0
雷锋网按：本文作者杨润心，险峰长青高级投资经理，专注人工智能&汽车&出海等领域投资。加入险峰前就职于百度战略部，主导公司无人驾驶汽车、度秘、国际化业务等业务的战略制定与投资布局。在此之前，在埃森哲担任IT咨询顾问，服务于中石化、国家电网等500强企业。北京邮电大学计算机硕士。本文已授权雷锋网编辑与发布。
我从2015年6月开始在百度战略部研究自动驾驶行业发展，那会还没几个人关注自动驾驶，而就在北京的雾霾不断突破极限的同时，似乎身边的同仁们都在谈论自动驾驶，总有朋友抱怨这个行业太复杂了，技术细节不好判断，产业也格局纷繁复杂，玩家都在做与这个行业相关的所有事情。先简单来看看，2016年发生的行业大事：
CES活生生的变成了自动驾驶新能源车展；
德日美的车厂纷纷宣布对自动驾驶的布局，并将L4\L5提前至2021年；
Tesla顶着撞死人的风险不断的迭代量产车上的ADAS技术，获取数据；
Google从自己造车逐渐转变成与车厂合作；
Uber和沃尔沃合作路测，并收购了公路运输自动驾驶公司OTTO；
百度高调布局自动驾驶，一边做高难度L4方案，一边做车厂的L3供应商；
一年之内涌现大量ADAS和少量自动驾驶公司，并且估值趋高；
以激光雷达为首的传感器公司非常高调融资；
芯片公司聚焦自动驾驶，不断降低功耗提升计算能力；
国内二级市场ADAS相关股票价格暴涨。
所以，自动驾驶现在到底该不该做，做什么怎么做，什么样的公司值得投资呢？今天我就尝试从产业发展的角度阐述我的个人观点。
用两条经典的曲线来定义自动驾驶的发展阶段：
自动驾驶在Granter新兴技术曲线上，自动驾驶处于第一段上升期接近顶端的位置，处在“过度期望的峰值”区域，预计成熟的时间超过10年。
在奇点临近的增长曲线上，自动驾驶还处于奇点的左边，暂时没有找到指数级增长的方法。
做出这个判断原因如下：（以下谈论的都是自动驾驶，而不是ADAS。两者逻辑完全不同，关于ADAS后面会细讲。 ）
1、技术路线没有定型；
Deep Learning（深度学习）是否适合做决策规划？基于视觉的方法采集地图解决定位问题能做成什么样？单车智能和网联智能到底哪条路径更可行？到底是以激光为主要架构还是以视觉为主要架构或者fusion到什么程度？你会发现不同的公司有完全不同的答案，而且谁都无法证明或证伪。自动驾驶是一个极其复杂的系统性工程，不同的技术路线会对业务实施路径有截然不同的影响。这就造成了全行业的资源并不是在朝着一个方向使劲，我们仍然没有进入一个快速爆发的阶段。
传感器价格居高不下，且突破价格限制的条件单一：起码到今天为止我们认为L4/5不能没有激光雷达，激光雷达的价格过高，而当前高线束的激光雷达唯一的使用场景就是自动驾驶汽车，也就意味除了自动驾驶，没有别的产业能驱动其成本下降。创业公司只能依靠VC的钱来支撑高端激光雷达的研发，那就要看看技术突破的速度和投资人的耐心了。你可能会告诉我只要量产，价格一定飞速下降，那我们来看下面这个因素。
2、没有找到快速获取数据的方法；
传感器导致单车成本过高，这造成了当前没有哪一家自动驾驶的公司能能够大规模的采集实测数据。
从最简单逻辑上判断路测数据 Google>百度、Uber>创业公司（Tesla另说）。没有足够的Corner case就没有办法提高自动驾驶的安全性和稳定性，从80%提高到95%也许容易，但是从95%提高到99.99%就得依赖于足够的实测数据。
重点来了，与互联网快速迭代的逻辑不同，汽车是一个以行驶安全为基础的产品，所以汽车出厂前都要经过千锤百炼，95%安全性的自动驾驶汽车是没有办法真正大规模应用，这不像一个品质不够好的手机能够容忍死机，体验不好的APP可以更新版本。
另外汽车占用道路资源是零和游戏，交通效率是看短板的，不像一台手机可以装各种APP，一条马路上能容纳车道是固定，一台不成熟的自动驾驶车辆只能让交通的整体效率更低，这就像如果一条顺畅的道路上一辆车出了问题，一条马路都要堵上。所以你会发现在这个鸡生蛋，蛋生鸡的问题上，仅仅靠量产降低价格，难度是很大的。
