作者簡介：william，自動(dòng)駕駛軟件工程師(感知團(tuán)隊(duì) leader)，知乎專欄「自動(dòng)駕駛?cè)珬９こ處煛埂?/p>
在過去的十年，自動(dòng)駕駛從大部分人眼里的「完全不可能」變成了「一定能實(shí)現(xiàn)」。包括我在內(nèi)的無數(shù)對自動(dòng)駕駛充滿信念的年輕人都投入到了這一領(lǐng)域內(nèi)。
但其實(shí)我們對完全自動(dòng)駕駛?cè)绾螌?shí)現(xiàn)，怎么樣才能盈利以及到底什么時(shí)候才能最終普及充滿了困惑。
因此我將在我的這篇文章中結(jié)合馬斯克的 2020 自動(dòng)駕駛愿景，從技術(shù)、社會(huì)接受度及商業(yè)應(yīng)用的角度分析這些問題。
01
馬斯克的 2020 自動(dòng)駕駛愿景
特斯拉首席執(zhí)行官埃隆·馬斯克在上個(gè)月上海世界人工智能大會(huì)發(fā)布的視頻中說到：「我覺得我們已經(jīng)非常接近 L5 級自動(dòng)駕駛了。我有信心，我們將在今年完成開發(fā) L5 級別自動(dòng)駕駛的基本功能」。
這一聲明引爆了行業(yè)討論，很多媒體對他的陳述斷章取義并部分夸大，宣稱特斯拉能在 2020 年實(shí)現(xiàn)「L5 完全自動(dòng)駕駛」。
我們先討論「L5 級別自動(dòng)駕駛的基本功能」。
我個(gè)人非常相信，在受限場景下，L5 自動(dòng)駕駛的基本功能是能很快實(shí)現(xiàn)的，任何一家頂級車廠都有實(shí)力在今年造出一臺(tái)沒有方向盤在測試場狂奔避障的 L5 自動(dòng)駕駛汽車，但是沒有然后。
如果馬斯克僅僅討論「L5 級別自動(dòng)駕駛的基本功能」，那么該新聞對我沒有吸引力，因?yàn)榇蟊姶钶d L4/L5 自動(dòng)駕駛技術(shù)的Sedric早在今年年初在漢堡的測試場就已經(jīng)開發(fā)完成了。
世界上第一臺(tái)通用計(jì)算機(jī)「ENIAC」于 1946 年誕生，但是直到 20 世紀(jì) 80 年代才作為個(gè)人電腦大規(guī)模普及。一項(xiàng)技術(shù)從一開始的科研到產(chǎn)品，再到商品普及的關(guān)鍵，是成本與體驗(yàn)。目前的 L5 自動(dòng)駕駛樣車均不滿足這兩項(xiàng)要求。
根據(jù) SAE 對于自動(dòng)駕駛級別的劃分，L5 自動(dòng)駕駛汽車要求自身可以在任何情況下進(jìn)行所有駕駛，并且車內(nèi)人員只是乘客，無需參與駕駛。因此全自動(dòng)駕駛汽車甚至不需要方向盤和駕駛員座椅，乘客可以在汽車上花費(fèi)更多的時(shí)間從事更有成效的工作。
「我們非常接近 L5 自動(dòng)駕駛」，這句話沒錯(cuò)，特斯拉很有可能今年年底就能完成 L5 自動(dòng)駕駛汽車的基本功能。但「基本」是否意味著「完整且可以部署」?政府和監(jiān)管機(jī)構(gòu)是否允許他們上路?這些問題馬斯克都沒有解釋。他的話存在很大的解釋空間。
實(shí)際上在許多工程問題中，尤其是在人工智能領(lǐng)域，最后一英里往往需要很長時(shí)間解決，「接近」永遠(yuǎn)不是「等于」，能在測試場跑不代表能應(yīng)付真實(shí)場外道路。
更重要的是，自動(dòng)駕駛的普及不單單是技術(shù)上的事，更需要整個(gè)社會(huì)愿意接受這項(xiàng)技術(shù)帶來的變革。
當(dāng)前市面上的自動(dòng)駕駛技術(shù)，包括特斯拉都是處于 L2 級別，即部分自動(dòng)化，駕駛員必須始終保持對汽車的控制，并在自動(dòng)駕駛功能開啟時(shí)將手放在方向盤上。
