自Waymo面世至今，汽車行業的自動駕駛已走過十年。

從發展階段看，自動駕駛尚處于技術積淀期。人們期待這一技術替代駕駛員的同時，也在不斷回顧和總結經驗。一些需要厘清的問題包括，自動駕駛領域是否存有泡沫？傳感器和深度學習等技術如何演化？實現商業落地的場景究竟有哪些？

針對這些問題，多位資深從業人士嘗試給出答案。雷鋒網新智駕梳理發現，在自動駕駛技術研發過程中，科技公司、主機廠和一二級供應商各有側重，同時對深度學習的重要作用和面臨問題也有著不同理解。

以下為北汽集團、法雷奧、禾多科技、AutoX、地平線和馭視科技等公司高管站在不同立場進行的觀察：

自動駕駛變得理性

法雷奧中國CTO顧劍民

自動駕駛寒冬并未到來，當前估值回調，熱情削減，只是說明自動駕駛正在回歸理性。法雷奧中國CTO顧劍民指出這一點。

去年以來，融資節奏放緩、商業落地慢等問題開始出現在自動駕駛領域。同時，技術仍在隨著時間不斷升級，這表現在激光雷達等硬件設備成本不斷下跌，用于深度學習和大數據計算的芯片處理速度也在不斷提高。

顧劍民表示，傳感器的發展呈現出集成化、多功能化和智能化的趨勢。此外，深度學習、軟件算法逐漸成熟，為行業玩家進軍更高級別自動駕駛提供了技術支撐。不過，深度學習也存在局限性，比如，雖然深度學習在感知功能層面擁有其優越性，但它并不適用于決策算法，因為沒有可解釋性，并不完全適合所有領域。

至于如何盈利，顧劍民認為，可以通過To B商業運營和To C個人用戶兩種方式。其中，To B是指將自動駕駛車輛提供給專門的運營商（包括Waymo），例如自動駕駛出租車、園區物流車或用于交通運輸的班車貨車。

在顧劍民看來，對于初創公司而言，簡單復制技術并不能幫助其實現盈利之路，一級供應商相比前者在同整車廠合作、工業化方面更有優勢。

量產車成為關鍵

北汽集團新技術研究院副院長榮輝

如果說主機廠是出于壓力而發展自動駕駛，似乎也沒錯。

目前，主機廠和科技公司對于自動駕駛的布局中，漸進式和激進式是兩條公認的途徑。作為主機廠的北汽也在時刻關注著自動駕駛。2018年底，北汽集團旗下北汽新能源發布戰略規劃，宣布到2025年將實現L4級自動駕駛。除了與百度Apollo平臺合作，北汽也在自主研發自動駕駛方面的技術。

值得注意的是，北汽的自動駕駛發展路徑與人們通常理解的從L0逐級發展至L5有所不同，是繞開這些概念直接去研發全自動駕駛車。

北汽集團新技術研究院副院長榮輝認為，自動駕駛將是未來主機廠之間以及與科技公司之間競爭的關鍵戰場。各方的競爭中，誰能最快推出自動駕駛量產車誰就會獲勝。

在他看來，主機廠發展自動駕駛的盈利的途徑有兩個，一是賣車，二是提供自動駕駛出行服務。賣車主要是賣給B端用戶。提供自動駕駛出行服務，主要是指將自動泊車技術賣給汽車分時租賃公司，將全自動駕駛方案賣給景區去運送游客，以及提供智能小鎮里的自動駕駛技術、自動送貨車等。

榮輝表示，深度學習是實現自動駕駛的一個重要手段，尤其在視覺識別、周圍環境感知、激光雷達成像等領域發揮著重要作用。“有人說自動駕駛寒冬將至，其實資本這個領域的投資力度遠遠不夠，到目前為止還談不上泡沫。自動駕駛領域還沒有投入足夠的資金。”

