自動駕駛百年史：誰是最有權力的公司？

汽車之心 

自動駕駛是一場橫跨百年的技術修行。

1925 年，一輛無人汽車（American Wonder）緩緩行駛在曼哈頓街頭，從百老匯一直開到第五大道，它穿越了紐約交通最擁堵的路段，吸引了全美國的注意。

背後的牽頭人—— Francis P.Houdina（弗朗西斯．P． 霍迪尼），當時他正坐在另一輛車上，用無線電遙控無人車的行駛。

以現在的技術來看，這輛車遠稱不上自動駕駛，只能算得上是遙控汽車。但人類對於無人駕駛的場景化想象卻從此開始。

由此，在人類的科學技術進程中多了汽車自動駕駛的目標。

百年自動駕駛大致分五個階段：

1925 年到 1966 年，是概念啓蒙階段。少量工程師通過電纜、金屬傳感器和磁場感應器的組合，讓小說中的‘無人駕駛’短暫地照進了現實。

1966 年到 2004 年，是技術奠基階段。在各國軍方的主導下，少量大學和車企確立了自動駕駛的基礎技術路線，將計算機算法與傳感器硬件（攝像頭爲主）相結合。

當概念和技術奠基工作均完成後，自動駕駛突飛猛進。

2004 年到 2014 年，是屬於谷歌的‘哥倫布時代’，讓世界看到了自動駕駛商業落地的可能。

2014 到 2021 年，是萬衆創新的‘大航海時代’，無數企業在資本和技術簇擁下湧入自動駕駛市場，探索無限可能。

2021 年至今，是特斯拉引領的‘工業革命時代’，AI 大模型開始逐漸取代人工編寫的規則算法。

1.0 時代，谷歌成爲哥倫布

地球是圓的，總會有人想去證明它。

在自動駕駛領域，谷歌是那個率先抵達新大陸的‘哥倫布’。

2004 年，爲了減少戰爭中的人員傷亡，現實版神盾局 DARPA（美國國防高級研究計劃局）在 2004 年、2005 年及 2007 年舉辦了 3 屆自動駕駛挑戰賽，吸引了無數大學和企業的研究團隊。

三屆挑戰賽讓谷歌聯合創始人拉里·佩奇（Larry Page）看到了自動駕駛的潛力，將斯坦福大學領隊塞巴斯蒂安·特龍（Sebastian Thrun）納入麾下，帶領谷歌 X 實驗室研發創新項目。

2009 年初，在佩奇的推動下，谷歌自動駕駛項目‘Project Chauffeur’正式啓動。

作爲項目負責人，特龍邀請了一些 DARPA 挑戰賽中的技術大牛加入了 Chauffeur 項目：

卡內基梅隆大學車隊的技術總監克里斯·厄姆森（Chris Urmson）負責軟件，斯坦福大學車隊的軟件負責人邁克·蒙特莫羅（Mike Montemerlo）負責電子地圖、硬件負責人安東尼·萊萬多夫斯基（Anthony Levandowski）負責硬件、感知負責人亨德里克·達爾坎普（Hendrik Dahlkamp）負責雷達數據。

三屆 DARPA 挑戰賽積攢的人才，幾乎盡數收入谷歌麾下，並在技術上延續了 DARPA 挑戰賽提出的基本方案，即計算機通過多個傳感器來觀察周圍環境，並據此進行路線規劃，最後由一套線控系統執行命令。

和挑戰賽以前的自動駕駛車輛相比，此時谷歌自動駕駛車輛最顯著的變化，是搭載了激光雷達和高精地圖——激光雷達可以精確測算車輛和道路標誌的距離，而高精地圖則告訴車輛這些標誌在空間中的位置，從而讓車輛進行定位，降低了感知系統的壓力，以此應對複雜的道路。

在州際公路上經過了 16 萬千米的測試和反覆修改代碼之後，Chauffeur 團隊於 2010 年 10 月完成了 Larry 1k 挑戰，即在沒有人爲干預的情況下，在 10 條 160 千米的特定路線上（州際公路+城市道路）完成無人駕駛。

