传奇不该被遗忘：谈谈你不知道的自动驾驶起源故事

编者按：说起自动驾驶，大多数人恐怕不会第一时间想起梅赛德斯-奔驰。不过上世纪八十和九十年代，这家德国巨头就已经在着手自动驾驶项目的研发，其测试车甚至还在法国的 1 号高速公路大秀自动驾驶。

这个项目的主导者，是德国动态计算机视觉和自动驾驶汽车的先驱—— Ernst Dickmanns，他曾是慕尼黑国防军大学教授（1975-2001） 。

在人工智能的历史中，没有夏秋，只有春冬。当研发人员正兴致勃勃享受着春雨滋养时，突然就凛冬已至，因为资本的耐心是有限的。

Dickmanns 自动驾驶项目起步时就赶上了第一个 AI 寒冬的尾巴，而他的奔驰测试车「放马南山」时，则是 AI 行业的第二个冰河时期。

1995 年之后，戴姆勒逐渐对 Dickmanns 的技术失去了兴趣，虽然这个项目的整体投资已经高达 7.49 亿欧元（进行长达 8 年的研究），但只好草草下马，这段传奇也逐渐被人们所遗忘。

今天，我们就一同来回顾这段几乎被人遗忘的历史。

1994 年的一个秋日，法国 1 号公路上匆匆赶路的人们恐怕根本意识不到，从自己车旁飞驰而过的两台奔驰轿车会被载入史册。

为了获得在 1 号公路的测试牌照，奔驰没少跟法国相关部门说好话。在清除了一切障碍后，这两台辆银灰色的奔驰 500 SEL 轿车终于上路了，在车载计算机的控制下，他们一路狂奔到 130 km/h，并进行了变线、避让等操作。

这样看来，奔驰才是自动驾驶行业的始祖，而现在风头无两的 Waymo、特斯拉和 Uber 等公司只能算赶上了好时代的后生罢了。

可惜的是，Ernst Dickmanns 领衔的这个项目没能走到最后，它逐渐被人遗忘并最终消失在了历史长河中。

Dickmanns 的故事确实令人唏嘘，这个传奇项目的命运也证明：

技术的进步不是小步前进，它经常进一步退三步，既会在热潮中突然爆发，也会在混乱中轰然崩塌。

同时，这个项目也给了我们警示：对于人工智能的期待应该适当放低，而且某些依靠数据驱动的解决方案始终有局限性。

图片来源：POLITICO

现年 83 岁高龄的 Dickmanns 表示：「现在，我已经不给其它研究者提一般性建议了，但有一点我始终坚信，那就是研究人员不应完全忽略那些曾经非常成功的解决方案。」

「从天而降」的工程师

在成为「自动驾驶汽车之父」前，Dickmanns 职业生涯的第一个十年鼓捣的可不是四轮汽车，而是太空飞船，他非常擅长分析飞船再入大气层时的轨道。

作为一名出色的工程师，他凭借自己的能力在当时的西德航空航天界闯出了名堂。

1975 年时，还不到 40 岁的 Dickmanns 就成了德国国防军下属一所研究型大学（慕尼黑大学）的红人。

图片来源：Reinhold Behringer

不过，来这所大学任教也改变了 Dickmanns 的人生轨迹，他找到了自己一生中真正的使命：教车辆如何「张开双眼看世界」。

仅仅几年时间，Dickmanns 就发现自己的真爱不是太空飞船，而是汽车。

于是，他买了辆奔驰小货车，用计算机、摄像头和其它传感器将其「武装」了起来。

1986 年，戴姆勒-奔驰和慕尼黑大学 Ernst Dickmanns 教授进行了接洽。

为了庆祝奔驰问世 100 周年，奔驰提出了一个开发新技术的大规模研究项目，其中之一就是自动驾驶。奔驰希望在这个项目上与 Dickmanns 进行合作。

于是 Dickmanns 带着团队开始对自动驾驶汽车对的概念验证，当时的原型车叫做 VaMoRs，这是一辆 5 吨重的梅赛德斯面包车，配备了摄像头和其他传感器，经过改装，可以对方向盘、刹车和油门进行控制。这些传感器依靠算法来观察道路上的白线，以及图像中的主要颜色差异。

