无人驾驶的瓶颈，不只是“里程”

本文来自微信公众号：观众席上的哈士奇 （ID：gh_a045fdad01ce），作者：草台班子，题图来自：视觉中国，原文标题：《全无人驾驶试乘后的思考》

2023年1月17日，在某头部自动驾驶团队的安排下，我有幸独自体验了一次全无人驾驶。三个多月过去，终于写完了这次试乘体验的总结和思考。

电动车、整车厂的不景气蔓延到了相关上游领域，悲观的氛围比较浓郁，受这种氛围的影响，我对自动驾驶行业的前景也开始感到迷惘。

经过三个月的思考和观点的形成，奉上这篇迟到的文章。 

全无人驾驶试乘体验

某无人驾驶试乘体验：

路线：从亦庄经济技术开发区

场景：四车道、六车道、八车道、园区内部道路

参与方：汽车、外卖电动车、行人

时长：30分钟

车流量：较少

道路情况：优良

行驶情况拆解：

右转弯12次

减速应对前方变道、刹车2次

左转弯5次（其中3次发生在园区中）

变道8次

掉头2次

极端场景、特殊场景：无

行驶结果：顺畅、平稳、无突发状况。

将这些试乘情况翻译成评价自动驾驶的技术维度的话：

1. 感知能力：良好。鬼探头、穿出马路的行人、左右不定的自行车骑行都能被汽车敏锐感知并反映到汽车行驶轨迹上。

   
   

2. 决策能力：良好。没有明显感觉到汽车行驶过程中的迟疑。

   
   

3. 线控能力：良好。顿挫感不明显，也没有发生急刹车和突然启动的情况。

本次的试乘体验就是四个字形容：“四平八稳”。但是老实讲，试乘得不过瘾，因为道路太没有挑战性。 

试乘的体验取决于两个因素：道路状况和算法的激进程度。越是差的路况，越是激进的算法，试乘的效果会越好，因为这种情况下才能检验出自动驾驶的真正水平。我这次试乘的路线路况很好，车流较少，而且显然是已经被无人驾驶测试车测试过多次的路径。以目前中国自动驾驶的整体技术水平而言，这种路况的试乘就像是给中学生做小学一年级的试卷，很难体现出自动驾驶公司真正的实力。

而且在试乘后的这三个月里，我渐渐形成一个观点：虽然现阶段的头部自动驾驶公司在测试区域内的表现都还不错，但似乎自动驾驶的进化已经过了陡峭的发展曲线阶段，目前整个行业似乎困在由技术瓶颈、商业化缓慢和立法困难构成的一个九连环的局中，苦苦寻求破局之法。  

技术

乐观者说，自动驾驶技术上已经在常规路况下跑通了。在北京接连获批的全无人驾驶路测牌照就是自动驾驶技术已经成熟的证明。

悲观者说，自动驾驶技术的发展呈现出S型。中期发展很快，但是目前遇到突破不了的技术瓶颈。这个技术瓶颈来源于AI监督学习的局限性。 

按照道路状况和车流量，道路等级可以做几个等级的划分：

1. 道路状况好，但是车流人流拥堵，例如早晚高峰的主干道。

2. 车流量不大，但是道路状况一般（狭窄，没有清晰的道路线），例如乡间小道。

3. 道路状况不好且车流人流拥堵，例如城市老城区的街道和充斥着违章停车的城中村道路等。 

4. 道路状况好，车流量也不大的区域，比如北京亦庄、上海嘉定、广州黄埔科学城和生物岛等。

目前的开放区域多是第四类。目前为止所有的自动驾驶公司的路测都以“零事故”作为目标之一，所以即使是在道路状况不错的测试区域，自动驾驶算法仍然显得有些保守，在极为有限的测试区域中取得的路测数据也不一定质量很高。

虽然这几年赶上感知硬件和高算力芯片的行业爆发期，但是自动驾驶在算法层面的进步是相对缓慢的。 

关于自动驾驶的技术瓶颈，所有人都在说Corner Case、长尾效应。这种说法的潜台词是，自动驾驶车辆一定要学习过足够多的场景才能安全行驶。然而这也恰恰是目前自动驾驶技术发展路径的局限性。