比起 DARPA 挑戰賽中的車輛，谷歌 Chauffeur 團隊在技術上已經有了質的突破，但距離工程化落地依舊遙遠。

• 首先，谷歌的自動駕駛離不開高精地圖，而保證高精地圖的鮮度和廣度需要巨量時間與財力投入。

• 其次，識別和預測道路上其他交通參與者的行爲依舊不是一件容易的事，畢竟不是每一位司機在變道之前都會打轉向燈。

• 最後，《紐約時報》的報道將谷歌自動駕駛項目公之於衆，但推動立法依舊路途遙遠。

2011 年初，特龍曾經的學生戴夫·弗格森加入了 Chauffeur 團隊，正式將機器學習引入了自動駕駛，提升了汽車的感知能力和判斷能力。

與此同時，谷歌也開始遊說政府部門立法，2011 年 9 月，內華達州通過自動駕駛法案；

2012 年 5 月，谷歌拿到了內華達州頒發的第一張自動駕駛測試牌照；

2013 年，NHTSA（美國高速公路安全管理局）發佈了自動駕駛汽車的分級標準，SAE（國際自動機工程師學會）也制定了自動駕駛汽車分級標準。

至於高精地圖的問題，谷歌的解決對策是在有限的‘運行設計域’內使用，比如路況簡單的高速場景。

不過在具體的落地形式上，特龍的左膀右臂萊萬多夫斯基和厄姆森產生了路線分歧。

萊萬多夫斯基提倡銷售後裝方案，可以讓任何汽車在高速公路上實現自動駕駛。厄姆森則希望將自動駕駛系統在生產時便集成到車輛當中，雖然耗時更久但更加安全可靠。

然而不論是哪種方案，都被老牌車企認爲是魯莽、愚蠢到不可思議的事情。

天無絕人之路，打車軟件 Uber 的出現，讓谷歌高層看到了一條新的商業化路線——在特定城市或地區繪製高精地圖，然後運營一支無人駕駛出租車隊。

於是，谷歌在 2014 年 5 月推出了純電動全自動駕駛汽車 Firefly，配備了攝像頭、毫米波雷達、激光雷達和超聲波等傳感器，以及整合了 Google 地圖和雲服務等優勢資源，同時還取消了方向盤、油門和踏板。

Firefly 的發佈終於讓車企意識到自動駕駛的重要性。

Firefly 發佈的次日，時任通用全球產品開發主管的 Mark Reuss 便首次將谷歌列爲競爭對手：

‘對汽車製造商們來說，谷歌可能會變成一個相當厲害的競爭對手。’

從 2004 年關注 DARPA 自動駕駛挑戰賽，再到 2014 年讓世界見證自動駕駛，谷歌從軍方手中接過了自動駕駛的主導權，彙集了 DARPA 挑戰賽中的人才，成爲開啓新大陸的哥倫布。

