缺少新车型

特斯拉在4月财报中曾告诉投资者，包括更实惠车型在内的新车预计将在上半年投产，但这些更便宜的新车型至今尚未出现，多位分析师猜测该计划可能会延期。

缺少全新车型或平价版Model 3或Model Y可能延长特斯拉的销售低迷期。大多数分析师预计，特斯拉2025年销量将连续第二年下降。

分析师平均预测，今年交付量总计约165万辆，较去年的179万辆下滑约8%。

Morningstar Research的高级股票分析师Seth Goldstein表示，“即使下半年有所好转、销量停止下滑势头，但恐怕不足以弥补上半年疲软的影响。对特斯拉而言，市场关注重点正从交付增长转向无人驾驶出租车。”

Deepwater Assett Management管理合伙人Gene Munster表示，“特斯拉看起来像是两家公司，一个是汽车公司，一个是无人驾驶公司。虽然汽车销量不再增长，但长期而言，无人驾驶业务将推高特斯拉的价值。”

Munster指出，无人驾驶出租车服务在未来几个月需扩大规模，包括扩大服务范围和部署更多车辆。

“核心问题是，你是否相信未来汽车将是自动驾驶和电动的？如果答案是肯定的，特斯拉将渡过难关，处于非常有利的位置。”

报告期内，百度总营收325亿元，其中核心营收255亿元，同比增长7%，均超市场预期。

核心净利润方面，一季度百度同比增长48%至76.3亿元，其中智能云持续强劲增长，同比增速达42%。

2025年3月，百度App月活用户达7.24亿，同比增长7%。

百度创始人李彦宏表示：“智能云业务表现强劲，凸显市场对我们提供高性价比全栈AI产品及解决方案这一独特优势的认可度与日俱增。”

李彦宏还表示：“我们的无人驾驶出行服务也取得关键进展，萝卜快跑已拓展全球市场，进入迪拜和阿布扎比，彰显了我们为全球市场提供安全、舒适和便捷无人驾驶出行服务的决心。”

财报显示，在无人驾驶方面，一季度萝卜快跑在全球提供超140万次出行服务，同比增长75%。

截至2025年5月，萝卜快跑在全球累计提供超1100万次的出行服务。

李彦宏还称：“我们相信，AI-first战略使我们能保持领先地位，在AI时代抓住长期增长机会。”

伴随着无人驾驶技术的发展，造车新势力、传统车企等已经开启了智能驾舱技术研究。语音识别、液晶仪表、DMS、抬头显示仪、中控屏幕和后座娱乐等多屏融合的智能驾驶舱可以给用户带来更为智能化和安全性的交互体验。智能驾舱已经成为ADAS、自动驾驶和人工智能等新时代技术的关键接口。

目前无人驾驶技术落地受限于哪些因素？技术成熟度如何累积？智能驾舱发展痛点怎样解决？车厂又如何通过以太网技术打造更好的用户体验？经过连续4年的成功打磨与发展，由谈思实验室Taas Labs主办的FutureCar Week 无人驾驶汽车创新周将于2021年5月20-21日在上海隆重举办。FutureCar Week 无人驾驶汽车创新周活动拥有2场会议，共4天的完整高品质峰会内容，超过40多位顶级行业专家同台精彩分享。活动分别为AutoAI 2021第四届无人驾驶及智能驾舱中国峰会及AES 2021第二届中国国际汽车以太网峰会，2场峰会同时举办，现场另设专业展区，方便嘉宾们进一步沟通交流，拓展智能汽车产业新机遇。

本次会议将邀请全球范围内的整车厂商，一二级供应商、电子电器供应商、自动驾驶汽车开发商、车载软件和网关、汽车以太网方案商、半导体设计制造公司、电信运营商、车载网络通讯公司、测试方案供应商、汽车网络安全公司、人机交互、中控屏及中控车载信息终端、人机交互界面、车载芯片、智能触控、智能显示HUD测试、全液晶仪表、汽车座舱电子产品、汽车零部件企业、政府、产业联盟等400位行业人士一起探讨全球自动驾驶、智能座舱、汽车以太网技术市场现状及未来发展趋势、技术难点和挑战，以及现行规则体系下自动驾驶技术落地的合规路径与建议。预计将会有40多家国内外领先的车厂莅临，超过100多家国内国际一二级供应商参与，是2021上半年不容错过的大型汽车科技盛会。

AutoAI第四届无人驾驶及智能驾舱中国峰会部分精彩话题：

-全球自动驾驶汽车技术市场现状及未来发展趋势

-未来智能驾驶关键推动因素5G/C-V2X环境下的车路协同

-L4级别自动驾驶汽车量产技术与应用

-AI 芯片为L3智能驾驶技术落地保驾护航

-驾驶行为的真实数据转化及仿真测试

-Super AR HUD与高精度地图HDM导航融合

-“0物理按键时代”—以用户为核心的智能驾舱发展趋势

-内部感知与人机交互、手势感知与智能助理

-生物识别技术应用、生物识别进入与DMS、图像传感

-域控制器赋能智能驾舱系统

AES第二届中国国际汽车以太网峰会部分精彩话题：

-国内外车载以太网发展趋势与市场需求分析

-车载以太网最新标准及其实践

-先进安全可靠的汽车以太网一致性测试方案

-案例分析：汽车以太网的实际应用分享

-面向服务的架构（SOA）和车载以太网网络的搭建

-中国车载以太网方案量产探索

-车载信息娱乐（IVI）系统的以太网应用

-以太网通信与自适应设计

-AVB/TSN网络的IDS设计与实现

-汽车主干网络如何实现从百兆到千兆需求？

部分往届参会整车厂商：

宝马、奔驰、东风商用、吉利、长安、北汽、广汽、艾康尼克、一汽、福特、日产、菲亚特克莱斯勒、通用、大众、沃尔沃、天际、奥迪、奇瑞捷豹路虎、上汽、长城、蔚来、奇点、雷诺、福田、宇通、标致雪铁龙、依维柯、比亚迪、小鹏汽车等。

演讲、赞助及参展

许女士

手机：13601679417

微信: taaslabs02

邮件：gina.xu@taaslabs.com

市场与媒体合作

赵女士

手机：15300700280

微信:taaslabs01

电子邮件：amanda.zhao@taaslabs.com

官网链接：https://www.taaslabs.com/adaschina/

核心观点/主要成果

• 无人驾驶市场前景可期。随着中国政府顶层设计的推动，以及市场需求的发展潜力，中国极有可能成为世界最大的无人驾驶市场，并拥有世界领先的L4技术及相关应用。

• 汽车行业各方话语权再平衡。传统自上而下的价值链将会在L4时代趋向扁平化，整车厂的主导地位会受到严峻挑战，价值链上各方话语权将面临再平衡。

• 企业需要在变革中明确自身定位。在新的生态圈中，各利益相关方都需要明确自身在产业链中的定位，制定清晰合理的发展战略，以应对瞬息万变的市场格局。

• 合作大于竞争，企业需要谋求协同合作的伙伴。在无人驾驶生态圈中，企业之间的联合已成为共识，没有一个单一的企业能凭借自身能力取得成功，企业需要通过协同合作方能增强自身的竞争力。

• 中国无人驾驶市场将会是庞大且错综复杂的，各利益相关方需要深入剖析自身优势，尽早制定明晰的战略定位，同时开展更多生态圈内协同合作，扩大自身的“朋友圈”。

PDF版本将分享到199IT交流群，支持我们发展可加入！

        事故回避技术或高级驾驶辅助系统（ADAS）开始获得良好的市场反应，汽车行业正在探索这些技术对汽车销售、汽车维修和汽车更换的影响。而汽车共享和自动驾驶汽车长在改变传统汽车拥有模式。

        CCC通过完整的汽车所有权生命周期，即从购买汽车到报废，希望了解汽车生态将发生的改变。

        探讨消费者为什么购买汽车，他们如何决定购买哪辆车，他们如何购买车辆，如何选择保险，以及汽车行业的销售情况如何。车辆有一个自然的折旧和恶化周期，最终导致需要更换。未来的更换是否涉及购买新车或自动驾驶汽车等。

        当人们买车之后就进入“驾驶”阶段。整体里程将不断增长，谁来驾驶？如果车辆控制改变时，保险会发生哪些变化？近几年，汽车行业发生多起重要的召回事件，导致整个行业受挫，控制更多的汽车技术成为汽车制造商面临的重大挑战。

