“自动驾驶的下一步是什么？我们有一种焦虑，特别是2025年可能是一个非常重要的时间节点。怎么能从战略角度面对这样的淘汰赛呢？”时宇科技联合创始人、董事长兼CEO吴甘沙在第十四届中国汽车蓝皮书论坛上发表了主题为“剑指2025:乘用车智能驾驶淘汰赛七大核心观点”的演讲。他在一开始就提出了这样一个问题，这是自动驾驶目前面临的普遍困境。
2022年7月8日，第十四届中国汽车蓝皮书论坛将继续在武汉经开区举行。在本次演讲中，吴甘沙回顾了近年来自动驾驶的发展阶段，总结了乘用车智能驾驶淘汰赛的七大核心观点。
以下为吴甘沙演讲实录。
大家好，很高兴再次来到蓝皮书论坛。今天，我的演讲是我们内部的一个小讨论。众所周知，时宇科技做乘用车6年左右，但我们主要是软件的Tier2，所以参与了4个量产，也做了我们的高速NGP，停车用的AVP，城市道路上Robtaxi之类的场景。
下一步是什么？我们有一种焦虑，特别是2025年可能是一个非常重要的时间节点。如何从战略角度面对这样的淘汰赛？所以我们自己总结了七个核心思想，讨论的时候要讲一个多小时。今天，我们高度集中地与你分享它们。
今天上午，泰伯还回顾了过去许多年的蓝皮书论坛。我参与了很多年，拿出以前的一些PPT复习。这是我2019年的观点。自动驾驶，尤其是L4，需要协同创新。因为L499分等于0分，所以也有所谓的991原理。虽然我们已经过了99%，剩下的1%可能还需要99%的时间和努力。最终L4需要证明在大数据意义上比人更安全，而这个大数据可能需要百亿英里的概念，也就是说我一个人拿几百辆L4是达不到这样一个最终结果的，所以当时也给出了这样一个简单的算术。我们希望1000万辆车必须安装这个系统才能达到最终的效果。
当时我们列出了和一些主机厂的合作项目。这是2019年的初步想法，一定要把车队数量做大。2020年，我们的标题是智能驾驶的中场战争。我回顾了特斯拉是如何走三步走的，得出一个结论，必须找到符合影子模式的成本最低的平台。
我给个图，这是当时的PPT。我认为在2021年到2023年之间，会出现这样一个产品，它是L2的身体，L3的体验，L4的灵魂。你看我把高速行驶，停车场停车，城市道路产品放到一个系统里。可以说，在2020年，我还预言了L2++和停车产品的出现。
到2021年，我的题目是从L2+到L2++的思考。这时候我更明确的提出了两种产品形态。一种产品形态叫做三景合一，也就是我们现在说的L2++产品。请看左下角。
另外一个产品形态刚才唐总讲了线路和停车的融合。两种形式都非常强调系统的共享能力。不同的传感器包括不同场景下域控制器的共享。我觉得L2++是以代工为主导，自动驾驶公司更像是一个模块提供商。
可以是OEM主导，也可以是OEM和科技公司联合生产。我们说产品形态1是三个场景的结合，需要一种能力，叫做借假定真。虽然是L2++产品，但是修复L4能力。必须测量第二种产品形式。我们用的词是草船借箭。大量的车主都是你的安全员和培训师，可以在这么大量的产品中进行培训。
去年我也提到过，OEM和供应商的关系需要重构。
第一，集成不再是一个供应商通过黑盒完成的过程，而是需要黑盒、白盒、灰盒。
第二，交付不再是一次性交付，需要全生命周期的持续数据迭代。
第三，不再是一手交钱一手交货。什么是富人模式？它可能是XaaS/现收现付或其他模式。
供应商需要三种模式:
1.你需要把你的产品拆成模块，可以量产，可以白盒。产品模块覆盖高速、停车场、城市三大场景。
2.能够控制复杂的软件和硬件系统。
3.后端有全功能的云大脑，实现了数据和AI算法的闭环。
这是我对前三年的回顾，希望今年能分享一些这样的看法。
三年前要靠这个公式才能进决赛。第一，数据量大依赖于硬件成本低，机队规模大；第二个数据具有高值密度，高密度的第一个传感器尽可能完整，覆盖尽可能广的场景和区域；第三，数据迭代能力强，车端要有足够的计算能力，云端需要更多的计算能力，数据闭环要打通。
在业内这两款产品中，第一款L2/L2+是一款硬件成本低、数量大的高性价比产品。可惜很多没有数据闭环，数据值密度低，传感器少，计算能力低，场景不完整。优势是区域覆盖率高。
另一个产品是很多人做的Robotaxi，硬件成本高，体积小，数据闭环，数据值密度高，场景复杂，可惜区域覆盖低。只能在某些城市的某些区域制造。