2.0 時代，大航海時代的始終

資本市場是逐利的。

在看到自動駕駛的潛力之後，車企、科技公司以及初創企業紛紛捲入了自動駕駛的藍海市場。

回看 2014 年這個時間點，谷歌已經做成了三件影響行業的大事：

• 首先，谷歌推動了美國自動駕駛法案的出臺，讓行業有法可依；

• 其次，谷歌摸索出了相對成熟的技術路線，讓行業有跡可循；

• 最後，谷歌的 Firefly 讓資本看到了自動駕駛的潛力，讓行業有錢可燒。

接下來的兩年，谷歌又爲行業貢獻了最重要的資源——人才。

2014 年，谷歌 Chauffeur 項目負責人特龍離開了谷歌，創立了在線教育平臺 Udacity，致力於爲業界培養更多自動駕駛人才。

特龍走後，萊萬多夫斯基和厄姆森的明爭暗鬥日益升級。2015 年 8 月，谷歌進行業務重組改變了權力架構，自動駕駛項目由技術主導轉向商業化主導。

多重變動之下，谷歌 Chauffeur 項目多位核心工程師在拿了 2015 年年底的鉅額獎金之後離職創業：

• 厄姆森離職創立了 Aurora，2021 年 Aurora 上市，市值 125 億美元。

• 萊萬多夫斯基和 Google 地圖負責人里奧·羅恩（Lior Ron）創立了 Otto，後被 Uber 收購，併入 Uber 自動駕駛部門。

• 硬件研發主管布萊恩•薩萊斯基（Bryan Salesky）離職創立了 Argo，3 個月後便被福特以 10 億美元收購。

• 機器視覺技術專家達夫·弗格森（Dave Ferguson）和朱佳俊離職創立了 Nuro，專注於無人駕駛配送業務，估值最高達到 86 億美元。

在谷歌的刺激之下，從 Uber、英偉達、亞馬遜、百度、大疆、滴滴出行、華爲等高科技公司，再到奔馳、寶馬、通用、本田等傳統車企，以及蔚小理爲代表的中國車企，紛紛投入自動駕駛研發。

與此同時，資本也進入了自動駕駛行業。2013 年時，全球自動駕駛行業融資數量僅 5 起，2014 年快速增長至 20 起，到了 2018 年便超過 100 起。

資本入局之下，催生出了無數初創企業，比如被譽爲自動駕駛黃埔軍校的百度，從這裏走出的自動駕駛工程師，而後又締造了一批優秀的中國自動駕駛初創公司，如小馬智行和文行知遠，百度系之外，還有輕舟智行、圖森未來、Nullmax 等。

自動駕駛從谷歌一人獨舞，逐漸變成了派系林立的江湖。

有江湖的地方，自然就有紛爭。

‘大航海時代’最重要的分歧，來自於漸進式和跨越式的路線之爭。 

特斯拉和谷歌，分別是漸進式路線和跨越式路線的支持者。戲劇性的是，兩者的紛爭來自於一次失敗的合作。

2013 年，谷歌雖然已經定下了做無人出租車的目標，但也嘗試了更容易落地的 L2 級 AutoPilot。

然而測試時，谷歌發現不論如何強調該系統無法完全替代人類，測試車輛的工程師總會把汽車當成完全自動駕駛來使用。

安全起見，該項目只測試了幾個禮拜便被緊急叫停，谷歌打算只做‘完全不需要人類參與’的自動駕駛，也就是走跨越式路線。

而被谷歌叫停的 AutoPilot 項目，原本是爲特斯拉開發的智駕項目。

與谷歌合作的破裂之後，特斯拉兜兜轉轉開始了自研 AutoPilot，並選擇了與谷歌截然相反的道路——漸進式路線。

在漸進式路線看來，礙於技術的限制，短期內 L4 級自動駕駛必然成本高昂且無法落地，那不如從更容易商業化的做起，先養活自己，再不斷進步。

漸進式路線內部也分爲了兩大類。

第一類是特斯拉、Mobileye、華爲、大疆、Nullmax 和大多數主機廠代表的 L2 級輔助駕駛，核心思想是用輔助駕駛撬動銷量，從而獲得數據和造血能力，繼而不斷升級迭代。

第二類是特殊場景下的 L4 級自動駕駛，如易控智駕、主線、白犀牛等，主攻礦區、港口、配送、環衛等低速封閉或低速半封閉場景，通過限制速度或者運行場景的複雜度來降低自動駕駛的難度，保證盈利的同時迭代 L4 級智駕系統的能力。

然而在以谷歌 Waymo、百度 Apollo（及其歷任工程師創建的公司）爲代表的跨越式路線支持者看來，漸進式路線無疑是死路一條。

在他們看來，低等級自動駕駛的技術框架難以直接遷移到 L4 級無人駕駛，用厄姆森的話說，就是‘漸進式就像是一個天天努力練跳高的人，認爲自己終有一天能飛起來’，如果你想登月，那一開始就不應該造梯子，而是火箭。

然而就和現實中的大航海一樣，始於哥倫布發現新大陸，終於海外殖民地被瓜分殆盡。

在聽了多年無人駕駛的故事之後，資本市場發現了 L4 級快速落地遙遙無期的事實，耐心和投入也開始逐漸消失。

這對靠資本市場輸血的 L4 級自動駕駛公司來說，稱得上是滅頂之災。

爲求自保，不少 L4 級公司不得不向現實低頭，從 L4 級跨越式路線轉向 L2 級漸進式路線，先造血求生存，再燒錢追理想。

目前除了谷歌 Waymo、通用 Cruise、滴滴自動駕駛以外，大多數 L4 級自動駕駛公司均投入了 L2 級自動駕駛的懷抱。 

轟轟烈烈的智駕大航海時代，隨着跨越式路線的失敗而告終，漸進式路線成爲市場主流。

不過大航海時代雖然結束了，但是卻留下了寶貴的遺產——激光雷達、高精地圖、自動駕駛芯片等行業獲得了快速發展，爲留在場上的玩家提供了價低質優的解決方案。

3.0 時代，特斯拉引領‘新工業革命’