        避免碰撞并最终实现自动驾驶，这会导致更多的交通和死亡事故吗？ADAS已经显示出早期效益，这对保险索赔有什么影响？零事故是否能够实现？这些问题都有待回答。

        一旦汽车发生碰撞需要修理时，人们期望修理工有哪些工具、经历过什么培训等等？汽车维护频率和成本将如何改变？随着原始设备制造商在提供有关汽车如何修理的信息方面发挥更积极的作用，汽车维修行业也将发生改变。

        最后，如果汽车寿终正寝，消费者或将开始一个新的生命周期。

PDF版本将分享到199IT交流群，支持我们发展可加入！

        Analysys Mason分析了物联网和M2M给电信运营商带来的新机遇：

        在垂直市场寻找机遇时，电信运营商应当避开与科技巨头的竞争。那么哪个垂直市场是电信运营商应当关注的呢？正是那些受到严格监管、进入障碍比较高，而且受国家约束的行业。

        电信运营商需要守卫其在网络连接方面的核心地位，因此我们建议运营商应当为物联网积极提供多种广域连接。

        无人机行业能为运营商带来新的市场和新的洞察，而这些同样适用于无人驾驶汽车行业。无人机行业有着广泛的联网需求，而这对运营商来说是绝佳的机遇。

        汽车和运输部类仍然是电信运营商发展的动力。2014年到2025年全球物联网蜂窝数据连接复合年增长率将达到19%，收入将从50亿美元增长至236亿美元；同期智能汽车连接复合年增长率在11%左右。

        低功耗广域技术（LPWA）市场充满巨大潜力，但是开发可持续的商业模式还充满挑战。

PDF版本将同步到199IT交流群，199IT感谢您的支持！

但与此同时，超过一半的美国人（56%）表示，如果获得一次乘坐无人驾驶汽车的机会，他们将选择不乘坐。

这一调查凸显了无人驾驶技术普及所面临的一个重大障碍：消费者的负面看法。

调查显示，81%的受访者认为，随着无人驾驶汽车普及，很多以驾驶为生的人将会失业。

75%的人认为，这将帮助老年人和残障人士过上更独立的生活。

65%的人认为，50年内路上行驶的大部分汽车将是无人驾驶汽车。

56%的人表示，自己不会乘坐无人驾驶汽车。

54%的人表示，对无人驾驶汽车的发展感到担忧。

39%的人认为，随着无人驾驶汽车的广泛使用，因交通事故死亡或受伤的人数将会下降。

30%的人认为，无人驾驶汽车将使道路变得更不安全。

中文来自：新浪美股

英国财务大臣菲利普·哈蒙德（Philip Hammond）表示，如果英国在没有达成一项协议的情况下脱离欧盟，那么“对英国来说将是极其糟糕的结果”，并称其希望脱欧协议将可为就业和投资提供支持。
“当我讨论可为英国的就业、英国的投资以及英国的商业提供支持的脱欧协议时，我的意思是通常应该避开那些‘悬崖峭壁’。”哈蒙德在上周日接受BBC电视台采访时说道。
捷豹路虎目前隶属于印度塔塔汽车公司旗下，该公司将在奥地利生产名为I-PACE的第一款电动汽车，但同时称其希望能在英国生产这种车型，前提是满足一些条件，例如获得政府支持和满足学术条件等。
汽车制造商正在生产绿色汽车的领域中展开竞争，它们都希望能提高单次充电续航里程，从而满足上升中的客户需求，并达成空气质量相关目标。但是，英国缺乏足够的制造产能，而政府各部大臣则已称其希望提高产能。
在英国170万辆的年度总产量中，捷豹路虎占据了将近三分之一的比重。该公司曾在此前表示，到2019年底时，所有新车型中将有一半都可提供电动版本，但这需要其员工具备新的技能才行。

无人驾驶技术总结

无人驾驶是一个复杂的系统，如图1所示，系统主要由三部分组成：算法端、Client端和云端。其中算法端包括面向传感、感知和决策等关键步骤的算法；Client端包括机器人操作系统以及硬件平台；云端则包括数据存储、模拟、高精度地图绘制以及深度学习模型训练。

无人驾驶算法

算法系统由几部分组成：第一，传感并从传感器原始数据中提取有意义信息；第二，感知，以定位无人车所在位置以及感知现在所处的环境；第三，决策，以可靠安全抵达目的地。

传感

通常来说，一辆无人驾驶汽车装备有许多不同类型的主传感器。每一种类型的传感器都各有优劣，因此，来自不同传感器的传感数据应该有效地进行融合。现在无人驾驶中普遍使用的传感器包括以下几种。

• GPS/IMU：通过高达200Hz频率的全球定位和惯性更新数据以帮助无人车完成自我定位。GPS是一个相对准确的定位用传感器，但是它的更新频率过低，仅仅有10HZ，不足以提供足够实时的位置更新。IMU的准确度随着时间降低，在长时间内并不能保证位置更新的准确性，但是，它有着GPS所欠缺的实时性，IMU的更新频率可以达到200HZ或者更高。通过整合GPS与IMU，我们可以为车辆定位提供既准确又足够实时的位置更新。
• LiDAR：激光雷达可被用来绘制地图、定位以及避障。雷达的准确率非常高，因此在无人车设计中雷达通常被作为主传感器使用。激光雷达是以激光为光源，通过探测激光与被探测无相互作用的光波信号来完成遥感测量。激光雷达可以用来产生高精度地图，并针对高精地图完成移动车辆的定位；以及满足避障的要求。以Velodyne 64-束激光雷达为例，它可完成10HZ旋转并每秒可达到130万次读数。
• 摄像头：被广泛使用在物体识别以及物体追踪等场景中，像是车道线检测、交通灯侦测、人行道检测中都以摄像头为主要解决方案。为了加强安全性，现有的无人车实现通常在车身周围使用至少八个摄像头，分别从前、后、左、右四个维度完成物体发现、识别、追踪等任务。这些摄像头通常以60HZ的频率工作，当多个摄像头同时工作时，将产生高达1.8GB每秒的巨数据。
• 雷达和声呐：雷达通过把电磁波能量射向空间某一方向，处在此方向上的物体反射碰到的电磁波；雷达再接收此反射波，提取有关该物体的某些信息（目标物体至雷达的距离，距离变化率或径向速度、方位、高度等）。雷达和声呐系统是避障的最后一道保障。雷达和声呐产生的数据用来表示在车的前进方向上最近障碍物的距离。一旦系统检测到前方不远有障碍物出现，则有极大的相撞危险，无人车会启动紧急刹车以完成避障。因此，雷达和声呐系统产生的数据不需要过多的处理，通常可直接被控制处理器采用，并不需要主计算流水线的介入，因为可实现转向，刹车、或预张紧安全带等紧急功能。

感知

在获得传感信息之后，数据将被推送至感知子系统以充分了解无人车所处的周遭环境。在这里感知子系统主要做的是三件事：定位、物体识别以及物体追踪。

GPS以较低的更新频率提供相对准确的位置信息；IMU则以较高的更新频率提供准确性偏低的位置信息。我们可使用卡尔曼滤波来整合两类数据各自的优势，合并提供准确且实时的位置信息更新。如图2所示，IMU每5ms更新一次，但是期间误差不断累积精度不断降低。所幸的是，每100ms可以得到一次GPS数据更新，以帮助我们校正IMU积累的误差。因此，我们最终可以获得实时并准确的位置信息。然而，我们不能仅仅依靠这样的数据组合以完成定位工作。原因有三：其一，这样的定位精度仅在一米之内；其二，GPS信号有着天然的多路径问题将引入噪声干扰；其三，GPS必须在非封闭的环境下工作，因此在诸如隧道等场景中GPS都不适用。

因此，借助于大量粒子滤波的激光雷达通常作为车辆定位的主传感器。由激光雷达产生的点云对环境进行了“形状化描述”，但并不足以区分各自不同的点。通过粒子滤波，系统可将已知地图与观测到的具体形状进行比较以减少位置的不确定性。
为了在地图中定位运动的车辆，我们使用粒子滤波的方法来关联已知地图和激光雷达测量过程。粒子滤波可以在10厘米的精度内达到实时定位的效果，在城市的复杂环境中尤为有效。然而，激光雷达也有其固有的缺点：如果空气中有悬浮的颗粒比如雨滴或者灰尘，测量结果将受到极大的扰动。因此，为了完成可靠并精准的定位，需要传感器融合，如图4所示，处理来整合所有传感器的优点。

