九月初的美国劳动节，硅谷遇上创历史纪录的热浪，出现了几十年难遇的40度高温。目前创投界同样也有两个热火朝天的领域：一是比特币与ICO，另一则是自动驾驶。

16年3月通用汽车宣布收购自动驾驶初创公司Cruise Automation，两月后以5.81亿美金成交。在之后一年多里，自动驾驶领域急剧升温，各类软硬件相关公司相继涌现。17年的CES也被调侃为车展，汽车尤其是自动驾驶相关展位备受瞩目。17年3月Intel以153亿美金收购Mobileye，将此轮热潮推至新高点。随之而来的是领域公司估值的节节攀升：据KPMG统计，17年2季度美国初创公司种子和A轮投前估值中位数分别约为600万和1500万美金；相比之下，自动驾驶领域公司A轮投前3000万已算低估值，5000万以上也不少见，个别已1亿左右。数家公司估值已达数亿美金，比如独角兽的ZOOX和Quanergy；以及Velodyne，Drive.ai，Nauto，nuTonomy，DeepMap，图森，Momenta，等等。科技巨头们如Google，Apple，百度，Tesla，Uber均也重金投入。

作为科技投资者，我们坚信自动驾驶是一影响深远的未来趋势。与什么时候能买到质量过硬的Velodyne64线激光雷达相比，自动驾驶的最终实现是确定的，但同时我们也认识到其技术发展和商业化将是一长期过程，长于目前高估值高投入背后投资者与创业者的预期。当然，这里不排除部分投机性的创业和资本，寄希望于热潮中短线的收购机会。在接下来有限的篇幅内，我们将讨论领域一些方面的发展与挑战，以及投资观点。相信大家已阅过数篇关于领域的介绍／报告，我们就不赘述相关基本概念和框架。唯一需说明的是这里对自动驾驶的定义为SAEL4和L5，即车辆一旦进入自动驾驶状态，则无需任何人为监控和干涉（图1）。

SAE自动驾驶分级

SAE自动驾驶分级

传感器组合一直是个热议话题。目前的讨论围绕两个阵营：以激光雷达为主，和以摄像头为主。其实这样的观点仅仅反映出当前技术发展阶段，而最终自动驾驶的实现一定是至少三类传感器（摄像头，毫米波雷达，激光雷达，其它非环境感知传感器除外）的同等融合，不存在主次之分。科技的发展经常受历史原因和便利性的影响，而不简单是纯粹技术之间优劣推理。

激光雷达为主的技术路径源自Google自动驾驶历史。回到09年，项目主要人员如Sebastian Thrun和Chris Urmson等还在Google X捣鼓。那时GPU还未盛行，ImageNet刚以一张会议海报的形式诞生，CNN（convolutional neural network）还未被挖掘出潜力，也不是所有公司都是人工智能公司。Thrun和Urmson教授身怀两届DARPA无人车挑战赛的经验，当时参赛车辆上也有一些摄像头，但老实说大家都不知道怎么用好，用得最多的还是各种激光雷达。在Google大佬们闹着要看demo的压力下，团队选择了延续DARPA挑战赛的技术经验与路径 － 激光雷达与SLAM（simultaneous localization and mapping），再结合Google地图的积累和优势，以激光雷达与其制成的3D地图作为核心技术。

8年后的今天，Google积累了大量经验，无疑是此路径的领跑者，也引来了相当多的效仿者。闹得沸沸扬扬的Google和Uber商业机密案体现出此路径对激光雷达的依赖。而真正符合汽车级规格的固态激光雷达，不论是OPA（optical phased array），MEMS（microelectromechanical systems），Flash，等，离成本合理的量产还有较远的距离。

另一方面，摄像头为主的路径源自汽车行业，与Mobileye不无干系，并受近5年来视觉算法大幅提升的影响。Mobileye图像处理芯片一路从后装做到前装，ADAS是专攻，除安全性外性价比一直是重要维度，必需符合利润空间狭窄的汽车行业要求。车企们首要目标是卖车，不是满足科技大亨们的blue-sky toy project，眼前的市场是ADAS，不是自动驾驶。近年来深度学习大幅提升机器视觉性能，Tesla主推的摄像头自动驾驶解决方案成为典型代表。当然Tesla的根本目的也是为了近期销量，大势包装的Autopilot无疑有过分炒作的嫌疑（大家猜猜Tesla车上装的8个摄像头有几个实际在被使用）。在最近不到两年内，国内外多起Tesla Autopilot相关车祸也揭示了其不成熟的传感器融合方案。

