實現自動駕駛，猶如攀登珠峰。我們要走過的路至少也有南坡、北坡兩條路線可供選擇，也總會有先行者和後來者之分。雖然山頂只有一個，但攀登者的經歷、登山過程中的故事往往層出不窮，精彩紛呈，讓人神往。

縱觀過去十年曆史，我們發現，不斷有勇攀自動駕駛高峰的創變者，正在前仆後繼的為了登頂而努力奮鬥。因此，36氪決定挑選10位中國自動駕駛領域中的優質代表人物——其中有像百度、華為這樣巨頭型企業的領航人，也有諸多極具變革精神的初創公司掌舵人，更有無數潛心鑽研的學者科學家。我們以獨家新聞、獨家訪談、對話回顧等方式，彙集在“中國自動駕駛十人”這一選題欄目中。

我們希望透過這個選題，為行業呈現當下國內自動駕駛技術的發展情況，分享自動駕駛每個細分場景裡的應用與突破。

文｜於小宇

全球自動駕駛行業，正在迎來一輪大洗牌。

在美國，成立六年之久的自動駕駛公司Argo AI突然宣佈解散。即便是背靠兩大跨國車企福特和大眾，但Argo AI依然沒能活到下一集，最終倒在了IPO大門前。而在德國，車載鐳射雷達“鼻祖”Ibeo公司宣佈，因無法獲得進一步融資，公司向德國漢堡法院申請破產。

“國外這一批自動駕駛公司被淘汰，原本我判斷會更早一點。”在中國工程院院士、清華大學智慧產業研究院（AIR）院長張亞勤看來，很多公司方向是對的，但是糧食不足，沒有達到終點前就成為先烈了。

對於歐美自動駕駛公司的這一輪倒閉潮，有人認為這是產業泡沫破滅的前兆。不可否認的是，中國自動駕駛產業在某些領域，存在著創業公司和資本過度狂熱的現象。但從大方向而言，無人駕駛的終極目標是毋庸置疑的。

雪崩之時，沒有一片雪花是無辜的。

歐美的自動駕駛公司起步更早，其產業對技術和商業化路徑的探索更深入，自然就更先一步進入到洗牌階段。而對中國的自動駕駛公司而言，這場淘汰賽也終究會來，是時候該提升危機感和緊迫感了。不經磨礪難成人，未逢挫折總天真。與任何產業一樣，只有經歷過一輪輪的淘汰，最終才能誕生偉大的企業。

“國內的話，下面幾年也會有一些公司面臨破產，最終可能就剩下5-10家是真正的無人駕駛公司。”張亞勤總結時說道。

從起跑，到趕超，再到即將進入的淘汰賽，張亞勤無疑是中國自動駕駛行業的領導者、見證者和奉獻者。他是科學家中的企業家，企業家中的科學家，多重的經歷和身份，賦予了他更寬闊的視野去看待如今的自動駕駛難題。

推動起步

12歲最年輕的大學生，19歲赴美留學、23歲博士畢業、最年輕的IEEE Fellow、中美澳三國院士，比爾·蓋茨的智囊團…這些，都是張亞勤被外界矚目的標籤。

他與自動駕駛開始產生交集，源自於1998年的一個決定——那年11月，張亞勤正式加盟微軟，與李開復一起籌建微軟中國研究院。

2000年，張亞勤正式成為微軟中國研究院院長兼首席科學家。次年11月，微軟中國研究院發展為微軟亞洲研究院， 他擔任首任院長。

2004年，張亞勤回到微軟總部帶領團隊開發過一個作業系統 WindowsCE。這個系統後來成為全球最大的嵌入式作業系統， 也在傳統車載領域得到廣泛的應用，屬於初代的車載作業系統。談及這段經歷時，張亞勤不由地說道：“我對汽車行業一直還是很有感情的。”

