2022年，特斯拉自动驾驶部门、Uber都在裁员，国内互联网巨头和造车新势力的自动驾驶相关部门都有不同程度的缩编。移动互联网的兴盛已经基本触顶，互联网大厂的侧重在于找到新的消费级入口，而不是持续“烧钱”去谋求商用落地遥遥无期的自动驾驶。主机厂也在进行规模缩编，主机厂是单车智能系统的下游，他们有动力继续坚持下去，但也做好了长期研发的准备。

 

 

　　最近，自动驾驶无论是在政策扶持层面，还是企业层面，都在不断升温。

　　政策层面，我国一直持鼓励态度。8月8日，交通运输部发布《自动驾驶汽车运输安全服务指南（试行）》（征求意见稿）（以下简称《指南》），向社会公开征求意见。《指南》的推出旨在适应自动驾驶技术发展的趋势，鼓励和规范自动驾驶汽车在运输服务领域应用，进一步保障自动驾驶汽车的运输安全。业内人士判断，近期的政策动作，都围绕着同一个词——商业化落地。《指南》公开征求意见，意味着自动驾驶商业化从单个城市、单个区域的试点，正在逐步扩大到全国范围。

 

　　自动驾驶的功能效果可以分为6个等级，从L0-L6。

　　L0是没有自动驾驶。L1是部分辅助驾驶。如定速巡航，高速上不用踩油门。L2是组合驾驶辅助。L2往往需要多个感知系统来辅助，比如L2车辆沿着道路标识标线行驶、堵车的时候自动跟车、自动泊车入位，L2不是单一的功能辅助，而是通过车辆感知系统完成一整套动作。L3是有条件自动驾驶。L1-L2是辅助驾驶，而L3是自动驾驶，例如在外部环境比较稳定的高速公路，驾驶员可以完全放开方向盘。但L3需要人类驾驶员在必要时候随时接管，所以依然需要人类驾驶员在驾驶室。L4是高度自动驾驶。L4可以认为是限定区域内的无人驾驶，在自动驾驶感知信息来源比较充分的区域，可以没有司机，汽车可以自动运行，甚至不再需要装方向盘。L5是完全自动驾驶。在所有路段完全无人驾驶。

　　当前自动驾驶领域企业，竞争的核心焦点就是L4，也就是在限定区域内实现无人驾驶技术，由此，自动驾驶未来数年的应用限定在几个领域，包括：出租车、公交车、干线物流（高速无人卡车）、末端配送（无人配送车）、园区景区（低速游览车）、矿区（无人特种车）、港口（港口无人车辆）、环卫安防（清洁车）、机场（无人引导车）等。所有的应用本质上都在限定区域。而实现这些L4应用，从技术上看有以下3种路径。

　　其一，无人、封闭区域运行。园区景区低速游览车、工业物流园区、矿区、港口、机场等等，这方面的L4实现较为简单，自动驾驶可以在轨道车和传送带的基础上优化实现，当前物流领域无人仓储已经非常成熟。

　　其二，单车智能。视觉神经网络下的弱智能+包含激光雷达的强感知+高精地图。同样单车智能，特斯拉是异类，想要打造强智能的视觉神经网络，不肯用激光雷达和高精地图，实践证明特斯拉的自动驾驶停留在L3阶段，最乐观的看法，也需要10年才能碰到L4的门槛。但特斯拉并非盲目，训练一个和人眼同样强大的AI视觉，成功了确实是跨越式发展，哪怕失败了，以新能源汽车起家的特斯拉也耗得起。但单车智能当前通行的做法还是AI弱智能+激光雷达强感知+高精地图的解决方案。

　　本轮自动驾驶的热潮本就起于谷歌。2012年谷歌开始试验无人驾驶车辆，积累数据，谷歌也是深度学习神经网络的早期推动者。其开发无人驾驶的初衷实际上是想要将深度学习应用在自动驾驶上，但其后发现，开放道路的环境实在太过复杂。

