自动驾驶的机遇与挑战
自动驾驶无疑是近两年资本市场最热的话题之一，甚至被认为是人工智能最有前景的应用，大量传统车企、互联网公司、创业公司涌入这个赛道，下面我从投资角度，谈一点关于自动驾驶行业的机遇与挑战。
先来界定一下自动驾驶，这里采用的SAE机构的评级，Level 0属传统驾驶，L1/2属于辅助驾驶（ADAS可以划到这个范畴），L4/5是未来机器能独立自动化完成驾驶任务，这是本文主要所指的自动驾驶范畴。Tesla的“自动驾驶”实际上只是L3的半自动化水平，在去年出现致命事故之后，在中国官网上的自动驾驶页面中加入了“辅助”二字。
何时能实现自动驾驶？
先来回顾一下几次交通上的大变革，汽车从出现到全面代替马车过程大概30年，转折点是福特T型车的应用，关键因素是高度标准化，价格趋近马车，速度领先。飞机从发明到大规模生产也是30年，转折是一战的爆发，虽然早期安全上还是很难得到保证，但是飞机将人类活动范围极大地提升，也使远距离快速侦察、作战等成为可能。火车的近百年的发展经历了数次变革主要体现在动力结构上，火车的出现显著提高了长距离大规模运输能力。
这里观察下来有几个特点：
一是可以给人带来极大便利的新的交通方式产生快速变革
那么自动驾驶是否可以做到，我认为单体地看待车里给人的利好，如可以放开手喝杯咖啡、看本书这样的程度是不够的。虽然自动驾驶也可以降低事故率，但是人在安全上完全信任机器未来还是有比较大难度。驾驶需要在规模化之后和共享经济、智慧交通等结合产生才巨大的价值，比如可能是共享汽车后极大地便利出行和缓解拥堵，或者车辆有良好蔽障和互联（v2v）能力后的行驶效率的提升等。摩根斯坦利曾指出[1]，完全实现自动驾驶每年将为美国带来1.3万亿美元的收益，其中大部分源于解决拥堵和提高效率之后的获利。因为不能快速在单点用户突破，更多的是大规模应用、形成网络效应之后的利好，加上中国的汽车市场趋近饱和，新车增长放缓，一线城市交通拥堵，所以我认为自动驾驶对已有车辆系统的替代可能不会那么快。
第二个特点是，产生变革的新交通方式需要在新的交通规则下运营
火车、飞机的路线都是全新的网络，现有的Google, Baidu等直接做自动驾驶的公司通常是将已有的规则写入程序，但是如果直接拿到马路上用，由于机器运营的车辆是少数群体，国内的道路情况相当复杂，甚至伴有还有一定比例的违规行为，所以必然使得自动驾驶车辆在感应和算法层面上的复杂性大大增高。未来我认为完全的自动驾驶更适合在指定封闭环境或者全新的道路上运营。相比美国，国内进展较慢，还在小范围封闭内测，未来需要更多的来自政府规划的支持，大量基础设施和资金投入，这样的周期也往往是比较长的。
第三个值得注意的地方在于，火车、飞机多年发展最终的形态也没有完全的无人驾驶，最多只是自动巡航
有一个制约的原因是：在和人身安全直接相关的交通领域，人还是最终很难完全相信机器，驾驶员往往是不可缺的，而且机器未来还面临着信息安全上的考验。2016年凯利蓝皮书公布的一次北美调查中发现超过半数的人认为即便自动驾驶比人工驾驶更安全也更愿意自己来全部控制[2]。无人驾驶中人工智能深度学习算法的黑箱现阶段还是无法解开，再根据墨菲定律，发生类似Tesla反人类判断失误的事故难以防范，也很难在发生事故后反查原因。个人看好无人驾驶在没有乘客的货运上或许进展会更快，Uber收购的Otto也是这个领域发力。
上述探讨的很多是影响自动驾驶实现的外部因素，自动驾驶产业本身能否快速形成量产有两个比较大的障碍:
1.车厂对安全性要求近乎100%
汽车是以安全可靠性为基础的产品，传统车厂很多是百年老店，现有的产品可靠性已经非常高，在对自动驾驶没有近乎100%的完全把握的情况下不会采用L4，L5方案，占据市场份额98%以上的传统的国内外车厂在无人驾驶的测试大多是防御姿态，是从低级别的L1, L2向L3逐步走的，传统车厂对L4一定是持观望态度的。
2.激光雷达降价阻力大
激光雷达作为自动驾驶现阶段必不可少的核心部件，Velodyne的64线雷达，组装和调校过程极其复杂和耗时，公司的生产线一个星期只能完成两台成品，因为现在只是用在地图和无人驾驶行业，应用面比较狭窄，所以难以通过规模化生产来降低成本。
