Eth掛科

1. 在瑞士留學是怎樣的感受

瑞士作為中歐地區的發達國家，是全球最富裕、社會最安定、經濟最發達和擁有最高生活水準的國家之一，全球創新指數位列第一。那麼，在這樣一個相對冷門的國家留學會有怎樣的體驗呢？

學習雖苦，生活卻十分愜意

在國內本科時，我是同學口中的「大神」，學習幾乎沒壓力，專業課大部分90+，100也拿過幾個。但到了ETH（蘇黎世聯邦理工學院）之後，第一個月的課程就教會了我做人。

ETH 會用嚴格的考核、家常便飯般的低分告訴你：努力照樣會失敗。

為了完成其中一門課程作業，我幾乎連續一個月沒有去學校上課，在家孤獨地寫代碼，每天吃披薩度日，半夜 3：00 前沒睡過覺。一個月之後，我終於提交了作業，卻因此失去了遠在國內的女朋友。

拚死拼活一學期後，一些科目還只能勉強及格，還有掛科的…

ETH 學習雖然艱難，生活卻是十分舒適愜意，這多少給了我們一點安慰。

ETH 的 Master 學費低廉，每年1288瑞士法郎，約合人民幣不到一萬，絕對是海外名校中的一朵奇葩。

而且蘇黎世作為世界最佳宜居城市之一，環境優美，氣候宜人，交通便利，治安良好，空氣清新。冬天還可以去滑雪，這也是個不錯的體驗。

——小C同學

/小結/

關於學習：

瑞士學校的碩士課程主要是英語授課，只要聽得懂英語就沒問題。學校的中國人也很少，學霸卻是有很多，所以對於提升英語水平和學業能力是有很大幫助的。如果你的學業水平已經處於「獨孤求敗」的狀態，又想好好感受一下歐洲城市的氛圍，這倒是個不錯的選擇。

關於費用：

瑞士高校的學費較為便宜，每年學費約合人民幣1萬不到；

不過瑞士生活費用較高，每個月的生活費至少約需1200-1500瑞士法郎（Swiss franc CHF），約合人民幣8千到1萬人民幣，每年需10-12萬人民幣；學校附近合租房的話住宿費用大概會在500~600瑞士法郎一個月，約合人民幣4000元左右，單獨租房就要到7000以上人民幣。

總共加起來在瑞士留學一年的費用約為16萬人民幣，差不多是英國一年留學費用的一半。

2. 特斯拉的「純視覺」，能否到達自動駕駛的彼岸

特斯拉最近又出大新聞了。才內部郵件宣布達成L2級自動駕駛，這次徹底「純視覺」了。

這次是美國時間7月10日，特斯拉 FSD Beta V9.0終於在美國向用戶推送。相比起上一個版本，V9.0做了FSD有史以來最大的一次更新。徹底拋棄了雷達的使用。而且，特斯拉徵召了2000名車主內測，報名踴躍。不過，BUG很快就出來了。

這不，一位叫Giacaglia的網友看了一下特斯拉車主們發的視頻，馬上就收集了FSD 9.0 beta的11個失誤瞬間。從各個動圖來看，很明顯現在的系統還是只能算是駕駛輔助，如果脫手或者離開人的監控，還是會出事情。這次可以看到的BUG有：

場景一：自動轉彎之後徑直向道路中央的綠化帶撞了過去。

場景二：無法識別路中單軌道路。

場景三：闖公交車專用道。

場景四：在單行車道上逆行。

場景五：一直轉換車道。路口右轉時，無法判斷使用哪個車道。

場景六： 汽車 壓實線並線；急需換道時，因為後方車輛逼近，錯過時機，只能下個路口見了。

場景七：自動並線超車之後發現道路劃線，還要強行壓線並道。

場景八：左轉時提前換道。

場景九：左轉時，差點進入對向路邊停車位。

場景十： 汽車 穿過幾條車道後才能左轉。

場景十一：在一個只有停車標志的地方，看到兩個停車標志。

「作為一個做Deep Learning方向的人表示，用神經網路的車我是肯定不敢坐的……」「是的，做ML（Machine Learning）的看現在的自動駕駛，堪比醫生遇到掛科的同學給自己做手術。」「強行讓機器來學人（純靠視覺）本就是錯誤的發展方向，機器有自己的優勢（可以自由加裝雷達等設備進行輔助）而不利用，就是典型的教條主義、本本主義。」……

