原標題：自動駕駛的殘酷終局

文|錦緞研究院  文苗

本文主要探討乘用車自動駕駛的技術和商業路徑，商用車的自動駕駛並不在本文裏討論。

目前，乘用車自動駕駛的公司大概可以分爲三類。第一類是類似於蘋果（NASDAQ：AAPL）的閉環系統，關鍵組成部分比如芯片和算法都自己做，特斯拉（NASDAQ：TSLA）是這麼幹的，部分新勢力車企也希望逐步走上這條路。第二類則是類似於安卓的開放系統，有的廠家做智能平臺，有的廠家做汽車，比如華爲和百度

（NASDAQ：BIDU）有這方面的意向。第三類，則是robotaxi（無人駕駛出租車），比如Waymo等公司。

本文會主要從技術和商業的發展角度分析這三種路線的可行性，並探討一些新勢力造車或自動駕駛企業的未來。不要看輕了技術，對於自動駕駛而言，技術就是生命，關鍵的技術路徑就是戰略路徑。所以本文也是對自動駕駛戰略不同路徑的探討。

01、軟硬件一體化的時代已經到來，以特斯拉爲代表的“蘋果模式”是最佳路徑

在智能汽車尤其是自動駕駛領域，採用蘋果閉環模式，既能讓廠商更容易優化性能，又能更快速的對消費者需求做出反饋。

首先講性能問題，性能對於自動駕駛至關重要。超級計算機之父Seymour Cray曾說過一句很有意思的話，“Anyone can build a fast CPU． The trick is to build a fast system”。

隨着摩爾定律逐漸失效，簡單的依靠在單位面積上增加晶體管數量來增加性能的方法，遲早是不可行的。而且因爲面積和能耗的限制，芯片的規模也是有限制的。當然，目前特斯拉的FSD HW3.0（FSD全稱爲Full Self-Driving，即全自動駕駛）還只是14nm製程，還有提升的空間。

目前絕大多數的數字芯片是基於存儲器和計算器分離的馮諾伊曼架構設計，這造就了計算機（包括智能手機）的整個系統體系。從軟件到操作系統到芯片，都深受其影響。但是馮諾伊曼架構並不完全適合於自動駕駛所依賴的深度學習，需要改進甚至突破。

比如存在計算器跑的比存儲器快的“內存牆”，這會導致性能問題。而類腦芯片之類的設計，確實有架構上的突破，但跨越的太遠，未必能很快應用上。而且圖像的卷積網絡可以轉化爲矩陣運算，未必真正適合類腦芯片。

所以，隨着摩爾定律和馮諾伊曼架構都遇到瓶頸，未來的性能提升，主要需要通過Domain Specific Architecture（DSA，特定領域體系結構，可指代專用處理器）來實現。DSA由圖靈獎獲得者John Hennessy和David Patterson提出，是往前跨越幾步又跨越的不過分遠的創新，是馬上就能實踐的思路。

我們可以從宏觀上理解一下DSA的思路。通常目前的高端芯片有幾十億到上百億個晶體管，這些數量巨大的晶體管如何分配職能如何連接如何組合，對於具體某個應用的性能影響很大。未來需要從軟硬件的整體着眼，打造“fast system”，依靠優化調整結構取勝。

再舉個例子講講DSA。實際上手機和終端生態，某種程度上也在採用DSA的思路。比如手機上也有GPU（圖形處理器），那是單獨處理視覺數據的。手機上也有神經網絡加速器，那是爲深度學習服務的。蘋果最新推出的Mac上的M1芯片，也是走的這個思路，有GPU，有深度學習加速器，據評測，對許多特定應用的性能提升相當大。

當然，智能汽車的DSA道路，會走的更徹底更深入，因爲自動駕駛是特定芯片跑特定應用，不用考慮生態的問題。

特斯拉的FSD HW就是專門爲Autopilot設計的，可以盡情地在軟硬件兩端優化。比如卷積運算佔比非常高，那就可以對卷積運算並行化處理並特意去優化，這樣可以極大提升整體的性能。

根據特斯拉提供的數據，以一個特定的處理攝像頭數據的神經網絡爲例，該神經網絡處理一幀圖像需要350億次運算，傳統的CPU每秒只能處理1.5幀圖像，壓根不能滿足自動駕駛的需求，而特斯拉的FSD HW 3.0每秒能處理2100幀，這才能夠滿足目前的需求。