實(shí)際上特斯拉在逐步將 L3 級別自動(dòng)駕駛的功能部署在對外宣稱的 L2 級別自動(dòng)駕駛平臺(tái)上，如紅綠燈檢測及針對目的地導(dǎo)航的Full Self-Driving Capability，讓消費(fèi)者獲得超出別家 L2 級別自動(dòng)駕駛的體驗(yàn)，但是自身不需要承擔(dān) L3 級別的法律風(fēng)險(xiǎn)及倫理悖論。
畢竟對于消費(fèi)者來說，他們不管你 Level 幾，只關(guān)注功能是否新穎可靠，如果此時(shí)價(jià)格也不超出他們的承受能力，那絕對可以考慮入手了。
馬斯克很多話的目的，其實(shí)就是為了讓大家相信特斯拉的技術(shù)實(shí)力，相信特斯拉純視覺方案的 Full Self-Driving Capability，從而讓更多的普通大眾愿意為特斯拉買單。馬斯克是一個(gè)偉大的科學(xué)家，但這絕對不會(huì)妨礙他成為一個(gè)狡猾的商人。
現(xiàn)在我們來討論我們工程師感興趣的，「特斯拉的純視覺深度學(xué)習(xí)解決方案能否在 2020 年甚至接下來的幾年內(nèi)實(shí)現(xiàn) L5 全自動(dòng)駕駛?」
我的答案是：不能。
以下將從特斯拉的技術(shù)路線、L5 自動(dòng)駕駛的社會(huì)接受度及商業(yè)模式方面分析「我為什么認(rèn)為馬斯克的 2020 L5 自動(dòng)駕駛愿景實(shí)現(xiàn)不了」。
02
特斯拉的技術(shù)路線
馬斯克在以往講話中提出的另一個(gè)重要的觀點(diǎn)，他相信特斯拉汽車「僅通過改進(jìn)軟件即可實(shí)現(xiàn) L5 自動(dòng)駕駛」。
目前的 L4 自動(dòng)駕駛公司，如 Waymo 和 Uber 都使用了激光雷達(dá)模塊來創(chuàng)建汽車周圍環(huán)境的高精度三維地圖，以此彌補(bǔ)純視覺感知的不足，提供更多的安全冗余。
而特斯拉目前主要依靠基于攝像機(jī)的純視覺算法來識(shí)別交通場景，通過深度神經(jīng)網(wǎng)絡(luò)從安裝在車輛周圍的八個(gè)攝像頭的視頻源中檢測道路、汽車、物體和人。雖然特斯拉還配備了前置雷達(dá)和超聲波雷達(dá)用以輔助，但是效果有限。
馬斯克的邏輯是：人類大多數(shù)情況下僅僅依賴于自身的視覺來識(shí)別周圍的物體，人眼能做到的，攝像頭同樣也能做到。
這個(gè)邏輯并不完整，首先人類的眼睛背面有連接到大腦的 3D 映射硬件來檢測物體并避免碰撞，至少 2020 年的攝像頭并沒有這一映射模組。
其次，當(dāng)前的深度神經(jīng)網(wǎng)絡(luò)充其量只是對人類視覺系統(tǒng)的粗略模仿，只是模擬了人類大腦皮層神經(jīng)細(xì)胞的一小部分。
深度學(xué)習(xí)的局限性在于，它需要大量的訓(xùn)練數(shù)據(jù)才能可靠地工作，當(dāng)面對訓(xùn)練數(shù)據(jù)中未包含的新情況時(shí)，它們沒有人類的創(chuàng)造性和靈活性。
因此依靠現(xiàn)存的深度神經(jīng)網(wǎng)絡(luò)，我們無法實(shí)現(xiàn)「西部世界」中雷荷波的萬物皆可預(yù)測。
最后，人類的眼睛經(jīng)過數(shù)百萬年的進(jìn)化，視覺皮層對特定的事物如物體形狀、特定的顏色、紋理以及運(yùn)動(dòng)追蹤非常敏感。我們的汽車、道路、人行道、路標(biāo)、紅綠燈等交通設(shè)施和建筑物都是依據(jù)人類的視覺喜好設(shè)計(jì)。
