大家对汽车自动驾驶的看法是怎么样的？
比如：你是否体验过自己驾驶或者辅助驾驶汽车；你是否对信任这些功能？你觉得要想实现全自动驾驶，瓶颈在哪里等...
汽车自动驾驶已经进入死胡同，因为目前人工智能程度还远远不能满足普通车自动驾驶的要求。
智能网路专用通道自动驾驶单人电车，不是完美选择，或者就是被逼无奈的选择。
我体验过Honda CRV 1.5T 上面的Honda Sensing。在70号州际公路上2到3小时尽管座椅噪音不好我还是开的开心，因为系统能让我大脑不需要判断路况，只需要手握方向盘即可。但是我对全自动L5级别并不是看好，因为中国城市路况和农村路况实在是千变万化。根本不是模拟多少公里就能行的。但是如果是高速公路上的话有可信之处，即使是中国高速公路道路环境也和美国一样单一，适合AI工作。
随着视觉传感器、雷达、相关算法的技术发展，以及人们对未来生活的美好畅想，自动驾驶这个名词从大约2015年开始频繁出现在了人们生活中，人们畅想着未来道路上，车辆将不需要司机，只要给司机下达一个指令，然后自动驾驶系统将像一位老司机，甚至以超过老司机的水平，将车主送到目的地，其间车主可以睡觉、办公、看电影，做任何自己想做的事情……
一、自动驾驶的想象空间
自动驾驶为什么可以让无数的创业者前赴后继，让理智的投资人变的冲动，让消费者心甘情愿为之买单，最主要原因是自动驾驶所带来的可想象空间（讲故事）实在太多了。
最直观的，自动驾驶可以节省时间，据麦肯锡的统计数据，如果自动驾驶得到普及，司机平均每天可腾出50分钟的额外时间，一方面，这为社会腾出了巨大的劳动力，另外，对于上班族而言，意味着在车上可以做更多的事情，例如美美地吃一顿早餐，再也不用单手开车、单手吃包子了，又如上班路上看个视频，上了一天班累了，下班路上在车上小憩一会。
另外，随着自动驾驶技术的发展，预计可以减少90%以上的交通事故，大家的出行更安全了，而且因为事故少了，预计可以大大降低车的保险费用。
对于不会开车的人而言，也是大大的利好，未来随着自动驾驶技术的发展，驾驶证可能也会变为历史，让大家恐惧的“女司机”现象，也将不复存在。
还有一些其他的益处，例如因为交通事故的减少，相应的堵车成本及医疗成本也会降低，在一些细分领域，还有意想不到的效果，例如干线物流，因为自动驾驶技术的出现，因为更好的驾驶策略及列队行驶，预计可实现节约能源30%以上，因此未来的物流费用也会因为自动驾驶而大大降低。
二、自动驾驶的发展历史
要讲中国自动驾驶的发展历史，基本上离不开百度与apollo的故事，2015年后出现的自动驾驶明星创业公司，例如时任百度高级副总裁的王劲创立的景驰（后改名文远知行），由三位百度美研工程师佟显乔、衡量以及周光创立的Roadstar，彭军与楼天城创立的小马智行等，其核心灵魂人物，都出自于百度这所自动驾驶“黄埔军校”。
关于自动驾驶的发展历史，强烈推荐虎嗅傅傅的一篇文章《天才、忽悠与炮灰》，讲述的是中国自动驾驶过去6年的兴衰史，当“3年实现无人驾驶”的豪言被刺破，无人驾驶掀起的大浪在2019年逐渐平息，如今泡沫散去，自动驾驶能否否极泰来，迎来第二发展曲线呢？看完文章，再回过头来看标题，生动又形象。天才、忽悠与炮灰
三、关于路线之争
自动驾驶的发展方向一直未定，其路线之争由来已久，主要存在纯视觉方案及多传感器融合两种方案。
马斯克信奉第一性原理，认为任何事物，都应该从本源上去找到结果，具体到自动驾驶这件事情上，马斯克认为，既然人是依靠视觉来实现驾驶的，那自动驾驶也不应例外，早期的特斯拉除了摄像头，还有毫米波雷达做支持，但到了2021年上半年，随着特斯拉对算法的持续改进，将毫米波雷达也从车上摘除了。
