四大皇冠赛 特斯拉的第一笔自动驾驶投资 另辟蹊径的DeepScale

欢迎关注“创事记”微信订阅号：sinachuangshiji

文/叶方  编辑/王德芙

来源：汽车之心（ID:Auto-Bit）

自动驾驶行业再次迎来重磅新闻。

据CNBC报道，特斯拉正计划将嵌入式计算视觉新创公司DeepScale收入囊中。

这件事情的起因是昨晚（10月1日），DeepScale CEO Forres tIandola更改了自己在Linkedin上的动态。

他现在已是特斯拉员工，出任特斯拉资深机器学习科学家一职。

此后，Forres tIandola还在推特上发文称：

“本周我加入了特斯拉Autopilot团队，我期待能与公司其他深度学习与自动驾驶大牛们并肩战斗。”

除了Iandola外，在过去的两天时间里，至少还有10名DeepScale工程师与研发人员加入了特斯拉。显然，即使特斯拉没有买下这家公司，也已经将它“掏空”。

过去几年，特斯拉至少收购了包括SolarCity和Maxwell 在内的5家公司，但均与自动驾驶无关。如果对 DeepScale 的收购完成，这将是特斯拉在自动驾驶领域的第一笔投资。

目前特斯拉还没有确认此次收购，对相关消息也暂未发表评论。

01

另辟蹊径的DeepScale

DeepScale两位创始人：Forres tIandola（左）与Kurt Keutzer（右）

DeepScale的前身是名为“伯克利深度驾驶”(Berkeley Deep Drive)的研究团队，其联合创始人Iandola与Kurt Keutzer一直致力于提升计算视觉深度神经网络的效率。

2012到2016年间，计算视觉行业一直都在靠堆资源来运行深度神经网络。而Iandola与Keutzer则另辟蹊径：

试图在只适用于嵌入式系统有限资源的情况下，完成简化版深度神经网络的构建。当然，其前提是不影响其性能和准确性，同时降低时延。

最终，他们拿出了名为SqueezeNet 小型深度神经网络架构。

SqueezeNet在ImageNet上实现了AlexNet级的精度。与AlexNet相比，参数数量减少50倍。

此外，借助模型压缩技术，DeepScale能够将Squeeze Net压缩到小于0.5MB的空间（比AlexNet小510倍）。

据汽车之心了解，DeepScale将继续推动深度神经网络在计算机视觉的精度和鲁棒性。公司也正在研究如何让上述方法在硬件上运行，且兼具价格优势（接近于10美元而不是1万美元）和低功耗（接近10瓦而不是2千瓦）的特性。

此前，Iandola在“伯克利深度驾驶”的研究吸引了多家汽车公司的目光，业界巨头纷纷解囊相助，其中就包括福特、博世与三星等行业巨头。

这些公司告诉Iandola，自家自动驾驶研发项目都卡在了AI系统上，因为它需要太多服务器做“后期保障”，而大家都想找到一个能有效降低成本，让搭载AI的车辆有更好的获益前景。

02

DeepScale的杀手锏

虽然DeepScale规模不大，但Iandola还是将业内巨头Mobileye看作自己的头号假想敌。

2017年3月，Mobileye被英特尔在2017年以153亿美元收购，此前这家以色列视觉公司也是特斯拉的合作伙伴，正是双方联手才有了初代的Autopilot。

说了这么多，DeepScale到底有什么杀手锏？

Iandola 表示：

“在Mobileye那里，你得接受捆绑销售，掏钱买下整个解决方案，摄像头、处理器和软件等等。如果你只用到一部分技术或想换个玩法，这样就是在浪费钱。事实上，20年前Mobileye刚刚崭露头角时，整个汽车市场都是这样的一揽子买卖。

如今，汽车市场的价值链已经出现了巨大变化，更为开放的平台成了大家的最爱，第三方供应商供给的解决方案则是汽车厂商与一级供应商差异化竞争的重要原料。

DeepScale找到的正是这一突破口，我们的解决方案将选择权交到了客户手中，而不是硬生生塞给他们许多根本不需要的东西。

简言之，客户能将我们的技术融入自家感知堆栈，也可移除我们产品中的某个单元来补强自己的解决方案。”

Squeezenet得以崛起主要还是得益于各种变体深度神经网络应用，比如针对物体探测的SqueezeDet，针对激光雷达数据语义分割的SqueezeSeg，以及更简化的图像识别网络SqueezeNext。

Iandola的“巅峰”是SqueezeNAS，它利用神经架构搜索技术实现了深度神经网络开发的自动化。

去年，这项技术就用在了神经网络的开发中，它拿出的产品比人工设计的还要精确且低时延。