　　视觉AI即便能够准确识别99%的物体，但只要1%的未识别、识别错误存在，其安全性就无法保障。深度学习本身是一个技术黑箱，设定算法，输入数据进行训练，如果导出结果是正确的，则调参激励，如果导出结果是错误的，则调参惩罚。这也导致很多AI视觉神经网络无法识别的情况没办法找到原因。所以谷歌在自动驾驶上增加了激光雷达和高精地图，同时配合输入环境参数，限制自动驾驶在固定区域内运行。这就有了谷歌旗下waymo在美国几个城市开展的Robotaxi业务。2020年10月，谷歌waymo开始在凤凰城推进无安全员的Robotaxi（自动驾驶出租车）业务，2022年3月，谷歌waymo在旧金山的一些区域推出无安全员的Robotaxi业务。说明当前单车智能是可以实现L4无人驾驶的。限定区域、输入环境参数、AI神经网络、激光雷达、高精地图，单车智能几乎用上了所有可用的工具，但也只是勉强实现了L4。而同样的套自动驾驶系统，在更换运行区域的时候，需要重新设定环境参数，要重新积累数据。

　　其三，车路协同辅助下的自动驾驶。

　　单车智能整套系统很昂贵，但也仅仅是扫描周边环境，并不能了解100米外的情况，于是就有了车路协同系统，通过通信基站，在一些道路布置专网通信，车与人、车与车、车与路通信。车路协同下的自动驾驶将车辆内部昂贵的感知系统放到了道路两侧，让车辆可以更加充分地接受环境信息。

　　的确使得自动驾驶实现的难度降低。但这多少类似于“没有轨道的轨道交通”。未来车路协同可能是城市智慧交通升级的一部分，是基建，但对于自动驾驶其作用主要还是辅助。因为单车智能未来价值更高。

　　当前单车智能的确是蹒跚学步阶段，但如AI视觉神经网络，哪怕成熟需要10-20年，其技术本身都极具意义。而自动驾驶如果只有车路协同，那么很可能只是“能用”，不能让技术产生额外的价值。

　　综上，可以看到，实际上当前自动驾驶主要的技术方向：单车智能为主，车路协同为辅。随着各地政策的放开，小马智行在广州南沙和北京亦庄，百度萝卜快跑在多个城市开展有安全员的道路测试，并有可能在近期将安全员安置到后排。

 

　　一切看似顺利，但实际上在技术层面充斥着各类风险，总结这些风险，结合中国现状，大约存在以下几个层面的问题。

　　其一，自动驾驶依然是“薛定谔的安全”。美国加州有一个自动驾驶路测，路测中有一个“每10万公里安全员干预次数”，至今，依然没有零次干预的自动驾驶技术，安全员干预的问题包括：高精地图问题、视觉感知障碍、软件稳定性问题、感知系统问题导致紧急刹车、运动轨迹需要优化、未正确识别红绿灯、车道错误、误识别等。自动驾驶技术似乎到达了一个瓶颈。2018年，Uber的自动驾驶导致了一起重大交通事故，最终判定AI识别出了路人，但汽车机械部分没有执行，也就是即便智能驾驶技术是安全的，决策层和执行层的衔接也有可能导致严重事故。用户对自动驾驶安全性的包容度更低。坐飞机其实是很安全的，但有人恐惧坐飞机，却并不恐惧坐汽车。人的确是存在非理性认知偏差的，但你没办法要求人群保持理性。用户对自动驾驶的安全要求普遍很高，10万公里中哪怕是发生一次事故，都会让自动驾驶面临重启的风险。