而以waymo为国外代表，以国内一众自动驾驶公司为国内代表的自动厂商，则更多信奉多传感器融合方案，即在车上装有多种传感器，包括激光雷达、摄像头、毫米波雷达，汇集各个传感器的数据之后，通过数据融合，最终通过算法作出决策，这个方案的优点是集各家之所长，不同的传感器的优劣势各不相同，例如摄像头的优点是所见即所得，但是在黑夜中可能就抓瞎了，激光雷达的优点是精确性高，可以构建高精度点云，但是目前除了价格昂贵，没有办法批量上车，并且车规严格，目前可用于量产车的激光雷达寥寥无几。多源融合的方案的缺点也很明显，对算法的要求更高了，这么多的数据，当不同传感器看到的东西不一样时，该信谁的，这是个很严重的策略问题。
就像天龙八部中的鸠摩智一样，即学了上乘的小无相功，又贪图少林的易筋经，本来学好一门即可天下无敌，最终因为贪多而差点走火入魔，还是在段誉的北冥神功下吸去内力才逃过一劫，而武功尽失的鸠摩智反而因此大彻大悟，终于真正成为一代高僧，此后广译天竺佛家论经而为藏文，弘扬佛法，度人无数。
自动驾驶目前的情况也一样，在去年的世界人工智能大会上，作者参观某自动驾驶企业的样车时，为止震惊，一辆车上密密麻麻光激光雷达就装了8个，还有很多其他传感器，咱也不懂，小心翼翼的问工作人员，为什么要装这么多的激光雷达，工作人员义正言辞的说：“生命无小事”。我竟无言以对，真的很后悔，没有问问他：装的激光雷达越多，真的就越安全吗？
PS：关于激光雷达，作者曾在2021年9月写过一篇更详细的文章，介绍了目前国内激光雷达的主要企业，并从作者的角度分析了激光雷达的未来发展趋势，有兴趣可以点击下列链接查看。激光雷达企业投融资现状与未来趋势（全文干货）
作者并没有全盘去否定多传感器融合路线，至少从目前的技术进展来看，激光雷达和毫米波雷达在某些地方的优势确实是摄像头所不具备的，但是，对算法的理解和精进，可能比对传感器的堆叠，更考验一家自动驾驶解决方案企业的真功夫，当然，做激光雷达的厂商，可能并不这么想。
四、自动驾驶的发展现状
虽然文章一开头介绍了很多自动驾驶的优点，但是从严谨性的角度来看，还是不得不给观众老爷们泼盆冷水，自动驾驶因为安全性问题，其发展可能会一直保持长尾状态，更通俗地说，我们可能花了10%的时间解决了自动驾驶90%的问题，但是，剩余10%的问题，我们可能需要花90%的时间才能解决。作者初步估计，对于普通大众所希望看到的无限制地自动驾驶，在2030年之前，可能依旧还在小批量示范阶段。
目前，在自动驾驶领域，发展得比较好的几个细分领域，例如港口自动卡车（国内好几家企业在做这块，已经落地了不少的案例），无人矿卡（这个非常有意思，因为无人矿卡要从高处将矿石运送下来（刹车制动可以为汽车充电），而上山时基本都是空车，所以可以实现矿卡电力零消耗，即满载卡车下山过程中充的电完全足够空车上山），无人配送小车等，在这些领域，因为场景简单，没有那么多的复杂场景，所以不存在过多的长尾问题。另外一个目前发展得比较好的公司是那些没有一步到位想做L4以上自动驾驶的，而是从ADAS（辅助驾驶系统）出发的一些企业，例如地平线等，经过初期的阵痛，目前也已打入了车厂，将自己的芯片送进了车里。
五、车路协同
前面我们提了很多关于自动驾驶相关的东西，其实都是围绕着如何提高车的智能的角度出发的，但是还有另外一条路径，目前也在探索之中，即车路协同，车路协同对应的是单车智能。
该路径的基础理论认为，智慧的车，也需要智慧的路来做支撑，不仅仅车要更智能，路也要更智能，从技术细节具体来说，需要在路侧部署更多的智能传感器，通过RSU，一方面将实施交通信息传送给云平台，使道路的管理方实现对路的更好的监控，另外，相关的数据，也可以通过RSU（路侧单元）传送给其他车辆，来共同对驾驶行为作出决策。也就是说，车不仅可以和路侧的传感器相互通信，还可以和路上的其他车辆相互通信，最终通过V2X（VEHICLE-TO EVERYING）构建的这张大数据网，实现智慧公路。
目前智慧公路的主要方案还是路侧传感器（摄像头、雷达、雷视一体机、激光雷达等）+RSU+云控数据平台方案为主，因为目前路上还没有无人车，所以目前的智慧公路的方案更多的是在提高监控的有效性，而在V2V（车与车）或者V2R（车与路侧单元）等方面还没有过多体现。