我們根據(jù)人類視覺系統(tǒng)的總體偏好和敏感性，有意識(shí)或無意識(shí)地選擇了這些物體的顏色、紋理和形狀。
人工智能往往在后天上去學(xué)習(xí)了解部分這些特性，而人類早已經(jīng)在先天上具備這種優(yōu)良的識(shí)別能力。
也許有一天攝像頭也能達(dá)到人眼一樣的效果，但這一天肯定不是今天，也不是今年。
關(guān)于深度學(xué)習(xí)的數(shù)據(jù)依賴性，馬斯克在他的講話中也提到了，Tesla Autopilot 在中國之所以不能像在美國那樣好用，是因?yàn)樘厮估曈X算法的大多數(shù)培訓(xùn)數(shù)據(jù)都來自美國，這其實(shí)和奧迪 A8 的 L3 自動(dòng)駕駛功能在中國的應(yīng)用非常受限的原因是一樣的。
由此引出了一個(gè)概念：深度學(xué)習(xí)的長尾問題。
所謂深度學(xué)習(xí)的長尾問題(Long-tail problem)就是模型所面臨的極端情況或者「Corner case」的數(shù)量是未知的，很有可能是無限的。
人類駕駛員能夠迅速適應(yīng)新的環(huán)境和條件，例如新的城市或城鎮(zhèn)，或者以前從未經(jīng)歷過的天氣條件(積雪、大霧、泥濘小路等)。
當(dāng)我們處理新的情況時(shí)，我們會(huì)使用直觀的物理學(xué)、常識(shí)以及對世界如何運(yùn)轉(zhuǎn)的知識(shí)來做出理性的決策。
我們了解因果關(guān)系，并可以確定哪些事件導(dǎo)致了其他事件。我們還了解環(huán)境中其他理性行為者的目標(biāo)和意圖，并可靠地預(yù)測其下一步行動(dòng)。但是目前，深度學(xué)習(xí)算法還沒有這種功能，因此需要針對每種可能遇到的情況進(jìn)行預(yù)訓(xùn)練。
即使特斯拉的深度學(xué)習(xí)算法適應(yīng)的環(huán)境中如高速公路，它們也不擅長處理訓(xùn)練場景之外的情況，比如前兩個(gè)月在臺(tái)灣發(fā)生的特斯拉撞入前方傾翻車輛的事件。特斯拉可以不斷更新其深度學(xué)習(xí)模型，以應(yīng)對所謂的「Corner case」，但是實(shí)際上這種極端情況是未知的。
馬斯克在他的講話中提到，「我認(rèn)為實(shí)現(xiàn)自動(dòng)駕駛 L5 目前不存在底層的根本性的挑戰(zhàn)，但是有很多細(xì)節(jié)問題。我們面臨的挑戰(zhàn)就是要解決所有這些小問題，然后整合系統(tǒng)，持續(xù)解決這些長尾問題。你會(huì)發(fā)現(xiàn)你可以處理絕大多數(shù)場景的問題，但是又會(huì)不時(shí)出現(xiàn)一些奇怪不尋常的場景，所以你必須有一個(gè)系統(tǒng)來找出并解決這些奇怪不尋常場景的問題。這就是為什么你需要現(xiàn)實(shí)世界的場景。沒有什么比現(xiàn)實(shí)世界更復(fù)雜了。我們創(chuàng)建的任何模擬都是現(xiàn)實(shí)世界復(fù)雜性的子集」。
他認(rèn)為 L5 自動(dòng)駕駛沒有根本性挑戰(zhàn)的信心來源于特斯拉能從全世界收集來自現(xiàn)實(shí)世界的數(shù)據(jù)解決自動(dòng)駕駛問題，特斯拉通過收集的數(shù)據(jù)不斷模擬虛擬場景并微調(diào)其算法，會(huì)讓特斯拉最先逼近現(xiàn)實(shí)場景中深度學(xué)習(xí)長尾問題的極限值。
解決長尾問題上目前有兩種，一種是在大數(shù)據(jù)集上訓(xùn)練更大、更復(fù)雜的神經(jīng)網(wǎng)絡(luò)，最終在認(rèn)知任務(wù)上達(dá)到人類水平的表現(xiàn)。另一種是在大數(shù)據(jù)集上直接擬合，找到可以覆蓋問題空間更大范圍的正確數(shù)據(jù)分布。