激光雷达可提供精准的深度信息，因此常被用于在无人驾驶中执行物体识别和追踪的任务。近年来，深度学习技术得到了快速的发展，通过深度学习可达到较显著的物体识别和追踪精度。

卷积神经网络（CNN）是一类在物体识别中被广泛应用的深度神经网络。通常，卷积神经网络由三个阶段组成：1. 卷积层使用不同的滤波器从输入图像中提取不同的特征，并且每个过滤器在完成训练阶段后都将抽取出一套“可供学习”的参数；2. 激活层决定是否启动目标神经元；3. 汇聚层压缩特征映射图所占用的空间以减少参数的数目，并由此降低所需的计算量；4. 对物体进行分类。一旦某物体被CNN识别出来，下一步将自动预测它的运行轨迹或进行物体追踪。

决策

在决策阶段，行为预测、路径规划以及避障机制三者结合起来实时完成无人驾驶动作规划。

行为预测

车辆驾驶中的一个主要考验是司机如何应对其他行驶车辆的可能行为，这种预判断直接影响司机本人的驾驶决策，特别是在多车道环境或者交通灯变灯的情况下，司机的预测决定了下一秒行车的安全。因此，过渡到无人驾驶系统中，决策模块如何根据周围车辆的行驶状况决策下一秒的行驶行为显得至关重要。

为了预测其他车辆的行驶行为，可以使用随机模型产生这些车辆的可达位置集合，并采用概率分布的方法预测每一个可达位置集的相关概率。

路径规划

为无人驾驶在动态环境中进行路径规划是一件非常复杂的事情，尤其如果车辆是在全速行驶的过程中，不当的路径规划有可能造成致命的伤害。路径规划中采取的一个方法是使用完全确定模型，它搜索所有可能的路径并利用代价函数的方式确定最佳路径。然后，完全确定模型对计算性能有着非常高的要求，因此很难在导航过程中达到实时的效果。为了避免计算复杂性并提供实时的路径规划，使用概率性模型成为了主要的优化方向。

避障

安全性是无人驾驶中最为重要的考量，我们将使用至少两层级的避障机制来保证车辆不会在行驶过程中与障碍物发生碰撞。第一层级是基于交通情况预测的前瞻层级。交通情况预测机制根据现有的交通状况如拥堵、车速等，估计出碰撞发生时间与最短预测距离等参数。基于这些估计，避障机制将被启动以执行本地路径重规划。如果前瞻层级预测失效，第二级实时反应层将使用雷达数据再次进行本地路径重规划。一旦雷达侦测到路径前方出现障碍物，则立即执行避障操作。

Client系统

Client系统整合之前提到的避障、路径规划等算法以满足可靠性及实时性等要求。Client系统需要克服三个方面的问题：其一，系统必须确保捕捉到的大量传感器数据可以及时快速地得到处理；其二，如果系统的某部分失效，系统需要有足够的健壮性能从错误中恢复；其三，系统必须在设计的能耗和资源限定下有效地完成所有的计算操作。

机器人操作系统

机器人操作系统ROS是现如今广泛被使用、专为机器人应用裁剪、强大的分布式计算框架。每一个机器人任务，比如避障，作为ROS中的一个节点存在。这些任务节点使用话题与服务的方式相互通信。

ROS非常适用于无人驾驶的场景，但是仍有一些问题需要解决。

• 可靠性：ROS使用单主节点结构，并且没有监控机制以恢复失效的节点。
• 性能：当节点之间使用广播消息的方式通信时，将产生多次信息复制导致性能下降。
• 安全：ROS中没有授权和加密机制，因此安全性受到很大的威胁。

尽管ROS 2.0 承诺将解决上述问题，但是现有的ROS版本中仍然没有相关的解决方案。因此为了在无人驾驶中使用ROS，我们需要自行克服这些难题。

可靠性

现有的ROS实现只有一个主节点，因此当主节点失效时，整个系统也随之奔溃。这对行驶中的汽车而言是致命的缺陷。为了解决此问题，我们在ROS中使用类似于ZooKeeper的方法。如图6所示，改进后的ROS结构包括有一个关键主节点以及一个备用主节点。如果关键主节点失效，备用主节点将被自动启用以确保系统能够无缝地继续运行。此外，ZooKeeper机制将监控并自动重启失效节点，以确保整个ROS系统在任何时刻都是双备份模式。

性能是现有ROS版本中有欠考虑的部分，ROS节点之间的通信非常频繁，因此设计高效的通信机制对保证ROS的性能势在必行。首先，本地节点在与其他节点通信时使用回环机制，并且每一次回环通信的执行都将完整地通过TCP/IP全协议栈，从而引入高达20微秒的时延。为了消除本地节点通信的代价，我们不再使用TCP/IP的通信模式，取而代之采用共享内存的方法完成节点通信。其次，当ROS节点广播通信消息时，消息被多次拷贝与传输，消耗了大量的系统带宽。如果改成目的地更明确的多路径传输机制则将极大地该改善系统的带宽与吞吐量。

安全

安全是ROS系统中最重要的需求。如果一个ROS节点被挟制后，不停地在进行内存分配，整个系统最终将因内存耗尽而导致剩余节点失效继而全线奔溃。在另一个场景中，因为ROS节点本身没有加密机制，黑客可以很容易地在节点之间窃听消息并完成系统入侵。

为了解决安全问题，我们使用Linux containers （LXC）的方法来限制每一个节点可供使用的资源数，并采用沙盒的方式以确保节点的运行独立，这样以来可最大限度防止资源泄露。同时我们为通信消息进行了加密操作，以防止其被黑客窃听。

硬件平台

为了深入理解设计无人驾驶硬件平台中可能遇到的挑战，让我们来看看现有的领先无人车驾驶产品的计算平台构成。此平台由两个计算盒组成，每一个装备有Intel Xeon E5处理器以及4到8个Nvidia Tesla K80 GPU加速器。两个计算盒执行完全一样的工作，第二个计算盒作为计算备份以提高整个系统的可靠性，一旦第一个计算盒发生故障，计算盒二可以无缝接手所有的计算工作。

在最极端的情况下，如果两个计算盒都在峰值下运行，及时功耗将高达5000W，同时也将遭遇非常严重的发热问题。因此，计算盒必须配备有额外的散热装置，可采用多风扇或者水冷的方案。同时，每一个计算盒的造价非常昂贵，高达2万-3万美元，致使现有无人车方案对普通消费者而言无法承受。

现有无人车设计方案中存在的功耗问题、散热问题以及造价问题使得无人驾驶进入普罗大众显得遥不可及。为了探索无人驾驶系统在资源受限以及能耗受限时运行的可行性，我们在ARM面向移动市场的SoC实现了一个简化的无人驾驶系统，实验显示在峰值情况下能耗仅为15W。

非常惊人地，在移动类SoC上无人驾驶系统的性能反而带给了我们一些惊喜：定位算法可以达到每秒25帧的处理速度，同时能维持图像生成的速度在30帧每秒。深度学习则能在一秒内完成2-3个物体的识别工作。路径规划和控制则可以在6毫秒之内完成规划工作。在这样性能的驱动之下，我们可以在不损失任何位置信息的情况下达到每小时5英里的行驶速度。

云平台

无人车是移动系统，因此需要云平台的支持。云平台主要从分布式计算以及分布式存储两方面对无人驾驶系统提供支持。无人驾驶系统中很多的应用，包括用于验证新算法的仿真应用，高精度地图产生和深度学习模型训练都需要云平台的支持。我们使用Spark构建了分布式计算平台，使用OpenCL构建了异构计算平台，使用了Alluxio作为内存存储平台。通过这三个平台的整合，我们可以为无人驾驶提供高可靠、低延迟以及高吞吐的云端支持。

仿真

当我们为无人驾驶开发出新算法时，我们需要先通过仿真对此算法进行全面的测试，测试通过之后才进入真车测试环节。真车测试的成本非常高昂并且迭代周期异常之漫长，因此仿真测试的全面性和正确性对降低生产成本和生产周期尤为重要。在仿真测试环节，我们通过在ROS节点回放真实采集的道路交通情况，模拟真实的驾驶场景，完成对算法的测试。如果没有云平台的帮助，单机系统耗费数小时才能完成一个场景下的模拟测试，既耗时同事测试覆盖面有限。

