自動駕駛的機遇與挑戰
自動駕駛無疑是近兩年資本市場最熱的話題之一，甚至被認為是人工智能最有前景的應用，大量傳統車企、互聯網公司、創業公司涌入這個賽道，下面我從投資角度，談一點關于自動駕駛行業的機遇與挑戰。
先來界定一下自動駕駛，這里采用的SAE機構的評級，Level 0屬傳統駕駛，L1/2屬于輔助駕駛（ADAS可以劃到這個范疇），L4/5是未來機器能獨立自動化完成駕駛任務，這是本文主要所指的自動駕駛范疇。Tesla的“自動駕駛”實際上只是L3的半自動化水平，在去年出現致命事故之后，在中國官網上的自動駕駛頁面中加入了“輔助”二字。
何時能實現自動駕駛？
先來回顧一下幾次交通上的大變革，汽車從出現到全面代替馬車過程大概30年，轉折點是福特T型車的應用，關鍵因素是高度標準化，價格趨近馬車，速度領先。飛機從發明到大規模生產也是30年，轉折是一戰的爆發，雖然早期安全上還是很難得到保證，但是飛機將人類活動范圍極大地提升，也使遠距離快速偵察、作戰等成為可能。火車的近百年的發展經歷了數次變革主要體現在動力結構上，火車的出現顯著提高了長距離大規模運輸能力。
這里觀察下來有幾個特點：
一是可以給人帶來極大便利的新的交通方式產生快速變革
那么自動駕駛是否可以做到，我認為單體地看待車里給人的利好，如可以放開手喝杯咖啡、看本書這樣的程度是不夠的。雖然自動駕駛也可以降低事故率，但是人在安全上完全信任機器未來還是有比較大難度。駕駛需要在規模化之后和共享經濟、智慧交通等結合產生才巨大的價值，比如可能是共享汽車后極大地便利出行和緩解擁堵，或者車輛有良好蔽障和互聯（v2v）能力后的行駛效率的提升等。摩根斯坦利曾指出[1]，完全實現自動駕駛每年將為美國帶來1.3萬億美元的收益，其中大部分源于解決擁堵和提高效率之后的獲利。因為不能快速在單點用戶突破，更多的是大規模應用、形成網絡效應之后的利好，加上中國的汽車市場趨近飽和，新車增長放緩，一線城市交通擁堵，所以我認為自動駕駛對已有車輛系統的替代可能不會那么快。
第二個特點是，產生變革的新交通方式需要在新的交通規則下運營
火車、飛機的路線都是全新的網絡，現有的Google, Baidu等直接做自動駕駛的公司通常是將已有的規則寫入程序，但是如果直接拿到馬路上用，由于機器運營的車輛是少數群體，國內的道路情況相當復雜，甚至伴有還有一定比例的違規行為，所以必然使得自動駕駛車輛在感應和算法層面上的復雜性大大增高。未來我認為完全的自動駕駛更適合在指定封閉環境或者全新的道路上運營。相比美國，國內進展較慢，還在小范圍封閉內測，未來需要更多的來自政府規劃的支持，大量基礎設施和資金投入，這樣的周期也往往是比較長的。
第三個值得注意的地方在于，火車、飛機多年發展最終的形態也沒有完全的無人駕駛，最多只是自動巡航
有一個制約的原因是：在和人身安全直接相關的交通領域，人還是最終很難完全相信機器，駕駛員往往是不可缺的，而且機器未來還面臨著信息安全上的考驗。2016年凱利藍皮書公布的一次北美調查中發現超過半數的人認為即便自動駕駛比人工駕駛更安全也更愿意自己來全部控制[2]。無人駕駛中人工智能深度學習算法的黑箱現階段還是無法解開，再根據墨菲定律，發生類似Tesla反人類判斷失誤的事故難以防范，也很難在發生事故后反查原因。個人看好無人駕駛在沒有乘客的貨運上或許進展會更快，Uber收購的Otto也是這個領域發力。
上述探討的很多是影響自動駕駛實現的外部因素，自動駕駛產業本身能否快速形成量產有兩個比較大的障礙:
1.車廠對安全性要求近乎100%