這些方法都是基于大數(shù)據(jù)，如果這些理論是正確的，那么特斯拉確實(shí)可以在可預(yù)見的未來通過收集和有效利用越來越多的汽車數(shù)據(jù)實(shí)現(xiàn) L5 全自動(dòng)駕駛。
但是有些人認(rèn)為現(xiàn)有的深度學(xué)習(xí)理論從根本上是有缺陷的，因?yàn)樗荒懿逯怠Ｈ祟悓κ澜绲母兄粌H有環(huán)境信息提取，也有邏輯因果。
而深度學(xué)習(xí)沒有探索環(huán)境的因果模型，這就是為什么深度學(xué)習(xí)工程師需要精確地訓(xùn)練他們想要解決的問題的不同的細(xì)微差別。
無論你在多少數(shù)據(jù)上訓(xùn)練一個(gè)深度學(xué)習(xí)算法，你都不能完全相信它，因?yàn)榭偸菚?huì)有許多新奇的情況出現(xiàn)導(dǎo)致推理失敗。
相比而言，人類的大腦不需要明確的培訓(xùn)，它從每個(gè)環(huán)境中提取高層次的規(guī)則、符號和抽象概念，并用它們來推斷新的設(shè)置和情景。
因此，如果深度學(xué)習(xí)算法沒有對抽象網(wǎng)絡(luò)和符號操作的利用，沒有整合常識(shí)、因果關(guān)系和直覺物理學(xué)，它將永遠(yuǎn)無法達(dá)到人類水平的駕駛能力。
當(dāng)然目前有很多對于深度學(xué)習(xí)網(wǎng)絡(luò)的改進(jìn)，如：
Hybrid artificial intelligence：結(jié)合了神經(jīng)網(wǎng)絡(luò)和符號人工智能，賦予深度學(xué)習(xí)處理抽象的能力;
System 2 deep learning：使用了一種純神經(jīng)網(wǎng)絡(luò)的方法來為深度學(xué)習(xí)提供符號處理能力;
Self-supervised learning：通過自身探索世界來學(xué)習(xí)，而不需要人類的大量幫助和指導(dǎo);
Capsule networks：通過觀察像素來創(chuàng)建一個(gè)準(zhǔn)三維的世界表示，為對象的不同組件之間建立連接。
這是深度學(xué)習(xí)領(lǐng)域最前沿的早期研究，但是還沒有準(zhǔn)備好被部署到自動(dòng)駕駛汽車和其他人工智能應(yīng)用中。
綜上所述，特斯拉的純視覺深度學(xué)習(xí)解決方案沒法在 2020 甚至及接下來的幾年內(nèi)實(shí)現(xiàn) L5 全自動(dòng)駕駛。
接下來我們來討論「社會(huì)是否做好了接受 L5 全自動(dòng)駕駛的準(zhǔn)備?」
03
L5 自動(dòng)駕駛的社會(huì)接受度
標(biāo)準(zhǔn)法規(guī)
在特斯拉目前宣稱的 L2 自動(dòng)駕駛中，駕駛員被要求對他們自己的所有駕駛行為負(fù)責(zé)。
對于由人駕駛汽車引起的事故，我們有明確的規(guī)章制度。但是自動(dòng)駕駛汽車仍然處于灰色地帶，即便是 L3 級別自動(dòng)駕駛的事故責(zé)任劃分，目前都沒有任何國家出具詳細(xì)的法律條文。
而 L5 自動(dòng)駕駛汽車，駕駛員不需要為事故承擔(dān)任何負(fù)責(zé)，那么制造和提供自動(dòng)駕駛汽車的公司分別要承擔(dān)怎樣的責(zé)任?保險(xiǎn)公司又應(yīng)該承擔(dān)怎樣的責(zé)任?一直不愿意對 Autopilot 事故負(fù)責(zé)的特斯拉是否愿意承擔(dān)這可能的責(zé)任?