自动驾驶算法的监督学习（Supervised Learning）是指通过海量的行驶里程样本的标签来进行驾驶行为的纠偏和进化，说简单些就是大力出奇迹。好比让一个逻辑思维比较弱的人背诵海量的习题来提高考试分数。这样做的缺陷很明显：

1. 对于算力和数据的需求是个无底洞；

2. 通过在测试区内测试，很难产生足够的有效数据之后来验证。

如果按照这种“大力出奇迹”的逻辑发展下去，自动驾驶的技术成熟的标志就是统计学意义上的置信度。从统计学意义上讲，自动驾驶要达到置信区间的95%的安全度（自动驾驶事故率低于人类驾驶员），需要多少样本量呢？根据兰德智库发表的Driving to Safety: How Many Miles of Driving Would It Take to Demostrate Autonomous Vehicle Reliability?，答案是110亿英里。

这个数字看起来是个天文数字，但是阻挠自动驾驶水平迈向置信度的不是样本量，而是样本质量。5万辆车每天跑12小时，跑一年大概能够跑到这些英里数，但实际上这个测试是不可能完成的，因为样本的选取并不是基于所有的道路随机选择，而是仅在极为有限的道路测试区域来回跑数据。目前绝大部分道路测试区域都是交通状况良好的路段。在自动驾驶技术水平达到一定程度后，重复的测试里程的质量不高了。而有一些头部的自动驾驶公司动不动就拿测试里程说事，意义不大。 

测试区不够广泛不够多样不够正态分布，而要让自动驾驶车辆行驶的区域能够真正有代表性，需要先在商业化和法规上取得突破。但自动驾驶的商业化和立法又在期待着技术的完全成熟。这就有点像连环扣，一环扣一环。

商业

自动驾驶的普及有两个难题：工程化能力和降本。 

尽管现行的自动驾驶技术路径遇到了明显的瓶颈，但是至少头部公司目前做到了让自动驾驶车辆在可运行区域内（ODD）稳定发挥。但是自动驾驶的商业化存在很明显的困难。 

自动驾驶行业在资本市场上遭遇的第一个寒冬来自2018年的UBER自动驾驶车辆撞死行人的事故。这件事情也许是一个引子，但是让暴风雪来临的是投资人对于自动驾驶商业模式的质疑。彼时，投资人们终于认清，在出行领域革命中，单纯的自动驾驶公司也许并不是时代变局的主角。

商业化第一个面临难题就是工程化。最初理想主义者们对于自动驾驶公司的商业版图设想是类似互联网公司，凭借一套代码打天下。代码是无边界的，边际成本接近零，规模效应恐怖；代码是有生命的，生生不息，一直进化。这似乎是一个完美的商业模式。

但很快，靠算法整顿出行市场的概念被证伪了。人们发现，和以信息为载体的互联网不同，自动驾驶需要物理世界的载体来成就。这个载体就是汽车。而汽车行业是成熟的、产业链分工细致明确的传统制造业。供应链管理、汽车电子电气架构、线控等等，这些都是自动驾驶公司的知识盲区。无论是整车厂还是Tier 1供应商，显然都不是自动驾驶公司能够拿捏的。

商业化第二个难题是，行业上下游的博弈中，自动驾驶算法公司并不占优势。工程师文化和码农文化也不一样。充满Bug的互联网项目可以先上线，之后再持续迭代进化。但是工程化和制造业，容错率极低。这也是为什么，先行者如Waymo，2018年之后也似乎陷入了原地转圈的困境。 光靠自动驾驶算法这把倚天剑，很难变革整个行业。

随着特斯拉带动新能源整车厂的牛市周期，主机厂渐渐在自动驾驶领域获得声量，并挤占了自动驾驶公司原本在这个领域的主导权。百度亲自下场造车就是一个生动的例子。汽车生意其实一直都是苦生意，一辆中端车能赚上1万块人民币就已经不错了，周期性又强。但即使这种苦生意，百度这样的互联网公司也愿意入局，而把商业模式由轻变重的唯一理由就是百度的自动驾驶技术整车厂们不买账。