汽車是以安全可靠性為基礎的產品，傳統車廠很多是百年老店，現有的產品可靠性已經非常高，在對自動駕駛沒有近乎100%的完全把握的情況下不會采用L4，L5方案，占據市場份額98%以上的傳統的國內外車廠在無人駕駛的測試大多是防御姿態，是從低級別的L1, L2向L3逐步走的，傳統車廠對L4一定是持觀望態度的。
2.激光雷達降價阻力大
激光雷達作為自動駕駛現階段必不可少的核心部件，Velodyne的64線雷達，組裝和調校過程極其復雜和耗時，公司的生產線一個星期只能完成兩臺成品，因為現在只是用在地圖和無人駕駛行業，應用面比較狹窄，所以難以通過規模化生產來降低成本。
2016年的Gartner Hype Cycle預測自動駕駛成為主流超過10年，參考上面的分析，個人覺得可能要到20~30年甚至以上，把低價可靠的具備L4/5的汽車造出來已屬非常不易，此后還需要面臨消費者認知，存量車輛公路體系，政策法律，倫理道德等外部因素的挑戰。未來可能加速成熟周期的主要途徑可能是：
1.有新的傳感器或者算法解決方案讓安全性快速逼近100%
2.激光雷達成本結構的變化，或者多線激光尋找到其他大規模應用場景
3.不安裝雷達的L3方案較快被各車廠做出來，半自動駕駛汽車成為主流后再過渡到L4
4.自動駕駛專用的道路大規模鋪設
自動駕駛的路線應該怎么走？
現在市面上的自動駕駛實現路徑可以分為三類：
1.從L1/2輔助駕駛逐步遞進到L4/5，代表有Mobileye和國內MiniEye，蘇州智華等ADAS創業公司
2.由L3半自動駕駛逐步遞進到L4/5，代表有Tesla，國內有Momenta，易航等
3.直接生產L4/5自動駕駛車輛。代表有Google無人車，國內有馭勢科技，智行者等
三種路徑難度是遞增的，把自動駕駛從感知到輸出的流程劃分為“傳感器感應-識別-決策-車輛控制”來比較三者，路徑1只到識別層面，后面根據識別結果產生預警報警信號。對于路徑2和3流程是完整的可以到車輛控制，區別在于L3階段沒有用激光雷達作為傳感器（至少現階段激光雷達是L4必備）。
下面是幾個路徑難點：
對創業公司而言，路徑1難走通
因為大家都在給車廠做供應商，那后面涉及到車輛控制的事情是需要車廠來做的，ADAS創業公司的天花板也在車廠（對于ADAS公司稍后分析）。對于車廠來說L4/5還遠的很，所以我們先不討論路徑1。
對路徑2，L3→L4躍遷有算法難度
L3與L4兩層級在處理的數據量（L4中激光雷達持續掃描帶來巨大的數據量）、對于硬件系統要求、識別算法以及在與車輛控制系統的融合上都有很明顯的差異。例如毫米波算法需要排除地面干擾，激光雷達需要克服點云噪聲，據業內人稱算法有明顯差異，最多有一小部分可重復使用。這樣看來路徑2也有遷移的難度，主要體現在算法上。
路徑3難以快速獲得數據
現在也就Google跑的歷程多，然而7年時間也就積累了200多萬英里，這點樣本都無法說明現有系統的安全程度，蘭德智庫[3]在數學上論證過自動駕駛需要測試百億英里才能證明比人駕駛更安全。而Tesla autopilot在短短7個月就積累了1.3億英里的自動駕駛里程，Goolge和Tesla比，差距是驚人的，并且L3已經可以商業化，這樣在論證安全性和不斷優化準確率上，都比直接做L4有很大的優勢。
這里的結論是，路徑選擇上我認為先實現L3是更優的選擇，總結有幾個原因：
1.先實現L3商業化路徑更清晰