随后，Dickmanns 的奔驰小货车正式开启了测试之路。

出于安全考虑，VaMoRs 首次自动驾驶演示是在一条没有车辆的街道上进行的。

由于他们使用的计算机处理速度非常慢（至少按照今天的标准)），Dickmanns 不得不想出一种方法，使用计算机在几秒钟内处理图像，而不是毫秒甚至毫秒内实时导航。他和他的团队称之为「4D 法」。

系统通过估计空间定位和速度，无需存储以前捕获的图像。它也被设计成只关注视觉输入中最相关的细节，比如高对比度的区域或颜色或纹理的变化。

1986 年 10 月 1 日，当时的戴姆勒-奔驰公司与几家欧洲汽车公司、汽车电子厂商和零部件供应商、研究所和大学合作，启动了「普罗米修斯」研究计划，为了追求交通的最高效率和安全性的最大化，这个智能交通项目应运而生。

普罗米修斯项目是历史上最大的自动驾驶汽车及相关技术研发项目，耗资 7.49 亿欧元。

这个项目最初的计划是利用高速公路上的地下电缆来引导自动驾驶汽车在高速公路上行驶，但是 Dickmanns 之前的成功足以证明计算机视觉更加灵活，更有效率。

第二年，他就把测试车带上了巴伐利亚一条还未完工的高速公路。当时，这台测试车时速到了 90 km/h。

上世纪 90 年代初，戴姆勒又抛出了一个让 Dickmanns 颇感「意外」的点子。

当时，戴姆勒高管表示：「今年 10 月份（1994 年），用我们的乘用车在巴黎进行终极演示。演示完之后，直接把车开上法国的高速公路如何？」

在那个时代，这样的要求真是相当大胆。

Dickmanns 深吸一口气后回应称：「我觉得现在的团队和技术方案，完全能实现戴姆勒的计划。」

Dickmanns 十足的底气让戴姆勒加大了投资，其游说团队也开始着手消除法国政府的疑虑。

1994 年 10 月，Dickmanns 的团队带着那两台辆银灰色的奔驰 500 SEL 去戴高乐机场接机，带着多名贵宾驶上附近的高速路后，他们打开了车辆的自动驾驶模式。

当时的情景与现在类似，车辆驾驶席上还是坐着一名工程师，他的手会虚搭在方向盘上以防万一，而真正负责驾驶的是车辆自己。

「有时候，我们会松开方向盘。」Reinhold Behringer 说，当时的他就是驾驶席上的工程师之一。24 年之后，他谈起往事依然激动异常。这一壮举当时也成了许多报纸的头条。

一年之后 Dickmanns 的团队又有了新目标。

1995 年，一辆奔驰 W140 S 级自动驾驶原型车从慕尼黑一路行驶到哥本哈根总行驶里程超过 1678 公里。

在高速公路上最高时速可达 175 公里，在没有人为干预的情况下行驶了约 158 公里。这次测试是为了让团队收集数据，了解自动驾驶系统在后续的改进。

但好景不长，戴姆勒逐渐对 Dickmanns 的技术失去了兴趣（主要原因是技术条件受限，内无法实现商用），虽然这个项目的整体投资已经高达 7.49 亿欧元（进行长达 8 年的研究），但只好草草下马，这段传奇也逐渐被人们所遗忘。