在云平台中，Spark管理着分布式的多个计算节点，在每一个计算节点中，都可以部署一个场景下的ROS回访模拟。在无人驾驶物体识别测试中，单服务器需耗时3小时完成算法测试，如果使用8机Spark机群，时间可以缩短至25分钟。

高精度地图生成

如图8所示，高精度地图产生过程非常复杂，涉及到：原始数据处理、点云生成、点云对其、2D反射地图生成、高精地图标注、地图生成等阶段。使用Spark，我们可以将所有这些阶段整合成为一个Spark作业。由于Spark天然的内存计算的特性，作业运行过程中产生的中间数据都存储在内存中。当整个地图生产作业提交之后，不同阶段之间产生的大量数据不需要使用磁盘存储，数据访问速度加快，从而极大提高了高精地图产生的性能。

深度学习模型训练

在无人驾驶中我们使用了不同的深度学习模型，为了保证模型的有效性及效率，有必要对模型进行持续的更新。然而，原始数据量异常巨大，仅使用单机系统远不能完成快速的模型训练。

为了解决这一问题，我们使用Spark以及Paddle开发了一个高可扩展性分布式深度学习平台。Paddle是百度开发的一个深度学习开源平台。在Spark driver上我们同时管理Spark运行上下文以及Paddle运行上下文，在每个节点上，Spark执行进程运行一个Paddle训练实例。在此基础上，我们使用Alluxio作为参数服务器。实验证明，当计算节点规模增长时，我们可以获得线性的性能提升，这说明Spark+Paddle+Alluxio这套深度学习模型训练系统有着高可扩展性。

无人驾驶的产业发展

为了深入了解无人驾驶的产业发展，我们邀请了牛津大学商学院的同学一起做了个产业链分析。宏观来说，一个产业的发展应该是至上而下的，上游产业的发展让下游产业更加繁荣，反过来刺激上游产业的发展。理想来说，无人驾驶的产业发展应该分为三个阶段：第一阶段，感知系统的发展，主要包括各类传感器的融合使用及感知决策系统的准确度提升，实现辅助信息的交互及部分自动驾驶功能。第二阶段，支持算法以及决策的芯片成熟，包括算法及芯片设计的发展，实现协同决策及自动驾驶。第三阶段，车联网的发展，实现高精度地图及实时路况信息的更新及通过深度学习实现协同感知。

传感器的融合使用

毫米波雷达：车载毫米波雷达市场主要供应商为传统的汽车电子企业，如博世、大陆、 海拉等，市场占有率头三位的企业占领了50%以上的市场份额。中国市场中高端汽车装配的毫米波雷达传感器依赖进口为主，国内自主品牌的研发生产能力尚需提高。毫米波雷达的核心组成部分为前端单片微波集成电路MMIC和雷达天线高频PCB板，此两项核心技术仅掌握在国外厂商手中。国内企业总体尚处于研发阶段，24GHz的产品已经取得部分研发成果，华域汽车、湖南纳雷、芜湖森思泰克、智波科技等企业在此方面有部分技术积累。

激光雷达：激光雷达是无人驾驶汽车硬件端的核心能力，受益于无人驾驶汽车市场规模的爆发，预计2030年全球激光雷达市场可达到360亿美元的规模。相比于国外的Velodyne、Quanergy等厂商已经具有相对成熟的产品，国内公司在激光雷达生产研发尚处于初步成型阶段。目前国内研发生产激光雷达的初创公司数量很多，但是大多数缺乏完整的产业链及相应的配套设备，受制于硬件成本及技术门槛较高等因素，能够做出成型产品的公司往往很少。目前有产品落地的激光雷达公司包括欧镭激光、镭神智能、思岚科技和速腾聚创等。此类公司竞争的着力点包括四个方面：1. 建立与各车厂的合作关系：发展新客户，抢占新市场并积累市场需求方面的经验；2. 硬件的量产及成本的控制：实现大规模生产的同时降低成本，通过量产实现更大的利润（目前激光雷达的毛利率约为27%）；3. 提高产品性能的稳定性，通过快速迭代提高产品工艺，建立技术门槛；4. 综合提供数据存储分析的服务，实现数据格式的统一。

摄像头：预计2020年全球车载摄像头的市场规模约为200亿人民币，模组组装及CMOS供应商共占据超过60%的产业价值，该产业链的其他环节还包括镜头供应商及其他部件的供应商。该模块的行业技术壁垒较高，只有少数厂商具有垂直整合的能力。大部分厂商将业务集中在产业链中的少数环节，行业的集中度很高，大多数环节的前三厂商市场份额合计占总体一半以上：光学镜头主要是台湾的大立光学、大陆的舜宇光学主导，CMOS传感器及图像处理器以欧美和日本韩国的厂商为主，大陆厂商在红外滤光片和模组封装有一定的优势（如欧菲光、水晶光电等）。通常摄像头硬件设备和配套的算法及系统难以分割，硬件设备商将摄像头提供给自动驾驶算法公司或者汽车一级供应商，由这些下游的公司进行硬件、芯片及算法的合成。由于车载摄像头对安全性及稳定性的要求比普通的工业用摄像头高，产品壁垒较高，所以摄像头大厂相对有竞争优势。台湾的同致电子2016年的营业收入预计比2015年增长超过40%，毛利率达到30%。未来的车载摄像头厂商的竞争将主要体现在：1. 与芯片及算法的适配性，提供整体解决方案的能力；2. 产品稳定性安全性等工艺的领先。

总体上说，传感器与配套的算法及芯片相辅相成，未来的趋势是提供完整的一套解决方案，而不是单个零星的硬件。另外，各种类型的传感器的功能各有优势，互相补充，汽车整车厂将融合使用各类传感器，并通过量产及新技术推动传感器的成本下降。

算法及芯片协同发展

ADAS算法及芯片技术门槛高，需要对传感系统采集的数据进行处理，完成对周围环境及自身车况的识别及探知，市场集中度较高。国内的ADAS算法公司主要有深圳佑驾、前向启创、苏州智华等。此类公司根据自身特点及战略目标的不同，围绕算法为中心，有三种商业模式：1. 向汽车一级供应商直接提供算法（或者外购芯片及传感器，提供完整的ADAS模组）；2. 建立生产线，提供自产的完整ADAS模组给一级供应商或后装市场；3. 将自身研发的芯片与算法绑定出售。 由于可以通过算法升级实现更多功能，且企业内部的自身成本与建立传感器生产线相比非常低（主要是人工的成本），所以产业链中的算法环节可以带来30%以上的产品溢价。

高精度地图及车联网的发展

高精度地图参与者主要有图商（如HERE、四维图新）、无人驾驶科技公司（如Google、特斯拉等）、ADAS方案提供商（如Mobileye、前向启创）和传统车企（如通用、大众）等四类。其中除了图商的高精度地图是为地图的标准化准备外，其他参与者绘制的高精度地图都是为了各自环节中的特定需求定制的，标准化程度较低。地图行业的进入壁垒较高，主要由于地图绘制的牌照数量少，数据库建设周期长，投入资金大，而且需要大量依赖长期积累起来的实施技术。另一方面，该行业的规模经济效应明显，一旦建立起市场份额则利润非常可观。以四维图新为例，2016年该公司的综合毛利率约为80%，近50%的营业收入来自车载导航领域。在离线地图的时代，图商主要以销售地图使用许可证（License）为主，但在高精度地图时代下，图商将为用户提供持续的服务。届时一次性收费的模式将被按时间或按产品类型收费的模式取代。

车联网市场的参与方可大致分为四种: 车联网服务提供商、设备供应商、增值服务提供商以及电信运营商。1. 车联网服务提供商居于产业链核心，地位类似于智能手机的操作平台，是传统整车厂和高科技行业巨头竞争的主战场。传统整车厂利用捆绑销售的方式，通过在旗下产品搭载自家品牌的车联网系统，完成用户的原始积累。科技公司则通过与车企在地图、车联网方案、自动驾驶等领域的合作进入车联网生态系统。2. 设备供应商是整个车联网产业链实现的硬件基础。目前该领域尚未形成巨头竞争的格局，留给创业公司发展的空间较大。纵向一体化或者专攻高利润市场将有助于尽快确立竞争地位。3. 增值服务提供商与智能手机App应用的价值类似，市场空间十分巨大，但目前尚处于初级的服务模式当中，参与者鱼龙混杂，竞争的关键点在于精准理解用户需求，提高用户体验。4. 电信运营商主要将用户请求及处理结果在车联网中传递并收取通信费用。国内三大电信运营在通信市场处于绝对的寡头地位。