如果只是漸進式路線耗死了跨越式路線，那絕對稱不上是新時代的開始，頂多只能稱爲‘後航海時代’，無非是麪包戰勝了愛情，六便士打敗了月亮。

真正結束舊時代開啓新時代的，是特斯拉發起的‘新工業革命’——用自動化程度更高的大模型取代了‘手工作坊’裏的人工規則代碼。

雖然早在 2011 年，谷歌便將機器學習引入了自動駕駛，但在長達 10 年的時間裏，自動駕駛依舊以人工規則爲主導。

即使是火熱的大航海時代，大多數自動駕駛企業也都選擇了大同小異的硬件方案，差距主要來自人工規則代碼。

然而遵循規則代碼的智能汽車永遠無法學會開車，人工編寫的規則代碼無論如何都無法覆蓋現實世界所有的路況。

改變這一現狀的技術，是谷歌提出來的 Transformer 架構——通過引入注意力機制，Transformer 模型擁有了聯繫上下文的能力，並且訓練速度更快。 

2017 年，谷歌發佈了 Transformer 架構，成爲自然語言處理領域的主流大模型。

2020 年，谷歌又提出了 Vision Transformer（ViT），可以直接利用 Transformer 對圖像進行分類。

然而最先將 Transformer 架構用到自動駕駛上的，卻不是谷歌的 Waymo，而是特斯拉。

2021 年 9 月，在安德烈·卡爾帕西（Andrej Karpathy）的帶領下，特斯拉重構了自動駕駛的代碼，推出了基於 Transformer+BEV 技術的 FSD，將感知部分交給了大模型，從而提升了自動駕駛的感知能力。

2023 年，在達瓦爾·史洛夫（Dhaval Shroff）的推動下，特斯拉推出了 FSD V12 版本，將感知、決策和控制算法都交給了大模型，實現了首個端到端大模型自動駕駛，人工規則算法從 V11 版本的 30 萬行降低到了 2000 行。

大模型的上車，從技術層面證明了漸進式路線的勝利——通過投餵數據，大模型能不斷精進駕駛技術，從 L2 進化至 L4 成爲可能。

在特斯拉引領之下，諸多玩家開始推進大模型上車，其中最爲積極的當屬中國企業。

車企方面，小鵬、蔚來、理想、極越、比亞迪、智己等車企紛紛推動了 Transformer+BEV 架構的研發。

自動駕駛解決方案方面，華爲、百度 Apollo、大疆車載、毫末智行、小馬智行、商湯科技、Nullmax、Momenta、易航智能等供應商也積極跟進。

雖然以上企業主要在感知端使用了大模型，還未能和特斯拉一樣實現端到端的大模型，但是依舊大幅提高了智駕系統的感知能力，一定程度上降低了硬件成本，並讓自動駕駛有了擺脫高精地圖的可能。

也正因如此，2023 年中國車企發起了轟轟烈烈的智駕開城計劃，‘城市 NOA’和‘無圖智駕’成爲汽車行業的關鍵詞，自動駕駛的滲透率也迎來增長。

當 2024 年農曆新年的返鄉大軍用自動駕駛開車回到縣城、鄉村，似乎預示着自動駕駛已從彼岸到達此岸。

精進仍在繼續。大模型提高自動駕駛能力上限的同時，也拔高了自動駕駛的門檻。

在軟件驅動的時代，規則算法決定了自動駕駛的能力上限。因此很多初創公司通過少量的測試車不斷迭代算法，便能提升自動駕駛的能力。

毫末智行 CEO 顧維灝就認爲自動駕駛已經從硬件驅動、軟件驅動進入到了數據驅動的新時代。

在新時代裏，自動駕駛系統更有可能達到人類駕駛員水平。系統不但具備對三維空間的精確感知測量能力，而且能夠像人類一樣理解萬物之間的聯繫、邏輯、常識，做出更好的駕駛策略。