AI 寒冬的牺牲品

人工智能的历史中，没有夏秋，只有春冬。

有时，研发人员正兴致勃勃享受着春雨滋养时，突然就凛冬已至，因为资本的耐心是有限的。

Dickmanns 自动驾驶项目起步时就赶上了第一个 AI 寒冬的尾巴，而他的奔驰测试车「放马南山」时，则是 AI 行业的第二个冰河时期。

人类对 AI 的研究起步于上世纪 50 年代末，这项技术刚刚起步时，研究人员几乎都被自信冲昏了头脑。

经济学家 Herbert Simon 在上世纪 60 年代时甚至预言称，20 年内 AI 在能力上就可与人类平起平坐。

大潮袭来，资金也随之汹涌澎湃起来，但当时的 AI 技术差得远。

AI 的春天持续了 15 年后，泡沫还是在上世纪 70 年代中期吹破了。投资瞬间缩水，AI 技术有关的研发也不得不转向幕后（实验室）。

图片来源：Reinhold Behringer

第一个 AI 寒冬期间，Dickmanns 就相当低调，他对机器视觉的研究基本都是私下进行的。因为他知道，即使大张旗鼓的宣传，别人也会觉得自己疯了。

上世纪 80 年代中期 Dickmanns 的小货车开上那条未完工的高速公路时，AI 技术终于迎来了第二春。

他的概念吸引力十足，不但拿到了充足的资金，还像磁铁一样吸引了大量人才前来追随。在 1994 年的自动驾驶演示开始前，他的团队就有了 20 名工程师。

不幸的是，第二个 AI 寒冬上世纪 90 年代初就来了，Dickmanns 的自动驾驶王朝轰然倒塌。

「那（自动驾驶）确实是个有趣的概念。」Behringer 说道，「不过对大多数人来说，有点太超前了。」

需要注意的是，当时戴姆勒选择倾囊相助可不是要彻底干掉司机这个职业，只是想让用户不再为事故担惊受怕，同时证明计算机视觉技术可以用来防止事故发生。

教车辆「开眼看世界」

在技术专家看来，世界上的发明分两种：

第一种是电灯泡这样的，它会在使用中不断迭代升级；

第二种则是超音速客机这样的产品。还记得协和客机吗？在那个时代，它用到的技术与工艺绝对是革命性的，但过于先进最终却成了断送协和大好前途的毒药。

如果按这个分类方法，Dickmanns 的自动驾驶汽车就属于第二类。

上世纪 80 年代初期，计算机性能相当孱弱，分析一张图片都得花 10 分钟，而想要驱动自动驾驶汽车，计算机必须在电光火石间识别出周边的任何异动。

图片来源：Reinhold Behringer

当时 Dickmanns 就指出，想实现这样的目标计算机每秒至少得分析 10 张图片。

因此，Dickmanns 只能选择在车上安装 60 台晶片机，这在当时已经是相当前瞻的微处理器架构了，简直就是在车上安装了超级计算机。

面对这样一座几乎无法翻越的大山，Dickmanns 选择从人类解剖学上汲取灵感。在他看来，汽车应该像人类感知周边环境一样审视街道。

当然，人类的眼睛也有极限，它们只能保证视野中心很小一部分区域的分辨率。

因此，Dickmanns 认为车辆也应该只专注于那些与驾驶息息相关的事务，比如路标。这样的解决方案能大幅削减信息量，减少车载计算机的数据处理压力。

除此之外，他还找了其它计算捷径。当 Dickmanns 意识到自己不需要将宝贵的算力用在保存图片上时，他成功节省了大量计算时间。

Dickmanns 还通过编程让车辆学习从错误中汲取经验，并以此不断提升自己对周边环境的理解能力。

总得来说，Dickmanns 的自动驾驶汽车用到了扫视计算视觉（车上搭载了四个焦距不同的摄像头）、一系列微处理器和概率性方法以完成对各种路况的实时反应。

通过一系列努力，Dickmanns 的测试车终于实现了「自动驾驶」，虽然有些勉强。不过在那个时代，已经非常不容易了。

以当下眼光来看，在高速路上实现自动驾驶是最简单的，因为其路况高度可控——不但车流可预测，而且道路标线非常清晰。

即使这样，Dickmanns 1994 年的那次高速狂飙也不算完美。「那只是一次测试，确实不太完美。」Behringer 说。「当我们车前有其他车辆遮住路标，或者道路标线变模糊了，测试车的车道识别功能就开始出现问题。」

硅谷的崛起

第二次 AI 寒冬袭来后，巴黎那次演示也开始变得黯淡无光。

戴姆勒直截了当的表示，希望 Dickmanns 尽快拿出可以推向市场的产品。但当时的条件下， Dickmanns 实在无法满足这位「老板」的要求。

随后，戴姆勒逐渐失去了兴趣，不愿在 Dickmanns 昂贵的基础研究上花钱了。

「现在来看，戴姆勒没能在自动驾驶上持续投入确实是个错误。」瑞士 Dalle Molle 人工智能研究所主管 Jürgen Schmidhuber 说道。「要不然，现在还有其他公司什么事儿。」

如今，虽然德国汽车巨头们依然手握自动驾驶行业近半专利，但以硅谷科技巨头为代表的新来者们正在急起直追。

业内专家认为，现在的自动驾驶领导权之争中，汽车巨头与科技新贵可以说是并驾齐驱。

「德国可能会丢掉自己自动驾驶急先锋的地位，因为它的技术研究已经出现了严重的断档。」Schmidhuber 说。同时，自动驾驶这个概念与德国厂商的市场定位有些冲突，一直以来他们打造的都是「驾驶者之车」。