　　其二，迷雾中的高精地图。高精地图是自动驾驶技术的标配，但当前高精地图依然是一个高壁垒的领域，采集数据的成本很高，而随着道路的变化，高精地图还要不断修正地图信息。即便是这些问题都解决了，政策上对一些高精地图数据的开放是有限制的，这就使得自动驾驶车辆往往无法量产。不过Robotaxi业务对于高精地图数据的要求确实有所降低，因为是在一定城市区域内运行，高精地图企业只要采集本地高精地图信息即可，并保证高精地图数据及时更新，但这方面也就需要政府对某块地区的高精地图信息完全开发。

　　其三，仿真路测和现实路测。在技术上，各地应该模仿美国加州的做法，通过路测数据来发放运行许可，路测数据应该由官方确定。理论上说，自动驾驶需要上百亿公里的路测数据才能达到安全门槛。

　　但现实中其实并非如此。在2021年8月，谷歌waymo的数据里程是3600万公里，320亿公里的仿真里程数。2022年7月百度的Apollo测试里程达到2700万公里，仿真里程数也达到10亿公里级别。现实路测里程不足，则仿真模拟里程来凑。仿真里程，说到底还是在一个虚拟环境中的驾驶数据。由于自动驾驶的核心是单车智能中的AI视觉神经网络，而深度学习神经网络是AI机器学习的一种，所以自动驾驶的发展依赖于行驶数据的积累，当前自动驾驶企业都以仿真路测来代替现实路测，体现出自动驾驶企业急躁的心态，但对于自动驾驶技术来说，这并不能增强可靠性。仿真虚拟环境，还是不能替代现实路测，因为现实远比仿真环境更不可测，问题更多。

　　其四，测试环境和开放环境并不相同。

　　量产的自动驾驶面临的环境更加复杂，用户并非专业人士，他们不知道何时要去接管自动驾驶车辆，也不会去维护系统，保持系统稳定性。工业上有个词汇，叫鲁棒性，指在异常和危险情况下系统生存的能力。测试往往在稳定环境中运行，而现实不存在稳定环境。比如今年7月，俄罗斯一次国际象棋比赛，AI机器人竟然莫名其妙地夹住与它对弈的7岁棋童的手指，导致意外伤害，最后结论是人类棋手出手太快，没有等待。

　　但开放环境下，我们不能要求人人都规范地和AI交流，比如会不会有人故意阻挡自动驾驶车辆？综上，Robotaxi下的自动驾驶，正在趋于完善，但真的到能够量产和全面铺开的地步了吗？其实，我们首先需要有一套自动驾驶系统能力的评测体系，各地需要开展路测来验证各家自动驾驶技术的成熟度，而不应该一上来就允许无安全员的自动驾驶商业化运行。

　　传统行业比较倾向于净利润和现金流，而驱动风口概念行业的，往往是故事，而当前，自动驾驶的故事已经讲得差不多了，各方对于自动驾驶技术的热情正在减退，具体体现如下。

　　其一，华尔街对于自动驾驶的热情正在减退。2022年中，随着美联储为首的欧美各国央行进入加息周期，美元基金对于风险投资的热情正在减退。实际上过去20年，互联网的发展，离不开主要货币长期宽松政策，诸如美元、欧元、英镑、日元等主要货币对应的央行长期实施零利率的货币政策。这就使得风险投资盛行，大量资本涌入高风险行业。资本也不再要求初创企业具有盈利能力，仅仅是一个故事，就能从华尔街领到大把美元。但2022年，周期酒会中高潮已经过去，利率急速升高，使得需要长周期投入的自动驾驶企业获取融资越来越难。资本要求自动驾驶企业加快变现步伐，这也是为什么国内外自动驾驶企业抓紧让并不成熟的自动驾驶L4商用落地。

　　其二，互联网大厂也没有“余粮”了，自动驾驶在互联网大厂中地位逐步边缘化。2022年，特斯拉自动驾驶部门裁员、Uber也在裁员，国内互联网巨头和造车新势力的自动驾驶相关部门都有不同程度的缩编。移动互联网的兴盛已经基本触顶，互联网大厂的侧重在于找到新的消费级入口，而不是持续“烧钱”去谋求商用落地遥遥无期的自动驾驶。主机厂也在进行规模缩编，主机厂是单车智能系统的下游，他们有动力继续坚持下去，但也做好了长期研发的准备。