人類的自我導(dǎo)向
推崇自動(dòng)駕駛 AI 的人往往認(rèn)為，人類駕駛員也會(huì)犯很多錯(cuò)誤，而自動(dòng)駕駛汽車犯錯(cuò)的概率相對于人類要小了很多，會(huì)讓駕駛變得更加安全。
對于這一點(diǎn)，我是存在疑慮的。首先由于疲倦、大意、酗酒等因素，人類在駕駛中確實(shí)會(huì)犯很多錯(cuò)誤，但是目前的樣本數(shù)量和數(shù)據(jù)分布無法得出駕駛員和 AI 之間的事故發(fā)生頻率的準(zhǔn)確比較。
其次，與自動(dòng)駕駛汽車背后的 AI 算法相比，也許人類錯(cuò)誤頻繁，但卻很少出現(xiàn)怪異的現(xiàn)象，對于怪異的現(xiàn)象人類更容易預(yù)測和規(guī)避，比如有理智的人類駕駛員都不會(huì)往傾翻的卡車上撞。
最后，人類往往會(huì)去理解和接受自己主觀行為帶來的后果，但是無法接受自己的生命被別人支配，被動(dòng)地承擔(dān)所有的致命后果，人們更期待自動(dòng)駕駛的安全性遠(yuǎn)超自身。
因此就引出了下一個(gè)問題：安全性。
安全性與公眾信任
馬斯克在他的講話中提到了一個(gè)問題：「L5 級別自動(dòng)駕駛的安全性需要達(dá)到要求的兩倍?三倍?五倍?還是十倍?人類的可接受水平到底是多少?」。
安全性的評判沒有一個(gè)統(tǒng)一的標(biāo)準(zhǔn)，至少與人類同等的安全性是絕對不夠的，只有超出預(yù)期才有價(jià)值，監(jiān)管機(jī)構(gòu)也不會(huì)認(rèn)可 L5 自動(dòng)駕駛達(dá)到與人類駕駛員同等的安全性是足夠的。
但就目前的現(xiàn)狀來看，深度學(xué)習(xí)算法的安全性還遠(yuǎn)遠(yuǎn)比不上普通人。
人類的推理不僅是對信息的提取和分析，還反應(yīng)了人的思想，這些因素的綜合使人類能夠做出普遍正確的判斷。
在任何情況下，人們都更傾向于將責(zé)任歸咎于技術(shù)而不是人類自己，這就導(dǎo)致了人們對技術(shù)的信任感缺失，公眾信任的缺失會(huì)影響了整個(gè)汽車行業(yè)。未來勢必會(huì)有類似圖靈測試一樣的實(shí)驗(yàn)來評判自動(dòng)駕駛?cè)斯ぶ悄艿陌踩浴?/p>
那么要實(shí)現(xiàn)類似人類推理一樣的安全性，除了 AI 視覺算法的進(jìn)步，我們也可以通過增加約束，使得 AI 算法和硬件正常可靠的工作。給 AI 算法加設(shè)火車軌道，火車脫軌的概率應(yīng)該足夠小了吧?