他相信，在未來的自動駕駛競爭中，既懂傳統造車又有創新思想的公司會獲得勝利。

緩沖地帶——ADAS

福瑞泰克CTO沈駿強

自動駕駛面臨安全與便利的雙重矛盾。現實中，人們對安全事故的敏感，甚至一度讓主機廠乃至科技公司對自動駕駛躊躇不前。

一般來講，沒有任何一項技術能百分百確保安全， 但技術又需要不斷進步。

福瑞泰克CTO沈駿強認為，由于自動駕駛要解決不同場景的問題，但只有經歷過的那些場景，系統才會去處理，而場景非常復雜，哪怕過了十年、二十年，已經積累了非常多的數據，但是這個數據仍然不可能覆蓋所有已知或未知的場景。

所以，在實現自動駕駛的過程中不斷地“下蛋”，衍生出可量產、可商業化落地的產品，或許是做自動駕駛的人應該秉持的正確態度。

由此，ADAS成為發展自動駕駛的緩沖地帶。

不過，目前能夠提供ADAS整體解決方案的，基本上是被外資和合資企業所壟斷，雖然也有一些自主品牌在做，但更側重于ADAS的某一個功能，比如很多公司在做基于攝像頭的泊車輔助。

沈駿強稱，從技術層面看，傳感器在進步，比如，針對毫米波雷達，隨著現在的芯片集成度越來越高，一些芯片供應商能夠實現一個芯片就可以提供除天線之外的所有功能；攝像頭的目標檢測，采用深度學習的方式，讓目標識別的技術門檻，相比傳統計算機視覺大大降低。

在沈駿強看來，最快實現商業落地的是To B模式，即把自動駕駛車輛提供給一些專門的運營商，比如在物流區域等。To C端的商業需求則不是太迫切。

感知技術是國內短板

AutoX創始人兼CEO肖健雄

回顧自動駕駛十年歷程，AutoX創始人兼CEO肖健雄認為，計算機視覺帶來感知的突破，使得自動駕駛迅速發展。此外，大數據對于自動駕駛的發展同樣功不可沒，正是豐富的訓練數據，使得自動駕駛在內的AI行業得以迅猛發展。

不過，在肖健雄看來，無論是人才儲備，還是技術累積、路測里程數量等方面，國內仍落后國外相當一段距離。中國和美國的自動駕駛技術差距之中，感知技術是最大的短板。

對于特斯拉和Waymo不同的發展路徑，肖建雄解釋稱，輔助駕駛和無人駕駛是能夠并存的兩條路線。“谷歌不是主機廠，因此Waymo的思維必定是互聯網思維，以出行平臺為主要的商業導向。但特斯拉則是主機廠，以銷售汽車為主業、以功能擴張為主業，因此所衍生出的技術路線，自然是出現分歧，沒有對錯之分。”

肖建雄還建議，選擇好的落地場景對跑通整個場景模式極為重要，創新公司應該避開巨頭競爭較量的賽場，找準剛需且高頻的落地場景。

與一些主機廠態度相似的是，肖健雄同樣認為自動駕駛并不存在泡沫，而是熱度還不夠。在可預見的20-30年內，這一技術將成為人類社會的重大變化機遇。他判斷，實現自動駕駛已經沒有科學的風險，只是時間問題，技術一旦實現將迅速顛覆人類的交通生活。

論劍決策算法

智行者CTO王肖

自動駕駛的感知、決策和執行三大環節中，決策環節正在成為谷歌、特斯拉等公司的核心競爭力。智行者CTO王肖認為，自動駕駛的基礎是感知、定位及控制技術，核心及靈魂是決策規劃，也就是自動駕駛大腦。

他表示，即便在自動駕駛的下一個十年，自動駕駛也很難實現大規模商用，屆時，沒有資本加持的的自動駕駛公司約有一半以上將關閉。為避免這一情況發生，無論資本是否寒冬，自動駕駛行業不能再單純以先進技術研發為驅動，而是要綜合考慮場景、落地及產品，以產品為導向，不單純依靠技術賺錢，要做產品驅動型公司。