Elon Musk是典型的實用主義代表，選擇當初把用在手機、筆記本上的較為成熟的廉價18650鋰電池拿來用在特斯拉，很多人覺得low，但是廉價成熟的電池使得Tesla快速商業化，等到電池管理系統和車的配套控制上成熟了之后，更好的電池也過了幾年成熟了，這樣替換起來相對容易很多。車和家的李想也提過，激光雷達都是大學搞科研的思路。現有的L4最多只停留在做園區車這樣的高成本（馭勢的小車據稱售價約50萬一輛），低可用性狀態，短期內商業化是困難重重（當然也有賣給政府做展示性質的可能，但量自然不會大）。這就會出現在下面數據積累和算法迭代上的問題：
2.L3數據積累速度優勢巨大
直接實現L4的障礙太多。成本，技術難度，應用場景等許多問題都難以快速解決。
3.現有算法體系存在瓶頸，需要通過數據訓練提升以使準確度逼近100%
各家公司在視覺識別和決策的融合算法上主要有基于寫入規則（rule-based）和深度學習的兩種方法，寫入規則的優點是規則清晰準確，但是瓶頸在于無法窮舉學習新場景，深度學習（代表公司有Momenta,Drive.ai等）雖然提高識別率，但是黑箱問題現在仍無法攻克。也有嘗試兩種融合來用的，比如智行者用rule-based保障安全，用深度學習實現擬人化決策。兩種方法在不斷提高準確度的過程中，到某個瓶頸，比如寫入規則到95%，深度學習到97%這樣，后面單純靠迭代算法是突破會很慢，這時候是需要用更大的數據量來驅動準確度提升的。
4.對消費者來說或許最需要的不是L4
之前也提到過，L4在沒有網絡化之前對單個消費者的吸引力可能并沒有那么的大。現有的Tesla雖然還沒法達到自動駕駛，但是消費者還是愿意嘗試autopilot功能，半自動駕駛滿足了很多消費者嘗鮮、炫酷的需求，甚至是像自動泊車這樣的技術未來做成熟都能給人驚艷的感覺，未來也容易成為汽車的賣點。
5.L3到L4因為加入雷達，雖然有遷移算法難度，但是算法本身的發展也還在不穩定的狀態
未來會不會雷達結構發生變化，會不會高精地圖的成熟能部分代替雷達的工作，到底融合算法應該用怎么樣的策略，這樣的事都不太好說，識別和決策的算法本身也會有變化的可能。
當然在路徑選擇上也有在用兩條腿走路的，百度在ADU自動駕駛事業部之外，又成立了L3智能汽車事業部，也是想加速自動駕駛技術落地；馭勢科技和智行者除了造了L4小車之外也在嘗試和車廠合作做L3的事情；Mobileye除了做ADAS也儲備了自動駕駛的技術。
自動駕駛領域創業和投資的機會和風險
自動駕駛的創業突然升溫，融資額和估值都不斷攀升，幾個人出來什么產品都沒拿出來就估值上億美金，這里的潛在原因有：1，自動駕駛是萬億級的廣闊市場，想象空間極大。2，人工智能現在真正很好落地的場景不多，自動駕駛領域算最有希望的一個。3，創業團隊的技術大牛都是視覺領域的稀缺人才，整體團隊的價值和工資都高。4，自動駕駛是一個需要持續大規模資金投入的賽道。
個人覺得關于自動駕駛領域創業有一些值得注意的地方：
1.通過先實現L3然后遞進到L4的方案的創業路徑優于直接進入L4。原因上面闡述了。
2.創業團隊不僅要懂計算機視覺，對車的控制的理解也同樣重要
現在市面上大部分的團隊聚集的都是視覺領域的人才，但是復雜的并不僅僅是視覺的識別和決策，在“傳感器感應-識別-決策-車輛控制”這套流程中，因為車整體控制結構復雜，在做策略時候也非常需要考慮周圍環境的影響，從決策到控制（為主的是轉向、油門和制動三大控制系統）這一步也復雜度非常的高。現在整個流程中，進入車廠/Tier1供應商合作調試環節往往最慢，簡單一點的ADAS都要至少一兩年，創業團隊做算法的如果和不懂車廠車輛控制的對接，很容易大大延誤進展。寶馬曾和百度在自動駕駛合作，但進展十分緩慢，最終終止了聯合研究，這背后很可能部分原因就出在控制層這里。
3.創業公司從一開始就需要注意商業化路徑和節奏