這個(gè)約束就是：車路協(xié)同。
車路協(xié)同
我們可以改變道路和基礎(chǔ)設(shè)施，以適應(yīng)汽車中存在的硬件和軟件。例如，我們可以在道路、分隔線、汽車、道路標(biāo)志、橋梁、建筑物和物體中嵌入智能傳感器。
這將允許所有這些對象相互識(shí)別并通過無線電信號進(jìn)行通信，也就是V2X。
計(jì)算機(jī)視覺在自動(dòng)駕駛中仍將發(fā)揮重要作用，但它將作為汽車及其環(huán)境中存在的所有其他智能技術(shù)的補(bǔ)充。
隨著 5G 網(wǎng)絡(luò)的鋪展以及智能傳感器和互聯(lián)網(wǎng)連接的價(jià)格下降，以 V2X 為主導(dǎo)的自動(dòng)駕駛方案會(huì)更加常見。
但是目前道路基礎(chǔ)設(shè)施現(xiàn)代化的成本并未納入大多數(shù)自動(dòng)駕駛發(fā)展的預(yù)測，在廣泛區(qū)域內(nèi)運(yùn)行的 L5 自動(dòng)駕駛可能需要大量基礎(chǔ)設(shè)施投資，才能在整個(gè)范圍內(nèi)可靠運(yùn)行。
技術(shù)和配套設(shè)施的變革往往需要企業(yè)與政府持續(xù)的巨額投資和時(shí)間投入。但對于地方政策制定者來說，自動(dòng)駕駛配套基礎(chǔ)設(shè)施的建設(shè)需要考慮很多因素。
首先，盡管地方政策將在基礎(chǔ)設(shè)施支出和建設(shè)方面會(huì)發(fā)揮核心作用，但是全國各地不同的經(jīng)濟(jì)、政治、文化、地理和天氣狀況將影響建設(shè)的速度和質(zhì)量。
其次，在取得技術(shù)先發(fā)的光環(huán)優(yōu)勢之后，各地政府會(huì)更多考慮設(shè)施的有效利用、投資的回報(bào)、各轄區(qū)之間的利益均衡、給予的政策激勵(lì)、人才培訓(xùn)及勞動(dòng)就業(yè)等。
最后，萬物互聯(lián)帶來的隱私和安全威脅也會(huì)是影響道路基礎(chǔ)設(shè)施現(xiàn)代化的因素之一。
地理圍欄
地理圍欄是自動(dòng)駕駛/高級輔助駕駛技術(shù)量產(chǎn)的關(guān)鍵，也是未來主機(jī)廠部署 L2+ 自動(dòng)駕駛時(shí)的主要開發(fā)任務(wù)之一。
地理圍欄的意思是，只讓自動(dòng)駕駛技術(shù)在功能經(jīng)過充分測試和認(rèn)可的區(qū)域，有智能基礎(chǔ)設(shè)施以及針對自動(dòng)駕駛量身定制的法規(guī)的區(qū)域中操作。
也就是限定哪些道路和區(qū)域可以開啟車輛自動(dòng)駕駛功能，哪些道路是默認(rèn)關(guān)閉這一功能的。
地理圍欄的設(shè)定需要考慮到城市和高速公路駕駛之間的復(fù)雜性差異，基礎(chǔ)設(shè)施和駕駛員行為的區(qū)域差異以及某些路段能見度差或交通設(shè)施不正常的情況。
地理圍欄其實(shí)是一種技術(shù)過渡的措施，主要是考慮到當(dāng)前的深度學(xué)習(xí)狀態(tài)，在一夜之間推出全自動(dòng)駕駛技術(shù)的前景并不樂觀，盡最大可能地平衡自動(dòng)駕駛的體驗(yàn)與安全性是主機(jī)廠當(dāng)前開發(fā)的主要目標(biāo)。
隨著技術(shù)的進(jìn)步、基礎(chǔ)設(shè)施的發(fā)展以及法規(guī)的適應(yīng)，這些限制會(huì)逐漸減少，從而讓現(xiàn)有的高級輔助駕駛平穩(wěn)并逐步地過渡到全自動(dòng)駕駛。