六、作者的一点看法
再次强烈建议看看关于自动驾驶历史的这篇文章《天才、忽悠与炮灰》，看完之后，方能知道自动驾驶这个领域的疯狂。
而作者目前的看法是：不管是单车智能还是车路协同，都应该以短期内可以满足的需求点出发来考虑企业的规划，逐步去实现最终的自动驾驶，这样在发展的过程中，才不至于与大众、与投资人的期待过远，导致故事一直讲，始终没有办法落地，直到最后没有故事可讲的尴尬境地。为什么特斯拉能独立于其他厂商走纯视觉的技术路线，因为他有市场，他是电动汽车的带头大哥，路上跑的每一辆特斯拉，每时每刻，都在为特斯拉的算法演进做贡献，反观国内一众自动驾驶公司，还在测试道路上做测试，消耗的不仅仅是电力或汽油，更多的是投资人的钱，而投资人的钱到底能烧到什么时候，烧完之前，企业能不能盈亏平衡或者还有没有故事可吸引新的投资者，谁又能说得清楚呢？为什么封闭领域的自动驾驶方案可以成型，除了安全性问题外，最主要的是：这些方案确确实实能为客户带来短期内就可以看到的效益。
包括车路协同亦如此，现在马路上，根本没有可以自由上路的自动驾驶车，如何去为智能的车服务呢？路做得再智能，只能说是在监控上更加精准，但是车路协同的故事，依旧是不完整的。从这个角度出发，再去思考智慧公路的发展，目前所构建的智慧公路路侧方案，除了实现监控功能外，如何实现为目前的有人车（对应于无人车）、路侧行人服务，是一众创业者们应该思考的又一问题，否则，这些路侧的方案可能还是会止步于示范区或示范路，而在短期内无法走上普通道路，因为，目前的无人驾驶车，毕竟都还在示范区和示范路上。
大多数人期待自动驾驶的到来，希望它能够解放驾驶者，方便人们的生活，提高驾驶的安全性。而另一方面，又在犹豫是否真的可以信任这项技术？能否在复杂、开放的道路上实现自动驾驶？
目前自动驾驶的路测，仍然集中在路况稳定、较为封闭的路段，未来，期待在交通情况良好，甚至在逐渐开放的道路上，包括车流量大等运行场景，都具备自动驾驶运营的空间。
而这也是宇通正在努力的方向，因为自动驾驶技术持续发展进步，从以前只能简单的考核示范，到今天基本上能适应大部分场景，大部分区域仍有很大的市场推广空间。为了自动驾驶在复杂路况下也能平稳运行，宇通目前已经在长沙机场、亚运会场馆、南京部分区域以及重庆景区开展我们无人化的商业探索和研究。除此之外，自动驾驶车辆在行驶过程、充电或其他的环节中能否做到自动化或无人化，也都是宇通现在正根据自动驾驶园区解决方案的思考。
“智能电动汽车”正在颠覆整个汽车行业。“电动化”正在如火如荼地进行之中，而“智能化”尚处在初级阶段。“智能化”的核心，不是把汽车变成另一个移动互联网终端，而是实现真正的自动驾驶。围绕自动驾驶的技术路线，有大量的争议。谁会是未来的成功者呢？未来自动驾驶的格局会是怎样呢？
毫无疑问，自动驾驶一定是未来的发展趋势，因为它满足了人类的底层需求：人性天然是懒惰的。满足人的惰性是推动技术进步的一大动力。除了少数情况，驾驶机动车本身是一项重复性的体力劳动，枯燥、乏味、消耗精力。与其日复一日无聊地驾驶，不如把时间解放出来用来休息、娱乐或学习。并且，大多数人并不擅长驾驶。人只有两只眼睛，并且功能有限，不如摄像头、激光雷达这些设备感知精准，可覆盖360°范围。普通人驾驶的反应时间在0.3秒左右，而自动驾驶的反应时间可以缩小到0.01秒。而且人难以长时间地集中精力，而机器可以做到24小时驾驶，1秒都不分心。在中国，仅2020年就发生各类交通事故244674起，死亡人数为61703人，受伤人数为250723人。高阶自动驾驶如果得以普及，那么交通事故和伤亡人数将大幅下降。
自动驾驶能够创造的商业价值是巨大的。车主使用自动驾驶汽车，相当于雇佣了24小时全职的私人司机。整个社会将节约出来大量时间，人们可以从事更有价值、更有创造力的工作。同时也能挽救更多人的生命，生命的价值是无限的。