下游过热

但是根据目前无人驾驶产业链的发展，显然有点下游过热了，大量的风投涌入下游，特别是L4／L5整车的无人驾驶初创公司，而许多上游部件以及核心模块却没有引起太多的注意。资本突然的涌入也造成了L4/L5整车的无人驾驶公司估值的暴涨，也直接导致了无人驾驶从业者人心浮动，大量人才从行业领先地位的无人驾驶公司（包括Google、百度等）流失。这个现象对无人驾驶产业发展并非是好事，也让我们想起了2016年的AR／VR风潮以及后来的AR／VR企业的倒闭潮。个人认为AR／VR的核心问题也是在上游产业链没准备好的情况下，下游产品概念被炒作过热，导致资本的疯狂。

感想与建议

这是无人驾驶系列最后一期，开始写这个系列是因为对这个集大成技术的热爱以及追求。写每一期都是对做过技术的一次总结以及重新学习。在之前的11期我们都聚焦技术而不谈个人的见解。最后一期想总结一下个人的一些观点，读者们未必会认同，但是希望可以通过这篇文章多与各位交流学习。

我为什么没有做无人驾驶创业

许多投资人问过我（编者注：刘少山，本文作者之一），为什么没有选择无人驾驶创业，而选择了机器人。因为在我看来无人驾驶整合了40～50个技术点，即使做好了其中90%的技术点，无人车还是上不了路。而机器人只是整合了4～5个技术点，相对容易许多，责任也小许多。做机器人解决方案我们很快就可以出产品，很快能得到市场反馈，从中学习到许多，也可以得到不断出货的满足感。而做无人车做得好也可能只是一个好的Demo，而且做无人驾驶创业需要很强的技术以及资本掌控能力，我能力还到不了这个程度。在我看来市场上有几家无人驾驶初创公司有很强的技术把控能力，包括NURO.AI、PONY.AI、以及AutoX.AI，NURO.AI与PONY.AI应该属于传统的LiDAR流派，而AutoX应该是视觉流派的佼佼者。

给开发者的建议

当前的人工智能热潮是一次大的技术革命，对广大技术人员来说是个特别好的机会，但是如果只掌握一个技术点是不足够的。根据我过去几年的经验，在技术行业隔行如隔山，比如做算法的对软件设计未必熟悉，专注做软件的很少懂系统，而懂系统的了解硬件也不多。反过来也一样，让一个硬件工程师去写软件，他可能会觉得很难而不敢触碰。但是如果能静下心来花点时间去学一下，其实并没有想象中那么难。我在工作以及创业的过程中，发现能跨跃几个细分行业（比如软件、系统、硬件）的工程师非常难得也非常有价值。通常可以跨跃几个细分行业的人都比较有好奇心，也有勇气去尝试新的东西。我以前是学系统的，觉得算法不是我的本行，一直拒绝接触。但是当自己深入接触后，觉得并没有想象中那么困难，只要保持着好奇心，不断学习，可以很快成才。

给投资人的建议

下游现在过热了，多关注上游。我个人信奉的是更细的分工达至更高的效率。只有上游发展好后，下游才会真正的繁荣。如果每个公司都说可以全栈把每个点都做好那是不成熟以及低效的。比如无人驾驶安全，基本没人关注也没人在这个行业创业。很多投资人说，无人驾驶本身都没做好，哪有功夫看这种方向。但是当车做好后，如果安全没做好，车是不可能上路的。无人驾驶安全必须随着无人驾驶其他技术点一起发展。另外为无人驾驶服务的云计算，也是鲜有人投入，但是这在我看来是个极大的市场。

序幕刚启

无人驾驶作为人工智能的集大成应用， 从来就不是某单一的技术，而是众多技术点的整合。技术上它需要有算法上的创新、系统上的融合，以及来自云平台的支持。除了技术之外，无人驾驶的整条产业链也是刚刚开始，需要时间去发展。目前在市场上许多创业公司都是做全栈，做整车。但是如果产业链没发展成熟，做全栈与做整车公司的意义更多是Demo这项技术，而很难产品化。个人认为一个成熟的产业是应该有层次感的，上下游清晰，分工细致以达到更高的效率。但是今天无人驾驶行业还是混沌的，上下游不清晰，而且资本的热捧也导致了市场过热。但是相信通过几年的发展，当上下游发展清晰后，无人驾驶就可以真正产业化了。无人驾驶序幕刚启，其中有着千千万万的机会亟待发掘。预计在2020年，将有真正意义上的无人车开始面市，很可能是在园区以及高速公路等可控场景，然后到2040年，我们应该可以看到无人驾驶全面普及，让我们拭目以待。

无人驾驶车已成为一场运动，将许多创业公司也卷入进来，很多公司跟汽车业保持着一些外围关系。

那些研究生物特征与面部识别技术的，正在与汽车制造商协作，后者希望了解司机是否在驾驶过程中足够专心。这种技术可以帮助那些半无人驾驶汽车了解什么时候应该让电脑掌控方向盘。据说车商三菱公司正试图将它早年在导弹上的技术应用于无人驾驶。

因此，科技领域里的相关投资与创业者层出不穷。据CB Insights调查，在2015年，投资人在驾驶相关创业领域里投了4.09亿美元，比2014年上升了154%，投资人的来源非常广泛，从英特尔到三星到Felicis Ventures这样的风投机构。汽车公司自己也是在投入重金，很多家都在硅谷开设了研发中心。

就像过去30年，个人电脑对软件开发者而言是一个平台，汽车工业也会很快成为开发者的下一个平台。汽车里有上百种计算机，其运行代码多过一个战斗机。最新的高端汽车已可以实现“线控驾驶”，这就意味着电脑可以掌管刹车、转向与油门，机器人专家与机器学习研究者们可以夺取汽车的代理权，而不只是在他们实验室里造机器人。

对这些创业公司来说，一大不确定是无人驾驶这个产业什么时候能起飞。一些人认为短的话几个月内汽车便能实现无人驾，另一些人则认为需要花费十年以上的时间，而且到时候也只是实现“半无人驾驶”，也就是说人类驾驶员也要参与其中。有的制造商如特斯拉，已经把半自驾的车开上了公路。很多致力于完全无人驾的创业公司则认为无人驾可以扮演好自己的角色。

哪一种看法会占上风取决于多种因素，包括技术本身的发展、消费者反应、监管意愿——是否允许被技术全新装备的车开上公路。

以下是一些被产业人士关注的汽车创业公司，有一些行事还颇为低调。

软件整合系统

Cruise Automation：这家最炙手可热的无人驾驶公司的创始人Kyle Vogt早年是在Justin.tv做工程师。这个现场视频直播网站后来变身为Twitch并在2014年以9.7亿美金卖给亚马逊，Kyle Vogt从而赚到一笔。

一开始，Vogt只是打算改进一下常规汽车让其半自动化。几年前，Cruise改变思路。它决定全力转向全自动，并且与汽车共享服务商Lyft合作建造一个无人驾驶出租车网络。自从它被通用汽车10亿美金收购后，它一直在旧金山附近测试无人驾驶雪佛兰Bolt。据接近内情的人士说，Cruise希望消费者能在一年内用上这个技术，而Cruise的发言人并没有确认相关时间。

Zoox：这家公司也得到不少关注。我们所知的是它是一种无人驾出租车服务，它由Google X的创始人Sebastian Thrun的前博士研究生创办的，但是更多的我们就不了解了。

Renovo Motors：这家公司创始人与斯坦福大学一起从头研发了一款德罗宁汽车（Delorean）外观的无人驾驶车，可以玩漂移。这还不是最酷的部分，它的目标是成为自动驾驶的操作系统，就像MS DOS和Windows是PC的操作系统那样。

视频

Nexar：Nexar是一家行车记录仪公司，可以将行车记录上传到云端，并用运用人工智能去学习驾驶行为模式并且将危险警告给其他司机。Nexar是一个免费的移动应用，用户下载安装在手机上即可使用。如果该公司的产品被大范围使用，那么它可以积累很多有用的驾驶员数据。比如它可以追踪到一些行为不定的司机的车牌踪迹，并用将这些信息卖给保险公司。

