摘要：
从目前可以得到的信息看来，百度对于无人驾驶的未来式也有着不少期待。无人驾驶这把火已经烧遍了科技圈，火到本年的CES Asia酿成了车展。
两个月前的上海车展，百度公布了针对无人驾驶技术的Apollo计划，提出将向汽车行业和相关领域合作伙伴提供开放平台，结合车辆和软硬件系统，帮手合作伙伴快速搭建属于本身的自动驾驶系统。
如今两个月过去，Apollo的“车中安卓”建设的怎么样了？
首先要看看Apollo已经做了些什么。
在这次CES Asia上，，百度在场馆外进行了自动驾驶车辆测试，智能汽车事业部总经理顾维灏发布演讲，提出了自动驾驶模型Road Hackers和自动驾驶计算平台BCU（Baidu Computing Unit）。最后，顾维灏提到“阿波罗计划是一套开放、完整，安适的生态系统和架构，它包罗了四个层次：参考汽车层，参考硬件层，软件平台层、云办事层。”
虽然，CES Asia上公布的消息和Apollo计划相关的不久不多，不过我们可以就此进行推测，百度的Apollo计划到底能带给行业什么？
首先来看看BCU，BCU由百度和德赛西威、联合汽车电子等等汽车零部件厂商联合开发，这两位合作伙伴前者主营车联网、车载信息娱乐和显示系统，后者则专注混合动力、电力驱动控制系统和汽油发动机办理系统。这样看来，这两者和BCU在技术上很难产生交集。
那么BCU具体能做到什么？
目前BCU开发了了三个系列的产品——BCU-MLOC（高精定位）、BCU-MLOP（高精定位+环境感知）、BCU-MLOP2（高精定位+环境感知+决策规划）。这几项技术，目的是让汽车明白自身位置、行驶标的目的速度（高精定位）；下一步则是通过传感器驾驶环境进行感知、定义和分类（环境感知）；最终则是需要综合以上信息做出驾驶决策，告诉无人车应该怎么开（决策规划）。同时BCU还具备信息安适和云端更新两种基础能力。
这三项AI技术说白了，都和高精地图有关，而百度对于高精地图技术的布局较早，据称目前已经完成了30万公里的全国高速公路高精地图数据采集，还能依托多源感知数据处理、云办事中心和数据中心等实现实时更新。而在Apollo计划中，百度和博世开启了有关高精度地图方面的合作，共同开发一款适用于中国路况的精准定位办事“博世道路特征”。
面对这一情况，我们产生的疑问是：百度是否会将BCU和地图数据一同开放？CES Aisa上百度将BCU定义为“实实在在的硬件”，高精定位作为BCU硬件的基础，自然脱不开与高精地图的关系。通过零部件厂商共同“发售”硬件来加速自动驾驶的量产，是否也是百度加速地图使用权售卖的方式？
除去BCU，百度提出的Road Hacker更具看点。
无人驾驶技术可以分为两种，一种是Follow规则的无人驾驶，另一种则是端到端的无人驾驶。
Follow规则的无人驾驶是目前大多数人在做的事，通过雷达、激光、摄像头等等传感器感知环境，结合定位、决策等等规则，以计算机控制代替报答驾驶。这种无人驾驶里，AI的含量较少，尤其是目前的L3、L4级别，对于传感器硬件和精度地图的依赖远高于对深度学习的依赖。
端到端的无人驾驶则差别，抱负状态下，端到端的自动驾驶仅仅依靠摄像头/雷达等等更简单的传感系统作为输入，直接通过深度学习神经网络学习人的驾驶习惯从而实现自动驾驶。
两者比拟，端到端的无人驾驶是真·人工智能。
在CES Asia上，百度还展示了一辆依据端到端规则实现无人驾驶的哈弗H7，据称这辆哈弗H7有两个亮点，一是摒弃了其他无人驾驶车顶在头上的好几个传感器，只有一个隐藏在风挡玻璃下的单目摄像头；二是从车辆的纵向控制（加减速）和横向控制（标的目的盘转弯）上都利用了深度学习方法。
就算端到端的无人驾驶比Follow规则的无人驾驶更具技术含量，那么在应用层级上，端到端的无人驾驶真的更有优势吗？
百度给出的理由是，Follow规则的无人驾驶太过于依赖传感器硬件，从而造成过高的成本，而依靠算法可以解决这一问题。
目前看来，这一理由是很难成立的。的确，差别的传感系统就意味着差别的系统，而同一算法的统治下，无人驾驶的整体成本都会降低。硬件成本永远都可以通过量产（和山寨）降低，看看曾经的CPU就知道了，而依靠深度神经网络的无人驾驶则需要大量的数据和极长的训练时间。一个已经能够达到L3级别，另一个几乎是从零开始，两者相较，成本孰高孰低一目了然。
那么百度提出Road Hacker，并开放其模型下1万公里自动驾驶训练数据的目的究竟是什么？