2016年的Gartner Hype Cycle预测自动驾驶成为主流超过10年，参考上面的分析，个人觉得可能要到20~30年甚至以上，把低价可靠的具备L4/5的汽车造出来已属非常不易，此后还需要面临消费者认知，存量车辆公路体系，政策法律，伦理道德等外部因素的挑战。未来可能加速成熟周期的主要途径可能是：
1.有新的传感器或者算法解决方案让安全性快速逼近100%
2.激光雷达成本结构的变化，或者多线激光寻找到其他大规模应用场景
3.不安装雷达的L3方案较快被各车厂做出来，半自动驾驶汽车成为主流后再过渡到L4
4.自动驾驶专用的道路大规模铺设
自动驾驶的路线应该怎么走？
现在市面上的自动驾驶实现路径可以分为三类：
1.从L1/2辅助驾驶逐步递进到L4/5，代表有Mobileye和国内MiniEye，苏州智华等ADAS创业公司
2.由L3半自动驾驶逐步递进到L4/5，代表有Tesla，国内有Momenta，易航等
3.直接生产L4/5自动驾驶车辆。代表有Google无人车，国内有驭势科技，智行者等
三种路径难度是递增的，把自动驾驶从感知到输出的流程划分为“传感器感应-识别-决策-车辆控制”来比较三者，路径1只到识别层面，后面根据识别结果产生预警报警信号。对于路径2和3流程是完整的可以到车辆控制，区别在于L3阶段没有用激光雷达作为传感器（至少现阶段激光雷达是L4必备）。
下面是几个路径难点：
对创业公司而言，路径1难走通
因为大家都在给车厂做供应商，那后面涉及到车辆控制的事情是需要车厂来做的，ADAS创业公司的天花板也在车厂（对于ADAS公司稍后分析）。对于车厂来说L4/5还远的很，所以我们先不讨论路径1。
对路径2，L3→L4跃迁有算法难度
L3与L4两层级在处理的数据量（L4中激光雷达持续扫描带来巨大的数据量）、对于硬件系统要求、识别算法以及在与车辆控制系统的融合上都有很明显的差异。例如毫米波算法需要排除地面干扰，激光雷达需要克服点云噪声，据业内人称算法有明显差异，最多有一小部分可重复使用。这样看来路径2也有迁移的难度，主要体现在算法上。
路径3难以快速获得数据
现在也就Google跑的历程多，然而7年时间也就积累了200多万英里，这点样本都无法说明现有系统的安全程度，兰德智库[3]在数学上论证过自动驾驶需要测试百亿英里才能证明比人驾驶更安全。而Tesla autopilot在短短7个月就积累了1.3亿英里的自动驾驶里程，Goolge和Tesla比，差距是惊人的，并且L3已经可以商业化，这样在论证安全性和不断优化准确率上，都比直接做L4有很大的优势。
这里的结论是，路径选择上我认为先实现L3是更优的选择，总结有几个原因：
1.先实现L3商业化路径更清晰
Elon Musk是典型的实用主义代表，选择当初把用在手机、笔记本上的较为成熟的廉价18650锂电池拿来用在特斯拉，很多人觉得low，但是廉价成熟的电池使得Tesla快速商业化，等到电池管理系统和车的配套控制上成熟了之后，更好的电池也过了几年成熟了，这样替换起来相对容易很多。车和家的李想也提过，激光雷达都是大学搞科研的思路。现有的L4最多只停留在做园区车这样的高成本（驭势的小车据称售价约50万一辆），低可用性状态，短期内商业化是困难重重（当然也有卖给政府做展示性质的可能，但量自然不会大）。这就会出现在下面数据积累和算法迭代上的问题：
2.L3数据积累速度优势巨大
直接实现L4的障碍太多。成本，技术难度，应用场景等许多问题都难以快速解决。
3.现有算法体系存在瓶颈，需要通过数据训练提升以使准确度逼近100%
各家公司在视觉识别和决策的融合算法上主要有基于写入规则（rule-based）和深度学习的两种方法，写入规则的优点是规则清晰准确，但是瓶颈在于无法穷举学习新场景，深度学习（代表公司有Momenta,Drive.ai等）虽然提高识别率，但是黑箱问题现在仍无法攻克。也有尝试两种融合来用的，比如智行者用rule-based保障安全，用深度学习实现拟人化决策。两种方法在不断提高准确度的过程中，到某个瓶颈，比如写入规则到95%，深度学习到97%这样，后面单纯靠迭代算法是突破会很慢，这时候是需要用更大的数据量来驱动准确度提升的。
4.对消费者来说或许最需要的不是L4
之前也提到过，L4在没有网络化之前对单个消费者的吸引力可能并没有那么的大。现有的Tesla虽然还没法达到自动驾驶，但是消费者还是愿意尝试autopilot功能，半自动驾驶满足了很多消费者尝鲜、炫酷的需求，甚至是像自动泊车这样的技术未来做成熟都能给人惊艳的感觉，未来也容易成为汽车的卖点。
