「降维」，自动驾驶玩家的唯一出路？-技术圈

“降维打击”是不是短期内自动驾驶玩家商业化的唯一路径，现实还未给出最终解。

”

作者 | 卢洁萍

编辑 | 伍文靓

2004年3月13日，美国国防部在莫哈韦沙漠举办了第一届无人驾驶车辆挑战赛。但尴尬的是，这15支进入决赛的车队，没有一支能在沙漠中走完200公里的路程，走得最远的还是卡内基·梅隆大学Sandstorm团队的车辆，共走了11.78公里。

后来美国国防部又办了两届比赛，吸引到谷歌、苹果等高管观赛，然而参赛的车辆不是忽然失去GPS信号，就是把前方停着的车当成墙又重新规划路线绕远路，要不就是卡在狭窄的街巷路口不动了，总之各种细节问题层出不穷。

美国国防部当时就判断，无人驾驶技术离实用还差得远，兴许还要二三十年才能实现，赛事由此停办的同时，无人驾驶的第一个高潮就这么结束了。

十多年后，2014年前后无人驾驶车辆出现第二波高潮，一大批自动驾驶企业成立，主要做的事，则是试图让车辆跑起来，一直处于demo阶段，但由于迟迟无法落地，行业又逐渐降了声量。

第三次高潮则在这两年，自动驾驶行业融资案例迭起的同时，为了“活下去”，玩家们开始更切实际地考虑产品落地、对公司商业模式的探索，企业从做L4级技术到做L2级功能、从乘用车转向商用车的趋势日益显著，“降维打击”甚至成了自动驾驶玩家的“噱头”，保持“L4 初心”、All in Robotaxi的企业倒是屈指可数了。

但，“降维”是自动驾驶技术商业化的唯一出路吗？又或者，自动驾驶技术存在降维打击吗？

“失效”的商业计划书：纷纷降维

综合各企业的“降维”说法，“降维”一是指将L4级的自动驾驶技术应用到L2+的功能上，另一则是指将自身高级别的自动驾驶解决方案降维应用到其他领域（比如从城市出行场景到做园区、矿区等封闭场景）。

某自动驾驶企业CEO对新智驾直言，在3-5年内，降维是自动驾驶技术商业化的唯一出路。

“像Robotaxi这样的应用，在5年内应该很难规模化商用，有可能需要更长的时间，所以3-5年内的自动驾驶商业化，需要和场景结合，或者在功能上降维。”

百度Apollo算是一个典型例子。

2020年5月，百度Apollo在矿区进行了一场直播，直播主体就是百度为伊敏露天矿改造的两辆无人驾驶矿用卡车。从人员操作到信号控制的转变，百度对矿车的改造仅花了30天。

今年10月，百度Apollo还正式了发布可投入使用的自动驾驶矿卡。百度号称，这是目前国内首个面向矿山场景，以超高计算能力为支撑，并具有机器学习能力的单车智能方案案例。

除此之外，百度还推出了自动驾驶零售车、低速自动驾驶清扫车、无人驾驶挖掘机系统、无人小巴等，探索了自动驾驶技术应用的各种场景。

小马智行、文远知行、元戎启行等几家Robotaxi企业也纷纷尝试了自动驾驶技术的应用新场景。文远知行CEO韩旭曾对新智驾透露，所有商业计划书做完后发现都没有什么用，商业模型与实践会有很大差别，需要不断调整。

“未来谁掌握了真正的自动驾驶平台化技术，谁就会是王者，就将具备降维打击的能力，”韩旭还对新智驾表示，“今天做低速的物流、园区场景的企业，很可能会在未来三到五年内被一家强大的、占据战略市场的L4级自动驾驶公司降维打击”。

而将L4级技术降维应用到量产车型L2/L2+的功能方面，Robotaxi玩家也好，Tier1也好，做的则是将L3/L4高等级自动驾驶技术模块化，试图利用L4级技术可扩展的软硬件一体架构，打造ADAS解决方案。

