如何看待智能汽车和自动驾驶的结局

声明：本文基于公开资料撰写，仅作为信息交流，不构成任何投资建议。

本文主要探讨乘用车自动驾驶的技术和商业路径，商用车的自动驾驶并不在本文里讨论。

目前，乘用车自动驾驶的公司大概可以分为三类。第一类是类似于苹果（NASDAQ：AAPL）的闭环系统，关键组成部分比如芯片和算法都自己做，特斯拉（NASDAQ：TSLA）是这么干的，部分新势力车企也希望逐步走上这条路。第二类则是类似于安卓的开放系统，有的厂家做智能平台，有的厂家做汽车，比如华为和百度

（NASDAQ：BIDU）有这方面的意向。第三类，则是robotaxi（无人驾驶出租车），比如Waymo等公司。

本文会主要从技术和商业的发展角度分析这三种路线的可行性，并探讨一些新势力造车或自动驾驶企业的未来。不要看轻了技术，对于自动驾驶而言，技术就是生命，关键的技术路径就是战略路径。所以本文也是对自动驾驶战略不同路径的探讨。

01

软硬件一体化的时代已经到来，以特斯拉为代表的＂苹果模式＂是最佳路径

在智能汽车尤其是自动驾驶领域，采用苹果闭环模式，既能让厂商更容易优化性能，又能更快速的对消费者需求做出反馈。

首先讲性能问题，性能对于自动驾驶至关重要。超级计算机之父Seymour Cray曾说过一句很有意思的话，“Anyone can build a fast CPU． The trick is to build a fast system”。

随着摩尔定律逐渐失效，简单的依靠在单位面积上增加晶体管数量来增加性能的方法，迟早是不可行的。而且因为面积和能耗的限制，芯片的规模也是有限制的。当然，目前特斯拉的FSD HW3．0（FSD全称为Full Self－Driving，即全自动驾驶）还只是14nm制程，还有提升的空间。

目前绝大多数的数字芯片是基于存储器和计算器分离的冯诺伊曼架构设计，这造就了计算机（包括智能手机）的整个系统体系。从软件到操作系统到芯片，都深受其影响。但是冯诺伊曼架构并不完全适合于自动驾驶所依赖的深度学习，需要改进甚至突破。

比如存在计算器跑的比存储器快的“内存墙”，这会导致性能问题。而类脑芯片之类的设计，确实有架构上的突破，但跨越的太远，未必能很快应用上。而且图像的卷积网络可以转化为矩阵运算，未必真正适合类脑芯片。

所以，随着摩尔定律和冯诺伊曼架构都遇到瓶颈，未来的性能提升，主要需要通过Domain Specific Architecture（DSA，特定领域体系结构，可指代专用处理器）来实现。DSA由图灵奖获得者John Hennessy和David Patterson提出，是往前跨越几步又跨越的不过分远的创新，是马上就能实践的思路。

我们可以从宏观上理解一下DSA的思路。通常目前的高端芯片有几十亿到上百亿个晶体管，这些数量巨大的晶体管如何分配职能如何连接如何组合，对于具体某个应用的性能影响很大。未来需要从软硬件的整体着眼，打造“fast system”，依靠优化调整结构取胜。

再举个例子讲讲DSA。实际上手机和终端生态，某种程度上也在采用DSA的思路。比如手机上也有GPU（图形处理器），那是单独处理视觉数据的。手机上也有神经网络加速器，那是为深度学习服务的。苹果最新推出的Mac上的M1芯片，也是走的这个思路，有GPU，有深度学习加速器，据评测，对许多特定应用的性能提升相当大。

当然，智能汽车的DSA道路，会走的更彻底更深入，因为自动驾驶是特定芯片跑特定应用，不用考虑生态的问题。

特斯拉的FSD HW就是专门为Autopilot设计的，可以尽情地在软硬件两端优化。比如卷积运算占比非常高，那就可以对卷积运算并行化处理并特意去优化，这样可以极大提升整体的性能。

根据特斯拉提供的数据，以一个特定的处理摄像头数据的神经网络为例，该神经网络处理一帧图像需要350亿次运算，传统的CPU每秒只能处理1．5帧图像，压根不能满足自动驾驶的需求，而特斯拉的FSD HW 3．0每秒能处理2100帧，这才能够满足目前的需求。

