自Waymo面世至今，汽车行业的自动驾驶已走过十年。

从发展阶段看，自动驾驶尚处于技术积淀期。人们期待这一技术替代驾驶员的同时，也在不断回顾和总结经验。一些需要厘清的问题包括，自动驾驶领域是否存有泡沫？传感器和深度学习等技术如何演化？实现商业落地的场景究竟有哪些？

针对这些问题，多位资深从业人士尝试给出答案。雷锋网新智驾梳理发现，在自动驾驶技术研发过程中，科技公司、主机厂和一二级供应商各有侧重，同时对深度学习的重要作用和面临问题也有着不同理解。

以下为北汽集团、法雷奥、禾多科技、AutoX、地平线和驭视科技等公司高管站在不同立场进行的观察：

自动驾驶变得理性

法雷奥中国CTO顾剑民

自动驾驶寒冬并未到来，当前估值回调，热情削减，只是说明自动驾驶正在回归理性。法雷奥中国CTO顾剑民指出这一点。

去年以来，融资节奏放缓、商业落地慢等问题开始出现在自动驾驶领域。同时，技术仍在随着时间不断升级，这表现在激光雷达等硬件设备成本不断下跌，用于深度学习和大数据计算的芯片处理速度也在不断提高。

顾剑民表示，传感器的发展呈现出集成化、多功能化和智能化的趋势。此外，深度学习、软件算法逐渐成熟，为行业玩家进军更高级别自动驾驶提供了技术支撑。不过，深度学习也存在局限性，比如，虽然深度学习在感知功能层面拥有其优越性，但它并不适用于决策算法，因为没有可解释性，并不完全适合所有领域。

至于如何盈利，顾剑民认为，可以通过To B商业运营和To C个人用户两种方式。其中，To B是指将自动驾驶车辆提供给专门的运营商（包括Waymo），例如自动驾驶出租车、园区物流车或用于交通运输的班车货车。

在顾剑民看来，对于初创公司而言，简单复制技术并不能帮助其实现盈利之路，一级供应商相比前者在同整车厂合作、工业化方面更有优势。

量产车成为关键

北汽集团新技术研究院副院长荣辉

如果说主机厂是出于压力而发展自动驾驶，似乎也没错。

目前，主机厂和科技公司对于自动驾驶的布局中，渐进式和激进式是两条公认的途径。作为主机厂的北汽也在时刻关注着自动驾驶。2018年底，北汽集团旗下北汽新能源发布战略规划，宣布到2025年将实现L4级自动驾驶。除了与百度Apollo平台合作，北汽也在自主研发自动驾驶方面的技术。

值得注意的是，北汽的自动驾驶发展路径与人们通常理解的从L0逐级发展至L5有所不同，是绕开这些概念直接去研发全自动驾驶车。

北汽集团新技术研究院副院长荣辉认为，自动驾驶将是未来主机厂之间以及与科技公司之间竞争的关键战场。各方的竞争中，谁能最快推出自动驾驶量产车谁就会获胜。

在他看来，主机厂发展自动驾驶的盈利的途径有两个，一是卖车，二是提供自动驾驶出行服务。卖车主要是卖给B端用户。提供自动驾驶出行服务，主要是指将自动泊车技术卖给汽车分时租赁公司，将全自动驾驶方案卖给景区去运送游客，以及提供智能小镇里的自动驾驶技术、自动送货车等。

荣辉表示，深度学习是实现自动驾驶的一个重要手段，尤其在视觉识别、周围环境感知、激光雷达成像等领域发挥着重要作用。“有人说自动驾驶寒冬将至，其实资本这个领域的投资力度远远不够，到目前为止还谈不上泡沫。自动驾驶领域还没有投入足够的资金。”

他相信，在未来的自动驾驶竞争中，既懂传统造车又有创新思想的公司会获得胜利。

缓冲地带——ADAS

福瑞泰克CTO沈骏强

自动驾驶面临安全与便利的双重矛盾。现实中，人们对安全事故的敏感，甚至一度让主机厂乃至科技公司对自动驾驶踌躇不前。

一般来讲，没有任何一项技术能百分百确保安全， 但技术又需要不断进步。

福瑞泰克CTO沈骏强认为，由于自动驾驶要解决不同场景的问题，但只有经历过的那些场景，系统才会去处理，而场景非常复杂，哪怕过了十年、二十年，已经积累了非常多的数据，但是这个数据仍然不可能覆盖所有已知或未知的场景。

所以，在实现自动驾驶的过程中不断地“下蛋”，衍生出可量产、可商业化落地的产品，或许是做自动驾驶的人应该秉持的正确态度。

由此，ADAS成为发展自动驾驶的缓冲地带。

不过，目前能够提供ADAS整体解决方案的，基本上是被外资和合资企业所垄断，虽然也有一些自主品牌在做，但更侧重于ADAS的某一个功能，比如很多公司在做基于摄像头的泊车辅助。