自动驾驶具有非常显著的规模效应。对于自动驾驶方案提供商来说，虽然需要付出很大的研发成本，但一旦研发成功，产品本质是一套可以通过空中下载技术（OTA）分发的算法，边际成本为零。同一套算法可以适用于全球各地市场，适应于小汽车、卡车、出租车、公交车等各型车辆，甚至是机器人。消费者剩余巨大的同时边际成本几乎为零，这是非常好的生意模式。
自动驾驶将颠覆很多行业，对社会结构的颠覆也是巨大的。据统计，2020年，中国有1728万货车司机，完成了全社会货运量的74%。如果卡车实现自动驾驶，卡车可以24小时在高速网络中运行，跟车距离也可以大幅度缩短，路网的使用效率将大幅度提升，整个社会的物流成本将大幅下降。同样，滴滴司机、出租车司机、代驾等职业也不再需要，共享出行将更加发达，整个社会维持原有出行规模需要的汽车数量将大幅下降。长距离通勤不再辛苦，人们可以住得更加分散。郊区的房产甚至会更受欢迎。外卖员、快递员等机械性工作都可能被完全替代。整个社会的成本会大幅下降，效率大幅提高，但被颠覆行业的从业者将需要重新寻找新的职业。正如智能手机颠覆了相机、掌上游戏机、PC、收音机、闹钟、手电筒、ATM等等，自动驾驶还将产生一些意想不到的二阶效应，改变农业、零售业、物流业、制造业、房地产、保险、旅游、医疗、养老等各个行业。
正因为前景如此美好，近年来，大量的创业者和资本涌入自动驾驶行业，但曾经有多疯狂，如今有多落寞。谷歌自动驾驶项目的前负责人创办的Aurora，曾经无人驾驶领域市值最高，如今寻求部分或整体将公司出售，股价下跌90%。图森未来传出要将亚太业务以 10 亿美元的价格出售，股价也下跌90%。通用汽车旗下自动驾驶子公司 Cruise巨额亏损。谷歌旗下的Waymo同样持续多年亏损。Intel旗下的 Mobileye 估值仅半年接近腰斩。华为也感受到寒意，对于智能汽车解决方案将减少预算。百度Apollo、小马智行等国内自动驾驶公司同样进展不顺。
原因在于，在技术上实现L4和L5级别的高阶自动驾驶极其困难。哪怕解决了99.99%的问题，剩下的0.01%也非常致命。当下的绝大多数自动驾驶公司，还停留在早期研发阶段，技术无法突破，产品无法量产，就无法在商业上变现，也无法获得规模效应。一旦融资受阻，就有破产的风险。
在整个行业陷入艰难的情况下，有一家公司却鹤立鸡群，在技术进展和商业变现上取得了很大的突破，那就是特斯拉。我们可以在网络上看到，很多北美特斯拉车主发布了特斯拉最新FSD beta测试版本的视频。特斯拉FSD最新版本，已经基本实现了在复杂城区开放道路的自动驾驶，包括识别道路标志，识别红绿灯，避让各类行人、动物、机动车和非机动车，识别复杂的修路路障、锥桶、警示杆，无保护左转，通过标线混乱或没有标线的道路等等。在被前方临停的车辆挡住时，甚至会挪开一点位置观察后继续行驶，或者前方故障车辆挡住路时，像老司机一样压黄线避让后行驶。在能见度低的雨雾天，也能先于人发现前方来车。当然，个别地方比人类司机还稍有逊色。
特斯拉这一年的进化速度极快，特斯拉FSD beta能做到复杂道路基本不需要人工接管。能达到当下这种自动驾驶水平，已经很让人吃惊。特斯拉FSD测试版在美国的价格已经由2015年的2500美元涨价到目前的1.5万美元，购买的人数仍在大幅增长。
可以说，特斯拉的自动驾驶水平已经不断逼近L4。无论是自动驾驶的先驱谷歌的Waymo，还是国内的华为、百度或者蔚小理等造车新势力，没有一家能做到当下特斯拉的水平。谷歌和百度的自动驾驶出租车，也依然限定在特定城市的特定区域。个别公司宣称在城区道路自动驾驶开了多少公里，纯粹是实验层面的测评，而不是大量用户的真实体验，也远远没有量产。那么，特斯拉为什么目前遥遥领先，它到底有什么与众不同？
技术路线之争：纯视觉还是激光雷达
要实现自动驾驶，需要车辆完成“感知、决策、执行”三个步骤。为了增强感知能力，自动驾驶汽车可能需要很多的传感器，如摄像头、毫米波雷达、超声波雷达、激光雷达等。每种传感器都有自己的功能和局限。