说明一下，依照这个数据，FSD HW 3．0总计算能力是35G＊2100＝73．5TOPS（1TOPS代表处理器每秒钟可进行一万亿次），考虑到数据的一些四舍五入或者精度上的误差，基本是符合特斯拉宣称的72TOPS的数据的。

无论是云端的训练，还是终端的推理，都可以通过DSA进行很好的性能优化。比如特斯拉的DOJO是针对云端的训练，这不光是从算法到芯片，还需要分布式机器学习。而FSD HW 3．0则负责终端的推理，性能比竞争对手的更强劲。

闭环模式有利于快速响应消费者需求。比如，算法和数据的分离，会导致改进起来更困难。各种corner case（这里特指极端情况），有的可能需要同时调整算法和数据，那么不同公司的协调就会成为问题。

总的来说，特斯拉采用的闭环模式，既能帮助提高性能，又能快速响应消费者需求，是目前自动驾驶的最佳方案。

02

“安卓模式”在智能汽车领域不是个好方案

许多人都认为，自动驾驶时代，也有智能手机领域的苹果（闭环）和安卓（开放）之分，也会有Google这样的重核级软件提供商。我的答案很简单，安卓路线在自动驾驶上走不通，因为其不符合未来智能汽车技术发展的方向。

当然，我并不会说特斯拉蔚来等公司连每个螺丝钉都要自己做，许多部件还是要买配件厂商的。但最核心的影响用户体验的部分，肯定都是要自己做的，比如自动驾驶的各个环节。

在第一节中已经讲了苹果的闭环路线是最佳的方案，实际上也就论证了安卓开放路线在自动驾驶领域并非最佳方案。

智能手机和智能汽车的架构不同。智能手机的重点是生态。生态意味着在ARM和IOS或安卓操作系统的基础上，提供各种各样的应用程序。所以，安卓智能手机可以理解为一堆通用的标准件的组合。芯片的标准是ARM，在芯片之上是安卓操作系统，再网上则是各种App。因为其标准化，所以无论是芯片，还是安卓系统，还是App，都可以很容易地独立成为一门生意。

智能汽车的重点则是算法及支撑算法的数据和硬件。而算法无论是在云端训练还是在终端推理，都需要极高的性能。智能汽车的硬件则需要对特定专门应用及算法进行大量的性能优化。所以只做算法或只做芯片或只做操作系统，长期看都会面临性能优化上的困境。只有每一块组成部分都属于自己开发，才容易进行性能优化。而软件和硬件的分离，会导致性能无法最优化。

我们可以这样比较一下，NVIDIA Xavier有90亿个晶体管，Tesla FSD HW 3．0有60亿个晶体管，但Xavier算力指标却不如HW3．0。而且据称下一代的FSD HW相比当前有7倍的性能提升。所以归因为特斯拉芯片设计师Peter Bannon及其带领的团队比NVIDIA的设计师更强，还是归因为特斯拉的软硬结合的方法论更好。我觉得软硬结合的方法论肯定也是芯片性能提升的重要原因。

具体情景我们可以想象一下，NVIDIA设计Xavier的时候没法做到特斯拉一样的有的放矢，他们的设计师无法知道客户的算法具体是如何运行的，只能依靠对NVIDIA自家算法的理解，和对客户算法的猜想，去设计芯片。

而特斯拉的芯片设计团队当然知道更多算法的信息，这样就很容易规划芯片的设计。比如卷积操作占比多，那就侧重多优化卷积操作。特斯拉公开透露的信息，就清清楚楚地告诉了卷积操作占比具体是多少，ReLU又占比多少。特斯拉内部团队肯定知道的细节比我们多。

而且，特斯拉不光是负责芯片的Peter Bannon和负责算法的Andrej Karpathy可以坐在一起商量，他们肯定会想办法在流片之前，利用类似于仿真或者其他方法来衡量芯片的性能，去寻找性能的瓶颈，然后不断优化。