现在整个行业在做的就是进一步迭代这两款产品。从左往右，引入数据闭环，形成停车一体化。从右到左，L4技术简化为L2++实现三个场景的融合。
过程中不可避免地会涉及到数据。如何与算法、车企、数据形成闭环，需要与主机厂进行关系重构，商业模式上需要全新的利润分成模式。这种预测在业内已经有很多动作了。
Robotaxi的玩家不断降低成本，通过与Tier1的合作进入乘用车量产。传统的智能L2玩家是基于行走和停车，然后进一步深入城市场景。
此外，L2玩家正朝着导航和停车一体化的方向发展。很多科技公司发现很难实现数据闭环。与OEM的关系如何重构？如果改造不好，我自己会成为代工吗？所以，你可以看到下面的科技公司又有新招了。
总的来说，总结这三句话:
第一，低成本L4大规模缩减为L2，
第二，扩大产品价值，使整个场景、
第三，重构与OEM的关系，形成数据闭环。
特斯拉覆盖三个场景，高速叫NOA，停车场AVP做的不多，和美国的场景有关。他在地下停车场不需要AVP，他做智能召唤和APV，在城市道路上叫FSD。他用的是一套产品，可以说是L4降维产品。特别独特的是，他没有使用激光雷达和介质传感器，保证了舰队数量足够大，同时覆盖了舰队。
大家可以看到，特斯拉做了几次硬件版本的迭代，迭代速度很快，保证了绿色部分。它是最新的硬件，在硬件迭代过程中，自动驾驶操作系统的连续性非常好。高配系统贡献了绝大部分里程。
目前市场上独立开发了三种产品形态，从L4到最右边的L2降维。我们称之为L2++，其特点是在国内使用高端低成本的激光雷达。问题是车的数量比较少，优势是数据完整。
左边的两款产品装载能力更强，最左边的是普通的L2+，也就是NOA。数量特别多，而且大部分都没有闭环数据。中间泊位是中等传感器和中等计算能力，有闭环数据。算法有一定的迭代能力，车数也在逐渐增加，但数据还是不完整。这是现在市面上三种产品形态独立进化的过程。
时宇技术的理念，我们也有三个产品。我们称之为高智能性价比产品。智能除以价格，市场上最左边的产品和最低成本的产品没有太大区别。我们想强调的是，能否在这个低成本的前提下，实现一个有限的数据闭环，支持一个好的算法迭代。
右边这两款产品也强调高质量和高性价比。中间产品是L2价格实现L2+智能，右边产品是L2++入门价格实现L4智能。在市场常见产品的基础上，我们进一步强化了数据闭环。最重要的一点是，右边的两款产品是通过一套全场景自动驾驶操作系统连接在一起的。好处是左边的两个产品可以让更多的车辆发回数据，右边可以做到优质实惠的价格比，加快这类车辆的普及率，解决数据量大，数据不全的问题。
今天的前两个核心理念:
首先，智能与价格的比率是未来竞争的关键。你要有数据闭环和算法迭代的能力，价格不能太高。
其次，降低RD成本，共享自动驾驶操作系统，兼顾大和-广，降低价格非常重要。
去年获得了自动驾驶操作系统领域的优胜奖，位居工信部人工智能行业创新前列。在自动驾驶操作系统上，首先可以组合模块化，部分模块可以同时实现功能安全、跨平台和轻量化。
比如现在流行的纯视觉算法，我们要把它做成一个模块。我们也可以把激光雷达做成一个模块，做全景目标检测和分割。在这两个的基础上，我们还可以做融合，然后把视觉和激光雷达结合起来，实现全景，这样就可以拆卸组合，更容易满足L2++这种高级产品的要求。
第三，数据闭环和算法迭代速度是成功的核心。闭环数据我们也讲了很多，算法迭代的速度很重要。我拿特斯拉做案例。他花了1.4亿美元做了一个超级计算器，为了比别人快，但数据其实不多。一百万个10秒的视频，他把所有他认为重要的内容都放进去，超级计算机保证他可以快速迭代算法模型。我们有一个段子，每天增长1%，一年后是我的37倍。他通过了。
在中国做数据闭环有很多挑战。第一个是要合法合规。这是国家标准委和网信办分别发布的两个标准。有兴趣的可以看看。未来智能汽车地理信息的采集、存储、传输和管理将进一步严格，合法合规是第一步。
刚才我说高智能性价比很便宜。如何解决存储和传输的成本？一般是车厂所有，有时候是车主所有。监管一定要有监管体系，使用也经常被算法公司使用。这怎么平衡？我们也在努力做一个成本最低的数据闭环。我们可以看到汽车端有事件触发器和数据脱敏器，可以降低清晰度，把高清摄像头降低到120万像素以下，匿名人脸和车牌，还有数据打包器。怎么才能用高昂的传输和存储成本来包装它们呢？