2004年，是近代自動駕駛的元年。

美國國防部高等研究計劃局（DARPA）組織了第一屆野外自動駕駛挑戰賽（Grand Challenge）。隨後，大洋彼岸的矽谷科技公司們，就開始盯上了那些奇奇怪怪的汽車——車身上鋪滿了各種電子裝置，車艙內沒有駕駛員和乘客，但車輛卻可以自動的前進、拐彎——自動駕駛，開始在美國盛行。

2014年9月，張亞勤結束了在微軟的16年工作經歷，應老朋友李彥宏邀請出任百度總裁。

在百度的5年時間裡，他專注自動駕駛、雲計算、量子計算、晶片等AI相關領域的前沿技術。其中，最重要的節點是2017年，百度釋出Apollo計劃，向汽車行業及自動駕駛領域的合作伙伴提供一個開放、完整、安全的軟體平臺，幫助他們結合車輛和硬體系統，快速搭建一套屬於自己的完整的自動駕駛系統。Apollo目前是全球最大的開放商業智慧駕駛平臺，聯盟有超過200家企業和機構。

時至今日，張亞勤仍是百度Apollo的聯盟理事長。“這也是我目前唯一的兼職”，他打趣的說道。

2019年10月，53歲的張亞勤宣佈從百度退休。當時，該舉動在業內掀起過不小的爭議，但張亞勤曾在採訪中迴應稱：“我們人生這麼長，每個階段自己都要有不同的重點，我是希望下面再做好‘一件事’”， 用他話說就是Life3。0。

而他的“Life3。0”，在2019年12月31日那天，正式官宣了：張亞勤正式加盟清華大學，受聘清華大學智慧科學講席教授。同時，他還將負責牽頭籌建清華大學智慧產業研究院（AIR）——面向第四次工業革命的國際化、智慧化、產業化的研究機構。

“前面這三次工業革命，中國都是處於相對旁觀者或者是跟隨者的角色，我覺得第四次工業革命中國有可能成為一個引領者。”

張亞勤認為，人工智慧是第四次工業革命一個很重要的技術引擎，很多產業都會被其改變，也會產生很多新產業。而在諸多新興產業中，張亞勤表示，清華大學智慧產業研究院（AI R）將會聚焦智慧交通（AI+Transportation）、智慧物聯（AI+IoT）、智慧醫療（AI+Life Science）三個重點研究方向。

雖然看似是截然不同的細分領域，但在張亞勤看來，這三個方向有一些共性：一是都面對著巨大的商業空間和發展機遇；二是人工智慧在探索過程中發揮著特別重要的作用，甚至是決定性、顛覆性的作用；三是相關研發成果實用化、普及化之後，將產生可觀的社會效益。

而自動駕駛，則更像是第四次工業革命的時代標誌。

見證趕超

“美國整體的話是啟動比較早，而且相對比較領先。但是我覺得，中國過去這5年，在大踏步的往前走，每個領域都在往前走。”張亞勤說道。

實際上，自動駕駛是一個複雜的系統問題，涉及到感知、認知、規劃、決策與執行等諸多環節，需要在極短時間內做出可執行的正確決策。

正因涉及的技術多、涵蓋的領域廣，所以自動駕駛的發展路徑也呈現出多元化的態勢，正所謂條條大路通羅馬。

比如，按場景來劃分，有公開道路場景、封閉場景；按車輛型別來劃分，有乘用車和商用車。按自動駕駛等級來劃分，從L1到L5有五個等級，包括L2級輔助駕駛、和L4+級無人駕駛。

在談細分型別之前，其實更應該關注整個行業的活躍度。張亞勤認為，中國在乘用車規模、測試規模、投融資等方面比美國更多，所以產業鏈更加活躍。

在乘用車規模方面，我國2021年產銷分別完成2608。2萬輛和2627。5萬輛，連續13年保持全球汽車產銷量第一。但更重要的是，自動駕駛技術正在逐步下放，並在乘用車上落地應用。在今年上半年，國內具備組合駕駛輔助功能的乘用車達到228萬輛，市場滲透率升至32。4%，同比增長46。2%。