說明一下，依照這個數據，FSD HW 3.0總計算能力是35G*2100=73.5TOPS（1TOPS代表處理器每秒鐘可進行一萬億次），考慮到數據的一些四捨五入或者精度上的誤差，基本是符合特斯拉宣稱的72TOPS的數據的。

無論是雲端的訓練，還是終端的推理，都可以通過DSA進行很好的性能優化。比如特斯拉的DOJO是針對雲端的訓練，這不光是從算法到芯片，還需要分佈式機器學習。而FSD HW 3.0則負責終端的推理，性能比競爭對手的更強勁。

閉環模式有利於快速響應消費者需求。比如，算法和數據的分離，會導致改進起來更困難。各種corner case（這裏特指極端情況），有的可能需要同時調整算法和數據，那麼不同公司的協調就會成爲問題。

總的來說，特斯拉採用的閉環模式，既能幫助提高性能，又能快速響應消費者需求，是目前自動駕駛的最佳方案。

02、“安卓模式”在智能汽車領域不是個好方案

許多人都認爲，自動駕駛時代，也有智能手機領域的蘋果（閉環）和安卓（開放）之分，也會有Google這樣的重核級軟件提供商。我的答案很簡單，安卓路線在自動駕駛上走不通，因爲其不符合未來智能汽車技術發展的方向。

當然，我並不會說特斯拉蔚來等公司連每個螺絲釘都要自己做，許多部件還是要買配件廠商的。但最核心的影響用戶體驗的部分，肯定都是要自己做的，比如自動駕駛的各個環節。

在第一節中已經講了蘋果的閉環路線是最佳的方案，實際上也就論證了安卓開放路線在自動駕駛領域並非最佳方案。

智能手機和智能汽車的架構不同。智能手機的重點是生態。生態意味着在ARM和IOS或安卓操作系統的基礎上，提供各種各樣的應用程序。所以，安卓智能手機可以理解爲一堆通用的標準件的組合。芯片的標準是ARM，在芯片之上是安卓操作系統，再網上則是各種App。因爲其標準化，所以無論是芯片，還是安卓系統，還是App，都可以很容易地獨立成爲一門生意。

智能汽車的重點則是算法及支撐算法的數據和硬件。而算法無論是在雲端訓練還是在終端推理，都需要極高的性能。智能汽車的硬件則需要對特定專門應用及算法進行大量的性能優化。所以只做算法或只做芯片或只做操作系統，長期看都會面臨性能優化上的困境。只有每一塊組成部分都屬於自己開發，才容易進行性能優化。而軟件和硬件的分離，會導致性能無法最優化。

我們可以這樣比較一下，NVIDIA Xavier有90億個晶體管，Tesla FSD HW 3.0有60億個晶體管，但Xavier算力指標卻不如HW3.0。而且據稱下一代的FSD HW相比當前有7倍的性能提升。所以歸因爲特斯拉芯片設計師Peter Bannon及其帶領的團隊比NVIDIA的設計師更強，還是歸因爲特斯拉的軟硬結合的方法論更好。我覺得軟硬結合的方法論肯定也是芯片性能提升的重要原因。

具體情景我們可以想象一下，NVIDIA設計Xavier的時候沒法做到特斯拉一樣的有的放矢，他們的設計師無法知道客戶的算法具體是如何運行的，只能依靠對NVIDIA自家算法的理解，和對客戶算法的猜想，去設計芯片。

而特斯拉的芯片設計團隊當然知道更多算法的信息，這樣就很容易規劃芯片的設計。比如卷積操作佔比多，那就側重多優化卷積操作。特斯拉公開透露的信息，就清清楚楚地告訴了卷積操作佔比具體是多少，ReLU又佔比多少。特斯拉內部團隊肯定知道的細節比我們多。

而且，特斯拉不光是負責芯片的Peter Bannon和負責算法的Andrej Karpathy可以坐在一起商量，他們肯定會想辦法在流片之前，利用類似於仿真或者其他方法來衡量芯片的性能，去尋找性能的瓶頸，然後不斷優化。

對於NVIDIA和他們的客戶而言，壓根就沒法做到這樣親密無間的合作。所以，特斯拉的軟硬一體化的優化，比芯片和算法拆開在不同公司的做法更好。

算法和數據分開，也不是個好主意，不利於快速反饋消費者需求，不利於快速迭代。

所以，在自動駕駛領域，把算法或芯片拆開來單獨賣長期看都不是個好生意。即使是英偉達的自動駕駛推理芯片，當然Orin這一代還會賣的不錯，再往後一代可能依然能賣得出去，但是很可能越往後將會賣的越不好。因爲性能和成本的緣由，各大新勢力汽車廠商最終都會自己做芯片。