王肖表示，自動駕駛全棧式開發模式未來會遇到很大瓶頸，與國內外各領域最先進的供應商一起合作成長才是解決之道，自動駕駛的未來發展一定是回歸現實，盡快實現公司的自我造血能力。

王肖直言，行業對人工智能、自動駕駛宣傳的泡沫太大，讓人覺得AI似乎能解決一切問題。但歸根結底，AI只是一種工具而已，工具并不是無人駕駛研究的目的，大家的目標不是做一個基于深度學習的無人駕駛汽車，而是以產品為導向，綜合考慮成本、應用場景以及成熟可靠的技術。

精而深還是大而全？

馭勢科技創始人兼CEO吳甘沙

有人專攻一部分技術，也有人將全棧式開發作為目標。

在馭勢科技創始人兼CEO吳甘沙看來，木桶短板對于自動駕駛公司而言是大忌，自動駕駛門檻高且技術復雜，需要了解得面面俱到，包括搭載AI算法的車規級自動駕駛控制器、無人車運營服務平臺、數據管理平臺，再到自動駕駛仿真系統等均要涉足。

對于自動駕駛技術，吳甘沙有著自己的解讀。“Waymo一定代表著它看起來認為最有可能的一種技術，但它斥資一兩百億購買8萬多輛車，并不能窮盡天下所有的交互場景，雖然它可以在美國20余個城市跑得很好，但不一定適用于美國其它城市或中國。”

特斯拉既定的依靠視覺能解決一切問題的觀點也被吳甘沙否定。按照他的邏輯，從系統層面來看，自動駕駛重要的特質就是冗余。視覺+激光雷達方案對自動駕駛感知進行了有效補充。

目前，自動駕駛圈子內幾大商業路徑建已成型。吳甘沙將其劃分為四類：二級供應商角色，技術授權；一級供應商角色，提供整套解決方案；提供整套解決方案及運營、運維服務是一種商業模式；運營自有的自動駕駛車隊，是一種商業模式。

吳甘沙提到，從宏觀層面看，自動駕駛的商業模式逃不開兩個方向：或者在一輛車上賺很多錢，但車輛數量比較少；或者通過將系統安載至多車，每一輛車獲得少量毛利潤，積少成多，實現盈利。

很多玩家會選擇自己運營車隊。吳甘沙表示，這的確是最理想的方案，因為它確實實現了上下通吃。但從另外一種角度看，他認為另有最優解。類比互聯網商業模式，系統裝車，積少成多。這類似于Google搜索，每一次搜索，每一次廣告點擊的利潤極低，但龐大的數量疊加起來卻實現了Google的成功。

從低到高

禾多科技創始人兼CEO倪凱

通常來講，敢于直接向全自動駕駛發起挑戰的，大多擁有很強的技術人才和資金后盾。這也可以理解為，缺乏后盾或者亟待盡快盈利的公司，很自然地會選擇從低級別向高級別循序漸進的方式去研發自動駕駛。

禾多科技創始人兼CEO倪凱表示，初創企業在中國路況復雜的環境中直接進軍自動駕駛出租車，至少需要耗費10年時間。最直觀的問題是資金上“耗不起”，更深層次在于技術層面——如果自動駕駛長期處于樣車階段，不能實現真正的落地應用，沒有真實數據的積累，無法促使算法進步。

基于此，多數低速自動駕駛玩家會選擇從限定場景的自動駕駛做起，逐步完成數據和技術的積累，踐行“場景為王”的漸進式路線。

倪凱認為，自動駕駛從高校走向工業界的過程中，激光雷達和深度學習已成為主要助推力，而且自動駕駛行業也越來越關注工程化。不過，無論是高線束的激光雷達抑或深度學習，在商業化道路上仍存在諸多工程問題有待解決。