对于NVIDIA和他们的客户而言，压根就没法做到这样亲密无间的合作。所以，特斯拉的软硬一体化的优化，比芯片和算法拆开在不同公司的做法更好。

算法和数据分开，也不是个好主意，不利于快速反馈消费者需求，不利于快速迭代。

所以，在自动驾驶领域，把算法或芯片拆开来单独卖长期看都不是个好生意。即使是英伟达的自动驾驶推理芯片，当然Orin这一代还会卖的不错，再往后一代可能依然能卖得出去，但是很可能越往后将会卖的越不好。因为性能和成本的缘由，各大新势力汽车厂商最终都会自己做芯片。

当然，被NVIDIA（英伟达）收购的ARM，是属于手机及终端生态的，和自动驾驶关系没那么大，所以应当生意会一直不错。

那么有没有可能一家公司把自动驾驶的算法芯片操作系统都做了，再提供给各大车厂。也就是说，智能汽车＝智能＋汽车，一家公司做“智能”，其他车企做“汽车”，再组合为智能汽车。

首先，车厂和平台的利益并不完全一致。比如因为利润分配的问题，很容易貌合神离，各有各的主意。

其次，面对消费者多了一个环节，反馈不如特斯拉及新势力造车企业快。假如出了交通事故，会不会有各个合作方互相推诿责任的事情发生。

另外，争气的汽车厂商都不会放弃自己掌握算法和数据的，而不争气的汽车厂商虽然可以放弃自己掌握算法，但因为不争气，所以也做不起来。

所以这套打造智能平台的安卓路线打法，长期看，并不是最佳方案。最终做得很好的新势力造车企业，估计都不会是走安卓路线的。这和智能手机不一样，在手机领域，安卓方案和苹果方案性能和体验差距不大，而在智能汽车领域则不一样，闭环路线会比开放路线体验好不少。

很长期的看，智能汽车领域是不会有wintel这样的巨型平台选手存在的。

当然，做从软到硬的闭环也没有必要一步到位。要根据用户需求和自身能力，逐步实现。即使是特斯拉，也是分成几步走的。

03

一步到位的Robotaxi路线，不是商业化的合适路径

现在的自动驾驶可能只能解放5％的时间，所以只有部分消费者愿意买单。随着这个时间的比例的逐渐上升，会有更多的消费者愿意购买智能汽车。所以，自主造车卖车的模式是可以逐步变现，逐步投入，逐步发展的。

而robotaxi路线则追求一步到位，因为完全的百分之百的自动驾驶要实现，估计是至少是10年后，也可能是20年后。而在这之间的时间，robotaxi是没法真正商业化运营的。

因为robotaxi不能遇到各种corner case就放弃自动驾驶了，那坐到半路的乘客怎么办。没法商业化，于是也就没法获取营收，没法将收入又继续投入到研发。

所以，追求一步到位做robotaxi的公司，很可能是欲速则不达，未必会很成功。而自己造车卖车的商业模式，是随着自动驾驶的进步，逐步商业化。每前进一步，都能卖车，而且能卖的越来越多，都能有收入，都能积累数据，然后促进研发。

而且，等到自动驾驶都实现了，那时候做robotaxi已经是水到渠成了。所以，一路胜利的战果，会被自主造车企业摘取，robotaxi创业企业只能干看着。

最终的战果，也会被逐渐壮大的自主造车企业摘取，因为到完全自动驾驶的时候，自主造车企业都至少是千亿营收了，力量强大且具备自我造血功能，靠融资活着的robotaxi创业企业如何与其竞争。

04

华为与苹果自己造车的可能

有许多人认为华为可以做智能汽车的安卓平台，其实不然，根据上文的分析，安卓路线未必行的通，华为未来自己造车的可能很大。

华为当前要么是在养精蓄锐积聚经验等待未来合适的时候开启自主造车之路，要么是判断错了未来。因为，未来不是一堆汽车厂商，而是极少数几家从软到硬都很厉害的企业。所以，做“安卓”平台，卖给谁是个大问题。

华为当前的汽车业务有三个结果 1）不成气候并放弃 2）不成气候，然后开始自己造车 3）不怎么成气候，然后放弃做平台并做减法，只做类似于激光雷达这样的部件。

智能汽车市场如此巨大，华为不会放弃的。把智能汽车做好，以其市场规模估算，可以再造几个华为。华为对于造车是有一定准备的，从软到硬都在努力，所以我觉得第二种可能性最大。