比如百度就将其L4级无人驾驶技术Apollo Lite应用于乘用车AVP和ANP，目前已配套威马W6实现量产；造车新势力企业也开始以L4架构、整车OTA视角打磨L2+级别辅助驾驶技术；华为等科技企业则通过与传统车企抱团合作，以L4级的技术，在中高端车型打造L2+功能。

由此ACC自适应巡航、LCC车道居中辅助、ALC自动变道辅助、BSD盲区监测预警、LCA车道变换预警等辅助驾驶功能在量产车型的不断渗透，其中自动泊车辅助、导航领航辅助成了自动驾驶企业们相互比拼的重点。

降维的还有硬件，原本配置在L4测试车辆的硬件诸如激光雷达、高性能芯片等也渐渐前装到L2量产车中。

去概念化、去名词化，自动驾驶企业不再更多强调产品和方案是L2级还是L2++级，这成了目前ADAS解决方案的趋势。

真的是“降维打击”吗？

在科幻小说《三体》中，某外星种族向太阳系丢了一个叫“二向箔”的武器，于是太阳系由立体的三维变成了平面的二维，地球毫无还手之力，随之毁灭。

“降维打击”一词由此被广泛传播，延伸到商业领域，通常代表着一种碾压式的新商业模式或技术，比如网购平台之于实体店、免费模式之于收费模式。

但一家原本专注于RoboTaxi的企业切入去做矿区、港口、机场等场景真的能做到“降维打击”吗？

实际上，虽然矿区、港口、机场等场景由于有着环境相对固定、交通流量小、行驶速度较低、ODD运行设计域相对简单等特点，自动驾驶技术落地更加容易，可这并不意味着有技术优势的企业进入这些场景就能快速“攻城掠地”。

辰韬资本执行总经理贺雄松就认为，比如矿山场景的无人车技术在达到基本要求后，更重要的是自动驾驶企业在运营、商务方面的积累。

另外这些场景的工作环境很恶劣，一些技术人员可能无法承受长时间连续作业，自动驾驶企业的技术优势也许就难以发挥出来。

在自动驾驶行业由技术研究阶段过渡到产品落地阶段的当下，企业无论是进入何种市场，除了要考虑资本、政策、技术等维度，还要考虑产业链的协同融合。

“你和主机厂的关系、你对产业链上下游的Tie1、设备厂商的关联度和议价能力、你对商业化应用的思考和布局是否领先，都是评估企业在乘用车和商用车赛道资源倾斜程度的重要因素。”此前有业内人士对新智驾指出。

在这方面，那些早早进入垂直场景的自动驾驶企业或许更具有先发优势，胜在对垂直场景的商业化理解和下游客户的适配深度绑定。

驭势科技联合创始人、首席系统架构师彭进展对新智驾表示，机场、厂区等场景的壁垒不仅仅体现在自动驾驶技术本身，同时也需要企业对行业的深刻理解、对行业资源的深度利用、真实的商业运营能力及先发的企业资源等。

另外，RoboTaxi企业能切入L2级别赛道的底层逻辑在于，二者技术本身具有互通性，指技术点本身的差异不大；以及围绕基础架构的技术迁移效率是高的，即缩小了技术点差异的效率。

天下武功，唯“快”不破。因此乘用车公司能否“降维打击”的核心，并非技术，而在于乘用车公司能否通过一定规模的试运营锤炼出来的高效基础架构，帮助它们在商用车领域快速积累、分类、使用和验证新的技术问题，并加速缩小特定技术点上的差距。

但在全球范围内，目前还没有一个成功案例能把无人驾驶系统和辅助驾驶系统混合在一起。

AutoX（安途）发言人对新智驾表示，L2-L3级系统的辅助驾驶系统，与L4-L5级全无人系统是两种不同的技术，二者没有进化关系，辅助驾驶不能变成自动驾驶，自动驾驶系统也不能降维成辅助驾驶。

“要想将L4的算法和数据应用到L2上，企业基本要从零开始，重新开发，因为二者的算力和传感器有着天壤之别。”