此外，自動駕駛場景上的復雜性，決定了深度學習相比于傳統機器學習方法有得天獨厚的優勢，隨著車聯網的普及和大數據技術的發展，深度學習被行業定義為未來解決自動駕駛落地的關鍵武器之一。

不過，由于深度學習所依賴的大數據和計算量及其近似黑盒的難解釋性，又使得深度學習在自動駕駛實際應用場景中經常處于“看起來很美”的階段。

場景并一定為王

飛步科技創始人兼CEO何曉飛

值得注意的是，并不是所有人會認同場景為王。

對于自動駕駛來說，雖然有深度學習這把屠龍刀，但飛步科技創始人兼CEO何曉飛覺得還是應該夯實基礎。理由是，人工智能尚處于早期階段，如機器學習的算法、芯片的設計等底層的技術問題仍有許多困難。

正因為如此，何曉飛稱，現階段自動駕駛底層的技術，仍不能支撐、解決和處理大交通的問題，很多問題尚未暴露出來，等到大規模商用的時候，可能會暴露出更多無法預料的問題，而這些問題往往決定著行業的生死。

所以，在底層技術尚未成熟之際，選擇場景就變得尤為重要。何曉飛同時強調，場景重要并不意味著一定是場景為王，未來究竟是場景為王，還是技術為王？現在下結論還言之過早。

他預計，乘用車的落地時間需時要比商用車要來得晚一些，因為卡車是固定的路線、乘用車是從任意的A點到任意的B點，加上城市交通具有復雜、多變、不可控的特點。相比而言，商用車的應用場景相對單一，集中在高速、快速路等環境，但貨車本身由于機動性、穩定性和精度較差等原因，需要更長的剎車距離、更大的轉彎半徑，以及更加精確和魯棒的控制，因此在感知和控制層面對技術提出了更高要求。

何曉飛認為，場景和場景之間，雖然有一定的壁壘，但只要找到最有優勢的切入點以后，就能夠進行切入。

繞不開的芯片處理器

地平線創始人兼CEO余凱

“自動駕駛真正要解決的問題是處理器。”地平線創始人兼CEO余凱說。處理器被余凱定義為關鍵環節，原因是，從車聯網、ADAS到高精度地圖，從L3/L4到更高級別自動駕駛，每一個環節都需要處理器。

但對于許多車企來說，如果要走處理器自研的道路，一家公司的車輛年出貨量又要不足以支撐高效地研發汽車核心部件。此外，由于產業初期分工不明確，許多公司初期依靠自研處理器（例如IBM），但伴隨著產業分工越來越明確，核心處理器均會開始交由專業的供應商負責。最后，汽車產業發展至今，一直呈現產業充分合作態勢，很少有車廠全部覆蓋生產所有核心部件。

作為二級供應商從業者，余凱對自動駕駛的發展作出如下反思：誰是機器人時代的英特爾？深度學習是人工智能唯一的支撐點嗎？新摩爾定律時代，AI芯片公司未來之路如何走？

“人工智能只靠深度學習，肯定是越走越偏了。”余凱表示，深度學習要基于規則方式，并和貝葉斯網絡進行結合。

他認為，未來的發力重點在于終端人工智能處理器。不同于云端計算，終端傳感器即基于本地數據進行實時計算，需做到低延遲、低功耗。

余凱表示，新摩爾定律下，應用場景決定算法，算法定義芯片，軟硬件集成進行深度聯合、協同設計，讓人工智能、邊緣計算成為可能。新的摩爾定律將影響人工智能、自動駕駛發展，順應該趨勢，AI芯片企業需改變發展路線。未來單純的硬件公司將不復存在，取而代之的是更多的軟件工程師。

實際上，站在不同立場去觀察自動駕駛，人們會看到猶豫、信心、風口和局限性等不同層面。對于融合了人工智能、高精度地圖、傳感器等各種軟硬件技術的自動駕駛，或許需要的不止是十年、又一個十年，而是打破隔閡，以更開放的姿態迎接時代變革。