华为有从软到硬的实力和从上到下的狠劲，所以华为自己造车成功的可能性不小。从云端芯片到终端芯片到深度学习平台，华为都在努力，而且做的都还有些成果，这都是打造智能汽车和自动驾驶所需要的。

如果苹果愿意加入造车的队伍，也有不少胜算。但苹果那种产品不做到位就不推出的性格，在智能汽车领域可能反倒是块绊脚石。毕竟，自动驾驶是渐进的过程，要不断积累数据，要万事俱备再出手，那得等到什么时候。

05

百度起了个大早，却未必能赶上晚集

认真看看百度的自动驾驶战略，大概是既想走安卓路线，又想搞robotaxi。而前文已经讲过，这两条路都不好走。

走安卓路线，应该和哪位猪队友合作呢？毕竟牛队友都会自己努力去做全栈的软硬件。而做robotaxi，要等到猴年马月才能真正大规模商业化呢？

那么百度自己造车会如何呢？且不论百度会不会真的自己开始造车。即使百度想，也未必能做成。因为百度的硬件功底不如华为扎实，而且执行力一般。至少在几大互联网巨头里，过去这些年是属于不太能打的那个，BAT并称的说法，大家都不提了。

威马大概就是那位和百度合作的队友，两家公司的战斗力本身就不属于最强队列，估计未来活下来的智能汽车几强，很难有百度＋威马的身影。

06

人才是核心

各大车企是在和特斯拉竞争，也就是和Elon Musk竞争，是和Andrej Karpathy和Peter Bannon这样的人才带领的团队去竞争。自动驾驶这场大战，要求公司具备从上到下的科技能力，不是简简单单投点钱再招几个工程师就能解决问题。

试问各大车企的CEO究竟是不是懂一点点深度学习的原理，这毕竟是自动驾驶的基石。如果CEO完全不懂，那么怎么有能力招来合格的自动驾驶算法VP，软件工程VP，你怎么判断哪些人是真正的高手，何况技术高手也会投奔更懂技术的东家。那么有勇气把不合格的CEO换掉吗？我看几乎没一家传统车企有这样的决心。

自动驾驶的人才有其特殊性。几乎所有人都知道搞自动驾驶需要合适的人才，但大部分人会觉得应该去招现成的做自动驾驶的人。按照常规的惯性思维去思考，那这个思路是对的。比如我要做汽车工程，于是我要找做汽车工程的人。但对做自动驾驶则并非如此。因为这些现成的人才里面，除了特斯拉，有做的比较靠谱的吗？有做到未来两三年能商业化的吗？几乎没有。

于是要回归本质，包括特斯拉以及新势力造车在内的这些公司，都走的是视觉为主的路线。视觉这块是无论如何都绕不过去的，而且视觉是自动驾驶最难的部分。所以，最需要的是顶尖的研究深度学习视觉的博士，类似于特斯拉的Andrej Karpathy和蔚来的任少卿。

招顶尖的视觉人才，让他们去学习如何去做自动驾驶，这条路子更靠谱。其他部分对于这些聪明人来说，学习起来都很快。当然，没有花过时间去学习的人不会明白这一点。特斯拉已经证明了这一点，特斯拉做autopilot，换了几波人，都做的不好，等找到了做深度学习视觉出身的Andrej Karpathy，特斯拉才算找到了合适的人。

要和自动驾驶的技术与时俱进，就要求要去阅读关键的有用的论文，以获取当前学术界最先进的知识，并挖掘和分辨优秀人才。如果有能够谈得拢可以一起合作的话，要把人才放到合适的位置上。比如有的人涉猎很广学习能力强擅长抓住本质，适合做架构。而有的人则在某些领域钻研很深，适合去突破某些领域如算法上的瓶颈。

在深度学习尤其是视觉领域，好多关键的优秀论文都是中国人写的。各大车企要先努力把我们自己的顶尖人才聚拢起来，然后逐步也把全世界的人才也聚拢起来。

所以我觉得自动驾驶这一战，中国车企是有希望的。比如蔚来就招来了任少卿，并把自动驾驶研发中心由以国外为主转向以国内为主，将虚高的市值（估值）放一边，这毫无疑问长期看是一招好棋。