規模所帶來的優勢之一是，資料量。

張亞勤在2008年曾經提到過一個觀點：“未來最珍貴的資源不是石油，而是資料和演算法。”這一觀點放到今天的自動駕駛產業，依然適用。

像目前百度的L4無人車，收集的資料量就達到2TB/臺/天，其中包括了感測器、感知結果、車輛狀態等全量資料，每天百度自動駕駛車隊的資料總量達到300-400TB。而一般量產乘用車，包含高價值的資料，如特殊場景等，上傳資料量也能達到約11G/車/月。

而資料的最大用途是驅動自動駕駛體驗持續提升，也就是所謂的“資料閉環”。比如，模型訓練閉環：在發生一些極端場景的時候，採集車外的環境資料，回傳到雲端，進行資料標註、資料清洗、模型訓練等，迭代出新的模型，經過模擬環境的測試和驗證、實車上的測試和驗證後，最終實現軟體更新。

規模所帶來的優勢之二是，成本下降。

“在感測器方面，比如鐳射雷達，中國這幾年已經在快速創新和落地已經比美國做得好了。”在張亞勤看來，美國最早在做鐳射雷達的時候，機械式鐳射雷達要幾萬美金，而現在像禾賽科技、大疆車載、華為等等的一批企業，把鐳射雷達的成本降到了1000美金以內，這個時候就可以大規模量產上車了。

誠然，歐美市場目前主要是在L4級無人車搭載鐳射雷達，並且大多是機械式鐳射雷達，外觀突兀且無法滿足乘用車的車規級要求。而中國汽車產業率先將半固態鐳射雷達，在乘用車上進行量產，並大規模交付給普通使用者使用。

高工智慧汽車研究院監測資料顯示，去年中國市場乘用車前裝標配搭載鐳射雷達數量還不到8000顆，今年1-9月，前裝搭載鐳射雷達的數量已達5。7萬顆，預計全年達12萬顆，增長10倍以上， 很多新型L2車已在開始使用鐳射雷達。

規模所帶來的優勢之三是，商業閉環。

張亞勤認為，若完全依賴單車智慧，corner case（長尾問題）將更難以得到解決，如果計算能力無法快速突破、硬體價格無法快速下降，則自動駕駛商業落地將需要很長時間。如果使用交通設施和周圍環境智慧（V2X），在資料感知，演算法魯棒性，安全冗餘等都會有大幅度的改進。自動駕駛的快速大規模應用必須依賴單車智慧和V2X的結合。

用更簡單的話來說，就是智慧的車，智慧的路和強大的雲。既有安全性和體驗的躍升，也有基建的覆蓋，以及車輛規模的提升和硬體成本的下降——由此形成商業閉環，並進入一個良性迴圈的狀態。

“在落地方案方面，我覺得中國是走在美國前面的，比如車路協同。北京在亦莊的‘高級別自動駕駛示範區’是全球最大的自動駕駛和車路協同測試基地。美國、歐洲其實講得很早了，但是真正做的快的、落地好的還是中國。”張亞勤說道。

去泡沫

不可否認，隨著自動駕駛產業的發展深入，會有越來越多新玩家半路出道、乘機而入，試圖在繁榮的資本遊戲中分一杯羹。而如今，“過熱期”已然結束。

根據Gartner曲線對於新興技術發展週期的描述，一個事物從萌芽到成熟，必然要經歷萌芽期、過熱期、低谷期、復甦期、成熟期五個階段。當下這個階段，企業開始退出、資本逐漸冷靜，似乎是一個低谷期的開始，也意味著企業更需要靜下心來。

據睿獸分析的資料顯示，2022年1-10月，國內自動駕駛領域已發生67筆融資事件，披露融資額累計達143億元，對比2021年同期，融資事件、融資額分別下降了約32％和61％。

