智能汽車和自動駕駛的終局會如何？

聲明：本文基于公開資料撰寫，僅作為信息交流，不構(gòu)成任何投資建議。

本文主要探討乘用車自動駕駛的技術(shù)和商業(yè)路徑，商用車的自動駕駛并不在本文里討論。

目前，乘用車自動駕駛的公司大概可以分為三類。第一類是類似于蘋果（NASDAQ：AAPL）的閉環(huán)系統(tǒng)，關(guān)鍵組成部分比如芯片和算法都自己做，特斯拉（NASDAQ：TSLA）是這么干的，部分新勢力車企也希望逐步走上這條路。第二類則是類似于安卓的開放系統(tǒng)，有的廠家做智能平臺，有的廠家做汽車，比如華為和百度

（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(shù)和商業(yè)的發(fā)展角度分析這三種路線的可行性，并探討一些新勢力造車或自動駕駛企業(yè)的未來。不要看輕了技術(shù)，對于自動駕駛而言，技術(shù)就是生命，關(guān)鍵的技術(shù)路徑就是戰(zhàn)略路徑。所以本文也是對自動駕駛戰(zhàn)略不同路徑的探討。

01

軟硬件一體化的時代已經(jīng)到來，以特斯拉為代表的＂蘋果模式＂是最佳路徑

在智能汽車尤其是自動駕駛領域，采用蘋果閉環(huán)模式，既能讓廠商更容易優(yōu)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，性能對于自動駕駛至關(guān)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”。

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

目前絕大多數(shù)的數(shù)字芯片是基于存儲器和計算器分離的馮諾伊曼架構(gòu)設計，這造就了計算機（包括智能手機）的整個系統(tǒng)體系。從軟件到操作系統(tǒng)到芯片，都深受其影響。但是馮諾伊曼架構(gòu)并不完全適合于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(nèi)存墻”，這會導致性能問題。而類腦芯片之類的設計，確實有架構(gòu)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(wǎng)絡可以轉(zhuǎn)化為矩陣運算，未必真正適合類腦芯片。

所以，隨著摩爾定律和馮諾伊曼架構(gòu)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(jié)構(gòu)，可指代專用處理器）來實現(xiàn)。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(chuàng)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(shù)量巨大的晶體管如何分配職能如何連接如何組合，對于具體某個應用的性能影響很大。未來需要從軟硬件的整體著眼，打造“fast system”，依靠優(yōu)化調(diào)整結(jié)構(gòu)取勝。

再舉個例子講講DSA。實際上手機和終端生態(tài)，某種程度上也在采用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(shù)據(jù)的。手機上也有神經(jīng)網(wǎng)絡加速器，那是為深度學習服務的。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(jù)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，因為自動駕駛是特定芯片跑特定應用，不用考慮生態(tài)的問題。

特斯拉的FSD HW就是專門為Autopilot設計的，可以盡情地在軟硬件兩端優(yōu)化。比如卷積運算占比非常高，那就可以對卷積運算并行化處理并特意去優(yōu)化，這樣可以極大提升整體的性能。

根據(jù)特斯拉提供的數(shù)據(jù)，以一個特定的處理攝像頭數(shù)據(jù)的神經(jīng)網(wǎng)絡為例，該神經(jīng)網(wǎng)絡處理一幀圖像需要350億次運算，傳統(tǒng)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(shù)據(jù)，F(xiàn)SD 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(shù)據(jù)的一些四舍五入或者精度上的誤差，基本是符合特斯拉宣稱的72TOPS的數(shù)據(jù)的。

無論是云端的訓練，還是終端的推理，都可以通過DSA進行很好的性能優(yōu)化。比如特斯拉的DOJO是針對云端的訓練，這不光是從算法到芯片，還需要分布式機器學習。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(huán)模式有利于快速響應消費者需求。比如，算法和數(shù)據(jù)的分離，會導致改進起來更困難。各種corner case（這里特指極端情況），有的可能需要同時調(diào)整算法和數(shù)據(jù)，那么不同公司的協(xié)調(diào)就會成為問題。

總的來說，特斯拉采用的閉環(huán)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

許多人都認為，自動駕駛時代，也有智能手機領域的蘋果（閉環(huán)）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，因為其不符合未來智能汽車技術(shù)發(fā)展的方向。

當然，我并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(huán)節(jié)。

在第一節(jié)中已經(jīng)講了蘋果的閉環(huán)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并非最佳方案。

智能手機和智能汽車的架構(gòu)不同。智能手機的重點是生態(tài)。生態(tài)意味著在ARM和IOS或安卓操作系統(tǒng)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為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(tǒng)，再網(wǎng)上則是各種App。因為其標準化，所以無論是芯片，還是安卓系統(tǒng)，還是App，都可以很容易地獨立成為一門生意。