雖然設(shè)計(jì)地理圍欄內(nèi)容很無聊，但是我非常建議自動(dòng)駕駛公司擁有自己的地理圍欄數(shù)據(jù)庫，這會(huì)極大有利于自身技術(shù)方案在不同客戶間和不同區(qū)域內(nèi)的快速部署。
新事物的變革，社會(huì)往往需要很長的時(shí)間才能適應(yīng)這一變化，除了技術(shù)本身的演進(jìn)，標(biāo)準(zhǔn)法規(guī)、倫理、公眾信任等還有漫長的路要走。
實(shí)現(xiàn) L5 自動(dòng)駕駛，不僅意味著技術(shù)上達(dá)到了，還意味著產(chǎn)品能賣出去給顧客使用。
因此我們來討論下 L4/L5 自動(dòng)駕駛是否具有成熟的商業(yè)模式。
04
L5 自動(dòng)駕駛的商業(yè)模式
正如我們的道路隨著從馬車到汽車的過渡而發(fā)展一樣，隨著軟件驅(qū)動(dòng)和自動(dòng)駕駛汽車的出現(xiàn)，城市交通可能會(huì)經(jīng)歷更多的技術(shù)變革。
可以預(yù)測到的是，自動(dòng)駕駛技術(shù)會(huì)在很長一段時(shí)間擾亂城市交通并使其深層變革，但是這一轉(zhuǎn)變不會(huì)突然發(fā)生，至少在接下來的十年中，全自動(dòng)駕駛將僅限于有限的地理和氣候區(qū)域。
伴隨著汽車電氣化、萬物互聯(lián)、跨車型服務(wù)模式的發(fā)展，越來越多的自動(dòng)化出行系統(tǒng)將在隨后的幾十年中蓬勃發(fā)展。
由此產(chǎn)生了用于貨物和服務(wù)分配的新模型——物理互聯(lián)網(wǎng)。
未來十幾年自動(dòng)駕駛的市場規(guī)模預(yù)計(jì)是數(shù)千億美金，但是自動(dòng)駕駛背后隨之而來的城市交通出行的變革、勞動(dòng)力升級會(huì)帶來數(shù)萬億美金的市場。
自動(dòng)駕駛的盈利不單單是出售車輛技術(shù)解決方案，參與并在「物理互聯(lián)網(wǎng)」中提供多樣化的服務(wù)，即使提供硬件基礎(chǔ)和軟件平臺(tái)，也會(huì)獲得匹敵甚至超出出售技術(shù)方案本身的收益。
在 MIT 自動(dòng)駕駛未來報(bào)告中，研究人員將自動(dòng)駕駛的未來商業(yè)之路分為 4 種模式：
自動(dòng)出租車隊(duì)
Waymo、Uber、DIDI 都組建了自己的自動(dòng)駕駛車隊(duì)，雖然這一領(lǐng)域具有極佳的商業(yè)價(jià)值和明星效應(yīng)，可以進(jìn)一步解決最后一公里的難題，但是在可見的未來會(huì)被限定在特定的區(qū)域或者路段內(nèi)，比如從市區(qū)去機(jī)場。而且駕駛員的監(jiān)督仍然是必不可少的。
自動(dòng)裝卸車和客車
由于目前自動(dòng)駕駛車輛的行駛?cè)匀恍枰拗圃趪?yán)格的地理圍欄中，固定路線的公共交通其實(shí)更容易滿足這一要求。
我們可以重塑固定線路的道路設(shè)施來增加地理圍欄區(qū)域，從而讓自動(dòng)裝卸車和客車更容易處理沿線駕駛場景。
對于政府來說，自動(dòng)公交車具有可預(yù)測的環(huán)境成本和收益，固定的行人出行方式、更大的公共交通利用率、還可以有效改善交通擁堵、提早覆蓋地鐵等重型交通未覆蓋的區(qū)域、同時(shí)增加基礎(chǔ)就業(yè)機(jī)會(huì)、提高城市形象，因此會(huì)作為政府首要推導(dǎo)和支持的自動(dòng)駕駛商業(yè)模式。