這都是很專業的質疑，那麼，特斯拉是不是點錯 科技 樹？這個問題雖然見仁見智，但是從主流的CV（Computer Vision）+雷達路線來說，特斯拉有點像「西毒」歐陽鋒了，為了降低成本，純視覺一條道走到黑，「雖百死而不悔」的精神雖然有了，但是，那都是消費者的命啊……

為什麼純視覺？

如果特斯拉很老實地講自己是駕駛輔助也就罷了，壞就壞在從一開始馬斯克喜歡「吹」自動駕駛，直到吹破了以後在內部郵件中承認是L2級駕駛輔助。但是，現在馬斯克給吹得成為一種神話，這種造神運動讓馬斯克騎上虎背下不來了。

而且，國內外有太多「特吹」，包括大眾集團CEO赫伯特·迪斯博士。當然，迪斯博士吹特斯拉，是為了麻痹敵人，那是另外一回事。

且不說特斯拉多年排名墊底的自動駕駛功力，已經讓多少人命喪黃泉，單說特斯拉靠「純視覺」方案，說能達到全自動駕駛L4~L5級別，這就讓人匪夷所思了。

蘇黎世聯邦理工學院（ETH Zurich）教授Marc Pollefeys則認為特斯拉不太可能放棄完全自動駕駛近在咫尺的說法，「很多人已經為此買單（特斯拉的FSD套餐），所以他們必須保持希望，」他說，「他們被困在那個故事裡。」故事已經成為一種神話。

那麼，為什麼特斯拉取消雷達使用純視覺？特斯拉多次強調過，攝像頭數據和雷達數據在做融合的時候比較困難，當攝像頭數據與雷達數據有沖突時，系統反而會更加難以抉擇。

所以，馬斯克也表示過，與其讓二者互相扯後腿，不如只選一個並把它做到極致。而且，在他看來，特斯拉的深度學習系統已經比毫米波雷達強100倍，現在的毫米波雷達已經開始拖後腿了。

而在今年的 CVPR（計算視覺與模式識別大會）上，特斯拉首席AI科學家安喬·卡帕西（Andrej Karpathy）還講了特斯拉如此「執拗」的原因。不過，對於走上歧路的特斯拉，我們還是奉勸要保持冷靜。

為什麼呢？道理其實很簡單，人在開車，雖然是以視覺為主，但是其他的感官都是一體作用的，並非無用。比如聽覺，身體的觸覺，甚至是意識的直覺等。「事實上，人類開車的時候，是一種近乎無意識的感知，他就能夠預測下一步應該怎麼辦，從而規避事故。」這是奇瑞 科技 有限公司總經理李中兵在世界人工智慧大會的一場論壇上所講的。而在這點，特斯拉有點過於執著在視覺上了。

通用視覺系統和神經網路

那麼，這次的CVPR上，特斯拉的安喬·卡帕西（Andrej Karpathy）詳細介紹的基於深度學習開發的自動駕駛系統，也就是全視覺的好處是什麼？

特斯拉的底氣，是採用了「通用視覺系統」和「神經網路」兩種黑 科技 。當然，Karpathy 強調，基於視覺的自動駕駛，在技術角度更難實現，因為它要求神經網路僅僅基於視頻輸入就能達到超強性能的輸出。「不過，一旦取得了突破，就能獲得通用視覺系統，方便部署在地球的任何地方。」

「我們拋棄了毫米波雷達，車輛只靠視覺來行駛。」Karpathy認為，有了通用視覺系統，車輛就不再需要什麼補充信息了。特斯拉始終認為，收集環境信息是一回事，利用環境信息又是另一回事。而且，感測器的種類和數量越多，互相之間的協調與整合就越難做，最終效果恐怕只是1+1 2，得不償失。

這次特斯拉發布的FSD Beta V9.0，從技術上來說，新演算法調用所有用於自動駕駛的8個攝像頭，修復跨鏡頭畸變、時域差，拼接成環視視覺，再對周圍環境進行實時的3D建模。也就是特斯拉所謂的「鳥瞰圖視覺」。