上世纪 90 年代末，Dickmanns 将眼光转向海外，最终这位传奇人物拿到了美国陆军研究实验室一份为期四年的合约。这次的合作催生了新一代自动驾驶汽车，它能掌控更为复杂的地形。

Dickmanns 退休时，又给这个行业留了一份大礼，他的一份论文吸引了 DARPA 的注意。

2004 年，DARPA 决定举办自动驾驶挑战赛，而正是这项比赛彻底点燃了大家对自动驾驶的热情。

在宣传上 DARPA 也有自己的一套，因此自动驾驶挑战赛也成了面向公众的自动驾驶展台。

Gene Blevins/Reuters/Corbis

2005 年斯坦福计算机科学家 Sebastian Thrun （上图）在挑战赛上一战成名（也是德国人），他后来还主导了谷歌自动驾驶团队的创立，成了 AI 行业留名青史的人物。

图片来源：Reinhold Behringer

新的自动驾驶热潮兴起后，Dickmanns 的努力彻底被遗忘。

2011 年，也就是 Dickmanns 在巴黎的高光时刻过去 17 年后，Thrun 上了《纽约时报》的头版。

不过，这家知名媒体最终也不得不刊文修改了一些措辞，毕竟有 Dickmanns 在，Thrun 可拿不到「自动驾驶之父」的大名。

「人们根本不清楚前人到底做了什么，机器学习科学家们尤其傲慢。」一位 AI 研究者叹息。

他指出，许多高级研究人员甚至认为 5 年前的研究论文就过时了，有些则根本不了解前人都做了什么努力。

凛冬将至？

2018 年，历史的轮回再次让 AI 回潮，但凛冬将至的诅咒会再次降临吗？

可能性恐怕还是很大。

眼下，AI 研究人员正在「深度学习」领域苦难行军，他们的任务是教会算法如何识别模式。

虽然这种在复杂数据中寻找相关性的方法适用于许多场景，但在某些情况下还是会水土不服。

鉴于深度学习的驱动主要靠数据，因此算法的好坏非常依赖数据质量。

计算机科学家 Filip Piękniewski 出版了一本名为《AI 寒冬已然逼近》（The AI Winter is well on its way）的新书：

在书中他指出，投资者愿意为 AI 技术砸钱，特别是在自动驾驶汽车和机器人上，主要就是因为深度学习带来的不切实际的预期。

图片来源：Ernst Dickmanns

「预期终会与现实相撞。」Piękniewski 说道。「许多投资者最终都无法变现，他们的钱会彻底打了水漂。」

代夫特大学教授 Virginia Dignum 则表示，如果 AI 研究者还是一门心思专注于深度学习，大家都会失望而归。AI 行业应该将眼光放的更加长远，投资那些数据依赖度更低的解决方案或模型。

不过，对于 AI 行业的未来， Dignum 还是相当有信心。

她不认为 AI 寒冬很快就会降临，因为与此前的 AI 热潮相比，当下的开发者更注重 AI 技术的商业应用，而这一切都是拜 21 世纪第二个十年勃兴的算力与数据存储技术所赐。

简单来说，现在的研究人员比他们的前辈幸福多了。

开拓者

虽然近些年来技术有了飞速进步，但 Dickmanns 坚信真正的自动驾驶依然需要研究人员继续抛洒 10-20 年的「热血」。

眼下，路上的自动驾驶测试车依然将节省算力看的非常重要，GPS 定位、高精地图和数据库都在帮各家公司达成这一目标。

在 Dickmanns 看来，这样的解决方案下自动驾驶汽车无法真正「看见」周边环境，它们靠的只是「确认视觉」（confirmation vision）。

这也就意味着，那些地图数据完整的区域它们能轻松应对，但环境变得不可控后就可能会出大乱子。

因此，Dickmanns 更倾向于自己的老办法，即所谓的「开拓者视觉」（pathfinder vision），这才是自动驾驶汽车的终极杀手锏。

「地震、风暴或一场战争之后，人们才能认识到，现在的『确认视觉』法根本行不通，因为它无法适应所有环境。」Dickmanns 解释。

Dickmanns 坚信，自动驾驶行业总有一天会顿悟，到时自己的理念会再次崛起。

「很高兴我能成为行业先锋之一，」他补充道。「但如果当时就有现在的技术，恐怕我能书写一段完全不同的传奇。」

（P.S. 欢迎添加微信 autobitxyz 加入汽车之心自动驾驶讨论群交流群）