5.L3到L4因为加入雷达，虽然有迁移算法难度，但是算法本身的发展也还在不稳定的状态
未来会不会雷达结构发生变化，会不会高精地图的成熟能部分代替雷达的工作，到底融合算法应该用怎么样的策略，这样的事都不太好说，识别和决策的算法本身也会有变化的可能。
当然在路径选择上也有在用两条腿走路的，百度在ADU自动驾驶事业部之外，又成立了L3智能汽车事业部，也是想加速自动驾驶技术落地；驭势科技和智行者除了造了L4小车之外也在尝试和车厂合作做L3的事情；Mobileye除了做ADAS也储备了自动驾驶的技术。
自动驾驶领域创业和投资的机会和风险
自动驾驶的创业突然升温，融资额和估值都不断攀升，几个人出来什么产品都没拿出来就估值上亿美金，这里的潜在原因有：1，自动驾驶是万亿级的广阔市场，想象空间极大。2，人工智能现在真正很好落地的场景不多，自动驾驶领域算最有希望的一个。3，创业团队的技术大牛都是视觉领域的稀缺人才，整体团队的价值和工资都高。4，自动驾驶是一个需要持续大规模资金投入的赛道。
个人觉得关于自动驾驶领域创业有一些值得注意的地方：
1.通过先实现L3然后递进到L4的方案的创业路径优于直接进入L4。原因上面阐述了。
2.创业团队不仅要懂计算机视觉，对车的控制的理解也同样重要
现在市面上大部分的团队聚集的都是视觉领域的人才，但是复杂的并不仅仅是视觉的识别和决策，在“传感器感应-识别-决策-车辆控制”这套流程中，因为车整体控制结构复杂，在做策略时候也非常需要考虑周围环境的影响，从决策到控制（为主的是转向、油门和制动三大控制系统）这一步也复杂度非常的高。现在整个流程中，进入车厂/Tier1供应商合作调试环节往往最慢，简单一点的ADAS都要至少一两年，创业团队做算法的如果和不懂车厂车辆控制的对接，很容易大大延误进展。宝马曾和百度在自动驾驶合作，但进展十分缓慢，最终终止了联合研究，这背后很可能部分原因就出在控制层这里。
3.创业公司从一开始就需要注意商业化路径和节奏
和车厂联合造的车辆毕竟是商品，最后产品出来有人买单才能产生商业价值。因为和一般的快消品或者APP里的服务相比，汽车的生产、渠道建设、营销、售后等环节时间周期长太多。所以如果商业化道路不清晰走了弯路，那创业公司很可能会融不到资而倒下。
4.自动驾驶更多是大公司机会，创业公司可以适时寻求被收购
创业公司想像Tesla那样把整个汽车商业闭环走通难度实在太大，直接做L4的话早期产品可以拿来融资讲故事，但是离真正落地的乘用车型还差很远。这个领域的创业公司会处于持续烧钱状态，到一定技术成熟阶段，寻求车厂的并购的可能性很大。过去Uber收购Otto，通用收购Cruise也体现了这种趋势。
自动驾驶领域创业投资机会有那些
1.更接近真实驾驶情况的识别、决策算法
车辆在行驶过程中周围的环境变化以及驾驶员所做出的反应复杂度极高，现有创业团队的算法方案即便在识别上可以通过深度学习让准确度接近人的水平，但是在决策层面的模型还是偏理想化。车厂会在多年的车设计改进过程中积累一套自己的研究驾驶员行为的模型，有的创业团队，比如易航自动驾驶把这套理论模型代码化的思路或许可以让决策算法更接近真正驾驶情况。
2.限定场景、用途的应用
路径相对固定、环境封闭、低速行使可以简化L4自动驾驶实施难度，加快项目落地。下图列举了一些自动驾驶的使用场景和相对数量的对比，自然靠近图中左下的场景应用起来更快。在选择应用场景时还需要注意是不是真的是解决真正核心的需求，商业化空间有多大，如何控制成本等问题。环境和路径固定的情况下高精地图的绘制难度也可以显著降低从而降低地图成本，比如在机场摆渡车、园区车的应用。在潜在的细分用途中，货运有很大的潜力，但是成本问题还是需要花时间解决的（比如现阶段卡车大多采用液压控制系统，如果直接拿国外电控系统卡车来改造，单个电控卡车的购置成本就可能要到100万以上）。
3.低成本多线激光雷达
多线激光雷达在价格、技术的瓶颈在国外还没有完全攻克，对国内创业公司而言还是有机会的，国内现有的做激光雷达最多还只到了16线阶段，满足车规的还比较少。中国市场的汽车销量高，相对美国人力成本低，未来较容易形成规模化生产，而且激光的应用广泛，创业公司攻克技术壁垒之后发展空间会很大。
ADAS行业机会与挑战