传感器的本质是比特流。光学摄像头摄像头比特/秒的信息量，要比毫米波雷达和激光雷达高几个数量级。摄像头技术成熟、价格便宜。不过，摄像头直接获得是二维的图像信息，不能直接识别目标距离。此外，摄像头可能受天气和其他环境条件的影响。
毫米波雷达的原理是依靠反射的电磁波来探测障碍物，受外部条件影响小，具备直接提供三维数据能力，但毫米波雷达由于波长的原因，分辨率有限，且很难识别静止或非金属物体。超声波传感器主要用于短距离物体检测，应用于自动泊车和碰撞警告等场景，缺点在于测距短，需要安装多个，只适用于低速场景，而且超声波的传播速度慢，误差大，可靠性不足。
激光雷达的优点是，能够直接提供目标的三维数据，有极高的角度、距离和速度分辨率，缺点在于工作时受天气和大气影响大，在大雨、浓烟、浓雾等坏天气里，衰减急剧加大。激光雷达因为不具备色彩、文字等完整的环境感知能力，实际并不能作为单一的传感器来使用。此外，激光雷达成本高昂，目前尚未有大规模量产的实际运用经验，技术路线也在演进，可靠性没有得到充分证明。
不同公司，因在技术路线选择和资源禀赋上的差异，主要分为了“多传感器派”和“纯视觉派”，前者又分为“前端融合”和“后端融合”。
以谷歌的Waymo为代表的“多传感器派”占据绝对主流，包括百度Apollo、蔚小理、奔驰等，几乎都认为传感器越多越好，车身布满摄像头、毫米波雷达、超声波雷达和激光雷达，并且需要配合事先绘制的高精地图。
特斯拉却反其道而行之，选择了“纯视觉”的极端方案。之前，特斯拉的自动驾驶传感器包括8个摄像头、也包括了1个前置毫米波雷达，以及车辆周围的超声波传感器。去年，特斯拉宣布将过渡到没有雷达的“Tesla Vision”自动驾驶系统，并开始去掉毫米波雷达。特斯拉近期宣布将去掉全部的超声波雷达。特斯拉的未来自动驾驶方案将仅完全依靠8个摄像头。
如果问多数人特斯拉这么做的原因，大概率只会回答一个原因，就是激光雷达太贵了。所以，国内车企比赛谁的激光雷达更多，似乎就是比特斯拉更加重视用户。国内甚至有车企提出“没有4个激光雷达，请不要说话”。激光雷达的成本将来必然会降低，如果多花一些成本，就能迅速在自动驾驶方面领先，特斯拉没理由不用。其实，传感器成本仅仅只是一个原因，但不是最重要的原因。未来激光雷达成本大幅降低后，特斯拉也不会再采用。综合马斯克和之前自动驾驶负责人Andrej Karpathy的一些观点，特斯拉采用纯摄像头的方案，原因有如下几个方面：
首先，使用多种传感器，将面临不同信息融合的问题。如果各种传感器信息相互矛盾，无论是前段融合还是后端融合，都可能出问题。例如特斯拉之前使用过毫米波雷达，由于分辨率有限，对地面金属反射物有过强的反射，形成对目标的误判，导致出现“幽灵刹车”。
其次，使用超声波雷达、毫米波雷达和激光雷达完全没有必要。雷达的优势只是在直接感知层面得到了更加精确的深度信息，但识别、记忆、预测、决策这些方面的难题一个都绕不过去。视觉本身不完美，但完全有办法解决。特斯拉强在AI算法方面非常强大。例如，摄像头虽然直接提供的是二维图像，但通过神经网络的Transformer算法可将8个摄像头提供的数据综合成三维信息，形成鸟瞰视图“BEV”。BEV后来又升级为更加强大的“占用网络” （Occupancy Network）。过去特斯拉曾经出现过无法识别纯白色卡车而出现的事故，但这一问题早已不复存在。经过算法的改进，尤其是近一两年来的飞速进步，算法已经可以解决纯视觉方案的一些缺点，已经完全不需要雷达就可以得出精确的深度信息。经过算法改造后的三维信息，甚至比激光雷达直接获得的深度信息更准确。特斯拉遵循了奥卡姆剃刀原理:“如无必要,勿增实体”，当8颗摄像头就已经可以完成当前所有感知任务时，就不再增加第9颗，而且要砍掉已经多余的、哪怕极其便宜的超声波雷达。