具體來說，就是特斯拉將2D視圖轉化為模擬激光雷達數據，然後再用（激光雷達）演算法處理這些數據，得到比之前好非常多的視覺測距精度。你不覺得奇怪么，既然還是得用激光雷達演算法，為什麼不用激光雷達呢？

按照特斯拉的說法，其自動駕駛系統是基於神經網路的特徵識別、預判和規控，對於道路環境項目進行學習，比如交通路牌的含義到底是什麼，需要通過很多場景素材訓練系統，訓練得越多系統能處理的場景越多。通過幾百萬車主積累的大數據，表現出來的能力就是，特斯拉可以輕松做到目前城市道路的自主駕駛。

實際上，馬斯克一直都希望將特斯拉的製造成本壓到最低。從成本上來說，目前特斯拉Model 3的自動駕駛攝像頭成本只需要65美元。而激光雷達的成本，還基本上在1000美元以上級別。要知道，2018年的時候，Velodyne的64線激光雷達HDL-64售價可是高達7.5萬美元的。

支撐特斯拉車價一降再降的當然是成本的控制。但是，馬斯克和特斯拉還是過於迷信軟體和AI的力量了。對於自動駕駛的「長尾問題」，特斯拉認為靠AI和超級計算機能解決，這都是有問題的。就算完成了99%，最後的1%依然是不可跨越的鴻溝。

此外，已經有外媒認為，美國本土的傳統車企通用 汽車 將在2021年超越特斯拉，原因就在於特斯拉在自動駕駛方面已經落後，特別是又在「純視覺」的路線上一條道走到黑。

感測器融合才是未來

就純視覺的局限來說，有業內人士認為，在一些極端的場景中是無法滿足對於感知探測能力的KPI指標的。比如一些復雜的天氣情況，如大雨、大霧、沙塵、強光、夜晚，這對於視覺和激光雷達都是非常惡劣的場景，難以用一種感測器應對。主要體現在幾個大的方面：

1）天氣環境因素造成的視覺感測器致盲（如逆光炫目、沙塵暴遮擋等）；

2）小目標物體在中低解析度視覺感知系統中，可能造成目標晚識別（如減速帶、小動物、錐桶等）；

3）異形目標由於未經訓練可能造成無法匹配，被漏識別（道路落石、前車掉落輪胎等）；

4）視覺感測器本身的識別要理要求，對於視覺識別的高算力需求等。

就算一些自動駕駛測試或比較成熟廠商，在智能駕駛中也多次發生撞車事故，為感測器系統的失效付出慘痛代價。所以,感測器融合是構建穩定感知系統的必要條件。畢竟，視覺感知能力有局限，必須結合毫米波雷達或激光雷達做優勢互補才能實現。

回頭來說，這次特斯拉的內測BUG裡面，但凡有一個場景沒有人類駕駛員眼明手快接手的話，就會演變成為交通事故。這能讓人放心嗎？特斯拉的車主們也忒心大了。

此外，我們知道，攝像頭如何感知深度只是自動駕駛問題的一部分。特斯拉依靠的最先進的機器學習只是識別模式，這意味著它會在新情況下掙扎。一掙扎，就會產生誤判。

與人類司機不同的是，如果系統沒有遇到場景，它就無法推理該做什麼。「任何AI系統都不了解實際發生的事情，」研究自動駕駛 汽車 計算機視覺的康奈爾大學副教授克里安·溫伯格（Kilian Weinberger）如此表示。

還有一點是，雖說，FSD 9.0給智能輔助駕駛系統是創造了更廣闊的應用場景，但是，在L2級別的駕駛輔助系統（而不是自動駕駛系統）這個前提下，這些功能多少仍顯得有些雞肋，因為駕駛過程中根本無法脫手。而且，人類駕駛員不僅需要手握方向盤，還需要在城市道路上與車載電腦系統較勁，增加了額外負擔和心理壓力。

FSD BETA V9.0的這些內測BUG會在實際道路上反復出現，毫無疑問這為城市交通也製造了更多的隱患。不過，這套系統能不能用在更加復雜的中國的開放道路上？公社的小夥伴中還是有對特斯拉超有信心的，「大家都沒開過，怎麼知道行不行呢？」是啊，是騾子是馬，特斯拉總會拉出來遛遛。