而這一切正需要算力與數據。

算力相當於大模型的智力，數據相當於大模型刷的題庫，智力越高，刷的題越多，考試成績纔會越高，二者缺一不可。

和算法相比，算力和數據的硬件成本顯然更高。

無論是自動駕駛企業還是車企，現在都把重點放在了打通數據通道和智算中心以此更高效地獲取數據。

比如毫末智行的自動駕駛生成式大模型 DriveGPT（雪湖·海若）參數規模達到 1200 億，預訓練階段引入數千萬公里量產車駕駛數據。

特斯拉更爲誇張，爲了打造訓練大模型的超算中心，特斯拉至少投入 25 億人民幣購買了 10000 塊 H100 芯片，同時，特斯拉還將投入 10 億美元搭建自研的 Dojo 超算中心。

在數據量上，FSD V12 版本訓練初期，特斯拉便投餵了約 1000 萬個特斯拉車主的駕駛視頻片段。

海量駕駛數據，是由特斯拉 400 多萬的總銷量累積而成，這使得特斯拉每天可以訪問來自車主的 1600 億幀視頻。

第二個特斯拉還沒有出現。龐大的資金投入和數據需求，成了橫亙在自動駕駛面前兩座大山，沒有體量支撐、造血能力，部分自動駕駛公司難以繼續留在牌桌，只得‘排隊賣身’尋求收購。

現在的情況是誰掌握了資金和數據，誰就掌握了話語權，而自動駕駛的主導權或將回到車企手中。

自動駕駛百年，只是開始

從 1925 年算起，自動駕駛的發展已接近百年，技術路線日益成熟。

在自動駕駛的第一個百年中，最重要的經驗，便是自動駕駛是強依賴技術路徑變革的物種。

回頭看，自動駕駛關鍵節點變遷均是新技術加入引發的：

• 1966 年，計算機和攝像頭的加入開啓了現代意義上的自動駕駛；

• 2007 年，DARPA 挑戰賽中引入了高精地圖和激光雷達；

• 2011 年，機器學習首次被用於自動駕駛；

• 2021 年，大模型開始上車；

• 2023 年，端到端的大模型成功上車。

這個規律一定程度上註定了跨越式路線的敗局——漸進式路線迭代升級的慾望更強，因此更容易接納新技術。

這或許也是谷歌提出的 Transformer 架構卻被特斯拉先用到自動駕駛上的原因。

但無論哪種路線，都面臨同一個問題，一旦發生較大的技術變動，此前的軟硬件架構都要隨之改變。

另一個規律，自動駕駛發展的過程就是不斷用機器取代人的過程。

以此來看，端到端自動駕駛在車端幾乎完全實現了用機器替代人類，因此會成爲中期甚至長期的技術路線。

和其他跟進的車企相比，特斯拉目前在算法層面有 2-3 年的領先優勢。3-5 年之後，目前第二梯隊的車企大概率也將實現端到端自動駕駛。

算法的代際差距被拉平之後，能繼續用計算機替代人類提高效率的，或許就是數據了。

目前特斯拉的訓練數據主要來自現實世界，雖然數量龐大覆蓋場景足夠多，但是重複、無效的內容同樣多，而且難以針對性的訓練。

與之相比，生成式 AI 能快速且低成本的生成針對性的場景，通過仿真訓練加快自動駕駛的迭代速度和能力，從而降本增效，這也是目前特斯拉研究生成式的 World Model 的原因。

自動駕駛的技術已經日益成熟，但是從商業角度來看，技術只是開始，接下來還有漫長的產品普及之路要走，自動駕駛是一場持久戰。

本文作者：於宗申，文章來源：汽車之心，原文標題：《自動駕駛百年史：誰是最有權力的公司？》。

風險提示及免責條款

市場有風險，投資需謹慎。本文不構成個人投資建議，也未考慮到個別用戶特殊的投資目標、財務狀況或需要。用戶應考慮本文中的任何意見、觀點或結論是否符合其特定狀況。據此投資，責任自負。