过分强调激光雷达或摄像头实际上从侧面说明了目前传感器融合技术发展的不成熟。比如不少人将毫米波雷达视为简单的障碍侦测传感器，作为不良天气和光线情况下的备用。实际上不论环境状况，雷达时常是传感器融合中第一步，由它先检测出周围环境中的障碍物和运动速度／方向，再由其他传感器识别确认。并且我们从对汽车产业链（从OEM到Tier-2）调研中了解到，毫米波雷达存在较大的性能和性价比提升空间，如通过提升各测量维度（距离，水平方位角azimuth，垂直方位角elevation）的解析度，可实现3D雷达成像（图2），从而大幅提高对环境场景的理解能力；同时通过多普勒效应生成的雷达标记对物体进行分类与识别，实现从detection到perception的升级。此外，毫米波雷达核心芯片的一体化将大幅降低雷达传感器的系统成本，提升单车雷达配置数量，从目前前后总共1-3个增加到车身一周5-7个。

米波雷达三维测量

毫米波雷达三维测量（左）及其对应的3D球坐标系（右）

传感器组合的硬件性能设定了自动驾驶环境感知模块性能的上限。算法不是万能，且算法性能的重要突破不少时候源自于相关硬件的变革与提升，比如目前风行的深度学习。环境感知作为自动驾驶SLAM和计划决策两个必需模块的输入，占据几乎首要的地位。与其它模块相比，环境感知尚存更多科学问题，不仅仅是工程优化。可扩展和成熟的自动驾驶方案应平等合理地使用各类传感器，达到互补及冗余。依赖任一传感器说明其它传感器还不好用或用不好。我们认为目前的传感器硬件和其软件融合离达到L4和L5还有相当距离。

与传感器相比，计算平台似乎受到（风险）投资者的关注较少。此块是巨头竞争格局，参与者包含Intel/Mobileye，NVIDIA，NXP/Freescale，Infineon，Qualcomm，Xilinx，等大中型半导体企业。了解车载计算对理解自动驾驶有指导性的意义。

首先相信大家已认识到那种塞满后备箱的CarPC风格的计算架构是不现实的产品设计。它代表着一种极度中心化的架构，将所有相关处理集中，甚至有人提出smarter compute，dumber sensors的理念。不少初创公司选择此架构，主要是为了更容易开发出demo，但也体现出团队对汽车电子的理解不足。此架构的扩展性和容错性较低，功耗巨大尤其对于纯电动车辆（整套计算系统可上千瓦），很难达到汽车级规格，也不符合车厂利益。如果换成符合汽车规格和功耗要求的计算平台，现有绝大部分demo会难做很多。

与消费电子不同，汽车电子的demo与实际产品可以存在巨大的鸿沟。用有限的计算资源保障算法的性能需要大量的反复实验和实车经验，而脱车离线demo（如针对某数据组的物体识别与追踪）在无计算资源和图像帧率等背景信息前提下参考价值非常有限。

另外我们看到OEM与Tier-1/2们正在对原本分散繁多的独立功能ECU（Electronic Control Unit）进行整合：首先将多个相关功能的ECUs并入单个ECU；更重要的是，用DCU（Domain Control Unit）代替分散的ECUs。以传感器为例，目前采用Mobileye方案的单目摄像头的CMOS输出对应一ECU，这块电路板通常包含一块Mobileye EyeQ3图像处理芯片与一个Freescale微控制器（图3）。如果车身装有多个摄像头，则需要多个这样的ECU。随着自动驾驶传感器种类和个数的增多以及融合要求的提高，此架构的系统复杂度和维护难度剧增。与之对比，2016年NVIDIA发布的Drive PX2 AutoCruise集成了Parker SoC和额外的CPU与GPU，可同时连接多个／类传感器并处理其间融合及后续操控，构成一个独立单元DCU，适用于ADAS应用（图3）。

