编者按：本文来自微信公众号“汽车之心”（ID：Auto-Bit），作者：叶方，编辑：王德芙，未来汽车日报经授权发布。原标题：《特斯拉的第一笔自动驾驶投资》

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 Forrest Iandola 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，Forrest Iandola 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。

另辟蹊径的 DeepScale

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 SqueezeNet 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。

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。

显然，DeepScale 专注于效率的切入点没找错，因为 SqueezeNAS 已经证明，这项技术可以减少训练和搜索时的 GPU 占用时间，它不但能用在推理硬件的优化上，还能提升任务执行效率。

原本要扔 7 万美元在云计算中的任务，现在 700 美元的成本就能搞定（价格基于亚马逊 AWS）。

今年 1 月，DeepScale 首款产品姗姗来迟，这是一套模块化深度学习感知软件，专为驾驶辅助系统 Carver 21 打造。

借助这套软件模块化与高效两大特点，DeepScale 准备吸引更多的汽车厂商与一级供应商客户。

同时 DeepScale 还指出，Carver21 可以整合进任何客户指定的传感器与处理器中，以便实现顾客对 ADAS 功能的不同需求。

DeepScale 宣称，基于英伟达 Drive AGX Xavier 处理器的 Carver21 能同时并行 3 个深度神经网络，在实现 L2+ 功能的同时仅占用处理器算力的 2%。

鉴于 Xavier 算力为 30 TOPS，而特斯拉自有芯片可达 72 TOPS，因此 Carver21 如果用在特斯拉上，恐怕连 1% 的算力都用不上。

这样来看，DeepScale 掌握的高性能、低资源占用的计算视觉技术确实是特斯拉最好的「自动驾驶野心倍增器」，毕竟现在特斯拉 CEO Elon Musk 一切以视觉为中心，对激光雷达嗤之以鼻。

虽然嘴上不停攻讦激光雷达，但 Musk 也不是不想用这个传感器，他只是扛不住成本这座大山。

毕竟，特斯拉即将实现年产 50 万台的目标，如果每辆车上都用 360 度摄像头、雷达、激光雷达和超级计算机等硬件，那就没有多少消费者能买得起了。

因此，不想在成本上吃亏的特斯拉只能研发快速、准确、可靠且不怎么占用算力的深度神经网络，而这正是 DeepScale 的强项。

为了实现「花小钱办大事」的效果，两家公司都强调软硬件的联合研发。

虽然 DeepScale 并不自行开发硬件，Iandola 依旧表示 DeepScale 与硬件合作伙伴联系紧密，同时他们也会影响对方在设计上的抉择。

显然，这也是特斯拉一直以来的风格。

Musk 手下的精兵强将甚至专门开发了针对深度神经网络的计算硬件，而且性能超群。

与此同时，DeepScale 推崇的神经网络自动化开发也与 Autopilot 部门负责人 Andrej Karpathy 的所谓「软件 2.0」范式不谋而合。

除此之外，DeepScale 还能将新的测试方法带到特斯拉。

这种方案类似功能安全评估，但却更适合软件定义的新型车辆。

自动驾驶行业对人才有多饥渴？

特斯拉对 DeepScale 的收购还反映出自动驾驶行业对人才的追逐日趋白热化。

此前，苹果收购自动驾驶公司 Drive.ai 数十名工程师以及 Drive.ai 的其他资产。

而 Waymo 则接收了13 位来自机器人创业公司 Anki 的机器人专家。

未来，类似的收购案会越来越多，大家的核心目的都是人才。

此前就有消息显示，业内想收购 DeepScale 的其实并非特斯拉一家，当时谈判的价格甚至达到了 9 位数（数亿美元）。

不知道是开价太高还是特斯拉横刀夺爱，总之其他追逐 DeepScale 的公司都没能成功。

当然，要想在市场上挖来足够多的自动驾驶 AI 人才，花上数亿美元太正常了。

也有消息称，特斯拉这次花大价钱收购，不但是要对 DeepScale 技术进行全面吸收，也是为了狙击竞争对手。

自今年 5 月份以来，已经有 11 名自动驾驶工程师离开了特斯拉 Autopilot 团队。

诚然，DeepScale 的人才补充能壮大特斯拉的自动驾驶团队。但对比过去几年里纷纷出走的精兵显然还是杯水车薪。

随着 Musk 在今年 3 月 Autonomy Day 上的承诺迫近，Autopilot 却无甚动静。现在来看，特斯拉离真正的自动驾驶还有很长一段距离。

在时间线越发紧张的情况下，特斯拉的员工必须精诚一致，而且他们还得保证用户不会丧失耐心。

毕竟，大家都在期待自己的特斯拉能够早日实现全自动驾驶。