沈骏强称，从技术层面看，传感器在进步，比如，针对毫米波雷达，随着现在的芯片集成度越来越高，一些芯片供应商能够实现一个芯片就可以提供除天线之外的所有功能；摄像头的目标检测，采用深度学习的方式，让目标识别的技术门槛，相比传统计算机视觉大大降低。

在沈骏强看来，最快实现商业落地的是To B模式，即把自动驾驶车辆提供给一些专门的运营商，比如在物流区域等。To C端的商业需求则不是太迫切。

感知技术是国内短板

AutoX创始人兼CEO肖健雄

回顾自动驾驶十年历程，AutoX创始人兼CEO肖健雄认为，计算机视觉带来感知的突破，使得自动驾驶迅速发展。此外，大数据对于自动驾驶的发展同样功不可没，正是丰富的训练数据，使得自动驾驶在内的AI行业得以迅猛发展。

不过，在肖健雄看来，无论是人才储备，还是技术累积、路测里程数量等方面，国内仍落后国外相当一段距离。中国和美国的自动驾驶技术差距之中，感知技术是最大的短板。

对于特斯拉和Waymo不同的发展路径，肖建雄解释称，辅助驾驶和无人驾驶是能够并存的两条路线。“谷歌不是主机厂，因此Waymo的思维必定是互联网思维，以出行平台为主要的商业导向。但特斯拉则是主机厂，以销售汽车为主业、以功能扩张为主业，因此所衍生出的技术路线，自然是出现分歧，没有对错之分。”

肖建雄还建议，选择好的落地场景对跑通整个场景模式极为重要，创新公司应该避开巨头竞争较量的赛场，找准刚需且高频的落地场景。

与一些主机厂态度相似的是，肖健雄同样认为自动驾驶并不存在泡沫，而是热度还不够。在可预见的20-30年内，这一技术将成为人类社会的重大变化机遇。他判断，实现自动驾驶已经没有科学的风险，只是时间问题，技术一旦实现将迅速颠覆人类的交通生活。

论剑决策算法

智行者CTO王肖

自动驾驶的感知、决策和执行三大环节中，决策环节正在成为谷歌、特斯拉等公司的核心竞争力。智行者CTO王肖认为，自动驾驶的基础是感知、定位及控制技术，核心及灵魂是决策规划，也就是自动驾驶大脑。

他表示，即便在自动驾驶的下一个十年，自动驾驶也很难实现大规模商用，届时，没有资本加持的的自动驾驶公司约有一半以上将关闭。为避免这一情况发生，无论资本是否寒冬，自动驾驶行业不能再单纯以先进技术研发为驱动，而是要综合考虑场景、落地及产品，以产品为导向，不单纯依靠技术赚钱，要做产品驱动型公司。

王肖表示，自动驾驶全栈式开发模式未来会遇到很大瓶颈，与国内外各领域最先进的供应商一起合作成长才是解决之道，自动驾驶的未来发展一定是回归现实，尽快实现公司的自我造血能力。

王肖直言，行业对人工智能、自动驾驶宣传的泡沫太大，让人觉得AI似乎能解决一切问题。但归根结底，AI只是一种工具而已，工具并不是无人驾驶研究的目的，大家的目标不是做一个基于深度学习的无人驾驶汽车，而是以产品为导向，综合考虑成本、应用场景以及成熟可靠的技术。

精而深还是大而全？

驭势科技创始人兼CEO吴甘沙

有人专攻一部分技术，也有人将全栈式开发作为目标。

在驭势科技创始人兼CEO吴甘沙看来，木桶短板对于自动驾驶公司而言是大忌，自动驾驶门槛高且技术复杂，需要了解得面面俱到，包括搭载AI算法的车规级自动驾驶控制器、无人车运营服务平台、数据管理平台，再到自动驾驶仿真系统等均要涉足。

对于自动驾驶技术，吴甘沙有着自己的解读。“Waymo一定代表着它看起来认为最有可能的一种技术，但它斥资一两百亿购买8万多辆车，并不能穷尽天下所有的交互场景，虽然它可以在美国20余个城市跑得很好，但不一定适用于美国其它城市或中国。”

特斯拉既定的依靠视觉能解决一切问题的观点也被吴甘沙否定。按照他的逻辑，从系统层面来看，自动驾驶重要的特质就是冗余。视觉+激光雷达方案对自动驾驶感知进行了有效补充。

目前，自动驾驶圈子内几大商业路径建已成型。吴甘沙将其划分为四类：二级供应商角色，技术授权；一级供应商角色，提供整套解决方案；提供整套解决方案及运营、运维服务是一种商业模式；运营自有的自动驾驶车队，是一种商业模式。

吴甘沙提到，从宏观层面看，自动驾驶的商业模式逃不开两个方向：或者在一辆车上赚很多钱，但车辆数量比较少；或者通过将系统安载至多车，每一辆车获得少量毛利润，积少成多，实现盈利。

很多玩家会选择自己运营车队。吴甘沙表示，这的确是最理想的方案，因为它确实实现了上下通吃。但从另外一种角度看，他认为另有最优解。类比互联网商业模式，系统装车，积少成多。这类似于Google搜索，每一次搜索，每一次广告点击的利润极低，但庞大的数量叠加起来却实现了Google的成功。