除通用计算芯片外，DCU也可集成类似Mobileye之类的ASIC。未来自动驾驶很有可能采用混合式分布架构，包含几块负责不同功能模块的DCU（而不是众多分散独立的ECUs）。由于技术与非技术因素，其中某些模块会由OEM自己负责和控制，其它则由Tier-1/2供应商提供。DCU推广牵涉的因素包括：控制和降低功耗（目前NVIDIA AutoCruise与AutoChauffeur功耗分别为10W和250W，而Mobileye EyeQ3与EyeQ4为3-5W）；升级优化DCU间通讯，如在CAN bus基础上引入更高速率的Ethernet连接；调整AUTOSAR标准以适应异构计算和多核计算，等等。

Mobileye EyeQ3 ECU

Mobileye EyeQ3 ECU（左）与NVIDIA PX2 AutoCruise DCU ref. design（右）

自动驾驶带来的新要求让车载计算正在经历一场大的变革。由于汽车行业的长研发和产品周期，汽车电子与消费电子的较大差异，以及变革中涉及的各方利益和各种标准的修改制定，这个过程不会简短，并会对初创公司们的技术／产品影响深远。

当然自动驾驶所需的技术不止于传感器／环境感知与计算平台，还包括SLAM，计划决策，执行操控等。目前所谓的Autopilot实际只主要涉及环境感知和执行操控。在SLAM方面，绝大多数公司模仿Google技术路径，先扫描制作驾驶环境的高精地图，再在行驶过程中利用激光雷达／摄像头配合GPS/IMU/Odometry，抓取环境特征并与预制地图对比匹配完成定位。此方法的限制是对高精地图的依赖，需要先有地图覆盖才能行驶，每当环境发生变化就需更新地图，所以高精地图的覆盖和维护会成为部署扩展性的一瓶颈。

而另一地图路径则是以Mobileye为首的众包模式，但前提是任何驾驶区域内有足够多装有传感器车辆，且还需要强大的通讯和云端支持，目前这些还基本停留在概念阶段。我们也看到研究者们正在探索新的SLAM算法，如各类只基于摄像头的visual SLAM；及融合了深度学习技巧，对场景有更好的理解能力，目标是达到无需预制地图和更高的鲁棒性。但这些令人兴奋的研究离产品还有较远的距离。而对于计划决策模块，大多数初创软件公司积累甚少，但此模块恰恰是为什么人需要上驾校学开车的原因。所谓驾驶技术好坏很大程度上不在于司机能发现识别障碍物或者理解定位地图，而是通过经验积累对各种（包括模棱两可）驾驶情况的合理判断和决策。

自动驾驶是一个庞大的系统工程，所需各项技术研发以及整合能力对任何公司都是巨大的挑战，所需资金不是几亿美金能满足（大家猜猜Google自动驾驶模拟平台光每年消耗的电费有多少）。目前自动驾驶初创公司们的优势领域主要集中于传感器和部分软件系统，可做出不同程度的demo，但真正合规量产所需的技术远不止于此，与之匹配的产业链也很长。几乎没有公司能独立开发出完整的自动驾驶，更多的机会在于精通其中部分必需技术，成为部分模块组件的供应商之一。这里的黑天鹅是某大型科技公司买下某车厂完成深度的垂直整合。另外不少人严重低估实际造车难度，将OEM/Tier-1类比为消费电子类的硬件加工厂。然而汽车行业硬件和软件壁垒都很深，尤其对于优秀车厂，只是他们对部分自动驾驶技术较为陌生，以及应用对已有技术架构带来的变化较大。

除安全性外，自动驾驶的推广离不开驾驶／乘坐体验。如果用户在自动车辆中的乘坐体验（如速度和舒适度）比人为操纵平均水平差，自动驾驶商业化规模将很有限。而乘坐体验恰恰是车企有多年积累的强项，科技公司的弱项。尤其是执行操控模块，虽然不少领域科技公司声称这已是自动驾驶中解决的问题，但实际离车厂的技术水平差距甚大。相信坐过几次自动驾驶demo的人都有切身体会。对于汽车而言，不同型号款式车辆的各项操控变量完全不同，比如底盘任一轴长度变化半厘米就可完全改变车的整体操控。甚至同一品牌同一车型的不同车辆间的操控也有差别，直接影响执行操控模块的校准。当然，车企们在此块的技术也需按自动驾驶的新要求升级，比如操控精度更高的底盘。