智能汽車的重點則是算法及支撐算法的數(shù)據(jù)和硬件。而算法無論是在云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(yōu)化。所以只做算法或只做芯片或只做操作系統(tǒng)，長期看都會面臨性能優(yōu)化上的困境。只有每一塊組成部分都屬于自己開發(fā)，才容易進行性能優(yōu)化。而軟件和硬件的分離，會導致性能無法最優(yōu)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(jù)稱下一代的FSD HW相比當前有7倍的性能提升。所以歸因為特斯拉芯片設計師Peter Bannon及其帶領的團隊比NVIDIA的設計師更強，還是歸因為特斯拉的軟硬結(jié)合的方法論更好。我覺得軟硬結(jié)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(guī)劃芯片的設計。比如卷積操作占比多，那就側(cè)重多優(yōu)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占比具體是多少，ReLU又占比多少。特斯拉內(nèi)部團隊肯定知道的細節(jié)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，利用類似于仿真或者其他方法來衡量芯片的性能，去尋找性能的瓶頸，然后不斷優(yōu)化。

對于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(yōu)化，比芯片和算法拆開在不同公司的做法更好。

算法和數(shù)據(jù)分開，也不是個好主意，不利于快速反饋消費者需求，不利于快速迭代。

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，再往后一代可能依然能賣得出去，但是很可能越往后將會賣的越不好。因為性能和成本的緣由，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，是屬于手機及終端生態(tài)的，和自動駕駛關(guān)系沒那么大，所以應當生意會一直不錯。

那么有沒有可能一家公司把自動駕駛的算法芯片操作系統(tǒng)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”，再組合為智能汽車。

首先，車廠和平臺的利益并不完全一致。比如因為利潤分配的問題，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(huán)節(jié)，反饋不如特斯拉及新勢力造車企業(yè)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(fā)生。

另外，爭氣的汽車廠商都不會放棄自己掌握算法和數(shù)據(jù)的，而不爭氣的汽車廠商雖然可以放棄自己掌握算法，但因為不爭氣，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，并不是最佳方案。最終做得很好的新勢力造車企業(yè)，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(huán)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(huán)也沒有必要一步到位。要根據(jù)用戶需求和自身能力，逐步實現(xiàn)。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(yè)化的合適路徑

現(xiàn)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愿意買單。隨著這個時間的比例的逐漸上升，會有更多的消費者愿意購買智能汽車。所以，自主造車賣車的模式是可以逐步變現(xiàn)，逐步投入，逐步發(fā)展的。

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

因為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么辦。沒法商業(yè)化，于是也就沒法獲取營收，沒法將收入又繼續(xù)投入到研發(fā)。

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(yè)模式，是隨著自動駕駛的進步，逐步商業(yè)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(shù)據(jù)，然后促進研發(fā)。

而且，等到自動駕駛都實現(xiàn)了，那時候做robotaxi已經(jīng)是水到渠成了。所以，一路勝利的戰(zhàn)果，會被自主造車企業(yè)摘取，robotaxi創(chuàng)業(yè)企業(yè)只能干看著。

最終的戰(zhàn)果，也會被逐漸壯大的自主造車企業(yè)摘取，因為到完全自動駕駛的時候，自主造車企業(yè)都至少是千億營收了，力量強大且具備自我造血功能，靠融資活著的robotaxi創(chuàng)業(yè)企業(yè)如何與其競爭。

04

華為與蘋果自己造車的可能

有許多人認為華為可以做智能汽車的安卓平臺，其實不然，根據(jù)上文的分析，安卓路線未必行的通，華為未來自己造車的可能很大。

華為當前要么是在養(yǎng)精蓄銳積聚經(jīng)驗等待未來合適的時候開啟自主造車之路，要么是判斷錯了未來。因為，未來不是一堆汽車廠商，而是極少數(shù)幾家從軟到硬都很厲害的企業(yè)。所以，做“安卓”平臺，賣給誰是個大問題。

華為當前的汽車業(yè)務有三個結(jié)果 1）不成氣候并放棄 2）不成氣候，然后開始自己造車 3）不怎么成氣候，然后放棄做平臺并做減法，只做類似于激光雷達這樣的部件。

智能汽車市場如此巨大，華為不會放棄的。把智能汽車做好，以其市場規(guī)模估算，可以再造幾個華為。華為對于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。

華為有從軟到硬的實力和從上到下的狠勁，所以華為自己造車成功的可能性不小。從云端芯片到終端芯片到深度學習平臺，華為都在努力，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。

如果蘋果愿意加入造車的隊伍，也有不少勝算。但蘋果那種產(chǎn)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(shù)據(jù)，要萬事俱備再出手，那得等到什么時候。

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(zhàn)略，大概是既想走安卓路線，又想搞robotaxi。而前文已經(jīng)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(guī)模商業(yè)化呢？