从低到高

禾多科技创始人兼CEO倪凯

通常来讲，敢于直接向全自动驾驶发起挑战的，大多拥有很强的技术人才和资金后盾。这也可以理解为，缺乏后盾或者亟待尽快盈利的公司，很自然地会选择从低级别向高级别循序渐进的方式去研发自动驾驶。

禾多科技创始人兼CEO倪凯表示，初创企业在中国路况复杂的环境中直接进军自动驾驶出租车，至少需要耗费10年时间。最直观的问题是资金上“耗不起”，更深层次在于技术层面——如果自动驾驶长期处于样车阶段，不能实现真正的落地应用，没有真实数据的积累，无法促使算法进步。

基于此，多数低速自动驾驶玩家会选择从限定场景的自动驾驶做起，逐步完成数据和技术的积累，践行“场景为王”的渐进式路线。

倪凯认为，自动驾驶从高校走向工业界的过程中，激光雷达和深度学习已成为主要助推力，而且自动驾驶行业也越来越关注工程化。不过，无论是高线束的激光雷达抑或深度学习，在商业化道路上仍存在诸多工程问题有待解决。

此外，自动驾驶场景上的复杂性，决定了深度学习相比于传统机器学习方法有得天独厚的优势，随着车联网的普及和大数据技术的发展，深度学习被行业定义为未来解决自动驾驶落地的关键武器之一。

不过，由于深度学习所依赖的大数据和计算量及其近似黑盒的难解释性，又使得深度学习在自动驾驶实际应用场景中经常处于“看起来很美”的阶段。

场景并一定为王

飞步科技创始人兼CEO何晓飞

值得注意的是，并不是所有人会认同场景为王。

对于自动驾驶来说，虽然有深度学习这把屠龙刀，但飞步科技创始人兼CEO何晓飞觉得还是应该夯实基础。理由是，人工智能尚处于早期阶段，如机器学习的算法、芯片的设计等底层的技术问题仍有许多困难。

正因为如此，何晓飞称，现阶段自动驾驶底层的技术，仍不能支撑、解决和处理大交通的问题，很多问题尚未暴露出来，等到大规模商用的时候，可能会暴露出更多无法预料的问题，而这些问题往往决定着行业的生死。

所以，在底层技术尚未成熟之际，选择场景就变得尤为重要。何晓飞同时强调，场景重要并不意味着一定是场景为王，未来究竟是场景为王，还是技术为王？现在下结论还言之过早。

他预计，乘用车的落地时间需时要比商用车要来得晚一些，因为卡车是固定的路线、乘用车是从任意的A点到任意的B点，加上城市交通具有复杂、多变、不可控的特点。相比而言，商用车的应用场景相对单一，集中在高速、快速路等环境，但货车本身由于机动性、稳定性和精度较差等原因，需要更长的刹车距离、更大的转弯半径，以及更加精确和鲁棒的控制，因此在感知和控制层面对技术提出了更高要求。

何晓飞认为，场景和场景之间，虽然有一定的壁垒，但只要找到最有优势的切入点以后，就能够进行切入。

绕不开的芯片处理器

地平线创始人兼CEO余凯

“自动驾驶真正要解决的问题是处理器。”地平线创始人兼CEO余凯说。处理器被余凯定义为关键环节，原因是，从车联网、ADAS到高精度地图，从L3/L4到更高级别自动驾驶，每一个环节都需要处理器。

但对于许多车企来说，如果要走处理器自研的道路，一家公司的车辆年出货量又要不足以支撑高效地研发汽车核心部件。此外，由于产业初期分工不明确，许多公司初期依靠自研处理器（例如IBM），但伴随着产业分工越来越明确，核心处理器均会开始交由专业的供应商负责。最后，汽车产业发展至今，一直呈现产业充分合作态势，很少有车厂全部覆盖生产所有核心部件。

作为二级供应商从业者，余凯对自动驾驶的发展作出如下反思：谁是机器人时代的英特尔？深度学习是人工智能唯一的支撑点吗？新摩尔定律时代，AI芯片公司未来之路如何走？

“人工智能只靠深度学习，肯定是越走越偏了。”余凯表示，深度学习要基于规则方式，并和贝叶斯网络进行结合。

他认为，未来的发力重点在于终端人工智能处理器。不同于云端计算，终端传感器即基于本地数据进行实时计算，需做到低延迟、低功耗。

余凯表示，新摩尔定律下，应用场景决定算法，算法定义芯片，软硬件集成进行深度联合、协同设计，让人工智能、边缘计算成为可能。新的摩尔定律将影响人工智能、自动驾驶发展，顺应该趋势，AI芯片企业需改变发展路线。未来单纯的硬件公司将不复存在，取而代之的是更多的软件工程师。

实际上，站在不同立场去观察自动驾驶，人们会看到犹豫、信心、风口和局限性等不同层面。对于融合了人工智能、高精度地图、传感器等各种软硬件技术的自动驾驶，或许需要的不止是十年、又一个十年，而是打破隔阂，以更开放的姿态迎接时代变革。