Nauto： 这家公司将摄像头改装到已有车辆上，可以监控车内车外情况，常被一些出租车服务与管理者用来监看车队情况。同样，记录也是上传到云端。这家公司说，摄像头是网络的一部分，不断地学习真实世界的情况，从而降低风险。Nauto也会通过在事故发生前纠正不良司机的行为来降低保险公司的费用。

Snitch：你听说过电脑视觉，你可能没听说过Snitch，它暗地里赋予了电脑以更细腻方式去破解世界的能力。举个例子，一个小孩在街对面打球，人类可以立即辨识出这是什么情景。而电脑感应器只会判断出那是一个物体，而且可能会认为那是障碍物。Snitch，目前甚至都还不是这家公司的官方名字，已瞄准了安全摄像的目标市场。该技术由公司联合创始人Alex Teichman研发，他同时还在斯坦福研发无人驾驶技术。它可以被两种应用采用，取决于公司的发展方向。Teichman说，现在公司希望能低调行事。

大数据

Lytx：这家公司最近被某PE基金买下。它向公司出售监控系统以管理大规模的商业车队。Lytx使用仪表盘摄像头技术，基于视觉线索，并结合驾驶习惯，提供反馈。当车辆急转弯或急刹车时，Lytx可以捕捉12秒的司机视频画面，降低事故概率甚至省油，从而帮公司省钱。Lytx技术是在无人驾驶热起来之前就有的技术，但是由于它积累了很多数据、不断改良算法，所以当汽车不再需要驾驶员时，该技术也很有用。

Eyeris：这家公司在2013年发布了名为EmoVu的面部识别软件，市场人员可以辨识出消费者的情绪以进行“情绪驱动营销”。今年早些时候，该公司发布了EmoVu驾驶员监控系统，目标是探测驾驶员的心理状态。很多技术人员相信在未来10数年时间里，我们都会在一种半无人驾的状态，根据不同的驾驶状况与监管条件，人与电脑共同执掌方向盘。EmoVu自称它现在已拥有大批客户。

感应器

Swift Navigation： GPS系统通常能准确到六英尺里，这对于无人驾驶车来说是不够的，但是更精确的技术已非常贵。Swift为农民在同等精度下，它的价格更加低廉，可以在农业、以及消费层面汽车发挥作用。不过该公司并不想透露该技术细节。

Quanergy： 几年前，LiDAR（Light Detection And Ranging，即激光探测与测量）系统得要8.5万美元。而这家公司，为不同应用（包括建筑安保）提供感应装置，将在不远的未来为自动驾驶专门打造一个感应装置，大概250美元。这意味着它可能包括低成本的汽车系统，包括防碰撞与半自动驾驶功能。Quanergy的感应器没有移动部份，这让它比装在谷歌无人汽车顶上那个大家伙要小而便宜。

Savari： 该产品的理念是认为汽车之间用V2X的标准，可以进行实时通讯。当实现了这一点，它们就可以彼此知会路况信息，从而便于彼此更有效率地规划路线、进行交通管理。这个技术即便在无人驾驶完全实现后的未来也可以用得上。Savari还在测试这样的应用：它可以利用手机信号来探测十字路口的行人，从而给司机发出警示。

美国汽车协会（AAA）对近 2000 名年龄在 18 岁以上的司机进行了一次电话调查，结果发现了一个惊人的结果：75%的受访者表示，“坐在无人驾驶汽车里面，他们会感到害怕。”另有 20%的司机觉得无人驾驶汽车很酷，剩余 5%不愿作出回答，这些人对飞行汽车倒是充满期待。

我们已经用了几年时间来逐渐接受无人驾驶汽车这一创意：根据该创意，像 谷歌无人驾驶汽车这样的全自动汽车可以载着我们到处转，同时又不需要人类介入。与此同时，我们的确拥有了高级驾驶辅助系统（以下简称“ADAS”），这种系统属于半自动技术，正如我们所说，它们将逐渐上市。

在美国汽车协会的调查中，大概 50%的受访者十分信任车道偏离报警系统、车道保持系统（lane-keepingsystem）以及自适应巡航控制系统。44%的受访者信任自动紧急制动系统（到 2022 年，这种系统将被集成到所有新车型中），还有 36%的受访者信任自动泊车系统。

已在车上安装了 ADAS 系统的司机，远比没有安装这种系统的司机更信任它们，这一点并不令人感到吃惊。对于已在自家车上使用此类技术的受访者来说，信任这种系统的人猛地增加了 25%到 30%。例如，在已经安装车道保持系统的司机当中，84%的人信任这种技术，相反，在没有安装车道保持系统的司机当中，这一比例降至 50%。

这项调查结果显示，尽管全自动汽车仍然让我们大多数人感到害怕，但即便我们现在没有安装上面提到的 ADAS 系统，那么在下一辆车上我们也想要安装这种功能。但是，出于同样的原因，我们并不是所有人都对这些功能趋之若鹜。婴儿潮一代人将安全列为他们需要半自动技术的原因，而千禧一代人则对便捷性和最新技术充满渴望。令人感兴趣的是，女司机更有可能会说，她们需要这些功能以帮助减轻压力。

在反对安装 ADAS 技术的受访者当中，10 个人中至少有 8 个人表示，这是因为相比自动驾驶技术，他们本身才是更安全的司机。另外，大部分受访者（尤其是年轻司机和有孩子的司机）表示，他们不想在这种技术身上花钱。至于女性司机，她们的理由更多是对这项技术缺乏了解，或是担心它们过于复杂。

无论人们今天对 ADAS 系统有多害怕，这种技术都会变得越来越普遍。正如美国汽车协会的调查结果显示，一旦司机们用过了 ADAS 功能，他们对这种功能就会多一分信任。一旦你信任车道保持系统，那么就更容易相信平行停车系统。因此，我们最终会很乐意在无人驾驶汽车上欣赏虚拟现实电影，这只是时间问题。

大陆汽车最早参与无人驾驶汽车项目，要追溯到2007年11月美国国防部高级研究计划局(DARPA)举行的第四届无人驾驶汽车挑战赛，有十一辆无人驾驶汽车参加了最困难的60英里城市道路比赛，卡耐基梅隆大学的Tartan Racing车队，以4小时10分钟完成全程，赢得两百万美元的最高奖项，而这辆无人驾驶汽车内就安装了德国大陆汽车集团提供的各种传感器和车载设备。

初尝战果，作为汽车零部件供应商，大陆汽车集团意识到无人驾驶汽车的发展趋势，制定了为整车厂提供无人驾驶前装系统的战略目标，分为三个实施阶段：2016年实现部分自动化驾驶；2020年前实现高度自动化驾驶；2025前实现全自动化驾驶，也就是无人驾驶。

按照从高级辅助驾驶系统升级到自动化驾驶的技术发展路线，大陆汽车集团开始了与全球顶尖IT公司的一系列密切合作：

首先，未来的无人驾驶汽车需要车联网的支持，2013年8月，大陆汽车集团与思科公司合作开发了一辆联网概念验证车，采用思科公司的无线网络交换技术，能自动在3G、4G网和其他无线网络之间无缝切换，实时接收交通和导航信息，无线升级更新车载软件，概念验证车还安装了基于云计算的信息娱乐系统。

其次，2013年9月大陆集团与IBM公司，联合开发下一代”电子地平线”平台，IBM用云计算技术开发汽车平台嵌入式系统，配合大陆集团在汽车电子领域的专业知识, 为全球的汽车制造商开发全方位连接的移动汽车解决方案。

而电子地平线技术需要数字地图来预测前方路况，因此2014年2月大陆集团又与诺基亚旗下的HERE地图公司合作，开发高精度的地图技术，为”电子地平线”平台提供精确的地图导航定位。

大陆汽车集团的目标是在整合思科无线网络交换技术、IBM云计算嵌入式系统、HERE地图数据的技术基础上，向全球汽车制造商提供完整的、端到端连接的”电子地平线”解决方案，争取在2020年前实现高度自动化驾驶的战略目标。

在无人驾驶汽车技术的研究领域，谷歌从2010年开始无人驾驶汽车的道路试验，累计行驶超过14万英里，先后在内华达州、佛罗里达及加利福尼亚州获得了自动驾驶汽车上路许可。

大陆汽车集团加紧实施无人驾驶汽车计划，2012年12月成为第三家获准在美国内华达州公路上测试自动驾驶系统的公司。第一辆原型车累计行驶25000公里，测试了车道巡航、路标识别和自适应巡航控制系统，以及道路拥堵辅助驾驶系统的性能，取得了大量的试验数据。