當然，被NVIDIA（英偉達）收購的ARM，是屬於手機及終端生態的，和自動駕駛關係沒那麼大，所以應當生意會一直不錯。

那麼有沒有可能一家公司把自動駕駛的算法芯片操作系統都做了，再提供給各大車廠。也就是說，智能汽車=智能+汽車，一家公司做“智能”，其他車企做“汽車”，再組合爲智能汽車。

首先，車廠和平臺的利益並不完全一致。比如因爲利潤分配的問題，很容易貌合神離，各有各的主意。

其次，面對消費者多了一個環節，反饋不如特斯拉及新勢力造車企業快。假如出了交通事故，會不會有各個合作方互相推諉責任的事情發生。

另外，爭氣的汽車廠商都不會放棄自己掌握算法和數據的，而不爭氣的汽車廠商雖然可以放棄自己掌握算法，但因爲不爭氣，所以也做不起來。

所以這套打造智能平臺的安卓路線打法，長期看，並不是最佳方案。最終做得很好的新勢力造車企業，估計都不會是走安卓路線的。這和智能手機不一樣，在手機領域，安卓方案和蘋果方案性能和體驗差距不大，而在智能汽車領域則不一樣，閉環路線會比開放路線體驗好不少。

很長期的看，智能汽車領域是不會有wintel這樣的巨型平臺選手存在的。

當然，做從軟到硬的閉環也沒有必要一步到位。要根據用戶需求和自身能力，逐步實現。即使是特斯拉，也是分成幾步走的。

03、一步到位的Robotaxi路線，不是商業化的合適路徑

現在的自動駕駛可能只能解放5%的時間，所以只有部分消費者願意買單。隨着這個時間的比例的逐漸上升，會有更多的消費者願意購買智能汽車。所以，自主造車賣車的模式是可以逐步變現，逐步投入，逐步發展的。

而robotaxi路線則追求一步到位，因爲完全的百分之百的自動駕駛要實現，估計是至少是10年後，也可能是20年後。而在這之間的時間，robotaxi是沒法真正商業化運營的。

因爲robotaxi不能遇到各種corner case就放棄自動駕駛了，那坐到半路的乘客怎麼辦。沒法商業化，於是也就沒法獲取營收，沒法將收入又繼續投入到研發。

所以，追求一步到位做robotaxi的公司，很可能是欲速則不達，未必會很成功。而自己造車賣車的商業模式，是隨着自動駕駛的進步，逐步商業化。每前進一步，都能賣車，而且能賣的越來越多，都能有收入，都能積累數據，然後促進研發。

而且，等到自動駕駛都實現了，那時候做robotaxi已經是水到渠成了。所以，一路勝利的戰果，會被自主造車企業摘取，robotaxi創業企業只能幹看着。

最終的戰果，也會被逐漸壯大的自主造車企業摘取，因爲到完全自動駕駛的時候，自主造車企業都至少是千億營收了，力量強大且具備自我造血功能，靠融資活着的robotaxi創業企業如何與其競爭。

04、華爲與蘋果自己造車的可能

有許多人認爲華爲可以做智能汽車的安卓平臺，其實不然，根據上文的分析，安卓路線未必行的通，華爲未來自己造車的可能很大。

華爲當前要麼是在養精蓄銳積聚經驗等待未來合適的時候開啓自主造車之路，要麼是判斷錯了未來。因爲，未來不是一堆汽車廠商，而是極少數幾家從軟到硬都很厲害的企業。所以，做“安卓”平臺，賣給誰是個大問題。

華爲當前的汽車業務有三個結果 1）不成氣候並放棄 2）不成氣候，然後開始自己造車 3）不怎麼成氣候，然後放棄做平臺並做減法，只做類似於激光雷達這樣的部件。

智能汽車市場如此巨大，華爲不會放棄的。把智能汽車做好，以其市場規模估算，可以再造幾個華爲。華爲對於造車是有一定準備的，從軟到硬都在努力，所以我覺得第二種可能性最大。

華爲有從軟到硬的實力和從上到下的狠勁，所以華爲自己造車成功的可能性不小。從雲端芯片到終端芯片到深度學習平臺，華爲都在努力，而且做的都還有些成果，這都是打造智能汽車和自動駕駛所需要的。

