文
秦明；编辑
石亚琼；来源
数字时氪（）
从80年代跨越到90年代，相比于知识工程与专家系统，人工神经网络不温不火，很多人认为它并没有什么实用价值。
年8月，邓志东进入清华大学从事博士后研究，主要做基于人工神经网络的误差反向传播算法的性能改进，以及强化学习等方面的研究。
他回忆到，那个时候专家系统严重依赖于人工设计、缺乏学习能力等局限还没有被人们完全意识到。计算机的算力与性能也不能支撑大型神经网络模型面向大规模数据集的训练与推断，人工神经网络也几乎不能应用于图像处理与计算机视觉领域。
突破与创新不断出现，也是在年，李开复设计了支持语音识别的语音助理，即Siri的前身；IBM的AI“深蓝”机器人于7年第一次战胜了国际象棋冠*卡斯帕罗夫……
自4年留校以来，邓志东做了很多领域的研究，包括自学习控制、移动机器人技术、神经网络、强化学习、复杂网络理论、虚拟现实、计算生物学、无线传感器网络、计算神经科学、自动驾驶技术等。不知不觉中，他已经在人工智能领域探索了30个年头。
时代的进步，历史的偶然。上世纪的边缘探索，如今看来已经成为主流并引领未来。
01年，以深度神经网络为代表的AI技术飞速发展，各大科技巨头纷纷涌入，押注人工智能的未来。年，以深度卷积神经网络为核心的计算机视觉技术拉开感知智能时代的序幕；年，以大模型为代表的自然语言方向让AI跨入新的时代。
邓志东告诉36氪，每一项技术突破的背后都有一群追求真理的科学家，以及面向落地应用场景的大量尝试性探索。自动驾驶是他近10年多的重点研究领域，也是目前最有技术挑战的落地应用场景之一。
核心技术难点之一在于汽车如何去理解复杂的动态驾驶场景（DDS），保证自动驾驶的安全性。
邓志东表示，人类驾驶是建立在认知理解基础之上，依靠可理解的视觉感知和大脑实现决策；相比之下，自动驾驶难以在复杂动态环境中获得人类水平的驾驶知觉、预测与认知判决能力。
也就是说，它难以对道路、路口、停车位以及各种交通参与者复杂变化行为所组成的一幕幕动态场景，做出满足安全性要求的综合性的关联感知、趋势预测与自主判决。
想真正意义上实现自动驾驶，还需不断从基础理论、软硬件与系统、*策、法规、伦理、生态等层面完善与突破。
那么当下自动驾驶技术发展的现状和瓶颈是什么？科学家团队正在解决哪些关键技术问题？市场中大家的共识与分歧是什么？未来还有哪些商业机会？以及产学研过程中有哪些问题要解决？
近期，在第一届专精特新技术创新大会暨科学家创新创业论坛前夕，36氪数字时氪专访了清华大学人工智能研究院视觉智能研究中心主任邓志东教授，聊了聊上述问题，他结合过往观察给出了心中的看法。
清华大学人工智能研究院视觉智能研究中心主任邓志东教授
01谈瓶颈：复杂场景的不可理解性
年初，在国家重点项目的支持下，邓志东开始了自动驾驶技术研究——视听觉信息的认知计算。走过很多弯路，踩了很多坑，这是邓志东对过去的一些描述。
邓志东团队是国内最早使用纯视觉方法进行自动驾驶技术研究的团队之一。他谈到，当时主要是基于摄像头、激光雷达、毫米波雷达等视觉感知设备，进行驾驶场景与目标的感知，同时陆续从硬件、算法、软件、系统集成、路测，甚至车辆改装层面做了大量技术探索。
改装日产奇骏、别克昂克雷，利用长安CS35与CS55全线控车，从自动驾驶原理性、技术性验证到后面的路测实验样车，邓志东至少主持研发了4台自动驾驶汽车。
天天做实验，压力巨大，是团队常有的状态。那时团队走遍了北京的东南西北边缘地带（北面的北清路、温泉地区，西面的世博园，南面的良乡，东面的燕郊），也在北京的5、6环，以及G7高速公路的部分路段进行了闭环测试。
邓志东回忆到，当时国内自动驾驶普遍采用循线方法，为了验证基于视觉自主感知的驾驶效果，团队直到年，一直没有使用任何厘米级精度的RTK差分GPS以及高清地图。
刚开始研究时，深度学习还没有发展起来，采用传统的计算机视觉方法，漏检误检会比较多，仅可做到70%-80%的准确率，而且程序实现中还加了很多阈值逻辑，通用性与环境适应性不好。邓志东告诉36氪，那时候承受了极大的压力，一切都需要摸索中。
如今，基于深度学习的视觉感知方法在性能上有了突破，但与正常成年人类驾驶相比，在感知上仍有很大的差距。
行百里者半九十，自动驾驶是典型的长尾应用场景。相比于人类驾驶平均10万公里才会有一次小的事故，目前L1、L级别的自动辅助驾驶对应的路测里程数最低要求在0万、万公里。
邓志东谈到，目前自动驾驶的难题在于感知的不安全与不可靠性，核心是对复杂场景与目标的不可理解性。过去研究与实践中大多仅孤立考虑单一实体属性，如单个目标本身的检测、分割、跟踪与识别，以及轨迹补全、行为预测等，如今需要