在无人驾驶汽车的竞赛中，奥迪、沃尔沃、宝马等老牌汽车厂商都先后推出了方向盘辅助、自适应巡航控制系统、行人探测系统、自动泊车系统、自动切换车道系统等不同技术水平的驾驶辅助系统。通过分析各家无人驾驶汽车的公开资料，我们不难发现互联网巨头谷歌在电子地图、人工智能、视觉计算、理念创新、资金投入上拥有极大优势，而且2014年1月谷歌与奥迪、通用、本田、现代以及Nvidia共同成立了”开放汽车联盟”(OAA)，意图把Android操作系统打造成未来联网汽车的通用平台。

但谷歌没有汽车制造的设备和技术，无人驾驶技术上做得再好，充其量也只能是个配角的角色，似乎是遇到了瓶颈，但善于纵横捭阖、合纵连横的谷歌，自有解决办法。从未来发展趋势分析，有两种可能：

一、谷歌把无人驾驶核心技术以软件服务的方式，授权给各大汽车生产商使用。但各大汽车厂商显然不买账，不愿意拱手相让这块大蛋糕；

二、谷歌提供设计和方案，再通过代工商合作制造无人驾驶汽车，但不可避免会和各大汽车厂商们直接竞争。谷歌明智的选择是和Continental AG 、Magna International等知名汽车零部件制造商合作，2013年8月的德国报纸FrankfurterAllgemeine Zeitung报道了谷歌寻求大陆集团合作的消息，也验证了这种可能。但从2013年大陆集团与顶尖IT公司一系列眼花缭乱的合作来看，难觅谷歌的踪影，作为一家稳健的德国公司，也许是大陆集团在综合权衡后作出的决策。

目前，无人驾驶汽车处于起步期的无序竞争状态，每家都在利用各自的优势跑马圈地，其中，大陆汽车集团在汽车电子、自动控制方面的优势非常明显，包括谷歌、宝马、大众在内的无人驾驶试验车上都安装了大陆汽车集团提供的各种传感器、车载控制设备。

大陆汽车集团要实现为整车厂提供无人驾驶前装系统的战略目标，还有漫长的路要走，因为未来的竞争充满了变数，只有强强联合，才能增大胜算的把握。以谷歌的优势和高调成立”开放汽车联盟”的态势来看，谷歌无疑要扮演领头羊的角色。

        导语：微软Windows业务前主管、风险投资公司Andreessen Horowitz合伙人史蒂芬·辛诺夫斯基(Steven Sinofsky)周二撰文，阐述了无人驾驶汽车的崛起将对汽车行业产生怎样的颠覆作用。

　　以下为文章全文：

　　在二十世纪的很长一段时间里，汽车工业都是“美国梦”的代表。仅“三巨头”直接聘用的员工就多达百万，这些人的生活水平都得以提升。汽车公司的领导者们也相继成为现代管理学的奠基人。在美利坚的土地上，汽车和文化已然交织在一起。正是因为有了汽车，郊区化的生活方式才成为可能。

　　尽管石油危机兴起、进口产品质量提升、劳动力成本面临挑战、城市不断蔓延、企业破产增加，但汽车工业依然庞大，而且仍是美国经济的重要组成部分，迄今依旧是经济增长的重要动力。

　　正因如此，汽车行业所面临的颠覆才更加引人入胜。以往的经验表明，所有的颠覆都有一个共性：尽管它正在发生，但你却无法预知它的未来；而如果你是“在位者”(incumbent)，可能时时刻刻都能听到颠覆的声音。正是出于这些原因，导致我们难以断言汽车行业是否正在被颠覆。

　　种种迹象显示，颠覆汽车行业的社会和技术基础已经存在。在位者对于新技术的质疑也越来越多。而那些可望维持现状的企业似乎也把政府当成了自己的代言人，以安全为名义对新技术横加阻拦。

　　谷歌最近在Code大会上推出的无人驾驶汽车，就让我们有机会以全局视角来思考即将发生的改变，从而展望有可能在未来颠覆这一行业的种种变化，并研究相应的对策。

　　从Code大会上展示的产品中抽离出来，我看到了五大信号，倘若将它们结合起来，便会彻底颠覆我们对汽车和交通的认识方式。这五大信号代表的，只是我们在思考汽车行业面临的颠覆时，所处的第一个阶段。我们需要识别出整个行业格局的种种变化，识别出那些给所有在位者构成结构化挑战的变化趋势。

　　1、城镇化与公共交通进步

　　放眼全美，各地似乎都在重新兴起一股重新涌向城市中心的热潮——在发展中国家，这早已成为一股不可阻挡的趋势。曾几何时，婴儿潮促使美国人纷纷逃离市中心，迁往自然环境更加宜人的郊区生活。而如今，纽约、洛杉矶、旧金山、西雅图等大型沿海城市，却在上演相反的趋势：越来越多的人开始重返市中心。

　　与这股“再城镇化”热潮相伴的，是这些城市核心地区对公共交通系统新增的庞大投资。上述城市都在投入越来越多的资金建设地铁、公交巴士和自行车道，力度可谓数十年未见。很多城市的公共自行车租赁系统使得两点之间的往来速度大幅提升，效率也不断增加。

　　尽管这些项目的源头可以追溯到数年之前，但人们如今切身感受到的种种进步却对“再城镇化”浪潮形成了支撑，甚至加快了这一趋势。企业将总部设在市中心的积极性也越来越高。纵观全美，各大企业和机构都在提供各种补贴，鼓励人们使用这类公共交通资源，使之成为一股社会风气。

　　2、分解车载功能

　　现在看来，这似乎只是一个微不足道的转变，但车载电子设备的创新重点正在从硬件转向软件，创新主体也从汽车制造商转向创新型公司，由后者利用移动平台来构建各种交通功能。我们看到，借助提供众包数据的手机地图，便可随时了解道路信息和交通状况；我们还看到，车载娱乐设备已经彻底从汽车上抽离出来，无处不在的平板电脑如今已经成为后排乘客的主要娱乐工具。原本通过原车设备或加装设备提供的功能，可以通过现代化的移动平台获得更好的效果，改变起来也更加灵活，但成本反而更低。

　　这一信号有两个颠覆性元素。首先，对于那些花费了大量精力，以车载电子设备为基础构建业务和销售模式的汽车制造商而言，这势必对经济利益构成威胁。这种颠覆扰乱了汽车销量的经济结构，尤其是当安全与舒适已经成为汽车的基础元素时。

　　其次，从消费者或车主的角度来看，交通工具的亲切度和个性度源自移动设备，而不再源自汽车本身，导致从一辆汽车换成另外一辆汽车的过程更加顺畅。LocalMotion甚至将进入汽车和发动引擎这种最基础的汽车功能分解出来，使用RFID或其他方式来获得汽车的使用权限。从GPS定位到维修通知，各种原本依赖于具体的汽车而存在的功能，现在都可以在移动设备上实现。

　　3、能源问题

　　美国消耗的石油总量中，大约有一半被用于私家车。无论我们以多么快的速度寻找新的(而且可能存在风险的)方法来开采石油，似乎都无法满足需求。1973年的石油禁运在我儿时的记忆中留下了很多印记，对一个高度依赖石油的国家产生了深远的影响。美国人对于高油耗汽车向来情有独钟，但这种热情却在1970年代和2006至2008年，发生过两次动摇。最近，我们看到普通民众对SUV和卡车的兴趣再度升温。

　　具有讽刺意味的是，美国汽车制造商所拥有的竞争优势，以及卡车和SUV所蕴含的较高利润，只会进一步加剧他们被颠覆的风险，同时也导致他们对替代能源缺乏长期兴趣。

　　与此同时，很多软件进步都展现出了非凡的潜力，其影响早已不再局限于递增式地改善替代能源汽车的设计、制造和分销模式。特斯拉已经成为一个符号，每当人们重新思考汽车的生产和驾驶方式时，都会提到它。底特律的反应尽管令人失望，但却并不出人意料。我最近在一次采访中看到，汽车行业的传奇人物、通用汽车前董事长鲍勃·陆茨(Bob Lutz)仍在讨论“里程焦虑”以及电池爆炸所引发的潜在安全问题。

