封面记者吴宇佳
今年夏天热的不仅仅是天气，还有自动驾驶。
在政策层面，中国一直是鼓励的。8月8日，交通运输部发布《自动驾驶车辆运输安全服务指南》，向社会公开征求意见。业内人士表示，最近的政策动作都围绕着同一个词——商业化。企业层面也有很多振奋人心的消息。有企业给出了量产时间表，各大车企和互联网巨头都跃跃欲试。
当然也不全是振奋人心的消息，还有一些隐忧。例如，近日，杭州交警部门公布了7月29日夜间，在西溪国家湿地公园景区福地附近，特斯拉Model X冲出路面，撞上路边路灯柱的交通事故调查结果。司机郑负事故的全部责任。经调查，确认事故发生前该车只有郑某一人驾驶，其一直坐在驾驶座上。
所以，自动驾驶温度高的时候，自动驾驶到终端的距离有多远？8月24日，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、研究员潘鹤林分享了他的观点。
潘麟指出，商用自动驾驶中PPT、概念车和实际落地往往存在一定差距。
近20年来，各种互联网故事让我们对所有本票产生了怀疑。PPT、概念车和实际落地往往有一定差距。即使是成熟的商业模式，我们也有过深刻的教训。比如自行车共享，浮华被冲走，留下的是堆放自行车的坟墓。当年意气风发的人是什么状态？
潘麟试图从多个层面解构自动驾驶行业的现状。自动驾驶经过十年的发展，现在已经进入蹒跚学步阶段，但是商业落地需要技术积累，周期会很长。自动驾驶领域的初创企业能熬过多年的消耗吗？自动驾驶用户能放心使用吗？自动驾驶的伦理问题回答了吗？这些都是需要考虑的。
在自动驾驶领域，核心点其实是什么水平的车辆可以商业化。不能只看概念车，要从数据中得到答案。近年来，资本善于讲故事，但资本的故事有多少实现了？
在技术层面，潘鹤林表示，自动驾驶竞赛的核心焦点是L4，技术有三种实现方式。
自动驾驶的功能效果可以分为六级，从L0到L6不等。
L0没有自动驾驶。
部分L1辅助驾驶。比如定速巡航，高速不踩油门。
这是L2联合驾驶辅助系统。L2经常需要多个传感系统来协助。例如，L2车辆沿着路标和标线行驶，例如在交通堵塞时自动跟随车辆，例如自动停车。L2不是单一的功能辅助，而是通过车辆传感系统完成一整套动作。
L3条件自动驾驶仪。L1-L2是辅助驾驶，而L3是自动驾驶。比如在外部环境相对稳定的高速公路上，驾驶员可以完全放开方向盘。但是L3需要一个人类驾驶员在必要的时候随时接管，所以它仍然需要一个人类驾驶员在驾驶室。
L4高度自动驾驶。L4可以认为是在有限区域内的无人驾驶。在自动驾驶感知信息源充足的区域，可以没有驾驶员，汽车可以自动行驶，甚至不再需要方向盘。
L5全自动驾驶。所有路段完全无人驾驶。
综上所述，其实像L1-L2这样的辅助驾驶技术对驾驶体验并没有质的提升，所以L1-L2并不属于自动驾驶的范畴。L3是自动驾驶，但是L3有一个很大的问题:L3需要人类驾驶员在必要的时候随时接管。那么，什么时候有必要呢？由于现实中复杂的路况，人类驾驶员对L3存在过度信任和完全不信任两种两极分化的心态。完全的不信任让L3技术变得毫无意义，而过度依赖L3则会导致大量的交通事故。但是L3目前所有的交通事故还是需要人类司机自己承担。所以实际上L3只是一个过渡玩具，并不能真正解放人类驾驶员。L5无法实现，这几乎成了自动驾驶行业的共识。
因此，目前自动驾驶领域企业竞争的核心焦点是L4，即在有限区域内实现无人驾驶技术。因此，未来几年自动驾驶的应用仅限于几个领域，包括出租车、公交车、干线物流、终端配送、公园景区、矿区、港口、环卫安保、机场等。所有的应用基本上都是在有限的领域。