那么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。因為百度的硬件功底不如華為扎實，而且執(zhí)行力一般。至少在幾大互聯(lián)網(wǎng)巨頭里，過去這些年是屬于不太能打的那個，BAT并稱的說法，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(zhàn)斗力本身就不屬于最強隊列，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(zhàn)，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，那么怎么有能力招來合格的自動駕駛算法VP，軟件工程VP，你怎么判斷哪些人是真正的高手，何況技術(shù)高手也會投奔更懂技術(shù)的東家。那么有勇氣把不合格的CEO換掉嗎？我看幾乎沒一家傳統(tǒng)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(xiàn)成的做自動駕駛的人。按照常規(guī)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，于是我要找做汽車工程的人。但對做自動駕駛則并非如此。因為這些現(xiàn)成的人才里面，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(yè)化的嗎？幾乎沒有。

于是要回歸本質(zhì)，包括特斯拉以及新勢力造車在內(nèi)的這些公司，都走的是視覺為主的路線。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，類似于特斯拉的Andrej Karpathy和蔚來的任少卿。

招頂尖的視覺人才，讓他們?nèi)W習如何去做自動駕駛，這條路子更靠譜。其他部分對于這些聰明人來說，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(jīng)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，特斯拉才算找到了合適的人。

要和自動駕駛的技術(shù)與時俱進，就要求要去閱讀關(guān)鍵的有用的論文，以獲取當前學術(shù)界最先進的知識，并挖掘和分辨優(yōu)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(zhì)，適合做架構(gòu)。而有的人則在某些領域鉆研很深，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(guān)鍵的優(yōu)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，然后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(zhàn)，中國車企是有希望的。比如蔚來就招來了任少卿，并把自動駕駛研發(fā)中心由以國外為主轉(zhuǎn)向以國內(nèi)為主，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。稀里糊涂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(yōu)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，那么終局會如何？

自動駕駛肯定會逐步實現(xiàn)，因為現(xiàn)代傳感器＋計算機＋大數(shù)據(jù)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？可以同時觀察前后左右的車輛嗎？

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(jīng)驗上，經(jīng)由大數(shù)據(jù)平臺，肯定比人類更強。所以，長期看，電腦和大數(shù)據(jù)平臺在駕駛上能干的事情，比人類要強大得多。

前途光明，但對于各個參戰(zhàn)選手來說，智能汽車這一戰(zhàn)會好難打，結(jié)果估計會很殘酷?，F(xiàn)在看著很熱鬧，但因為門檻極高，從軟到硬都不能有短板，所以最后活下來的估計就少數(shù)幾家。多數(shù)傳統(tǒng)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，還搞什么自動駕駛，搞什么智能汽車呢。

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(guān)鍵點。特斯拉已經(jīng)把門檻提的很高。當然，這實際上是因為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(yè)。

特斯拉在自動駕駛領域也沒有太多純理論上的秘密，幾乎所有的從0到1的關(guān)鍵知識都在現(xiàn)成的論文里。但是把論文里的知識揉碎架構(gòu)，做到工程級別并商業(yè)化也是非常艱難的。所以，中國車企在自動駕駛大戰(zhàn)中有機會，但不是所有車企都有機會，因為門檻實在非常高。

比如包括時間維度在內(nèi)的4D訓練，比如如何把多攝像頭拼接為鳥瞰圖，比如打造類似于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。

以鳥瞰圖為例簡單講講，在十字路口轉(zhuǎn)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(shù)據(jù)融合的鳥瞰圖。這些技術(shù)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(yè)。雖然現(xiàn)在看上去和特斯拉，和傳統(tǒng)車企相比，銷量還比較小。但要看到，即使只發(fā)布兩三款車型，但背后的能力是正在形成。

而許多傳統(tǒng)車企，雖然現(xiàn)在憑借著慣性還能賣不少車。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(yè)。許多傳統(tǒng)車企，連FOTA都搞不定，還談什么自動駕駛。不具備科技能力的傳統(tǒng)車企，大多會倒閉，破產(chǎn)，被兼并或轉(zhuǎn)為代工。

而且中國企業(yè)在中國場景上有本土化的優(yōu)勢。以國內(nèi)市場為起點，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為兩部分。有一部份人希望擁有私密的空間，于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，閑置的私人車輛也可以加入到robotaxi的共享網(wǎng)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(yè)也可以做taxi平臺，那樣就不止一個平臺了。而消費者并不需要太多的taxi平臺。于是經(jīng)過競爭，最終還是極少數(shù)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(yè)，會合作起來。

而且現(xiàn)在汽車強國的格局未來會發(fā)生巨大變化。簡單的說，中國和美國會是笑到最后的贏家，而傳統(tǒng)汽車強國日本和德國則會因為趕不上形勢而哭的很厲害。