另一影响体验的维度是使用灵活度。汽车的普及无疑与其大幅提升人们的出行自由度紧密相关。拥有汽车或其暂时使用权意味着用户随时可以想去哪里就去哪里，不论是日常交通还是举家迁移，这点在汽车渗透率高和崇尚自由文化的美国尤为突出。如果因技术（如对地图覆盖和更新的依赖）或监管原因明显限制了用户的使用灵活自由度，那么自动驾驶商业化规模会受到较大的制约。

有不少行业公司提出自动驾驶商业化不用等到私家车型的量产，可先以交通服务的形式变现。这里的交通服务一般指共享出行和物流运输。除之前提到的因素外，此类服务推广的需要运营商可持续经营状况的支持。

基于已讨论的各方面发展状况，我们认为至少未来五年内自动驾驶车辆的运营成本会很高，主要体现于软硬件技术成本，安全司机劳力成本，保险和维护成本。比如由于激光雷达和计算平台的较长研发周期，整套硬件成本会超出车辆本身单价。此点在目前研发车辆造价上就可见一斑。又如因系统安全性难以短期内到位，车内必需安全司机。不管人为干涉的频率和时间长短，都将明显削弱服务型自动驾驶的价值主张。额外的人工成本可参考各城市地铁或轻轨司机的薪金水平并适当打折，谁的工作难度系数更高尚有待讨论。再如因商业化早期不会是规模化的量产车辆，更有可能是后装改装车辆，其相应制造和维护成本将更高。另外专用地图的维护更新成本也是不可忽视的一部分。最后，自动驾驶服务的保险在较长一段时间内都不会低，因为保险公司需要时间去积累数据和建立承保模型，在此之前更可能会保守定价，由此带来的高额保费将限制服务规模。保费水平可参考目前加州自动驾驶测试资格所需保险费用，且注意测试车队规模一般不足10辆，最多不过百辆。

我们乐观地估算，非规模化量产加安全司机阶段的服务性自动驾驶车辆每辆车成本10-15万美金，外加单车每年运营维护成本5-10万美金。以共享出行为例，按目前Uber平均单价和接客频率计算，即使不算折旧，也至少需要3-4年才能挽回成本，届时车辆也基本耗尽使用寿命。换句话说，未来五年内自动驾驶出行服务只有烧钱而很难创造实质经济效益。据最新路透社报道，以自动驾驶商业机密窃取为由，Google将向Uber索赔26亿美金。一个尴尬却又带几分真理的玩笑成为自动驾驶领域近期最靠谱的商业模式。

虽然自动驾驶还有较长的一段路要走，我们仍应积极地肯定本轮自动驾驶热潮带来的技术积累，资本与人才投入带来的收获终将促成自动驾驶的真正到来。从20世纪80年代末欧洲政府发起PROMETHEUS计划，到21世纪初的美国的DARPA挑战赛，再到2009年以来科技公司们兴起的首次工业界自动驾驶发展，我们认为自动驾驶还需经历一次技术升级并克服一系列非技术障碍才能迎来上规模的商业化。终究归根于汽车行业技术要求高，产业链长，牵涉其它行业及既得利益也不少。

在这个较长过程中，我们认为投资机会在于那些同时为近期ADAS及未来自动驾驶提供必需技术并与汽车行业紧密合作且最好有车企技术背景的公司。能否进入各车厂ADAS量产车前装平台是重要考察点之一，既帮助验证其技术实力和价值，又保障公司能以上规模的收入来度过自动驾驶的研发和商业化周期，同时培养汽车产业链上下游对公司的信任。ADAS虽没有硅谷科技大佬们的自动驾驶或飞行汽车一般的吸引眼球，但不可否认其近期极大的市场增长空间以及其中部分技术的较大升级空间，两者的组合为优秀初创公司带来了机会。