为了实现这些L4应用，技术上有以下三条路径:
第一，无人，封闭区域操作。景区、工业物流园、矿区、港口、机场等低速游览车。，L4在这方面比较简单，自动驾驶可以在轨道车和传送带的基础上进行优化。目前，无人仓储在物流领域已经非常成熟。
第二，自行车智能化。视觉网络+包括激光雷达在内的强感知+高精地图下的智障。同样，自行车智能，特斯拉是另类。它希望建立一个强大的智能视觉神经网络，并拒绝使用激光雷达和高精度地图。实践证明，特斯拉的自动驾驶停留在L3阶段，最乐观的看法是10年后才能达到L4的门槛。但特斯拉并不盲目。训练一个像人眼一样强大的AI视觉，确实是一个跨越式的发展。即使失败，以新能源汽车起家的特斯拉也买得起。但目前自行车智能的实践仍然是AI智障+激光雷达强感知+高精地图的解决方案。
现在的自动驾驶热潮是从谷歌开始的。2012年，谷歌开始试验无人驾驶汽车，并积累数据。谷歌也是深度学习神经网络的早期推动者。开发无人驾驶的初衷其实是想把深度学习应用到自动驾驶上，但是后来发现开放道路的环境太复杂了。即使AI可以准确识别99%的物体，只要有1%的未识别和识别错误存在，其安全性就无法得到保证。深度学习本身就是一个技术黑匣子，在里面设定算法，输入数据进行训练。如果输出结果正确，则调整参数进行刺激，如果输出结果错误，则调整参数进行惩罚。这也导致了很多AI视觉神经网络无法识别的情况，没有办法找到原因。因此，谷歌在autopilot中加入了激光雷达和高精度地图，同时随着环境参数的输入，限制autopilot在固定区域内运行。这是谷歌旗下的waymo在美国多个城市开展的Robotaxi业务。有限的面积，环境参数的输入，AI神经网络，激光雷达，高精地图，自行车智能几乎用了所有可用的工具，但也只是勉强实现了L4。同一套自动驾驶系统，在改变操作区域时，需要重新设置环境参数，重新积累数据。
第三，车路协同辅助下的自动驾驶。整个智能自行车系统非常昂贵，但它只能扫描周围的环境，无法了解100米以外的情况，所以有了智能车辆基础设施合作系统。通过通信基站，在部分道路上设置专用网络通信，车对人通信、车对车通信、车对路通信。道路协调下的自动驾驶将昂贵的感知系统放在道路两侧的车辆内部，让车辆更充分地接受环境信息。的确，自动驾驶的难度降低了。但这有点类似于“没有轨道的轨道交通”。个人认为，未来的车路协同可能是城市智能交通升级和基础设施的一部分，但在自动驾驶中的作用主要是辅助性的。因为自行车智能化的未来价值更高。目前自行车智能确实是蹒跚学步的阶段，但和AI视觉神经网络一样，即使10 -20年成熟，其技术本身也意义重大。在车路协同下，自动驾驶如果只有车路协同，很可能只能用，技术无法产生附加价值。
综上可以看出，其实目前自动驾驶的主要技术方向是以自行车智能为主，车路协同为辅。2020年10月，谷歌waymo开始在凤凰城推广没有安全人员的Robotaxi业务。2022年3月，谷歌waymo在旧金山的一些地区推出了没有安全员的Robotaxi业务。说明现在的自行车智能已经可以实现L4无人驾驶了。
潘麟认为，自动驾驶在技术上仍然充满各种风险。总结这些风险，结合中国的现状，大概有以下几个问题:
第一，自动驾驶仍然是“薛定谔的安全”。美国加州有自动驾驶路测。路测中有一项自动驾驶技术，每10万公里安全员干预次数。到现在还是没有零干预。安全员介入的问题包括:高精地图问题、视觉感知障碍、软件稳定性问题、传感系统问题导致紧急制动、运动轨迹需要优化、红绿灯识别错误、车道错误、误识别等。自动驾驶技术似乎已经到了一个瓶颈。2018年，优步的自动驾驶导致了一起重大交通事故。最后确定AI识别了路人，但汽车机械没有实现。即即使智能驾驶技术是安全的，决策层和执行层之间的联系也可能导致严重的事故。用户对自动驾驶的安全性容忍度较低。其实坐飞机是很安全的，只是有些人怕坐飞机，却不怕坐车。人确实有非理性的认知偏差，但你不能要求人理性。用户对自动驾驶的安全要求一般都很高。哪怕十万公里发生一次事故，都会让自动驾驶面临重启的风险。
二、迷雾中的高精地图。高精地图是自动驾驶技术的标配，但目前高精地图还是一个壁垒很高的领域，数据采集的成本很高。随着道路的变化，高精度地图必须不断修正地图信息。即使解决了这些问题，政策上对一些高精地图数据的开放也有限制，使得自动驾驶车辆往往无法量产。但是Robotaxi对高精度地图数据的要求确实降低了，因为它是在某个城区内运行的。高精地图企业只需采集本地高精地图信息，并保证高精地图数据及时更新即可。但这一方面也需要政府充分开发某一区域的高精度地图信息。
第三，模拟路试和真实路试。技术上，各地要模仿美国加州的做法，通过路测数据发放运营牌照，要官方确定。理论上，自动驾驶需要数百亿公里的道路测试数据才能达到安全阈值。但现实中并非如此。2021年8月，谷歌waymo的数据里程为3600万公里，模拟里程为320亿公里。如果实际路测里程不足，模拟模拟里程。模拟里程，说到底就是虚拟环境下的行驶数据。由于自动驾驶的核心是自行车智能中的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驾驶数据的积累。目前所有的自动驾驶公司都是用模拟驾驶测试代替真实驾驶测试，这反映了自动驾驶公司的不耐烦。然而，对于自动驾驶技术来说，这并没有增强可靠性。虚拟环境仍然不能代替真实的路测，因为现实远比仿真环境更不可预测，问题也更多。
第四，测试环境不同于开放环境。量产自动驾驶的环境更复杂，用户也不是专业人士。他们不知道什么时候接管自动驾驶汽车，他们不会维护系统以保持其稳定性。工业上有一个词，叫鲁棒性，是指系统在异常和危险情况下的生存能力。测试往往运行在稳定的环境中，但现实中并没有稳定的环境。例如，2022年，在俄罗斯的一场围棋比赛中，AI机器人不知何故抓住了人类棋手的手指，导致误伤。最后的结论是，人类玩家出手太快，没有等待。但是在开放的环境下，我们不能要求每个人都用标准化的方式和AI交流。比如会不会有人故意屏蔽自动驾驶汽车？
潘麟总结说，Robotaxi下的自动驾驶越来越完善，但真的到了可以量产和全面铺开的地步吗？他认为，我们首先需要有自动驾驶系统能力的评估体系，各地需要进行道路测试，验证各种自动驾驶技术的成熟度，而不是一上来就允许没有安全人员的自动驾驶商业化运营。
行业方面，潘和林认为自动驾驶的故事已经讲得差不多了，热情在下降。
传统上，行业倾向于净利润和现金流，而驱动概念行业的往往是故事。目前自动驾驶的故事已经讲得差不多了，各方对自动驾驶技术的热情在下降，具体体现在:
首先，华尔街对自动驾驶的热情在下降。2022年年中，随着以美联储为首的欧美各国央行进入加息周期，美元资金对风险投资的热情正在下降。事实上，在过去的20年里，互联网的发展离不开主要货币的长期宽松政策，如美元、欧元、英镑、日元等主要货币。央行长期实行零利率的货币政策。这使得风险投资盛行，大量资本流入高风险行业。资本不再要求初创企业盈利。仅仅一个故事就能从华尔街拿到很多美元。然而，2022年，周期的高潮将已经过去，利率将迅速上升，需要长期投资的自动驾驶公司越来越难以获得融资。要求资本自动驾驶企业加快实现步伐，这也是国内外自动驾驶企业急于让不成熟的自动驾驶L4商业化的原因。