第三，纯摄像头方案，大幅节约成本。特斯拉使用8个摄像头，预计总成本在1000元人民币以下。激光雷达单只价格在万元人民币以上，马斯克炮轰激光雷达“昂贵、丑陋、没有必要”，不是没有道理。而且，摄像头方案下，也不需要对已经卖出的车辆进行重大的硬件改造，只需要软件的OTA升级就能实现自动驾驶。
此外，由于激光雷达技术尚不成熟，配备激光雷达的车辆迟迟难以大规模量产，不能超大规模积累数据，不能快速进化，自动驾驶能力进展会很缓慢。所以马斯克曾说：“使用激光雷达注定要失败”。
以上是特斯拉在感知方面与Waymo等公司的巨大不同。马斯克从第一性原理出发，认为“人仅仅依靠一双眼睛和大脑开车，而且所有现有道路和标识都是依照人体工学设计的，那么机器也应该可以仅仅依靠视觉和运算驾驶”。人类的视力感知能力不强，且容易分心，但人类大脑却极其强大，通过模糊的识别就能做出正确的决策。特斯拉依靠车辆前后左右不同位置的8个摄像头采集数据，通过强大的人工智能深度学习算法，不断地学习人类司机在不同场景下的驾驶方法，完全可以取得更好的效果。过度的传感器不仅没有必要，反而可能有副作用，而且成本高昂，难以量产。所以，算法才是自动驾驶的灵魂，而且与硬件相比，算法的迭代和进步是没有上限的。
由于多传感器自动驾驶能力进展缓慢，一些公司提出了一些变通的技术方案：例如高精地图、高精定位和车路协同等。这些所谓的“智能交通”技术路线将很快证明是浪费资源的伪命题。当下，不少地方政府花费巨资对道路等基础设施进行改造，试图将自己打造为自动驾驶领先城市。汽车不是芯片，它是全国到处跑的。试想，如果只有有少量城市、部分经过改造的道路才能实现自动驾驶，那还有多大意义呢？高精地图就像拐杖，如果自动驾驶能力不强，高精地图也解决不了太大问题。道路实时情况瞬息万变，高精地图更新一旦不及时，就容易出大问题。况且全国各地都绘制高精地图也成本高昂到不现实。依赖高精地图行驶的车辆，就像“行驶在虚拟铁轨上的列车”，一旦离开铁轨就没有用武之地。
特斯拉的纯摄像头方案，不需要高精地图，也不需要对道路进行任何的改造。一套算法，全世界任何地方都适用。只有这种全球普适性的自动驾驶技术路线才可能是正确的。根据马斯克的说法，今年年底FSD最新版本就可以向全球开放。
数据：自动驾驶时代的石油资源
特斯拉的自动驾驶能力为何超过了谷歌Waymo，难道谷歌没有算法人才吗？谷歌不缺钱，也不缺算法人才，除技术路线的差别外，谷歌还唯独却乏一项关键资源——数据。
当前人工智能领域占据主导的还是深度学习技术，和人脑的逻辑完全不同。人类婴幼儿看了少数几只猫，就能识别各种不同的猫。甚至没见过猫，只见过几笔简单勾勒的猫的画像，婴幼儿就能识别出猫。而深度学习算法则可能需要数十万张各种不同角度、不同品种的猫，才能识别出下一只猫。当下的自动驾驶软件算法还是基于人工智能的深度学习技术，需要大量的数据喂给算法进行训练。
FSD beta 的现有能力，是海量数据滋养出的。数据主要采集于真实世界行驶中的特斯拉车队和虚拟世界中的仿真系统这两个渠道。数百万特斯拉车主真实道路行驶的数据是特斯拉最大的资源，而且这些数据的获得是免费的，甚至是收费的，客户购买特斯拉车和FSD都需要付费。特斯拉2020年交付近50万辆，2021年就交付了93万辆，2023年预计交付200万辆。特斯拉车主的数量每天都在增加。FSD Beta 已迭代到 10.69.2.2 版本，测试人数高达 16 万人，很快将扩大到100万人。根据特斯拉2022 AI day的说法，在 30PB 的数据积累下，每 8 分钟就能训练一个神经网络模型。
相反，根据今年上半年的一份数据，Waymo自动驾驶车队规模大约在800辆左右，百度Apollo车队规模500辆左右。而且这些为数不多的车辆需要公司花钱来造，还需要雇佣安全员坐在驾驶位上。Waymo用来测试的车队数量从特斯拉的千分之一慢慢会掉到万分之一，能够获得的数据量和特斯拉相差好几个数量级。
