一文看盡「自動駕駛90年歷史」，人工智慧入場，廠商關係往哪走？

「自動駕駛」，或稱「無人駕駛」,並不是一個新鮮的辭彙，認真追溯起來，其實早在1925年，就誕生了人類歷史上第一輛「無人駕駛汽車」, 至今已近百年。

當時是由一位來自美國陸軍的電子工程師Francis P. Houdina，通過無線電波來控制前方車輛的方向盤，離合器，制動器等部件來完成的，雖然很不完美，但可以被視作為人類無人駕駛汽車的雛形。

自動駕駛的發展歷程

我們通過時間軸的方式來回顧一下自動駕駛的發展歷程：

圖1-自動駕駛發展歷程——1925年至2015年

圖2-自動駕駛發展歷程——2016年至今

從行業發展歷程中可以看出以深度學習為突破的「人工智慧時代」大風口下，自動駕駛被給予了前所未有的關注，包括互聯網公司，傳統車廠，新興創業公司，各路資本爭相競逐，而最近Intel以153億美金的價格收購Mobileye更是將「熱度」進一步提升，那麼到底應如何看待自動駕駛這一波浪潮的發展？我們認為：

自動駕駛是人工智慧的終極場景，沒有之一

首先，人工智慧的發展依賴於四個基本要素：計算力、海量數據、演算法與決策、以及感測器的數據採集，而對於實現完全的無人駕駛同樣高度依賴於這四個基本要素，並且缺一不可。

自動駕駛的技術原理（下圖）：

其次，當前人工智慧的主要細分技術，包括機器視覺，深度學習，增強學習，GPU，機器人、感測器技術等均在自動駕駛領域發揮著重要的作用，甚至行業發展的瓶頸主要在於這些人工智慧底層技術上能否實現突破。

最後，人工智慧本身越來越需要與應用場景結合才能最大限度地轉化技術上的創新和突破，因此考慮到汽車行業本身的體量以及與相關行業的關聯度，可以說自動駕駛是人工智慧實現場景落地的最重要方向，甚至沒有之一，這也是為什麼其備受各方關注的原因所在。

在自動駕駛這條道路上，已經走到哪一步？

簡單來說目前的發展路徑可以分為三大類：

1，以Google, Uber等為代表的互聯網公司，通過價格高昂的感測器（激光雷達為主），「一步到位」地實現完全無人駕駛；

2，以汽車廠商，Tier 1等為代表的傳統公司，從ADAS切入，「漸進式「地從輔助駕駛實現到無人駕駛的過渡；

3，最後一類是以Tesla等為代表的新興公司，在感測器與應用場景上相互妥協，模式介於1和2。

如何看待這樣的發展路線？

真正的自動駕駛是強人工智慧，仍然任重道遠

無人駕駛所面臨的問題：

1、感知與決策演算法本身仍不可靠，無人駕駛所面對的環境是完全開放的，天氣，光線，突發的路況，和有人駕駛汽車的共存等問題在要實現100%安全的命題下，技術的魯棒性仍然不足；

2、以激光雷達為代表的核心感測器的成本仍是商業化量產的最大阻礙；

3、政策，法規，以及車輛聯網基礎設施的建設都超出了汽車行業本身的範疇，是一個複雜的系統工程。

因此，如果回到人工智慧本身，目前大部分相關技術的創新和應用仍在弱人工智慧範疇。自動駕駛作為人工智慧的終極場景，無人駕駛與強人工智慧的實現一樣，是一個需要長期發展的過程。完全的、開放的無人駕駛也許不是目前所能想到的樣子，甚至最終實現無人駕駛的載體也不會是「汽車」，亦或很難被定義為「汽車」。

對於自動駕駛的理解需要回歸到汽車行業本身，汽車發展的趨勢是什麼？電動化，智能化，網聯化。自動駕駛實際上是汽車在自動化水平上的智能化提升，驅動力在於汽車產業，準確說是汽車電子產業的優化升級，有數據統計近10年以來汽車產業70%的創新來源於汽車電子技術的升級，其目的是為消費者提供更加安全，舒適，節能的有競爭力的產品。

而以互聯網公司所代表的新興技術公司也促進了這個過程，但並不代表他們是唯一或最重要的玩家，Google最近將無人駕駛汽車項目轉為獨立的經營公司——Waymo，並強調「這家公司不會自己製造無人駕駛汽車，而是開發驅動無人駕駛汽車的技術」正是說明了這一點。

車廠與技術廠商合作關係

那麼從汽車電子產業升級的角度，作為早期投資者針對初創領域，我們認為目前的投資機會有哪些？

感測器技術公司

無論是從汽車安全或駕乘體驗提升的角度講，感知環節都是產業升級中的最先受益者，因此感測器的重要性不言而喻，目前大量的初創公司選擇在這個領域創業也可說明。

事實上感測器的重要性來自於兩個方面，第一，感測器決定著數據採集的質量，數據的質量決定著演算法使用效果，特別是汽車領域，目前仍不存在「一步到位」的感測器解決方案，數據的質量至關重要。第二，感測器的成本與產業升級的速度強相關。

可關注的價值點：

數據融合在硬體層面的解決方案：數據融合本身是感測器的重要命題，好的融合意味著好的數據質量，如果能從硬體角度解決此問題一定會有很大價值；

2. 低成本可量產的解決方案：可以生產與可以量產有本質區別，工藝及供應鏈層面的價值很重要。

限定場景下的自動駕駛技術公司

目前可以最大限度發揮人工智慧相關技術的領域實際是在限定場景下實現的，比如AlphaGo，讓大眾第一次見到了深度學習的威力。同樣在限定場景下的自動駕駛才是可行的技術路線。可能的限定場景如：封閉/半封閉區域、低速/高速狀態、有軌交通、特種車輛等。

1. 整體集成的能力

2. 不同邊界條件下系統控制的魯棒性

3. 數據積累（作為供應商是很難拿到屬於整車廠的數據）

需要補充說明的是我們在這裡沒有強調演算法的機會，原因在於無論在數據採集，融合，分析決策，控制，路徑規劃等各方面，具備優異的演算法能力是在這個領域創業的前提，當然具有投資價值，但要走出一個誤區就是機器視覺（CV）不等於自動駕駛，光有演算法也很難在這個領域點石成金。

自動駕駛的本質是產業升級

既然將自動駕駛看作為汽車電子產業升級的一個過程，我們就不能忽視固有汽車電子的產業鏈及利益格局。這是一個發展十分成熟，分工與分利也非常明確的產業鏈。

也許會有一些悲觀的觀點認為這其中的價值不大，或者認為新進入者很難撬動固有格局。我們不否認在這樣的領域的創業之難與泡沫的存在，但汽車的智能化並不完全等於駕駛的智能，技術驅動與跨界融合一定會推動著利益格局的變化，最終使產業升級優化，正是在這樣的優化過程中存在著價值巨大的商業機會。

本文作者：高天垚聯想之星投資副總裁

?精彩評論

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！