和車廠聯合造的車輛畢竟是商品，最后產品出來有人買單才能產生商業價值。因為和一般的快消品或者APP里的服務相比，汽車的生產、渠道建設、營銷、售后等環節時間周期長太多。所以如果商業化道路不清晰走了彎路，那創業公司很可能會融不到資而倒下。
4.自動駕駛更多是大公司機會，創業公司可以適時尋求被收購
創業公司想像Tesla那樣把整個汽車商業閉環走通難度實在太大，直接做L4的話早期產品可以拿來融資講故事，但是離真正落地的乘用車型還差很遠。這個領域的創業公司會處于持續燒錢狀態，到一定技術成熟階段，尋求車廠的并購的可能性很大。過去Uber收購Otto，通用收購Cruise也體現了這種趨勢。
自動駕駛領域創業投資機會有那些
1.更接近真實駕駛情況的識別、決策算法
車輛在行駛過程中周圍的環境變化以及駕駛員所做出的反應復雜度極高，現有創業團隊的算法方案即便在識別上可以通過深度學習讓準確度接近人的水平，但是在決策層面的模型還是偏理想化。車廠會在多年的車設計改進過程中積累一套自己的研究駕駛員行為的模型，有的創業團隊，比如易航自動駕駛把這套理論模型代碼化的思路或許可以讓決策算法更接近真正駕駛情況。
2.限定場景、用途的應用
路徑相對固定、環境封閉、低速行使可以簡化L4自動駕駛實施難度，加快項目落地。下圖列舉了一些自動駕駛的使用場景和相對數量的對比，自然靠近圖中左下的場景應用起來更快。在選擇應用場景時還需要注意是不是真的是解決真正核心的需求，商業化空間有多大，如何控制成本等問題。環境和路徑固定的情況下高精地圖的繪制難度也可以顯著降低從而降低地圖成本，比如在機場擺渡車、園區車的應用。在潛在的細分用途中，貨運有很大的潛力，但是成本問題還是需要花時間解決的（比如現階段卡車大多采用液壓控制系統，如果直接拿國外電控系統卡車來改造，單個電控卡車的購置成本就可能要到100萬以上）。
3.低成本多線激光雷達
多線激光雷達在價格、技術的瓶頸在國外還沒有完全攻克，對國內創業公司而言還是有機會的，國內現有的做激光雷達最多還只到了16線階段，滿足車規的還比較少。中國市場的汽車銷量高，相對美國人力成本低，未來較容易形成規模化生產，而且激光的應用廣泛，創業公司攻克技術壁壘之后發展空間會很大。
ADAS行業機會與挑戰
現在的ADAS（高級輔助駕駛）處于L0-L2階段，采用的主要是視覺加毫米波融合的方式，通過識別信號進行預警，其中LDW (車道偏移報警系統)、FCW (前向碰撞預警) 受國家安全政策指向是最重要兩項。ADAS行業增長有以下驅動因素：
1.當前行業滲透率低，增長速度快
現階段的滲透率只有2~4%（歐美在8%左右），IMS統計，2015年ADAS市場規模117億元預計到2020年會達到15%的滲透率，市場規模963億，復合增長率52%。
2.安全法規推動ADAS應用
美國、歐洲等逐漸把ADAS的應用納入到新車評級體系，2018年中國的C-NCAP也將AEB（自動緊急制動）納入新車的五星評級系統。大的趨勢是NCAP對安全的要求越來越嚴。
3.消費者對安全需求增強
新一代的80-90后消費者，對于汽車的認知不僅僅局限在品牌，對于安全相關的功能也更為關注。
這個領域的創業機會我有這樣的判斷：
1.ADAS行業屬于創業公司的天花板明顯，未來容易受車廠擠壓
從技術上來說，大部分公司做的只是到識別的層面，所以ADAS領域相對進入的門檻沒有那么的高。國內涌現出一大批創業玩家，現有車型真正用上ADAS的70%以上還是海外的車廠，車型也是高端車，零組件也是來自于國際大廠，這部分自然創業公司是難以切入的。大家主要是尋求和國內的零組件廠和整車廠合作，但是困難體現在：進入車廠周期長，少說一兩年，變現壓力大；車廠也正在做ADAS或者未來有做的打算，現階段會拿數家產品來測，但是未來是不是能和創業公司長期合作這個很不好說；車廠相對強勢，未來把數據拿走后，創業公司剩下的壁壘不多。
