2022年，特斯拉自動駕駛部門、Uber都在裁員，國內互聯網巨頭和造車新勢力的自動駕駛相關部門都有不同程度的縮編。移動互聯網的興盛已經基本觸頂，互聯網大廠的側重在于找到新的消費級入口，而不是持續“燒錢”去謀求商用落地遙遙無期的自動駕駛。主機廠也在進行規模縮編，主機廠是單車智能系統的下游，他們有動力繼續堅持下去，但也做好了長期研發的準備。

 

 

　　最近，自動駕駛無論是在政策扶持層面，還是企業層面，都在不斷升溫。

　　政策層面，我國一直持鼓勵態度。8月8日，交通運輸部發布《自動駕駛汽車運輸安全服務指南（試行）》（征求意見稿）（以下簡稱《指南》），向社會公開征求意見。《指南》的推出旨在適應自動駕駛技術發展的趨勢，鼓勵和規范自動駕駛汽車在運輸服務領域應用，進一步保障自動駕駛汽車的運輸安全。業內人士判斷，近期的政策動作，都圍繞著同一個詞——商業化落地。《指南》公開征求意見，意味著自動駕駛商業化從單個城市、單個區域的試點，正在逐步擴大到全國范圍。

 

　　自動駕駛的功能效果可以分為6個等級，從L0-L6。

　　L0是沒有自動駕駛。L1是部分輔助駕駛。如定速巡航，高速上不用踩油門。L2是組合駕駛輔助。L2往往需要多個感知系統來輔助，比如L2車輛沿著道路標識標線行駛、堵車的時候自動跟車、自動泊車入位，L2不是單一的功能輔助，而是通過車輛感知系統完成一整套動作。L3是有條件自動駕駛。L1-L2是輔助駕駛，而L3是自動駕駛，例如在外部環境比較穩定的高速公路，駕駛員可以完全放開方向盤。但L3需要人類駕駛員在必要時候隨時接管，所以依然需要人類駕駛員在駕駛室。L4是高度自動駕駛。L4可以認為是限定區域內的無人駕駛，在自動駕駛感知信息來源比較充分的區域，可以沒有司機，汽車可以自動運行，甚至不再需要裝方向盤。L5是完全自動駕駛。在所有路段完全無人駕駛。

　　當前自動駕駛領域企業，競爭的核心焦點就是L4，也就是在限定區域內實現無人駕駛技術，由此，自動駕駛未來數年的應用限定在幾個領域，包括：出租車、公交車、干線物流（高速無人卡車）、末端配送（無人配送車）、園區景區（低速游覽車）、礦區（無人特種車）、港口（港口無人車輛）、環衛安防（清潔車）、機場（無人引導車）等。所有的應用本質上都在限定區域。而實現這些L4應用，從技術上看有以下3種路徑。

　　其一，無人、封閉區域運行。園區景區低速游覽車、工業物流園區、礦區、港口、機場等等，這方面的L4實現較為簡單，自動駕駛可以在軌道車和傳送帶的基礎上優化實現，當前物流領域無人倉儲已經非常成熟。

　　其二，單車智能。視覺神經網絡下的弱智能+包含激光雷達的強感知+高精地圖。同樣單車智能，特斯拉是異類，想要打造強智能的視覺神經網絡，不肯用激光雷達和高精地圖，實踐證明特斯拉的自動駕駛停留在L3階段，最樂觀的看法，也需要10年才能碰到L4的門檻。但特斯拉并非盲目，訓練一個和人眼同樣強大的AI視覺，成功了確實是跨越式發展，哪怕失敗了，以新能源汽車起家的特斯拉也耗得起。但單車智能當前通行的做法還是AI弱智能+激光雷達強感知+高精地圖的解決方案。

　　本輪自動駕駛的熱潮本就起于谷歌。2012年谷歌開始試驗無人駕駛車輛，積累數據，谷歌也是深度學習神經網絡的早期推動者。其開發無人駕駛的初衷實際上是想要將深度學習應用在自動駕駛上，但其后發現，開放道路的環境實在太過復雜。