如果蘋果願意加入造車的隊伍，也有不少勝算。但蘋果那種產品不做到位就不推出的性格，在智能汽車領域可能反倒是塊絆腳石。畢竟，自動駕駛是漸進的過程，要不斷積累數據，要萬事俱備再出手，那得等到什麼時候。

05、百度起了個大早，卻未必能趕上晚集

認真看看百度的自動駕駛戰略，大概是既想走安卓路線，又想搞robotaxi。而前文已經講過，這兩條路都不好走。

走安卓路線，應該和哪位豬隊友合作呢？畢竟牛隊友都會自己努力去做全棧的軟硬件。而做robotaxi，要等到猴年馬月才能真正大規模商業化呢？

那麼百度自己造車會如何呢？且不論百度會不會真的自己開始造車。即使百度想，也未必能做成。因爲百度的硬件功底不如華爲紮實，而且執行力一般。至少在幾大互聯網巨頭裏，過去這些年是屬於不太能打的那個，BAT並稱的說法，大家都不提了。

威馬大概就是那位和百度合作的隊友，兩家公司的戰鬥力本身就不屬於最強隊列，估計未來活下來的智能汽車幾強，很難有百度+威馬的身影。

06、人才是核心

各大車企是在和特斯拉競爭，也就是和Elon Musk競爭，是和Andrej Karpathy和Peter Bannon這樣的人才帶領的團隊去競爭。自動駕駛這場大戰，要求公司具備從上到下的科技能力，不是簡簡單單投點錢再招幾個工程師就能解決問題。

試問各大車企的CEO究竟是不是懂一點點深度學習的原理，這畢竟是自動駕駛的基石。如果CEO完全不懂，那麼怎麼有能力招來合格的自動駕駛算法VP，軟件工程VP，你怎麼判斷哪些人是真正的高手，何況技術高手也會投奔更懂技術的東家。那麼有勇氣把不合格的CEO換掉嗎？我看幾乎沒一家傳統車企有這樣的決心。

自動駕駛的人才有其特殊性。幾乎所有人都知道搞自動駕駛需要合適的人才，但大部分人會覺得應該去招現成的做自動駕駛的人。按照常規的慣性思維去思考，那這個思路是對的。比如我要做汽車工程，於是我要找做汽車工程的人。但對做自動駕駛則並非如此。因爲這些現成的人才裏面，除了特斯拉，有做的比較靠譜的嗎？有做到未來兩三年能商業化的嗎？幾乎沒有。

於是要回歸本質，包括特斯拉以及新勢力造車在內的這些公司，都走的是視覺爲主的路線。視覺這塊是無論如何都繞不過去的，而且視覺是自動駕駛最難的部分。所以，最需要的是頂尖的研究深度學習視覺的博士，類似於特斯拉的Andrej Karpathy和蔚來的任少卿。

招頂尖的視覺人才，讓他們去學習如何去做自動駕駛，這條路子更靠譜。其他部分對於這些聰明人來說，學習起來都很快。當然，沒有花過時間去學習的人不會明白這一點。特斯拉已經證明了這一點，特斯拉做autopilot，換了幾波人，都做的不好，等找到了做深度學習視覺出身的Andrej Karpathy，特斯拉纔算找到了合適的人。

要和自動駕駛的技術與時俱進，就要求要去閱讀關鍵的有用的論文，以獲取當前學術界最先進的知識，並挖掘和分辨優秀人才。如果有能夠談得攏可以一起合作的話，要把人才放到合適的位置上。比如有的人涉獵很廣學習能力強擅長抓住本質，適合做架構。而有的人則在某些領域鑽研很深，適合去突破某些領域如算法上的瓶頸。

在深度學習尤其是視覺領域，好多關鍵的優秀論文都是中國人寫的。各大車企要先努力把我們自己的頂尖人才聚攏起來，然後逐步也把全世界的人才也聚攏起來。

所以我覺得自動駕駛這一戰，中國車企是有希望的。比如蔚來就招來了任少卿，並把自動駕駛研發中心由以國外爲主轉向以國內爲主，將虛高的市值（估值）放一邊，這毫無疑問長期看是一招好棋。

