主动交互的春天来了？

3 月 5 日，长安通过直播发布了「 全球首款智能人机交互 SUV――长安 UNI-T」。 先说明，这篇并不是软文。不过从这个有些炒作意味的定语能看出，长安对 UNI-T 的智能人机交互功能有着很强的信心。 从官方给出的各种材料中能发现，长安 UNI-T 这么说的底气在于装载了和地平线联合开发的智能驾驶舱 NPU（Neural Processing Unit ，神经网络处理单元）计算平台，其中内置首款国产车规级 AI 芯片——地平线征程二代。 通过 NPU 平台，除了能够实现 L3 级自动驾驶之外，长安 UNI-T 的车内人机体验也有了很大的提升。UNI-T 应用了包括应用机器视觉和定向语音识别等科技，能全方位实现车内场景化感知，并基于感知结果为用户提供更精准的智能推荐以及智能车控等服务。 摘抄一段来自长安的功能介绍： 「 当中控屏处于熄屏状态时，驾驶者注视屏幕 1 秒，屏幕即会自动亮起；乘员接听电话时，系统自动降低多媒体音量保证通话清晰；识别到副驾乘员抽烟时，根据车速适度打开车窗并开启车内空气净化等。」 换句话说，长安 UNI-T 具备了主动交互的能力，能根据车内用户的不同状态主动给出反馈。而支持主动交互的关键在于地平线征程二代芯片。这块芯片由地平线在 2019 年初完成流片，并在同年 12 月正式宣布量产。 根据地平线的介绍，作为国产首块满足车规标准的 AI 芯片，征程二代采用了自主研发的计算架构 BPU2.0（Brain Processing Unit）, 可提供超过 4 TOPS 的等效算力，典型功耗仅 2 瓦。 针对不同的场景，征程二代能够处理多类 AI 任务，同时对多类目标进行实时监测和识别。换句话说，除了自动驾驶的视觉感知、视觉建图定位以及视觉 ADAS 这类智能驾驶相关的数据处理之外，征程二代还可以处理车内传感器检测到的语音、眼球状态、手势等等交互方面的功能需求。 和传统芯片不同，征程二代在能效比和开放性方面进行了特殊定制，每 TOPS AI 能力输出可达同等算力 GPU 的 10 倍以上。与此同时，征程二代还可提供高精度且低延迟的感知输出，满足典型场景对语义分割、目标检测、目标识别的类别和数量的需求。 换句话说，在这套智能座舱中，征程二代 AI 芯片为主动交互的实现提供了技术层面的支持。 那么对于人车交互体验的提升来看，主动式交互有多大必要性呢？ 这要从主动交互能做什么说起。 在我们的认知中，人车交互往往都是由车内的人来发起，例如调整车辆设置、选择导航目的地等等，车辆是被动接受指令的对象。 主动式交互则是车辆能主动向用户提出一些建议，甚至是主动进行操作。举个最简单的例子，车辆到达一定车速后自动落锁就是常见的一种主动交互。 在最近的一些智能座舱产品规划中，「 主动式」 交互概念出现的频率已经越来越高了。例如根据天气调整空调、车窗等状态；根据车速、位置调整驾驶模式；根据定位和时间推送餐饮或者娱乐信息；根据剩余油量或者电量提示用户进行能源补充等等更智能的主动交互功能都开始出现甚至量产。 抛开实用性不说，这类功能本质上都是期望通过更主动的方式，让车辆提供用户可能需要的服务和功能。虽然目前来看实用功能和场景不多，但是这毫无疑问会是未来的大趋势，能够减轻人类在驾驶时的信息处理量。 所以说主动交互的应用对驾驶安全和便利来说，会有很大的提升。 车企和供应商提前为主动交互做好技术储备，也会成为接下来一段时间内人车交互领域的重点任务。 主动式交互的核心在于车辆需要能够感知到用户以及车辆的状态，然后进行即时处理，最后给出合适的反馈。 在感知层面，我们已经见到了各种传感器，能准确识别用户包括面部表情、体征体态、动作手势、声音甚至气味等等不同的数据。随着传感器的种类和数量增加，对于车内用户的感知一定会越来越精确且个性化。 不过感知只是第一步，后续的数据整合、处理以及反馈执行更关键。 在过去，车辆搭载的芯片算力一直落后于移动智能终端以及 PC 设备，架构和能处理的数据类型也比较简单，跟深度学习、图像处理这些 AI 相关的能力几乎不搭边。原因也不难解释，车载设备以安全稳定、符合车规为最高优先级，因此很多算力高、架构更先进的芯片优先满足于消费类电子的应用而非车载。 没有合适的芯片进行数据处理，主动式交互也就没了实现的条件。不过随着车规级芯片算力的增强以及 AI 芯片的逐渐运用，一切都在改变。 还是以征程二代为例。 作为符合车规的 AI 芯片，征程二代具备的边缘计算能力是完成主动交互的基础。换句话说，边缘计算作为 AI 芯片的重要特性之一，能满足车辆对主动交互的数据分析处理需求。 当然，我们过去一直所说的云计算对智能汽车也有着重要意义。只不过和边缘计算相比，两种方式有各自的优势，分别承担不同功能。 云计算使得汽车作为一个智能终端，始终运行智能世界中，能够获得持续更新的数据以及内容，也能完成一部分原本需要本地处理的数据，减轻对硬件的负担。 但智能汽车每秒钟都能产生海量数据，如果把一切任务都放在云端处理显然不合适。因此把需要低延时、更个性化的任务处理利用边缘处理来完成，有序分工才是最高效的运行模式。 边缘计算作为一种分散式运算的架构，将应用程序、数据资料与服务的运算，由网络中心节点移往网络逻辑上的边缘节点来处理。因此更适合处理一些靠近智能终端、低延迟的任务。另外，由于数据的处理都在本地完成，对于隐私保护以及用户使用习惯的学习也有重要的意义。 从这些特性中能看出，智能汽车是非常符合边缘计算应用的终端。无论是在自动驾驶或者车内人机交互中，边缘计算都有足够的应用场景，能配合云计算实现汽车的智能化。 而对于主动交互这个细分领域来说，通过边缘计算就能够迅速处理传感器感知到的用户状态，并且根据记录的用户个性化的特征给出恰当的反馈。 随着边缘计算以及 AI 芯片的应用，主动交互在车内的应用也会越来越常见。我们还能见到多少新颖的人车交互可能性？这的确是一个值得期待且长期关注的命题。 新技术的出现给了人车交互更多的可能性，但体验的好坏最终取决于运用技术的人。 在切实把体验和需求定义做好之前，车厂还是少一些套路，多一些真诚吧。