　　在很多人眼中，除了直接使用化石燃料外，其他任何的替代能源都存在很多缺陷，但如果只是一味看衰这些模式，却不对这些模式展开任何有益的尝试，那似乎就会重蹈在位者常见的覆辙。

　　使用不同的能源来驱动交通基础设施，是一股必须认真对待的颠覆力量。

　　4、共有汽车和拼车

　　养车是一件令人头痛的事情。讽刺的是，从可靠性和耐用性的角度来看，这个问题的头痛程度已经大为缓解。我小时候，如果想从纽约开车到佛罗里达，你必须是AAA道路救援服务的会员才行，因为半路抛锚肯定会令你抓狂。如今的汽车出厂时的品质都很高，尤其是日系和德系车。(我还记得我父亲在1970年代买新车时，需要罗列一长串可能存在的瑕疵。)即使是在行驶了几千公里后，依然可以在没有任何维护的情况下保持极高的品质。

　　尽管可以带来种种便利，而且成为了一种身份的象征，但保险、油耗、停车等汽车持有成本，以及汽车本身糟糕投资收益，都令拥有汽车成为了一件令人头痛的事情。只要一上路，一辆新车便会立刻贬值20%。而为了享受有车一族所带来的骄傲，在购车成本之外，你每个月大约还要多花300美元的养车成本——如果你还要缴纳停车费和过路费，那么成本还会更高。但实际上，美国每辆汽车平均每天的停驶时间长达23小时。从这一点来看，似乎只有疯子才会买车。

　　随着城镇化的推进，即使你想拥有自己的汽车，恐怕也很难找到停车的地方。考虑到这些问题，美国人对买车的态度发生巨大转变，也就成为情理之中的事情，不会令人感到太过震惊。拥有自己的汽车已经不再是人们梦寐以求的事情，我们国家的年轻人考取驾照的年龄比以往任何时候都大。从ZipCar或Cars2Go到Uber和Lyft，共有汽车或拼车已经在用车便利和用车成本上实现了新的突破。

　　将钥匙、个性化地图和娱乐等功能从汽车中剥离出来，意味着我们可以径直走向汽车，然后识别身份，便可舒适的驾车出行。我还可以利用GPS定位仪获得同样便利的租车服务。这同样可以惠及商用汽车，因为它们也可以借此大幅提升效率。使用现代化技术实现汽车共有和拼车后，汽车上路的时间将会提升，而在路上行驶的汽车数量反而会减少——无论对是对车主还是对道路而言，这都是有益无害的事情，而周围的所有人也都将因此受益。

　　毫无疑问，汽车数量的减少对汽车行业来说无疑会构成重大破坏。历史经验表明，在颠覆到来之前，总会出现“回光返照”式的繁荣。所以短期的汽车销量增长(尤其是SUV和卡车)，似乎只是汽车行业最后的绝唱。等到那些推迟了驾照考取时间，并伴着手机租车服务长大的年轻人成长起来之后，他们便会成为企业和社区的领导者，最终决定交通资源的分配方式。

　　5、新技术催生无人驾驶汽车

　　谷歌展示无人驾驶汽车时，引发了外界的巨大反响，随后便出现了各种各样质疑其实用性的评论。尽管无人驾驶汽车可能还要再等15年或更长的时间才能走入我们的生活，但它却已经是一股不可阻挡的洪流。上文探讨的种种信号只会让无人驾驶汽车的趋势更加不可避免，对这一趋势做出贡献。

　　与其他科技产品一样，在汽车彻底改头换面之前，我们还将看到很多渐进式的进步——现有的汽车将会逐步普及辅助驾驶技术。对很多企业来说，这都是为了满足市场需求，在位者尤其如此。创新就是这样发生的。谷歌以及地图、传感器、控制系统等其他领域的企业所做的基础性工作，已经催生了斯巴鲁Eyesight和奔驰Intelligent Drive等创新——这都是全自动汽车的先驱。

　　在商业领域，我们已经看到戴姆勒无人驾驶卡车等产品。由于商业运输通常需要经过长时间的高速公路行驶，而且会长期保持一种驾驶状态不变，因此该领域很可能将向无人驾驶或“混合驾驶”技术加速前进。

　　一旦实现了无人驾驶，便不难想象一番看似乌托邦的交通运输场景——你可以随意走上身边的一辆车，这辆车有可能是你用移动设备召唤来的，也有可能是根据你的路线和计划自动行驶过来的。

　　有人或许仍将拥有私家车，但却会将它们贡献出来与人分享，以便降低成本。企业也将纷纷涉足汽车共享业务，政府则有可能在路边提供各种公共租赁汽车——就像如今的公共租赁自行车一样。拼车服务也将从无人驾驶中获得巨大利益。你可以选择成为一名车主，拥有一部可以随意使用的汽车，但同时也能通过与更多人一起分享来分摊费用，同时也不必担心用车人的技术不过关导致的车辆剐蹭。

　　只要你手握身份证件，便可直接进入车内。车辆可以提前获知你的目的地，然后带你一路前行。由于车辆的空驶率降低，利用率升高，所以车流将更加顺畅。由于智能技术改善，汽车还可以计算最合理的路径。不仅如此，无人驾驶汽车避免了驾驶员分散精力、情绪和自由散漫的情况，从而大大提升了交通安全系数。事实上，驾驶着超过1吨的铁家伙以数十公里的速度前进时，电脑远比人类更加称职，更加可靠。几乎可以肯定的是，要不了多久，让真人来驾驶汽车就会变成一件不合时宜的事情。

　　展望未来

　　保守来看，汽车文化大概用了30年时间给整个美国社会带来了广泛的变革——首先从拥有汽车开始(由此也催生了很多生产汽车的工作岗位)，然后是修建5万英里的高速公路(花了35年时间和5000亿美元)，接着便是郊区生活方式的兴起，随之而来的个人收入增加催生了“一人一车”用车意识。(事实上，在2008年的高峰时期，平均每名拥有驾照的美国人大约拥有0.8辆汽车。)

　　要进入下一波科技浪潮的顶峰，大约也要花费同样长的时间。到那时，将会出现随时可以使用的共享交通工具、无人驾驶汽车，以及支撑这些改变的社会结构及生活方式。但这些变化已经出现。当你将这些改变的迹象融合到一起时，便会形成一种必然趋势——社会将因此而进步。

　　在位者将采取一些短期措施，小幅改善现有的交通状况。这并非坏事，但却是现实。汽车将增加更多安全工具来警告那些在道路上迂回前进的司机。城市将部署更多的传感器和监控系统，以便提供更多的交通拥堵信息。科技还将进一步提升燃油效率，降低百公里油耗。

　　我们不应忘记，车迷就像技术迷一样，他们都会不断充实自己的知识，享受着自己所热衷的体验。

　　但在位者也有可能抵制技术变革。我们已经看到，有一些汽车行业领导者对替代能源汽车表达了“里程焦虑”。我们还会看到很多人对这类新技术所蕴含的公共交通隐患大肆渲染。既得利益集团也势必对基础设施的升级换代，及其所需的投资大加阻挠。

　　这都是社会变革的组成部分——没有人天生就怀有恶意，任何的进步和投资都不可能在没有异议的情况下顺利达成。凡是变革，都将面临阻力，世上没有随随便便就能成功的革命。

　　在科技进步的每个阶段，现阶段的在位者往往都会否认新一代技术进步的种种证据。曾几何时，很多程序员都很抵制保护模式、虚拟内存、图形界面和平板电脑。当空客在商用飞机中部署飞行控制系统时，波音最初持抵触态度，但最终还是在777客机中采用。事实上，很多驾驶员最初也很抵制自动挡、GPS甚至巡航控制，而当今的很多老牌汽车企业对全新的汽车设计也都持抵触情绪。

　　或许所有科技创新都需要遵循相同的轨迹：必须涌现出一家不受束缚的公司，真正重新定义一款产品。

　　20世纪之初，汽车尚未诞生。随着摩尔定律加快了科技进步的速度，或许只需要一半的时间，我们就可以看到同样剧烈的变革。从历史的角度来看，美国的汽车文化只是一眨眼的瞬间。2.0版的汽车文化有可能以更快的速度渗透进我们的生活。

　　当你思考家用汽车和出租车服务的变化前景时，请多想想这些变化究竟会如何影响公共交通、道路、飞机、铁路等各个方面的事情。

　　这就是颠覆——当它发生时，一切似乎都很缓慢；但突然之间，整个世界都将改变。

via：Tech Sina