好消息是還有不少人才散落在世界各地，壞消息是好多車企還是迷迷糊糊不知道如何分辨。稀裏糊塗的找個二流的號稱做過幾年自動駕駛的人，可遠不如找一個有能力有潛力的深度學習高手。還要注意不要看輕了年輕人的潛力，許多優秀論文都出自年輕博士甚至在讀博士之手，這些人剛好二三十歲，很年輕，但在自動駕駛領域卻是當打之年。

07、殘酷的終局

每個人都在談論智能汽車和自動駕駛的終局，那麼終局會如何？

自動駕駛肯定會逐步實現，因爲現代傳感器+計算機+大數據平臺的能力，比人眼+人腦在開車這件事情上，終究會強好多。人可以做到同時眼觀八方嗎？可以同時觀察前後左右的車輛嗎？

做不到，而計算機可以做到。計算機在駕駛方面的計算能力，長期看，也會比人類強。而且計算機在分享和積累各種經驗上，經由大數據平臺，肯定比人類更強。所以，長期看，電腦和大數據平臺在駕駛上能幹的事情，比人類要強大得多。

前途光明，但對於各個參戰選手來說，智能汽車這一戰會好難打，結果估計會很殘酷。現在看着很熱鬧，但因爲門檻極高，從軟到硬都不能有短板，所以最後活下來的估計就少數幾家。多數傳統廠商，面對自動駕駛，大概是有心無力，未來會處境尷尬，再過幾年面臨淘汰。不要嘴硬，連FOTA（無線固件升級）都沒搞定，還搞什麼自動駕駛，搞什麼智能汽車呢。

智能汽車=電動+自動駕駛+智能座艙，而自動駕駛最難而且能做出差異化，所以是重中之重，是決定性的關鍵點。特斯拉已經把門檻提的很高。當然，這實際上是因爲智能汽車尤其是自動駕駛，本來門檻就極高。只是特斯拉會是第一個達標的企業。

特斯拉在自動駕駛領域也沒有太多純理論上的祕密，幾乎所有的從0到1的關鍵知識都在現成的論文裏。但是把論文裏的知識揉碎架構，做到工程級別並商業化也是非常艱難的。所以，中國車企在自動駕駛大戰中有機會，但不是所有車企都有機會，因爲門檻實在非常高。

比如包括時間維度在內的4D訓練，比如如何把多攝像頭拼接爲鳥瞰圖，比如打造類似於DOJO這樣的訓練平臺，比如如何做到艦隊學習和影子模式，這些都不容易做好。

以鳥瞰圖爲例簡單講講，在十字路口轉彎，不僅需要前視攝像頭或雷達的信息，也需要了解十字路口左右兩方路面的信息，這就需要多個攝像頭或雷達數據融合的鳥瞰圖。這些技術問題，估計好多車企都沒有認真思考過。

但是也不要小看個別新勢力造車企業。雖然現在看上去和特斯拉，和傳統車企相比，銷量還比較小。但要看到，即使只發布兩三款車型，但背後的能力是正在形成。

而許多傳統車企，雖然現在憑藉着慣性還能賣不少車。但等到智能時代來臨時，真正厲害的是那些具備科技和智能能力的企業。許多傳統車企，連FOTA都搞不定，還談什麼自動駕駛。不具備科技能力的傳統車企，大多會倒閉，破產，被兼併或轉爲代工。

而且中國企業在中國場景上有本土化的優勢。以國內市場爲起點，最終走向世界也是很有希望的。

未來人們的汽車交通乘坐需求會分爲兩部分。有一部份人希望擁有私密的空間，於是會考慮買車或長期租車。而許多時候很多人則會使用robotaxi。當然，閒置的私人車輛也可以加入到robotaxi的共享網絡中去。

robotaxi = robo + taxi。而robo不止特斯拉一家，應該有幾家，所以需要一個taxi平臺。有人會說，特斯拉也可以做一個taxi平臺，但這樣的話，其他家車企或企業也可以做taxi平臺，那樣就不止一個平臺了。而消費者並不需要太多的taxi平臺。於是經過競爭，最終還是極少數的平臺勝出，而且一家獨大的概率很高。

目前的taxi平臺做的好公司，比如滴滴或Uber，很可能在未來和robo做的好的公司，比如特斯拉及做的好的新勢力造車的企業，會合作起來。

而且現在汽車強國的格局未來會發生巨大變化。簡單的說，中國和美國會是笑到最後的贏家，而傳統汽車強國日本和德國則會因爲趕不上形勢而哭得很厲害。

聲明：本文基於公開資料撰寫，僅作爲信息交流，不構成任何投資建議。