自动驾驶实现的难点不是普通的简单的道路，而是99.99%以外的长尾情况。只有大量的实际道路驾驶数据，才会遇到大量的复杂情况和罕见状况的“边缘场景”（corner case），才有可能让算法越来越聪明。使用特斯拉FSD的车主发现车是不断在学习进化的，就是这个原因。不少车主遇到车辆处理不太完美的情况时，会一键主动报告给特斯拉，这都是免费的宝贵资源。
如果说燃油车时代最宝贵资源的是石油，电动车时代宝贵的资源是锂镍钴，则自动驾驶时代最宝贵的资源则是海量高质量的数据。
芯片与超级计算
当下成熟的自动驾驶还处在L2阶段，或者ADAS（高级驾驶辅助系统）阶段，如自适应巡航、车道保持、碰撞预警、智能灯光等功能。这个阶段芯片的霸主是以色列公司Mobileye，已被Intel收购。2020年，Mobileye的EyeQ系列芯片出货量高达1930万片，占细分市场份额的70%。但Mobileye与汽车厂商的合作模式是“芯片+视觉感知算法”捆绑销售的“黑盒模式”，主机厂没有主动权。而且，Mobileye的芯片和算法，在驾驶过程中，只是对车辆检测到的情况根据算法中的“条件语句”进行机械的反应，没有根据数据进行主动学习进化的能力，并不是真正的智能化。所以，Mobileye的地位正在被动摇。
2015年，英伟达推出了NVIDIA Drive系列平台。英伟达Orin芯片成为算力最强的芯片。蔚来、理想、小鹏、智己等新势力纷纷搭载英伟达芯片。一些车型的芯片总算力超过了1000TOPS。今年9月份英伟达还发布了一颗算力达到2000TOPS的芯片——雷神Drive Thor。不仅仅提供芯片，英伟达还提供一整套完整的工具链NVIDIA DRIVE，为车企提供算法支持和训练支持。可以说，国内的车企对英伟达的依赖已经很深。
2016 年之前，特斯拉采用Mobileye芯片，后来换到英伟达的芯片。但是，无论是Mobileye还是Nvidia，都无法满足特斯拉对于性能、研发进度、成本、功率方面的要求。2019年4月份，特斯拉自研HW 3.0主控芯片，自研芯片的好处是主控芯片中的神经网络算法和 AI 处理单元可以自主完成，芯片和算法的更好结合将加速自动驾驶的进步。特斯拉还将很快量产HW 4.0版本芯片，基于7nm工艺，性能将是HW 3.0的3倍，预计可以达到10倍于人类驾驶员的驾驶能力。
数百万车辆每日采集的庞大数据的标注和训练，需要大型的服务器或超级计算机。特斯拉还自研了AI训练芯片D1，组成了Dojo超级计算机，“能够利用海量视频数据，做无人监管标注和训练”，摆脱了对英伟达GPU的依赖。这套算法已经让特斯拉能够识别道路上大约60亿种物体。
综上，和Waymo等先行者相比，特斯拉的自动驾驶取得更大突破的原因可以理解为：纯视觉的正确技术路线+庞大真实用户提供的高质量的免费数据+先进的人工智能神经网络算法+匹配自身需求的自研芯片+算力强大且几乎可无限扩展的超级服务器。目前全世界能同时满足这些要素的自动驾驶企业，仅有特斯拉一家。
技术路径的选择非常关键。这不仅是在自动驾驶领域，机器人领域也一样。特斯拉近期公布了人形机器人“Optimus”，动作笨拙，功能有限，貌似让人大失所望。但是，起点并不重要，进步的速度和能达到的终点更重要。有些技术路线，起点高，但上限低，有些则相反。特斯拉机器人和波士顿动力机器人的差别，类似于FSD与Waymo的差别。波士顿动力机器人跑酷视频的确惊艳，但十多年了一直停留在实验室阶段，依然没有量产。一款能够低成本量产，不断积累数据，用人工智能算法不断快速学习迭代的机器人，才更有前途。
中国的自动驾驶
蔚来创始人李斌曾说：“特斯拉有的我都有，我有的它却没有”。从表面看的确如此，蔚来汽车有更多的摄像头、毫米波雷达和激光雷达，内饰、娱乐大屏、各种配置等都要领先于特斯拉。例如，蔚来ET7，仅仅感知硬件就包括1个超远距激光雷达、5个毫米波雷达、12个超声波传感器、14个摄像头。可以说，新能源车的硬件层面，无论是蔚小理还是比亚迪，和特斯拉并没有差距，甚至更好。但自动驾驶方面，差距还非常大。