在張亞勤看來，“這個產業（自動駕駛）沒有泡沫，可能有些公司有些泡沫，這部分VC的感知會更前、更準確一點。他什麼時候開始撤了或者不投了，就是一個訊號。”另外，他還明確提到，中國的Robotaxi公司現在是多了點。

言外之意，Robotaxi這條細分賽道有些過分擁擠了。

背靠谷歌的Waymo，是Robotaxi自動駕駛出租車領域的“鼻祖”。2017年，摩根斯坦利對Waymo給出的估值達到700億美元；2018年，其估值更是暴漲到1770億美元，相當於當時四分之一個谷歌。其中，Waymo的自動駕駛出租車就佔到800億美元。可見，當時業內對Robotaxi的未來前景極度看好。

轉折點出現在2018年，Uber無人車在路測中出現致命事故，一名女性在過馬路時被無人車撞倒並最終導致其死亡。這起致命事故，讓原本“急速前行”的自動駕駛突然踩下“剎車”。

時至今日，大多數的Robotaxi仍只在小範圍進行試運營，車上需要安全員進行監督或者隨時接管。就連號稱“自動駕駛一哥”的Waymo，也只在美國本土的部分地區去掉了安全員，但距離大規模上路、徹底無人駕駛仍有很長的路要走。此時，Waymo的估值也從3年前的1750億美元一路下滑至300億美元。

Robotaxi的估值神話破滅，本質上是促使行業往更底層的領域去探索，而非停留在自動駕駛演示的“幻象”之中。

從產業鏈角度來看，中國自動駕駛急需重視的是“缺芯”和核心軟體問題。

“我現在覺得做汽車晶片公司太少了”，在張亞勤看來，美國由於起步時間早，技術積累深厚，在自動駕駛的底層實力方面更強一些。比如，英偉達、高通、英特爾旗下的Mobileye，都是業內炙手可熱的美國晶片公司。

早年間，Mobileye靠“演算法+晶片”的打包方案大殺四方，如今則是英偉達的大算力晶片Orin X大受追捧。目前，已經大規模量產上車的Orin X晶片，單顆算力為254TOPS（處理器運算能力單位）。

然而，英偉達在今年又推出了新一代的DRIVE Thor計算平臺——可實現最高2000 TOPS AI算力以及2000 TFLOPS浮點算力，把晶片算力“卷”到了雲霄。

而中國的自動駕駛晶片公司，目前主要還在創業成長階段。

比如，地平線的最新徵程5晶片，採用臺積電16奈米工藝，單顆晶片AI算力最高為128TOPS，目前在理想L8 Pro車型上首發量產。資料顯示，地平線征程系列晶片累計出貨量已突破150萬片。在今年10月，大眾汽車集團宣佈投資地平線，投資金額約為24億歐元。

再比如，獲小米長江產業基金投資的黑芝麻智慧，目前已經量產了華山二號A1000系列晶片，INT8 算力達到了106TOPS、INT4 算力196TOPS。此外，黑芝麻智慧的A1000晶片已獲得江汽集團、吉咖智慧（吉利）等多個車企的定點訂單。據瞭解，黑芝麻智慧還計劃在明年釋出效能超過英偉達Orin系列的下一代晶片。

除了來自晶片產業鏈的挑戰之外，在作業系統、軟體演算法等等的底層能力方面，中國自動駕駛產業仍需要臥薪嚐膽。“特別是現在由於地緣政治，我們在每一個產業的每一個地方都要有自己的佈局。”張亞勤總結道。

決賽在2030

對於終局來說，自動駕駛需要解決的核心問題之一是，安全。

那麼，到底需要多安全，才能算安全呢？

在張亞勤看來，自動駕駛車輛的安全標準需相較人類駕駛提高至少一個數量級，達到十倍於人類駕駛的安全係數。舉個例子，如果人開車是3萬公里出一次事故的話，那麼自動駕駛車輛就要做到30萬公里一次。