　　其三，用L2/L3技术来冒充L4的自动驾驶企业逐步增加。既然要长期“烧钱”，那么就需要有“回血”的手段，如果华尔街、互联网大厂、主机厂商都不想做长期投入，那么利用现有手头的技术基础换点流动性成为很多单车智能企业的做法，又或者利用示范工程来承接点项目。

　　但由于L2/L3此类技术并不能解决关键的车辆痛点，所以对于主机厂来说并没有太高的价值，这也使得单车智能企业很容易成为主机厂的附庸。

　　其四，高精地图、激光雷达和芯片依然存在瓶颈。高精地图的采集成本依然很高，在开放道路上实时更新的成本更高，还有法律法规上的限制，这使得高精地图成为一个很高的门槛，自动驾驶单车智能企业需要自己开辟试验线，通过购买和自我采集来获得高精地图数据。而激光雷达，国内产业还并不成熟，国内车载激光雷达大多数是初创企业，很多企业车载激光雷达产品依然依赖于进口。当然，百度将单车包括激光雷达的成本压缩到25万，的确让人惊讶，但由于其开出的是2023年的期票，真的能不能压到这个价格水平还有待观察。

　　再者，即便是有激光雷达，耐用性也不佳，持续运行后故障率很高，也就是稳定性不足。

　　从产业新闻发布频率来看，似乎我国自动驾驶走在全球前列。但其实我们对产业链高端依然存在较大短板，未来不能仅仅局限于商业化落地，更好从产业链自主性来布局，否则，即便有了自动驾驶，也有可能受制于人。

　　以制约视觉神经网络为例，在自动驾驶领域强调的，依然是3个方面：数据、算力、算法。

　　当前视觉神经网络基本框架算法主要还是来自国外，但算法并非重点，随着人工智能的发展，我国算法能力也在加强。

　　难点在数据和算力。自动驾驶是非常“吃”数据积累的，这也是当前自动驾驶商用需要5-10年才能落地的原因，而算力上，主要是高端芯片我国存在壁垒。也有人想过利用云算力来实现自动驾驶，但实际上自动驾驶有实时性的要求，云算力存在物理通信距离，也就是存在延时，又极度依赖通信网络的稳定性，所以并不现实。所以自动驾驶未来很长时间要依赖于单车算力，而单车算力则需要低功耗、高性能的芯片。

　　再者，当前汽车智能座舱的操作系统，其实大部分依然是安卓系统，华为鸿蒙系统也有一定的突破，但普及度还是不如安卓系统广泛，这客观上也是我国自动驾驶供应链上的短板。

　　可以看出，自动驾驶的发展绝对不是单一功能的输出，上游拥有复杂的产业链和供应链，而这些产业链中，很多产业链的核心部件尚需在国产层面给出解决方案，当然要兼顾安全性和耐用性。对于自动驾驶，我们要从整条产业链来布局技术，要着重供应链的短板，做好补链强链，提高技术的自主性，否则，即便有了自动驾驶，也有可能受制于人。

　　另外，当前试验中国内自动驾驶车辆，大多数依然从A点到B点固定线路的自动驾驶，实际上这也是达不到L4的要求。L4无人驾驶虽然是限定区域，但是开放区域的自动驾驶，是需要在限定区域根据客户要求，自动规划路线，到达目标地点。

　　实际上，无论技术还是产业布局，我国自动驾驶还有很长的路要走，不能被表面的浮华所遮蔽，而是要从全产业链来思考、来布局，这样我国自动驾驶才有可能真正实现换道超车。

 

　　盘和林，浙江大学国际联合商学院数字经济与金融创新研究中心联席主任、研究员，工信部信息通信经济专家委员会委员。

　　END

　　来源：本刊原创文章