第二，互联网大公司没有余粮，自动驾驶在互联网大公司中的地位逐渐边缘化。2022年，特斯拉自动驾驶部门裁员，优步也裁员，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裁员。移动互联网的繁荣已经基本达到顶峰，各大互联网公司的重点是寻找新的消费级入口，而不是在可预见的未来继续烧钱寻求自动驾驶进行商业落地。主机厂也在减员。主机厂是自行车智能系统的下游。他们有继续下去的动力，但也做好了长期研发的准备。
第三，使用L2/L3技术冒充L4的自动驾驶企业逐渐增多。既然要长期烧钱，就要有回血的手段。如果华尔街、互联网大公司、主机厂商不想做长期投资，利用现有技术基础换取流动资金，或者利用示范项目承接一些项目，已经成为很多自行车智能化企业的做法。但由于像L2/L3这样的技术无法解决关键的车辆痛点，对主机厂来说价值不高，这也使得自行车智能企业很容易成为主机厂的附庸。
第四，高精地图、激光雷达、芯片还存在瓶颈。高精地图的采集成本还是很高的，开放道路上的实时更新成本更高，还有法律法规的限制，使得高精地图成为一个非常高的门槛。自动驾驶自行车智能企业需要开辟自己的试验线，通过购买和自行采集的方式获取高精度地图数据。然而，激光雷达的国内产业还不成熟。国内车载激光雷达大部分是初创企业，很多企业车载激光雷达产品仍然依赖进口。再者，即使是激光雷达，激光雷达的耐久性也不好，连续工作后故障率高，即稳定性不足。
潘麟承认，事实上，我们在产业链的高端仍然有很大的短板。未来不能局限于商业化，最好从产业链的自主性去布局。否则，即使有自动驾驶，也可能受制于人。
以视觉神经网络为例，自动驾驶领域还有三样东西:数据、计算能力和算法。
目前视觉神经网络的基本框架算法主要来自国外，但算法不是重点。随着人工智能的发展，我国的算法能力也在加强。数据和计算能力的困难。自动驾驶是非常数据积累的，这也是目前自动驾驶业务落地需要5-10年的原因。在计算能力方面，国内高端芯片存在壁垒。有人想过用计算能力来实现自动驾驶，但其实自动驾驶是需要实时性的。云计算能力有物理通信距离，也就是有时间延迟，而且极度依赖通信网络的稳定性，不现实。因此，自动驾驶的未来将长期依赖于单周期计算能力，而单周期计算能力需要低功耗、高性能的芯片。
再者，目前汽车智能驾驶舱的操作系统大部分还是安卓系统，华为的鸿蒙系统系统也有所突破，但普及度仍不如安卓系统广，这在客观上是中国自动驾驶供应链的短板。
可见，自动驾驶的发展绝对不是单一功能的输出。他上游有复杂的产业链和供应链，而在这些产业链中，很多产业链的核心部件还需要国内层面的解决方案。当然，安全性和耐用性都要考虑。对于自动驾驶，要从全产业链布局技术，着眼于供应链的短板，补充和加强链条，提高技术的自主性。否则，即使有自动驾驶，也可能受制于人。
另外，目前国内大部分自动驾驶车辆还在A点到B点的固定线路上行驶，实际上并不能达到L4的要求。L4无人驾驶虽然是禁区，但是在开阔地带是自动驾驶，需要在禁区内根据客户的要求自动规划路线，才能到达目标位置。
事实上，无论是技术还是产业布局，中国的自动驾驶还有很长的路要走，这不是表面浮华所能掩盖的。而是应该从全产业链去思考和布局，让中国的自动驾驶真正实现变道超车。