3、新旧形态的更迭会耗费漫长的时间；
基于自动驾驶技术的交通系统是一个系统性工程，即便技术和成本都已经达到了可量厂可商用的程度。在自动驾驶车辆真正进入社会交通场景时也会面临各种现实问题：与传统车辆的互动、集中化的运营管理、政府在政策的制定上。
我们可以同时买好几个手机，汽车是和道路相匹配的，中国一线城市的道路增长远远跟不上车辆的增长。城市现有车辆的行驶规则与自动驾驶车辆行驶策略的竞合。单车智能和网联智能的到底哪条路径在今天的中国更可能实现，是否需要新建或者重建部分基础设施，是否需要圈定只允许自动驾驶的道路或者区域，对传统交通会带来什么影响。
我们远还没有进入到关于政策、伦理、保险、规则、运营的下半场，别忘了当年从第一辆汽车出现到完全替代马车也过了接近20年，何况今天的人口密度，交通复杂度会使得这个系统性问题更加难办。
我们认为自动驾驶今天还在奇点的左边，奇点临近的征兆有两个：
仅靠技术创新就能将传感器成本降低一个数量级：今天Quanergy在干这个事情，Google也说自己可以降低90%，但细节不清楚；
有人找到了一条新的能够低成本获取大量有效数据的方法。
今天最有价值的就是操作系统，小公司是否有可能依靠技术创新变成明天的Android和IOS，这是一个被问的最多的问题。
我曾经花了半年的时间研究智能手机操作系统发展史，在我看来，操作系统的建立一定是在原有竞争优势的基础上，长期的投入。
苹果靠的是在PC时代对“硬件制造销售+图形化操作系统+领先交互体验+乔布斯个人”，在这里不得不指出乔布斯才是最关键的因素。而Android的成功很大程度上依赖“持续资金研发+开放OHA联盟+Google原有PC端垄断产品向移动迁移”。
回看汽车这个领域，从自动驾驶操作系统看汽车产业链，上下游都更加的集中和强势。
1、上游车厂独立强势：
车厂的数量远远少于手机厂商的数量，汽车百年工艺构建了传统车厂绝对的话语权，而没有车厂的配合任何自动驾驶操作系统都无法落地。尽管汽车电动化降低了造车的门槛，出现了像蔚来汽车、乐视汽车等创新车企，但他们能够在3-5年内成为电动车领域的华为、小米我们不得而知。毕竟生产工艺、安全要求、资产规模、迭代速度的差异让汽车制造仍然是一个强壁垒的业务。
2、下游滴滴/Uber一家独大：
传统手机iOS的上游分散着各类App应用。而汽车作为一个交通载具本质的需求是出行，出行用户端体现出一家独大的特点，Uber和滴滴天然的就卡住了出行用户，造成自动驾驶公司业务冷启动非常困难。
3、短期难形成商业闭环：
通常一个零配件想要进到车厂至少两年 ，创业公司将长期面临没有收入的状况，而高科技公司养一堆大牛又很贵，如果不被大公司收购，就必须得有超强的画饼能力，天使A轮都好融，一旦到B轮考察商业变现，大家都会变得非常犹豫。
4、信息和认知差异越来越小：
今天行业里的所有玩家都已经意识到自动驾驶会带来交通产业的结构性变革，看得清、有实力、有业务关联的公司就投入资金自己做（包括车厂、Google、百度、Uber、苹果等），有实力、看不太清、无直接关联公司就先投资（阿里、腾讯、GM），所以当信息和认知逐步趋同后，创业公司凭借一己之力驱动整个自动驾驶行业，难上加难。
如果我们把智能手机的奇点临近定义在2009年苹果推出iPhone3GS，那今天的智能汽车相当于2005年的智能手机，我们依稀看到Tesla就是当年iPhone的影子，Elon Musk也符合乔布斯的特点。
Tesla今天把电动化、智能化、共享化集于一身：拥有最成熟的电动车技术，顶着撞死人的风险将辅助驾驶商业化，通过一年的时间收集了10倍于Google 7年收集的数据，未来可以轻易的切入分时共享的业务。我非常看好Tesla，他一定是在渐进式道路上跑的最快的那一家。
一旦Tesla取得阶段性成果，传统车厂的危机感会立刻提升，这也会快速促成传统车厂与自动驾驶公司的合作与并购，用金钱买时间或者团队，也许这就是自动驾驶公司退出的最好机会。