自動(dòng)長途卡車
自動(dòng)長途卡車同樣具有可預(yù)測的環(huán)境成本和收益，并且有著固定的交通場景(高速公路)，可能會(huì)成為最先商用的自動(dòng)駕駛技術(shù)。
通過遠(yuǎn)程監(jiān)控員，各種人車數(shù)量之間的聯(lián)排(多輛自動(dòng)駕駛卡車跟隨頭車駕駛員的操控)以及給駕駛員提供途中睡覺的時(shí)間，卡車公司可以減少卡車路線中駕駛員的需求量，縮短運(yùn)輸時(shí)間。
因此自動(dòng)駕駛卡車對客戶企業(yè)有著很強(qiáng)的經(jīng)濟(jì)吸引力，對自動(dòng)駕駛公司來說也有著很大的利潤空間。
駕駛員輔助型個(gè)人汽車
未來十年，會(huì)有更多的主動(dòng)安全功能出現(xiàn)，駕駛員高級輔助系統(tǒng)依舊是個(gè)人車輛自動(dòng)駕駛主要的商業(yè)應(yīng)用。
L2/L3 自動(dòng)駕駛車輛逐漸普及，但是 L4/L5 的個(gè)人車輛自動(dòng)駕駛可能得在前面幾個(gè)模式實(shí)現(xiàn)之后，才會(huì)最終普及。
原因在于，個(gè)人車輛的 L4/L5 駕駛區(qū)域是不應(yīng)該受到廣泛限制的，而且 L4/L5 車輛的硬件成本勢必不低，個(gè)人車輛對于安全性的要求也是最高的，如果不能給駕駛員提供廣泛可用的自動(dòng)駕駛場景，那么這一功能對于普通消費(fèi)者來說是極不劃算的，這一技術(shù)在個(gè)人汽車領(lǐng)域的普及也將會(huì)遙遙無期。
除了上述車輛商業(yè)模式之外，自動(dòng)駕駛技術(shù)配套基礎(chǔ)設(shè)施的建設(shè)，由自動(dòng)駕駛拓展出來的新型交通出行服務(wù)都是這一領(lǐng)域未來的商業(yè)盈利點(diǎn)。
甚至在未來的很長一段時(shí)間，搞自動(dòng)駕駛基建賺的錢都比出售自動(dòng)駕駛技術(shù)方案賺得多。
在上述自動(dòng)駕駛商業(yè)模式中，L4 自動(dòng)駕駛卡車可能在 2030 年左右最先普及，而 L5 全自動(dòng)駕駛尤其是個(gè)人汽車處于許多科學(xué)、法規(guī)、社會(huì)和哲學(xué)領(lǐng)域的交匯處，需要整個(gè)社會(huì)為之準(zhǔn)備和改變，很有可能 2050 年左右才能最終實(shí)現(xiàn)，也很有可能永遠(yuǎn)都實(shí)現(xiàn)不了，因?yàn)?L5 的核心是道路萬物皆可預(yù)測，而人類永遠(yuǎn)是不守規(guī)則的生物。
最后我想說的是，其實(shí) L5 自動(dòng)駕駛是 L4 場景的不斷延伸，L4/L5 自動(dòng)駕駛工程上一般會(huì)一起討論。
如果 99% 的使用場景都可以實(shí)現(xiàn)自動(dòng)駕駛，那么它的價(jià)值其實(shí)已經(jīng)足夠了，沒必要為了最后的 1% 去付出遠(yuǎn)超 1% 的代價(jià)，更不要為了追求標(biāo)準(zhǔn)而去開發(fā)自動(dòng)駕駛。
自動(dòng)駕駛的目的永遠(yuǎn)是為了讓駕駛更加安全和智能!
綜上所述，我不認(rèn)為特斯拉在技術(shù)上，社會(huì)接受度以及商業(yè)模式上做好了在 2020 年甚至未來幾年內(nèi)實(shí)現(xiàn) L5 自動(dòng)駕駛的準(zhǔn)備。