第三个问题是降本。大部分自动驾驶公司的测试车辆都是后装改造的，这样不但让自动驾驶的单车成本居高不下，而且产品的一致性受到挑战。表面上，百度走在降本上面走在了最前线。百度购买了整车厂的组装线，号称能够将Robotaxi（Apollo Moon六代）的单车成本降低至25万元人民币。目前在路上跑的Apollo Moon五代号称整车成本是45万元人民币。 

不过，百度的Robotaxi现在总共还不超过10000台车。这样的产量来谈量产成本没有意义。所以百度的Robotaxi降本就一整个量子态，测不准。 

第四个尴尬的地方是，细分赛道并没有跑出成功的商业模式。由于自动驾驶商业化困难重重，所以有自动驾驶创业者提出细分赛道的自动驾驶。通用自动驾驶的进度缓慢，先去简单的场景降维打击一下。

但是，对于细分赛道的自动驾驶，尤其是矿山和重卡、港口，市场上早就有人提出质疑。并不是说这些场景不需要自动驾驶，而是这些场景下所需要的自动驾驶技术也许并不比通用场景下的自动驾驶技术简单，甚至还有更加复杂的难题需要应对。例如矿山的地理场景复杂，道路没有清晰的道路线，环境比较恶劣，感知硬件可能在矿山这种复杂的运行环境中容易受损。而重卡则需要考虑车身重量和行驶路线（高速为主）带来的刹车和制动难题、感知盲区。

港口的自动驾驶的技术含量有些低。港口业务的重头戏在卸货、运输和装载。运输只是港口业务的一部分，技术含量要求不高。而且智慧港口的无人运输更多是一种车路协同，强调对于港口自身的智慧建设和调度能力。 

最后一个我想说的困难是：自动驾驶这个产品有些难以定义，它并不是单纯的算法，也不是硬件，目前这个阶段也不是汽车。如果非要用一句话概括，目前的自动驾驶产品是一种“解决方案”。看过通信行业的人都知道，解决方案提供商的估值很难做大，因为它很难标准化，而且非常依赖于合作方的配合。 

早年自动驾驶的盈利模式是想走算法盒子的路径。从盈利模式上，这种模式是最佳的，因为产品标准化，易规模化上量。但是出行行业的生态复杂，经过多方博弈， 只出售算法盒子的商业模式在多方博弈的格局下落了下风 （Mobileye就是典型的例子）。

好在，经过融资寒冬之后，目前中国的自动驾驶公司态度都比较务实。行业还远没有到爆发期，活下去最重要。自动驾驶公司们都积极在寻求和整车厂、Tier 1供应商、物流公司等各方合作。不过，这种合作更像是一种松弛的关系，关系并不排他，也未绑定。

从感知硬件到高算力芯片，自动驾驶产业链上游的伙伴也在快速发展。自动驾驶行业的爆发期会随着产业链上下游的一齐进化而来。

立法

现阶段是全球有史以来合规成本最高的阶段，在欧盟等地区，合规成本甚至已经高到阻碍技术进步的地步。新技术刚冒出苗头，政客们就忙不迭先立法。 

不同的法律体系对于科技和创新也有影响。

英美法系（海洋法）的判例法能做到在事后完善相应的立法，而大陆法系的成文法，在自动驾驶立法方面，一开始就面临主体责任认定困难带来的立法难题。

此外，自动驾驶车辆在行驶过程中脱离了人的干预。除开可能出现的算法Bug和制动失灵等器械问题，也有可能是类似“电车难题”这样的无解的道德难题。如果事故的原因是由于算法道德观导致，那么无法追究责任。所以有学者认为，自动驾驶的相关立法的出发点应该是重补偿补救，轻刑事追责。而补偿补救则可以通过商业保险等形式事后提供。 

目前各国还是从“市场准入”“测试区域划分”等角度进行规管，目前中国的自动驾驶还没有伤亡案例，真正的立法还是一片空白。

结尾

科技的普及往往伴随行业周期和经济周期的共振。过去十多年的低利率环境的时代也许真的结束了。接下来要迎接的也许是全球范围内漫长的衰退和过去几十年积累的社会经济矛盾的总爆发。自动驾驶行业刚刚起步，要穿越多少个周期后，才能兑现当年理想主义者们曾经对它的期许？

本文来自微信公众号：观众席上的哈士奇 （ID：gh_a045fdad01ce），作者：草台班子