無人車高手，與華為雲上的少年熱血_風聞

今年的華為全聯接大會之行終於結束了，我也跟大家分享了很多華為新技術、新產品、新戰略層面的內容。

但這屆HC上還有個讓我感想頗多的時刻：9月19日華為全聯接大會現場，我圍觀了華為雲人工智能大賽·無人車挑戰杯的決賽。這場我關注了3個月之久的比賽終於落下帷幕， “SRC”戰隊一舉奪魁；“登峯車隊”和“華中科技大學無人車一隊”獲得二等獎；“Champion”、“What’s your problem”以及“SJTU大四隊”三支隊伍獲得了三等獎。

從決賽向前追溯，會發現這是一個開發者和華為和智能時代的精彩交集。每個階段比賽中的緊迫感與精彩，很容易讓人想起動漫中的那些熱血畫面。

大賽一路走來，堪稱AI時代在產學研一體化領域的全新嘗試。它把最新的產業智能化工具ModelArts與HiLens交到了象牙塔中的學子手中；它用完全貼近實戰的方式，讓年輕人選手們自己面對無人駕駛這個時代肩頭的問題；它是比賽，是考驗，同時也是企業、學校、學生各方彼此牽掛中完成的成長。

作為一個技術時代的側影，華為雲人工智能大賽·無人車挑戰杯上演了一出《無人車高手》。

它的背後，是產學研各界的智慧與奉獻，是華為雲對於智能時代的技術+生態構建，同時也提煉着AI時代技術應用與人才培養的若干思考。

0分、40秒、無聲的熱血

時至今日，我還能清晰回想起9月9日，線上圍觀半決賽時的一幕。

半決賽裏，浙江大學、華中科技大學參賽隊在上半場獲得了0分，看起來非常令人絕望的狀況下。午休時間團隊進行了積極備戰。下半場回到賽場中，浙江大學參賽隊依舊在緊張的調試，甚至在比賽開始後還經歷了4分鐘的調試。令人驚奇的反轉發生了，最後只用40秒時間，這隻隊伍跑出了大滿貫的成績，得到了所有技術加分，一舉逆襲奪冠。

這種動漫中的劇情，發生在無人車大賽的現實賽場上。其，藴藏了同學們對比賽規則的洞悉，獨特而大膽的戰略佈置，同時也是堅忍不拔精神的徹底體現。

理解技術、構思戰略，絕不言棄，這樣的隊伍最後笑到了大賽最後。可能很多人以為校園無人車比賽還停留在科普階段時，這些科技少年已經用實力展現了自己對未來的深刻理解。

（8月5-6日 上海交通大學學生創新中心展開無人車挑戰盃賽前賦能）

華為雲人工智能大賽·無人車挑戰杯的整個過程，經歷了賽題設置、AI技術探討、參賽硬件研發，再到海選招募、培訓、初賽、決賽。

得到華為雲AI利器和上海交通大學輔導教師指導的參賽者們，開始了自己收集數據、訓練AI算法、應對賽題挑戰，踏入步步淘汰的積累賽制，最終在2019華為全聯接大會登上了決賽舞台。

在整個參賽過程中，選手們應該已經或多或少地發現了：他們不是在面對一場校園比賽，而是一道洶湧而來的時代考題。

一條飛馳在時代肩頭的賽道

華為雲人工智能大賽·無人車挑戰杯，最大的特點是與時代需求的緊密相連。

其中的聯接點，滲透於賽題設置、賽前培訓、項目輔導的方方面面。據上海交通大學學生創新中心劉彥博老師透露，在賽題和賽制方面，他吸取了大量主流無人車比賽的賽制與賽題，力求將這次比賽變成具有國際視野與應用前瞻性的比賽。

（劉彥博（右一）老師在2019華為全聯接大會現場作決賽技術解説）

在技術要素就位後，本次大賽在此前上交大校內賽的結果中進行推演，最後確定了六大賽題，包括交通燈識別、環島行駛、U形彎道行駛、靜態/動態障礙物避障，並準確識別停車位標示進行泊車。司機朋友們不難看出，這些賽題已經基本容納了駕駛場景中的主要行為，並且對幾個賽點進行了融合，絕對不比人類考駕照容易。

軟硬件基礎與賽題結合後，大賽給參賽者保留了非常大的創新空間。本次大賽的基本邏輯，是繁重重複性的工作儘量交給華為雲提供的AI工具，而數據收集、算法調試、戰略佈置等能夠體現創新創造能力的環節完整保留給參賽者。

（總決賽比賽現場）

從結果來看，這次大賽的賽題的邏輯鏈非常清晰。收集更多數據用於訓練的選手優勢很大；不同算法能夠直接體現為成績；激光雷達和高精地圖等技術成為了重要的比賽戰略支點。無人駕駛時代需要怎樣的人才，相信這個問題大部分參賽選手都找到了答案。

雲、AI、少年夢

AI和無人駕駛是有難度的，這點在今天依舊毫無疑問。這些成熟科技公司都不敢輕易觸碰的技術，要交付給在校學生們去創新和發揮，其中的難度可想而知。

將AI和無人駕駛，通過雲到端的聯接，摺疊成同學們手中可用可感的賽題。這不僅是選手們的比賽，同時也是華為雲的比賽。這次大賽中，華為雲的技術試煉的目標之一，就是用工具鏈縮短AI開發流程。