2.后裝產品屬過渡產物，商業化空間有限
現在ADAS創業公司做的事情主要有三個方向：前裝，后裝ADAS硬件，后裝SDK（通常植入后視鏡）。后裝產品是單純靠攝像頭視覺識別的形式，所以很快就可以推向市場。單獨的后裝硬件產品賣起來都比較難，消費者對ADAS認知還不夠，消費者對只是單純提醒的需求不強烈（甚至對頻繁的提醒比較抗拒）。如果只是植入SDK形式到后視鏡，受限于芯片性能可用的CPU空間（為了實現更多功能，方便宣傳，車載的軟件較多，留給ADAS的CPU空間通常10%左右），識別率通常非常有限，影響用戶體驗，同時商業化上收SDK license fee也價值較低。車廠的前裝產品未來一兩年都會做出來，所以后裝產品只能是過渡性質，商業化空間有限。
3.創業公司要尋求和tier1供應商深度合作
因為車廠的強勢地位，而且國內大的就那么幾家。創業公司需要更多和車廠的tier1供應商合作才能有和車廠更穩定的合作，比如前向啟創和蘇州智華尋求與亞太機電和金固股份合作，并接受注資。
4.雙目攝像頭在ADAS和自動駕駛領域應用有限
雙目攝像頭的優勢是可以類似人眼那樣，利用視察測距，但雙目應用距離短（20米之內精確度有優勢），計算量大，優秀的雷達系統現在測距上完全可以代替雙目攝像頭，所以現在雙目攝像頭在ADAS和自動駕駛上難應用起來。
5.兩客一危市場近期有一定政策紅利
兩客一危市場車輛的主動安全逐漸受到政策傾斜，例如中國在2016年機動車運行安全技術條件GB7258標準草案中提出11米以上客車需裝備LDW以及FCW裝置。國內如中天安馳，極目智能等在一些地方政策推動下，拿到一定訂單。風險是政策導向的不確定性。
6.ADAS與保險結合是比較好的思路
因為ADAS相對投放市場快很多，不僅是外部的感應器數據，還可以配合內部的駕駛行為采集，創業公司很有機會能延伸到保險領域，現在國內數家ADAS企業已經積極和保險公司開始合作，值得注意的是數據的量和質量，以及能不能和保險有效結合。
7.毫米波巨頭壟斷，創業公司機會相對小
毫米波產品主要受博世、大陸、海拉等國外廠商長期壟斷。未來毫米波的主流和核心還是77G產品，24G產品相對低端機會已經很小。對于77G產品，博世和大陸有世界接近一半的份額，市場上壟斷地位強。生產77G毫米波雷達的技術難度較高，有雷達系統和毫米波射頻設計經驗與能力的人才多集中在軍方和國外廠商手里，產品的部分核心原材料近兩年國外也開始限制，所以創業團隊需要有掌握核心技術，也要有持續生產、研發資金投入。現階段國內大部分創業公司產品在探測距離、體積等指標上短期還難有競爭力，應用上也比較局限。
[1] Morgan Stanley. Autonomous Cars:Self-Driving the New Auto Industry Paradigm, Nov 16, 2013.
[2] Kelly Blue Book. Future Autonomous Vehicle Driver Study, Sep, 2016.
[3] Rand Corporation. Driving to Safety-How Many Miles of Driving Would It Take to Demonstrate Autonomous Vehicle Reliability? 2016.