不僅如此，自動駕駛還將會極大地提升交通安全。世界衛生組織的《道路交通傷害報告》中指出，全球每年有135萬人死於交通意外。其中95%以上是人為錯誤導致的，而人工智慧的介入可以大幅降低人為事故隱患。

然而，自動駕駛汽車要實現高於人類駕駛十倍的安全，並非一蹴而就。在張亞勤看來，有幾個具體的技術挑戰需要逐步去解決。

挑戰之一是可泛化性。

“我們現在做人工智慧演算法往往是處理一些特定任務，但現實的交通場景十分複雜，包括天氣、交通狀況、突發事件等。你的演算法是不是可以應對不可預測的事件，這是演算法的一個泛化性的問題。”張亞勤表示。

最近幾年典型的事故，就是自動駕駛撞上側翻的大貨車，側翻的貨車車頂缺少紋理特徵，看起來就像白色的雲，這種情況下僅依靠視覺的自動駕駛無法判斷距離。隨著技術的改進、車載鐳射雷達的低成本大規模普及、多模態資料融合感知的發展，這樣的事故風險會逐漸降低，但是真實世界遠比這要複雜。

其次，挑戰還來自於規模化。

自動駕駛從測試到大規模商業部署，對技術本身的完全性提出了更高的要求。在張亞勤看來，“不管是演算法也好，系統也好，硬體也好，晶片和作業系統也好，要把它們都完美的整合，並且不能犯錯誤，這是一個很難的事。”

舉個例子，自動駕駛車輛需要一系列的感測器來共同完成感知任務。不同感測器各司其職。鐳射雷達可以直接採集距離資訊，實現三維環境匹配及盲點探測；而攝像頭則可以實現物體的快速辨認和車道識別，所採集的資訊包含色彩和更多細節；在惡劣天氣下，相較於鐳射雷達和攝像頭也會有更好的表現。所有感測器聯合起來構成對車輛所處環境全方位的立體掃描。

歸根結底，自動駕駛也是一個複雜的狹義人工智慧問題，可以被分解為有邊界的子領域技術問題。張亞勤認為，“它更多的是一個特定任務的認知，儘管很複雜，但還是可以解決的，所以說無人駕駛是可以實現的。”

當問及“無人駕駛最終何時落地”時，張亞勤的回答是：“我預估2030年吧”。話語間雖有些猶豫，但他又進一步解釋道：“目前已經開始有不少企業開始嘗試商業落地。我認為當10%的新車是無人駕駛的，那麼就開始有規模效應了， 就落地了“。當然這是指在開放環境下的乘用車。無人駕駛在礦區，景區，物流等場所會更快規模化。

最後，張亞勤還呼籲：“我們步子可以稍微走快點，下一步把安全員拿走，車裡面就不要有人了，要真正這樣做測試。這是個雞和蛋的問題，你要是不這麼測試，那你不可能有質的飛躍。”

寫在最後

終點是明確的——無人駕駛，時間表也逐漸明瞭——2030年，挑戰更是清晰可見的——安全。但唯一不夠清晰的是，具體的實現路徑和方式。而這需要行業各界一同探索和努力。

本質上來講，自動駕駛本身不是單一的汽車行業問題，而是跨領域、跨學科的人工智慧難題。正如張亞勤院士所言，自動駕駛是未來5年AI領域最具挑戰和最複雜的任務，也是推動全球汽車工業變革最重要的技術力量。

這也是為什麼，張亞勤要籌建清華大學智慧產業研究院（AIR）的重要原因。AIR的戰略很清晰：一是培養技術領軍人才，特別是具備國際視野的CTO和具備系統思維的架構師；二是推動關鍵核心技術的突破；三是打造產業影響力。目前AIR已經有近200位教授，研究者和學生， 1/3在從事和自動駕駛和智慧交通相關的研究和產業化。

在面對未知且多變的技術變革時，只有把學術界、科研界、產業界的力量集合在一起，才能起到決定性、顛覆性的作用。

俗話說得好，孤舉者難起，眾行者易趨。