　　視覺AI即便能夠準確識別99%的物體，但只要1%的未識別、識別錯誤存在，其安全性就無法保障。深度學習本身是一個技術黑箱，設定算法，輸入數據進行訓練，如果導出結果是正確的，則調參激勵，如果導出結果是錯誤的，則調參懲罰。這也導致很多AI視覺神經網絡無法識別的情況沒辦法找到原因。所以谷歌在自動駕駛上增加了激光雷達和高精地圖，同時配合輸入環境參數，限制自動駕駛在固定區域內運行。這就有了谷歌旗下waymo在美國幾個城市開展的Robotaxi業務。2020年10月，谷歌waymo開始在鳳凰城推進無安全員的Robotaxi（自動駕駛出租車）業務，2022年3月，谷歌waymo在舊金山的一些區域推出無安全員的Robotaxi業務。說明當前單車智能是可以實現L4無人駕駛的。限定區域、輸入環境參數、AI神經網絡、激光雷達、高精地圖，單車智能幾乎用上了所有可用的工具，但也只是勉強實現了L4。而同樣的套自動駕駛系統，在更換運行區域的時候，需要重新設定環境參數，要重新積累數據。

　　其三，車路協同輔助下的自動駕駛。

　　單車智能整套系統很昂貴，但也僅僅是掃描周邊環境，并不能了解100米外的情況，于是就有了車路協同系統，通過通信基站，在一些道路布置專網通信，車與人、車與車、車與路通信。車路協同下的自動駕駛將車輛內部昂貴的感知系統放到了道路兩側，讓車輛可以更加充分地接受環境信息。

　　的確使得自動駕駛實現的難度降低。但這多少類似于“沒有軌道的軌道交通”。未來車路協同可能是城市智慧交通升級的一部分，是基建，但對于自動駕駛其作用主要還是輔助。因為單車智能未來價值更高。

　　當前單車智能的確是蹣跚學步階段，但如AI視覺神經網絡，哪怕成熟需要10-20年，其技術本身都極具意義。而自動駕駛如果只有車路協同，那么很可能只是“能用”，不能讓技術產生額外的價值。

　　綜上，可以看到，實際上當前自動駕駛主要的技術方向：單車智能為主，車路協同為輔。隨著各地政策的放開，小馬智行在廣州南沙和北京亦莊，百度蘿卜快跑在多個城市開展有安全員的道路測試，并有可能在近期將安全員安置到后排。

 

　　一切看似順利，但實際上在技術層面充斥著各類風險，總結這些風險，結合中國現狀，大約存在以下幾個層面的問題。

　　其一，自動駕駛依然是“薛定諤的安全”。美國加州有一個自動駕駛路測，路測中有一個“每10萬公里安全員干預次數”，至今，依然沒有零次干預的自動駕駛技術，安全員干預的問題包括：高精地圖問題、視覺感知障礙、軟件穩定性問題、感知系統問題導致緊急剎車、運動軌跡需要優化、未正確識別紅綠燈、車道錯誤、誤識別等。自動駕駛技術似乎到達了一個瓶頸。2018年，Uber的自動駕駛導致了一起重大交通事故，最終判定AI識別出了路人，但汽車機械部分沒有執行，也就是即便智能駕駛技術是安全的，決策層和執行層的銜接也有可能導致嚴重事故。用戶對自動駕駛安全性的包容度更低。坐飛機其實是很安全的，但有人恐懼坐飛機，卻并不恐懼坐汽車。人的確是存在非理性認知偏差的，但你沒辦法要求人群保持理性。用戶對自動駕駛的安全要求普遍很高，10萬公里中哪怕是發生一次事故，都會讓自動駕駛面臨重啟的風險。