魔视CEO虞正华与上面的观点比较类似，相比于L4级方案，L2级别的解决方案用的传感器和芯片算力更低，直接从L4降下来的数据和算法，比较难适配L2的传感器和芯片。

“（L2级和L4级技术）原理相通，（但如果L4级的数据和算法要用到L2级上）很多代码要重写，产品化的工作基本要重新做，因为L4系统设计的时候，并没有考虑在低算力的计算平台的限制，也没有考虑车规，整个开发流程和规范，跟量产比较，有很大差距。”

另一条路：“将军赶路不追小兔”

也有坚持死磕Robotaxi赛道的企业，典型代表就是AutoX。

AutoXCEO肖健雄曾强调，AutoX做的是真正的无人驾驶，而非量产的L2- L3级辅助驾驶，只要还有人坐在驾驶位，就无法称之为L4。

AutoX并不认同“降维是自动驾驶技术商业化的唯一出路”这一说法，认为近两年行业玩家纷纷通过“降维”实现落地，主要原因在于，部分玩家现阶段挑战L4-L5级全无人系统比较困难，所以对自己没有信心，只能先另寻他路。

当然从商业模式看，也只有做全无人，真正为出租车大力节省了司机人力成本，RoboTaxi才有盈利，吃到RoboTaxi万亿美元市场一口蛋糕的机会。

然而要量产全无人RoboTaxi，AutoX还有很多事情需要做。由于L4无人驾驶行业刚刚起步，产业链远未成熟，许多配套的硬件都需要企业自己下场开发，AutoX就自研了域控制器、车辆线控系统，同时也不断更新其全无人驾驶系统。

整车方面，此前AutoX主要是借力克莱斯勒、本田、比亚迪、东风、上汽等传统车企，但这种合作关系并不稳固，据新智驾所知，其中部分合作车企已经或即将推出自己的RoboTaxi车队。

因此今年4月，AutoX投资了主机厂艾康尼克，意在共建L4级别无人驾驶汽车生产线。

原先AutoX也是一直以供应合作伙伴的关系与艾康尼克探讨RoboTaxi的打造，但受制于信息的互通以及整车架构与技术间的不透明，双方协作的效率并不尽如人意，对未来产品的描绘也不够清晰，于是AutoX就选择战略投资艾康尼克，动力也是希望双方也将以更为开放的态度去交换信息，共同打造L4级别无人车。

目前AutoX已在中国四大一线城市和硅谷开始RoboTaxi的运营，在2021年1月，AutoX也开始了中国第一个完全无人驾驶的RoboTaxi商业化运营。

实际上AutoX也曾经历过业务方向的摇摆。2019年底，AutoX宣布与地上铁达成合作，将自动驾驶技术拓展到了物流卡车上，并试图将单点的自动驾驶技术上升至"轻资产"的平台模式，实现出租车RoboTaxi和物流卡车RoboTruck的双轮驱动落地。

但从技术维度和规模化落地的角度来看，Robotaxi和RoboTruck对自动驾驶技术要求都不简单。

酷哇CEO何弢曾对新智驾表示，无人驾驶城市配送和RoboTaxi面临着相似的行驶环境，对自动驾驶技术水平的要求相似，只是RoboTaxi行驶里程更长，会面临更多Corner Case。

而对于自动驾驶同城配送场景来说，实现车辆规模落地的关键因素，还在于企业能否搞定买单方，也就是商超等，在这方面元戎启行副总裁刘轩倒曾表示，阿里的投资方身份可以给其部分助力。至于其他想要进入无人驾驶同城配送场景的自动驾驶企业来说，如何说服买方，并不是一个容易的问题。

另外如果是做无人驾驶干线物流，由于运载货物多样、载货量大、车身长等因素，重卡对于安全刹车距离的要求要远高于RoboTaxi，对车辆的感知距离一般要达到1000米及以上，目前的感知技术也并未成熟。

因此肖健雄认为，货运物流的落地太难也太遥远，不可能很快在公开道路上实现无人驾驶大卡车，AutoX也就选择先实现RoboTaxi，以后再考虑货运。

RoboTaxi也好，RoboTruck也罢，它们能否在公开道路实现规模化、完全无人化运营的更大不确定性，则在于未知的政策放开时间表，如果没有足够的现金流支持，这能耗死许多初创企业。