自动驾驶是大公司的机会，创业公司难成独角兽，被收购是较好的出路。
既然我们已经认定自动驾驶公司最有可能的出路是被大公司收购，那么我们就要以终为始的来看看，如果你是车厂、滴滴、百度，你到底会愿意花钱买什么？
不难想象到，当激光雷达的价格降低1000美金以下，或者仅靠低层本的视觉算法或毫米波到能够解决感知、地图采集、定位等问题的时候。整个行业就真正进入了第二个rising cycle。大公司将不顾一切的投资资源，快速起飞。这时候，什么才是大公司愿意用钱买时间的好资产呢？
我们可以简单的把自动驾驶分为：生产制造、车辆控制、感知、决策规划、用户运营等五个环节。
产业链中不同的玩家拥有不同的禀赋，但大家都希望能够延伸到更有价值的环节（越靠近用户越有价值），所以巨头都纷纷向自己能力缺陷的环节进行投资。我们看看过去一年投资并购相关的实际案例。
Cruise：自动驾驶方案，被GM 10亿美金收购，2013年成立，40人。通用技术水平一般，为了stay relevant进行收购；
Otto：商用车自动驾驶方案，被Uber 6亿美金收购，成立不到1年，100人，收购技术和团队。CEO曾在Google自动驾驶工作；
Velodyne、Quanergy : 激光雷达公司，分别被福特百度、通用等多家车厂战略投资。
以下四个方向存在机会，供各位创业者参考：
1、低成本激光雷达；
通过技术创新能够生产出可量产的、低成本的、满足车规级标准的激光雷达，是非常有价值的产品。核心要考察的问题是：是否有满足车规级标准的可用产品。
2、细分领域的完整解决方案；
对标OTTO，能够真正完成某个场景下自动驾驶从头到尾的工作。细分场景的发展路径是：
半封闭低速（景区园区通勤、粮食运输、港口码头）
高速公路（高速货运、客运）
半封闭营运（限定区域乘用车）城市道路商用。
当然我们还要考察两个问题：1、细分场景的市场空间是否足够大 2、从该场景往更通用的场景发展，技术上是否有延续性。
3、融合做的更好的感知系统；
在激光雷达成本难以快速下降的时间里，通过融合更好的发挥不同传感器的能力，真正解决感知、决策、定位的问题，从而为快速积累数据提供可能。
4、更加复杂的路径规划；
今天所有的Google、Uber、百度等自动驾驶公司的决策规模部分大都是应用rule base的方法来做的（将具体的交通规则写在程序里），而也有少量的公司（momenta等）会尝试使用深度学习的方式去做决策，学习司机驾驶行为。
坦白讲，跟这么多公司和专家聊下来，我也不知道哪个靠谱。但很明显，交通永远是一个系统性问题，人们在尊重既定的交通规则的情况下，不同国家不同文化不同路况不同时段的行车策略都在发生各种难以琢磨的变化。
如果我们把交通的安全性和效率当作最终目标，单纯基于rule base的planning有可能在早期阶段格格不入，尤其当大部分车辆是人开，少部分车辆是机器开的话，这种所谓的“弱势群体”就会招到在策略层面的挑战。
一个不切实际的想法，如果车辆在理解基础交规的基础上（rule base）,并拥有一个丰富经验的驾驶直觉（deep learning base），能够感知周围车辆的行为和动机（V2X base）,那他才是一个不折不扣的老司机。
仅仅做视觉、毫米波感知的公司天花板比较明显：
今天市场上最多的创业公司就是视觉感知类的ADAS公司，今天深度学习的出现提升了图像识别的能力，市场上出现大量视觉人才，可预见视觉感知技术会越来越成熟，竞争也越来越激烈。
由于进入前装市场周期漫长，且视觉数据最后归属车厂而非创业公司，也很难想象视觉ADAS公司如何构建壁垒。另外只做单纯的视觉感知，天花板是Tier1，今天大的tier1都在补这门课，所以今天的中国几乎不存在Mobileye当年的机会。
汽车行业的发展，零部件厂商不断整合，ADAS公司未来被大的Tier1收购是可见出路。当然ADAS公司还有另一条出路，就是通过安全辅助模式真正降低交通事故率，与保险公司合作创造价值。
雷锋网推荐阅读：
雷峰网版权文章，未经授权禁止转载。详情见转载须知。