　　其二，迷霧中的高精地圖。高精地圖是自動駕駛技術的標配，但當前高精地圖依然是一個高壁壘的領域，采集數據的成本很高，而隨著道路的變化，高精地圖還要不斷修正地圖信息。即便是這些問題都解決了，政策上對一些高精地圖數據的開放是有限制的，這就使得自動駕駛車輛往往無法量產。不過Robotaxi業務對于高精地圖數據的要求確實有所降低，因為是在一定城市區域內運行，高精地圖企業只要采集本地高精地圖信息即可，并保證高精地圖數據及時更新，但這方面也就需要政府對某塊地區的高精地圖信息完全開發。

　　其三，仿真路測和現實路測。在技術上，各地應該模仿美國加州的做法，通過路測數據來發放運行許可，路測數據應該由官方確定。理論上說，自動駕駛需要上百億公里的路測數據才能達到安全門檻。

　　但現實中其實并非如此。在2021年8月，谷歌waymo的數據里程是3600萬公里，320億公里的仿真里程數。2022年7月百度的Apollo測試里程達到2700萬公里，仿真里程數也達到10億公里級別。現實路測里程不足，則仿真模擬里程來湊。仿真里程，說到底還是在一個虛擬環境中的駕駛數據。由于自動駕駛的核心是單車智能中的AI視覺神經網絡，而深度學習神經網絡是AI機器學習的一種，所以自動駕駛的發展依賴于行駛數據的積累，當前自動駕駛企業都以仿真路測來代替現實路測，體現出自動駕駛企業急躁的心態，但對于自動駕駛技術來說，這并不能增強可靠性。仿真虛擬環境，還是不能替代現實路測，因為現實遠比仿真環境更不可測，問題更多。

　　其四，測試環境和開放環境并不相同。

　　量產的自動駕駛面臨的環境更加復雜，用戶并非專業人士，他們不知道何時要去接管自動駕駛車輛，也不會去維護系統，保持系統穩定性。工業上有個詞匯，叫魯棒性，指在異常和危險情況下系統生存的能力。測試往往在穩定環境中運行，而現實不存在穩定環境。比如今年7月，俄羅斯一次國際象棋比賽，AI機器人竟然莫名其妙地夾住與它對弈的7歲棋童的手指，導致意外傷害，最后結論是人類棋手出手太快，沒有等待。

　　但開放環境下，我們不能要求人人都規范地和AI交流，比如會不會有人故意阻擋自動駕駛車輛？綜上，Robotaxi下的自動駕駛，正在趨于完善，但真的到能夠量產和全面鋪開的地步了嗎？其實，我們首先需要有一套自動駕駛系統能力的評測體系，各地需要開展路測來驗證各家自動駕駛技術的成熟度，而不應該一上來就允許無安全員的自動駕駛商業化運行。

　　傳統行業比較傾向于凈利潤和現金流，而驅動風口概念行業的，往往是故事，而當前，自動駕駛的故事已經講得差不多了，各方對于自動駕駛技術的熱情正在減退，具體體現如下。

　　其一，華爾街對于自動駕駛的熱情正在減退。2022年中，隨著美聯儲為首的歐美各國央行進入加息周期，美元基金對于風險投資的熱情正在減退。實際上過去20年，互聯網的發展，離不開主要貨幣長期寬松政策，諸如美元、歐元、英鎊、日元等主要貨幣對應的央行長期實施零利率的貨幣政策。這就使得風險投資盛行，大量資本涌入高風險行業。資本也不再要求初創企業具有盈利能力，僅僅是一個故事，就能從華爾街領到大把美元。但2022年，周期酒會中高潮已經過去，利率急速升高，使得需要長周期投入的自動駕駛企業獲取融資越來越難。資本要求自動駕駛企業加快變現步伐，這也是為什么國內外自動駕駛企業抓緊讓并不成熟的自動駕駛L4商用落地。

　　其二，互聯網大廠也沒有“余糧”了，自動駕駛在互聯網大廠中地位逐步邊緣化。2022年，特斯拉自動駕駛部門裁員、Uber也在裁員，國內互聯網巨頭和造車新勢力的自動駕駛相關部門都有不同程度的縮編。移動互聯網的興盛已經基本觸頂，互聯網大廠的側重在于找到新的消費級入口，而不是持續“燒錢”去謀求商用落地遙遙無期的自動駕駛。主機廠也在進行規模縮編，主機廠是單車智能系統的下游，他們有動力繼續堅持下去，但也做好了長期研發的準備。