对此肖健雄曾表示，行业技术在进步，政府始终在与最前沿的玩家保持沟通，直到明确了某一标准确实安全（政策就会开放）。目前来看，AutoX认为这是时间会在2022年或2023年到来。

谋万世，还是谋一时？

另一专注于RoboTaxi赛道的企业还有滴滴，通过将共享出行平台和自动驾驶技术结合，滴滴似乎正试图讲述一个更能吸引投资者的故事。

一个可规模化、常态化运行的自动驾驶车队，需要海量数据“喂养”，而滴滴平台日均数千万的订单数正是其最大的数据来源渠道。

滴滴平台上的出行场景会帮助滴滴自动驾驶研发建立场景库，能够覆盖绝大多数想象中的长尾场景，给滴滴自动驾驶提供了足够丰富的数据养料，这也是滴滴自动驾驶系统最大的竞争力所在。

而一旦滴滴自动驾驶技术得到提升，则将为其共享出行业务降本增效。据悉，2025年滴滴平台将普及超过100万台的共享汽车，且迭代版本的新车型将搭载滴滴自主研发的自动驾驶模块，并有望在2030年实现完全意义上的自动驾驶。

庞大的共享无人车队，可通过全天运行提高车辆利用率，以降低车辆的运营成本，再进一步降低出行成本。

因此一个理想的路线是，在技术和法律法规到位的条件下，滴滴可基于其出行平台的属性，通过部分无人驾驶的混合派单形式来实现商用的目标。随着混合派单的可行性得到验证以及技术成熟度提高，滴滴也将逐步过渡到完全无人驾驶派单。

不过目前滴滴的自动驾驶技术进展稍慢，在其他企业已经开始全无人RoboTaxi商业化运营的时候，滴滴仅在去年首次开放了配备安全员的自动驾驶载客服务。

资金方面，滴滴已在年中赴美上市，其自研自动驾驶技术的资金压力本可借此减轻，但无奈因数据安全问题，滴滴上市后遭遇政府严厉审查，股价表现并不如人意。

实际上，对于RoboTaxi正式规模化落地的具体时间，业内人士并不都如AutoX那样乐观，有的说需要三五年，有的说至少还有十年，因此也出现了各种诸如“爬也要爬到2030年”的惨烈比喻。

而在这期间，会有诸如驭势、酷哇等原本聚焦L4级商用车赛道的企业，渐渐来做RoboTaxi车队；也会有特斯拉、蔚来、小鹏等造车新势力以及Moblieye等Tier1，从L2级方案迭代到L4+级方案；还会有传统主机厂，砸重金做自动驾驶技术，建RoboTaxi车队；更会有诸如Momenta这样，选择L2级技术和L4级技术同时开发，双轮驱动的玩家。

比如驭势科技就表示，各个场景的技术栈和算法都是通用的，并试图用一个通用的、能匹配全场景的无人驾驶技术平台去适配不同的场景。目前，驭势科技称，其全栈自研的这套自动驾驶技术已经可以应用在RoboTaxi、机场、厂区、城市配送等各个不同的场景，“证明了这个技术栈的通用性”。

“降维打击”是不是短期内RoboTaxi企业商业化的唯一路径，现实还未给出最终解。

但不谋万世者，不足谋一时，不管是坚守RoboTaxi赛道，还是拓展至L2级市场，抑或是涉及L4级商用车领域，当下自动驾驶企业进行战略布局前，相信都各有各有的考量，在走认为适合自己的路。

2021年12月10日（星期五），第四届「全球智能驾驶峰会」即将在深圳拉开帷幕。

今年的第四届全球智能驾驶峰会与前五届GAIR大会的智能驾驶论坛有机融合，成为最具影响力的智能汽车产业高端论坛之一。

本届峰会以「智能驾驶鏖战时刻」为主题，聚焦核心技术与场景端，分别邀请智能驾驶、智能座舱、激光雷达、车载芯片、高精地图/定位、Robotaxi、干线物流、自动泊车、末端物流、港口、矿区、环卫等细分技术/场景的标杆企业，分享智能驾驶的道与术，助力政企风向把握，推进业务交流合作。峰会详情请点击【阅读原文】。

END