硬件的配置完全不能代表整体性能。国产车“堆料”很厉害，但各个车企昂贵的激光雷达更多是为了未来自动驾驶进步留下的“冗余”，客户先为此付费，但却很难派上实际用场。国产新势力配置的英伟达芯片算力值，表面上也远高于特斯拉。但如果没有强大的人工智能算法，这些硬件发挥不了全部作用。例如，特斯拉三年前的自研HW3.0芯片峰值算力是144TOPS，并不是太高，但已经完全可以支撑超越人类驾驶能力2-3倍的自动驾驶能力，甚至芯片的算力还没有完全发挥出来。没有好的软件能力，硬件就只是摆设。
国内车企应该认知思考一下，特斯拉为何能做到仅仅通过摄像头感知以简驭繁，感知层面做得越复杂就一定越好吗？例如，小鹏汽车的XPILOT智能驾驶辅助系统，融合了几乎所有的传感器和感知方式：前视三目摄像头＋翼子板侧后视摄像头＋反光镜前视摄像头＋后视摄像头＋5个毫米波雷达＋4个环视摄像头＋12个超声波雷达＋高精地图＋高精定位+激光雷达。如此复杂的各种感知数据，真的能很好融合吗？仅仅认为特斯拉用纯摄像头方案，是因为雷达贵，是过于简单的想法。特斯拉每一辆车的盈利远超国内这些年年亏损的新势力，它连最便宜的超声波雷达都用不起，都要去掉吗？
此外，国内企业的自动驾驶方面，还有一项弱点，就是芯片过于依赖国外。不久前，英伟达用于云端数据中心AI计算的服务器级别的人工智能芯片A100 和 H100两个型号为被限制出口中国，对国内企业的自动驾驶云端训练带来挑战。目前有地平线等国内企业发布了算力不错的车端芯片，但和英伟达等相比还有较大差距，而且集中在设计领域，制造依然依赖于台积电。
国内企业有一个好消息，那就是特斯拉的高级别自动驾驶能否进入中国还是未知数。当下国内的特斯拉只有L2级别，FSD的最新版本能否进入中国还需要审批。特斯拉能否在中国境内大规模采集和使用数据，有一定的不确定性。这种不确定性给国内企业发展自动驾驶提供了时间窗口。
在我国，车企或者互联网科技公司谁更有希望实现更高级别的自动驾驶？车企，尤其是新能源车企的可能性最大。新能源汽车由于其特性，更加适合自动驾驶。但当下这些企业要么新能源汽车十分热销，为交付问题殚精竭虑，还没开始重视起自动驾驶；要么还停留在错误的技术路线，进展缓慢，且芯片和算法都依赖他人。
华为和百度等都有自动驾驶方案，它们强在软件和算法等能力，但弱点在于数据。他们不是车企，没有大规模的车队。华为、百度与车企结合似乎是好的方案，但利益关系很难摆平，车企不愿意丢掉“灵魂”，沦为代工厂，这种合作往往貌合神离，多会不了了之。
难道自动驾驶系统不能像安卓统治智能手机一样，有一套除特斯拉之外的车企通用的操作系统？二者的逻辑不太一样：安卓系统只需要顶层设计，不需要大规模的数据经过深度学习算法来训练，而自动驾驶却需要。况且，华为、百度的自动驾驶技术路线还是和Waymo类似的，能否取得突破并量产，还有很大的距离。
新能源汽车以及电池的制造方面，我国实现了世界领先地位，体现了我们制造能力方面的优势。但自动驾驶是数据、人工智能、芯片、超级计算、商业模式等各个方面的结合体，更多是软实力，在此方面我们能否实现领先，还需要继续观察。
总之，特斯拉的自动驾驶最近一年的突飞猛进以及展现出的巨大潜力，给我们带来很大的鼓舞和启发。自动驾驶的前景让人充满向往，但不需要后视镜、方向盘、油门、刹车的L5级别的完全自动驾驶，何时能够真正实现还是未知数。人类之所以主宰地球，成为万物之灵，不是感知和运算能力多么强，而是机器难以复制的大脑的抽象、推理决策能力。当前的并不太强的人工智能底层技术，能够在驾驶领域实现甚至超过人脑能达到驾驶能力吗？
自动驾驶的未来未必会一帆风顺，作为汽车驾驶者，我们绝对不能对当下的技术过于信任，否则一个小的bug就可能付出巨大的代价。但毫无疑问，这个世界正在被科技改变。完全自动驾驶将给人类社会的经济生活带来重大影响。而更难实现的智能人形机器人如果成功，将重塑整个人类社会，电影《I robot》中描绘的场景可能成为现实。
这篇文章首次发表于2022年10月11日静逸投资公众号。