改進軟體”,馬斯克在今年4月的特斯拉Autonomy Day上說。
其他業內人士則對這些說法避而遠之。
但是，特斯拉和馬斯克保持了“改進軟體”的路線，並繼續推出改進其Autopilot自動駕駛的能力。
本月早些時候，特斯拉釋出了一個軟體更新，為其汽車添加了新功能。此次更新包括智慧召喚，這是一個自動停泊功能。車主可以使用應用程式從泊車位召喚他們的車輛。
總之，從特斯拉的第一筆自動駕駛投資中可以看出，其對自動駕駛的“野心”佈局顯而易見。業內人士也曾表示，目前自動駕駛行業已經進入把技術變成產品的時代，對這個階段的企業而言，形成完整的產業佈局是十分必要的。