现在的ADAS（高级辅助驾驶）处于L0-L2阶段，采用的主要是视觉加毫米波融合的方式，通过识别信号进行预警，其中LDW (车道偏移报警系统)、FCW (前向碰撞预警) 受国家安全政策指向是最重要两项。ADAS行业增长有以下驱动因素：
1.当前行业渗透率低，增长速度快
现阶段的渗透率只有2~4%（欧美在8%左右），IMS统计，2015年ADAS市场规模117亿元预计到2020年会达到15%的渗透率，市场规模963亿，复合增长率52%。
2.安全法规推动ADAS应用
美国、欧洲等逐渐把ADAS的应用纳入到新车评级体系，2018年中国的C-NCAP也将AEB（自动紧急制动）纳入新车的五星评级系统。大的趋势是NCAP对安全的要求越来越严。
3.消费者对安全需求增强
新一代的80-90后消费者，对于汽车的认知不仅仅局限在品牌，对于安全相关的功能也更为关注。
这个领域的创业机会我有这样的判断：
1.ADAS行业属于创业公司的天花板明显，未来容易受车厂挤压
从技术上来说，大部分公司做的只是到识别的层面，所以ADAS领域相对进入的门槛没有那么的高。国内涌现出一大批创业玩家，现有车型真正用上ADAS的70%以上还是海外的车厂，车型也是高端车，零组件也是来自于国际大厂，这部分自然创业公司是难以切入的。大家主要是寻求和国内的零组件厂和整车厂合作，但是困难体现在：进入车厂周期长，少说一两年，变现压力大；车厂也正在做ADAS或者未来有做的打算，现阶段会拿数家产品来测，但是未来是不是能和创业公司长期合作这个很不好说；车厂相对强势，未来把数据拿走后，创业公司剩下的壁垒不多。
2.后装产品属过渡产物，商业化空间有限
现在ADAS创业公司做的事情主要有三个方向：前装，后装ADAS硬件，后装SDK（通常植入后视镜）。后装产品是单纯靠摄像头视觉识别的形式，所以很快就可以推向市场。单独的后装硬件产品卖起来都比较难，消费者对ADAS认知还不够，消费者对只是单纯提醒的需求不强烈（甚至对频繁的提醒比较抗拒）。如果只是植入SDK形式到后视镜，受限于芯片性能可用的CPU空间（为了实现更多功能，方便宣传，车载的软件较多，留给ADAS的CPU空间通常10%左右），识别率通常非常有限，影响用户体验，同时商业化上收SDK license fee也价值较低。车厂的前装产品未来一两年都会做出来，所以后装产品只能是过渡性质，商业化空间有限。
3.创业公司要寻求和tier1供应商深度合作
因为车厂的强势地位，而且国内大的就那么几家。创业公司需要更多和车厂的tier1供应商合作才能有和车厂更稳定的合作，比如前向启创和苏州智华寻求与亚太机电和金固股份合作，并接受注资。
4.双目摄像头在ADAS和自动驾驶领域应用有限
双目摄像头的优势是可以类似人眼那样，利用视察测距，但双目应用距离短（20米之内精确度有优势），计算量大，优秀的雷达系统现在测距上完全可以代替双目摄像头，所以现在双目摄像头在ADAS和自动驾驶上难应用起来。
5.两客一危市场近期有一定政策红利
两客一危市场车辆的主动安全逐渐受到政策倾斜，例如中国在2016年机动车运行安全技术条件GB7258标准草案中提出11米以上客车需装备LDW以及FCW装置。国内如中天安驰，极目智能等在一些地方政策推动下，拿到一定订单。风险是政策导向的不确定性。
6.ADAS与保险结合是比较好的思路
因为ADAS相对投放市场快很多，不仅是外部的感应器数据，还可以配合内部的驾驶行为采集，创业公司很有机会能延伸到保险领域，现在国内数家ADAS企业已经积极和保险公司开始合作，值得注意的是数据的量和质量，以及能不能和保险有效结合。
7.毫米波巨头垄断，创业公司机会相对小
毫米波产品主要受博世、大陆、海拉等国外厂商长期垄断。未来毫米波的主流和核心还是77G产品，24G产品相对低端机会已经很小。对于77G产品，博世和大陆有世界接近一半的份额，市场上垄断地位强。生产77G毫米波雷达的技术难度较高，有雷达系统和毫米波射频设计经验与能力的人才多集中在军方和国外厂商手里，产品的部分核心原材料近两年国外也开始限制，所以创业团队需要有掌握核心技术，也要有持续生产、研发资金投入。现阶段国内大部分创业公司产品在探测距离、体积等指标上短期还难有竞争力，应用上也比较局限。
[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.