当你到达云的时候，你可以看到两条线。一条线是数据整理，半自动标注，模型训练，另一条线是组建测试力量，加入场景库，做仿真，驱动测试用例。路测要么以热修复的形式，要么通过发布测试，每个季度可能会发布一个新版本。里面有灰度释放和量子释放。灰度发布是通过选择一些模型的第一个发布。量子发布就是把新版本送到这个车上，旧版本还存在。新版本和旧版本同时存在。你听说过薛定谔的猫可能是死的，也可能是活的，也可能是新的，也可能是旧的，这就形成了一个成本最低的数据闭环。
其实数据没有价值。可贵的是，数据沉淀为案件场景。我们走过了很长的路，最早的案例是人工编辑的。我们看到，如果现实生活中存在的场景无法处理，我就通过人工编辑案例来完成。这是第一阶段。
第二阶段，场景可以自动生成。比如先建路网，可以加入随机车流，车流中有随机车辆。最后可以生成开放的场景案例，用数据生成案例。每一个场景都可以加入随机的噪点，保证这种场景彻底深入透彻，不会有问题。
第四点是与OEM建立可信的互利基础设施。一个是你和OEM有深度联盟就可以打开数据和技术的白盒，一个是你可以和很多OEM合作。如何才能实现闭环数据？一种是做民营化培训服务，我在OEM场所做驻厂培训定期更新。还有一种是要求OEM上传数据，贴上OEM的标签。
在中央培训平台上升级模型，需要记录不同主机厂的数据贡献，将不同主机厂的数据整合成一个新的模型，让每一个主机厂都能享受到。因为不同主机厂的数据贡献不同，所以应该有一个长期的利润分成模式。这种互信互利的模式，是未来技术提供商和OEM厂商之间全新的关系。
第五，从L2到L3的跨越，需要商用车L4的经验，不管是2.8，2.9，2.99，还是L3。商用车L4的经验很有帮助。当一辆客车上到L3时，我帮助一个孩子教他如何走路。行走环境在悬崖边上，你一摆脱就掉了。我可以在简单的环境里放手让他跑，这样才能逐渐适应更复杂的环境。
我们认为L2是一个好问题或坏问题，L3是一个有或没有它的问题，所以让我们回到我们的标题。2025年淘汰赛一定需要L3。没有3到5年的验证和运营经验，没有哪个厂商敢跳出来。通过商用车的场景来训练他的能力和经验是很好的。商用车的误差成本是可控的，因为它有慢有快，有小有大，有载有人，在道路开通之前场景是有限的。不久前，旧金山的Robotaxi公司发生了一起事故。没有撞到人，但是挡住了后面的消防车。消防车不得不匆忙灭火。这种远程脱困的能力也很重要。
我们已经积累了160万公里的真正无人驾驶商业运营里程，日常人类运维事件在下降，这是一个不断积累信心的过程。
第六，从L3到L4，考虑全天候运行能力。我们特别强调L4的竞争壁垒在于不间断的全天候业务。我能在大雨中跑步吗？在大雪和大雾中，L4不同于L2。如果天气不好，L2可以退出自动驾驶系统。L4不能退，天气不好也不能叫司机回来。这是不可接受的。实际上有许多中断。
另一种是人为的。我们经历过断网，云服务器断网。如何快速恢复远程操作和无网操作，对于未来从L3到L4都是很有帮助的。
第七，2025年L3大规模上线，这是淘汰赛的开始。今天，特斯拉是领导者，但它并没有一骑绝尘。它在数据和算法迭代速度上的绝对优势还没有帮助它跨过临界点，未来几年很可能会发生。我们一直在跟踪他每隔几万公里的事故数据，从2019年到2020年、2021年一直在改进和重复，Q1也在重复。其实一直在反复，只是2021年变差了，2020年特别好。可能是因为新冠肺炎疫情导致路上的车少了，每年的第四季度都特别糟糕。可能是因为天气特别不好。我们认为它在不断进步，并没有把其他玩家甩在后面。
2025年是一个非常关键的时间，我们还有3年的时间窗口。我期待我们的业内同行能像高尔基这篇文章写的海燕一样奔向乌云，而不是像海鸥企鹅一样平躺或躲藏。2025年一起去加油吧！谢谢大家！
中国汽车蓝皮书论坛由《汽车商业评论》杂志于2009年3月发起。主要内容是在中国汽车蓝皮书提出的问题和总结的经验基础上，进一步探讨当前中国汽车工业的热点问题，包括对中国汽车工业的深度思考和建设性建议。这也是一个对中国汽车发表意见和建议的自由市场。
2022年7月7日，第十四届中国汽车蓝皮书论坛2022在武汉开幕。围绕今年“耳目一新”的主题，谋求汽车产业高质量发展，助力汽车强国建设。
转载自【汽车商业评论】