　　其三，用L2/L3技術來冒充L4的自動駕駛企業逐步增加。既然要長期“燒錢”，那么就需要有“回血”的手段，如果華爾街、互聯網大廠、主機廠商都不想做長期投入，那么利用現有手頭的技術基礎換點流動性成為很多單車智能企業的做法，又或者利用示范工程來承接點項目。

　　但由于L2/L3此類技術并不能解決關鍵的車輛痛點，所以對于主機廠來說并沒有太高的價值，這也使得單車智能企業很容易成為主機廠的附庸。

　　其四，高精地圖、激光雷達和芯片依然存在瓶頸。高精地圖的采集成本依然很高，在開放道路上實時更新的成本更高，還有法律法規上的限制，這使得高精地圖成為一個很高的門檻，自動駕駛單車智能企業需要自己開辟試驗線，通過購買和自我采集來獲得高精地圖數據。而激光雷達，國內產業還并不成熟，國內車載激光雷達大多數是初創企業，很多企業車載激光雷達產品依然依賴于進口。當然，百度將單車包括激光雷達的成本壓縮到25萬，的確讓人驚訝，但由于其開出的是2023年的期票，真的能不能壓到這個價格水平還有待觀察。

　　再者，即便是有激光雷達，耐用性也不佳，持續運行后故障率很高，也就是穩定性不足。

　　從產業新聞發布頻率來看，似乎我國自動駕駛走在全球前列。但其實我們對產業鏈高端依然存在較大短板，未來不能僅僅局限于商業化落地，更好從產業鏈自主性來布局，否則，即便有了自動駕駛，也有可能受制于人。

　　以制約視覺神經網絡為例，在自動駕駛領域強調的，依然是3個方面：數據、算力、算法。

　　當前視覺神經網絡基本框架算法主要還是來自國外，但算法并非重點，隨著人工智能的發展，我國算法能力也在加強。

　　難點在數據和算力。自動駕駛是非常“吃”數據積累的，這也是當前自動駕駛商用需要5-10年才能落地的原因，而算力上，主要是高端芯片我國存在壁壘。也有人想過利用云算力來實現自動駕駛，但實際上自動駕駛有實時性的要求，云算力存在物理通信距離，也就是存在延時，又極度依賴通信網絡的穩定性，所以并不現實。所以自動駕駛未來很長時間要依賴于單車算力，而單車算力則需要低功耗、高性能的芯片。

　　再者，當前汽車智能座艙的操作系統，其實大部分依然是安卓系統，華為鴻蒙系統也有一定的突破，但普及度還是不如安卓系統廣泛，這客觀上也是我國自動駕駛供應鏈上的短板。

　　可以看出，自動駕駛的發展絕對不是單一功能的輸出，上游擁有復雜的產業鏈和供應鏈，而這些產業鏈中，很多產業鏈的核心部件尚需在國產層面給出解決方案，當然要兼顧安全性和耐用性。對于自動駕駛，我們要從整條產業鏈來布局技術，要著重供應鏈的短板，做好補鏈強鏈，提高技術的自主性，否則，即便有了自動駕駛，也有可能受制于人。

　　另外，當前試驗中國內自動駕駛車輛，大多數依然從A點到B點固定線路的自動駕駛，實際上這也是達不到L4的要求。L4無人駕駛雖然是限定區域，但是開放區域的自動駕駛，是需要在限定區域根據客戶要求，自動規劃路線，到達目標地點。

　　實際上，無論技術還是產業布局，我國自動駕駛還有很長的路要走，不能被表面的浮華所遮蔽，而是要從全產業鏈來思考、來布局，這樣我國自動駕駛才有可能真正實現換道超車。

 

　　盤和林，浙江大學國際聯合商學院數字經濟與金融創新研究中心聯席主任、研究員，工信部信息通信經濟專家委員會委員。

　　END

　　來源：本刊原創文章