好消息是还有不少人才散落在世界各地，坏消息是好多车企还是迷迷糊糊不知道如何分辨。稀里糊涂的找个二流的号称做过几年自动驾驶的人，可远不如找一个有能力有潜力的深度学习高手。还要注意不要看轻了年轻人的潜力，许多优秀论文都出自年轻博士甚至在读博士之手，这些人刚好二三十岁，很年轻，但在自动驾驶领域却是当打之年。

07

残酷的终局

每个人都在谈论智能汽车和自动驾驶的终局，那么终局会如何？

自动驾驶肯定会逐步实现，因为现代传感器＋计算机＋大数据平台的能力，比人眼＋人脑在开车这件事情上，终究会强好多。人可以做到同时眼观八方吗？可以同时观察前后左右的车辆吗？

做不到，而计算机可以做到。计算机在驾驶方面的计算能力，长期看，也会比人类强。而且计算机在分享和积累各种经验上，经由大数据平台，肯定比人类更强。所以，长期看，电脑和大数据平台在驾驶上能干的事情，比人类要强大得多。

前途光明，但对于各个参战选手来说，智能汽车这一战会好难打，结果估计会很残酷。现在看着很热闹，但因为门槛极高，从软到硬都不能有短板，所以最后活下来的估计就少数几家。多数传统厂商，面对自动驾驶，大概是有心无力，未来会处境尴尬，再过几年面临淘汰。不要嘴硬，连FOTA（无线固件升级）都没搞定，还搞什么自动驾驶，搞什么智能汽车呢。

智能汽车＝电动＋自动驾驶＋智能座舱，而自动驾驶最难而且能做出差异化，所以是重中之重，是决定性的关键点。特斯拉已经把门槛提的很高。当然，这实际上是因为智能汽车尤其是自动驾驶，本来门槛就极高。只是特斯拉会是第一个达标的企业。

特斯拉在自动驾驶领域也没有太多纯理论上的秘密，几乎所有的从0到1的关键知识都在现成的论文里。但是把论文里的知识揉碎架构，做到工程级别并商业化也是非常艰难的。所以，中国车企在自动驾驶大战中有机会，但不是所有车企都有机会，因为门槛实在非常高。

比如包括时间维度在内的4D训练，比如如何把多摄像头拼接为鸟瞰图，比如打造类似于DOJO这样的训练平台，比如如何做到舰队学习和影子模式，这些都不容易做好。

以鸟瞰图为例简单讲讲，在十字路口转弯，不仅需要前视摄像头或雷达的信息，也需要了解十字路口左右两方路面的信息，这就需要多个摄像头或雷达数据融合的鸟瞰图。这些技术问题，估计好多车企都没有认真思考过。

但是也不要小看个别新势力造车企业。虽然现在看上去和特斯拉，和传统车企相比，销量还比较小。但要看到，即使只发布两三款车型，但背后的能力是正在形成。

而许多传统车企，虽然现在凭借着惯性还能卖不少车。但等到智能时代来临时，真正厉害的是那些具备科技和智能能力的企业。许多传统车企，连FOTA都搞不定，还谈什么自动驾驶。不具备科技能力的传统车企，大多会倒闭，破产，被兼并或转为代工。

而且中国企业在中国场景上有本土化的优势。以国内市场为起点，最终走向世界也是很有希望的。

未来人们的汽车交通乘坐需求会分为两部分。有一部份人希望拥有私密的空间，于是会考虑买车或长期租车。而许多时候很多人则会使用robotaxi。当然，闲置的私人车辆也可以加入到robotaxi的共享网络中去。

robotaxi ＝ robo ＋ taxi。而robo不止特斯拉一家，应该有几家，所以需要一个taxi平台。有人会说，特斯拉也可以做一个taxi平台，但这样的话，其他家车企或企业也可以做taxi平台，那样就不止一个平台了。而消费者并不需要太多的taxi平台。于是经过竞争，最终还是极少数的平台胜出，而且一家独大的概率很高。

目前的taxi平台做的好公司，比如滴滴或Uber，很可能在未来和robo做的好的公司，比如特斯拉及做的好的新势力造车的企业，会合作起来。

而且现在汽车强国的格局未来会发生巨大变化。简单的说，中国和美国会是笑到最后的赢家，而传统汽车强国日本和德国则会因为赶不上形势而哭的很厉害。