因此，在這場無人車大賽的比拼中，華為雲派出的三位“選手”異常搶眼：

一、雲端一體的AI算力

無形世界中，基於公有云提供的AI算力，其實是一切故事的起點。華為雲提供的雲端AI算力，則保證了AI加速能力的量化可裁剪，能夠取代線下硬件為選手所用。在剛剛結束的華為全聯接大會中，華為發佈了具備最強AI算力，基於Atlas 900的華為雲EI集羣服務。通過雲端解決AI算力困境，今天正在策馬揚鞭。

二、摺疊訓練過程的ModelArts

想要AI算法好用，無人車識別精度更高，最基本的途徑就是加大訓練量。比賽中，有參賽隊伍收集了幾萬張圖片用於無人車訓練，效果明顯比千張圖片訓練量的隊伍優異很多。但龐大訓練數據帶來的直接問題，在於數據標註需要消耗大量人工。這對於課業繁重的同學們來説顯然是巨大的難題。

為此，華為雲在AI開發領域主打的一站式AI開發平台ModelArts，實現了訓練過程的摺疊。通過半自動標註，ModelArts可以對數據圖片進行推理標註，並且自動進行精度檢測，從而在自動化效率和訓練精度之間達成平衡，極大程度地降低了人工消耗，實現了AI開發觸手可及。

而在訓練過程裏，ModelArts可以將華為雲強大的計算資源融合到訓練過程，支持分佈式訓練，輕鬆達成高標註的產業級模型訓練。一些常用算法可以在ModelArts經過簡單調參進行自動學習，盡一切可能縮短訓練時間與訓練流程。

在2019華為全聯接大會期間，華為雲又全新發布了升級的一站式AI開發管理平台ModelArts 2.0。ModelArts 2.0發佈了十餘項新特性及服務，包含智能數據篩選、智能數據標註、智能數據分析、多元模型自動搜索、ModelArts SDK、圖神經網絡、強化學習、模型評估/診斷、模型壓縮/轉換、自動難例發現、在線學習等。這也宣佈AI一站式開發進入高度自動化、智能化的新紀元，或許在明年的無人車挑戰杯上，選手的想象力會迎來極大拓展。

三、端側的視覺利器——HiLens

當選手們把精心訓練的模型放到端側，也就是比賽用車上，將面臨無人車跟現實場景交互的複雜問題，對選手機器視覺技術應用的考驗剛剛開始。

機器視覺作為如今的主流AI應用，將面對端側從數據採集、模型轉化、推理部署等系列問題。而華為雲提供的HiLens機器視覺平台，則可以讓一系列視覺步驟簡單化。比如在選手採集視覺數據時，可能面對各種各樣的視覺干擾。比如光線、角度等等，這些可能影響訓練精度。而在HiLens上，預先提供了訓練腳本，可以在採集數據過程中完成本地訓練，達成數據高精化提煉，為之後的模型訓練節省大量工作成本。

而在模型的部署端，HiLens可以幫助實現快速的模型轉化、快速分發，以及在硬件盒子中實現快速推理。大量工具和算法、算子的集成讓HiLens可以提供整套推理運行架構，參賽選手不需要了解底層算子，直接部署模型。並且與雲端全棧打通的架構，讓HiLens可以節省大量硬件搬遷和平台兼容成本，一鍵部署模型，快速來到實戰階段。

從算力、訓練平台、部署工具三個領域，對AI開發的全流程進行了摺疊，華為雲的AI工具鏈最終完成了大賽支撐，賦能參賽選手的光榮使命。這時或許可以這樣看待這個問題：今天的選手也是明天的產業執行者，而今天華為雲的賽場練兵，也就是明天無人駕駛產業的風起雲湧。

今天的，明天的

從賽場到公路，從雲端到龐大的無人駕駛產業，這次大賽是一次完整的“從今天透視明天”的過程。

首先從華為雲的AI開發工具鏈角度看，今天對無人車大賽的支持，直接指向於明天在無人駕駛產業中的集中應用。

從無人駕駛的產業現狀來看，從雲計算角度的產業支撐，是實現大規模產業破局的基礎條件。落到具體工具中，很容易發現HiLens有助於實現真實無人車場景中的數據收集、端側預訓練和模型快速、高效部署，其對於無人駕駛產業的應用具備廣泛想象空間。

而ModelArts對於訓練週期的摺疊，以及對於訓練版本的精準控制，在無人駕駛產業實質上意義非凡。一個成熟的無人駕駛平台，往往需要上百萬公里的路測，實時更新訓練樣本和訓練方案，並對單一算法精度有極高的要求。這些特性都符合ModelArts的能力特點。相信工具化和自動化，是將無人駕駛拉近現實的重要途經。

今天的無人車大賽，也是明天相關學術領域代際更新的開始。華為雲的AI能力，極大解決了學術和教學機構的硬件成本，以及部署、搭建、兼容性等綜合成本問題，是推動學術發展的基礎能力；而從教學上看，無人車大賽的在實踐中讓學生們瞭解了AI的各模塊與全流程，直接提供了實際經驗與就業技能，是非常值得升級和推廣的產學研結合方案。

採訪中，劉彥博老師回憶，有一件事讓他一直印象深刻，“往往半夜兩三點了，微信羣裏同學們還在提問，華為雲的技術專家也在耐心回答。”雖然夜深霧濃，但這些年輕的開發者們對於智能與勝利的熱情卻堅硬如鋼鐵。

那一幕夜色中，華為雲和所有技術人一樣，在AI時代的黎明，執着堅守着心中的少年熱血。