0
*挤在硅谷开展自动驾驶技术研发的巨头们
雷锋网按：本文来自微信公众号“42号车库”。作者Chris Zheng。雷锋网已获授权转载与发布。
进入 2018 年，以 Waymo 下单 2 万辆捷豹 I-PACE 为开端，自动驾驶领域的场子再次热了起来。本文将分享我近期观察自动驾驶领域的一些发现，如有不同观点，欢迎在文末评论交流。
考虑到技术的复杂度和商业化的不确定性，自动驾驶一开始就被认为是资本密集型行业。但 2016 年年底很多业内人士和调研机构都认为该领域出现了泡沫。比较典型的是以下三起收购：
通用以 10 亿美金现金+期权收购 Cruise Automation；
Uber 以 6.8 亿美元收购 Otto + 3 亿美元与沃尔沃合作；
福特以 10 亿美元现金+期权收购 Argo.ai。
这里的背景是，上述以 10 亿美元估值成功上岸的创业公司被收购时团队规模都在 50 人以内。所以 2016 年 8 月，Gartner 发布的技术成熟度曲线（The Hype Cycle）中，自动驾驶汽车（Autonomous Vehicles）位列在过度期望的峰值（Peak ofInflated Expectations）。
Gartner 认为 2016 年自动驾驶汽车得到了主流媒体的吹捧，导致对这项技术不切实际和过高的期望。自动驾驶汽车距离成熟和普及还需要至少 10 年时间。
Gartner 技术成熟度曲线在业内具备相当的影响力，许多企业都将该曲线作为评估新兴技术、做出重大投资决策的判断依据。
所以很显然，自动驾驶领域存在泡沫？
我认为，是人才的稀缺性+资本密集型产业的特点，使得调研机构和投资人出现了误判。
事实上，今天在加州车管局（DMV）申请自动驾驶牌照获批的自动驾驶研发企业有 55 家，如果加上未申请/尚未获批的企业，这个数字远远超过了 100 家。这使得人才的稀缺性进一步凸显。
有不低于 20 家创业公司的核心研发团队来自 Waymo、Uber、百度美研和特斯拉这四大自动驾驶人才黄埔军校，整个自动驾驶行业的人才流动非常频繁。
第二个特点是资本密集型。
到 2018 年，上面三起收购的主人公通用 Cruise 车队 180 辆左右，团队规模超 800 人；Uber 车队达到 300 辆，路测里程达到 500 万英里；最差的福特 Argo.ai 团队规模也有 350 人，车队路测里程不详。
接下来下全是算术题：
组建一支 300+ 人规模的自动驾驶工程师团队，平均年薪 30 万美金；
组建一支至少百辆级规模的自动驾驶路测车队，改造完毕的自动驾驶汽车 35 万美金/台；
组建一支与车队规模匹配的安全测试员队伍；
百辆级规模路测车队跑两年的运维成本、能耗成本。
10 亿美金是一个不偏不倚、合乎逻辑的价格。
如果还是觉得没有说服力，那么看看走到技术商业化临界点的巨头是怎么花钱的：
Waymo：6.2 万辆克莱斯勒 Pacific 路测车队 + 2 万辆捷豹 I-PACE 路测车队+相应的运维成本，即便有规模化带来的成本下降，Waymo 投入也在百亿美金以上。
通用 Cruise：收购 10 亿+通用追加 11 亿+软银 22.5 亿+通用工厂改造，保守估计 45 亿美金。
丰田：「未来几年投资 3000 亿日元（约 28 亿美金），发展 1000 名规模的员工队伍。」姑且认为「未来几年」是 2020 年前。
福特：到 2023 年投资 40 亿美金（包括收购 Argo.ai 的 10 亿美金）发展自动驾驶技术，预估到 2020 年投入 20 亿美金。
*Uber 等红色柱条均根据客观条件预估，可能与实际情况有较大出入。
Uber：先是高管离职潮，后是自动驾驶车祸致死；职业经理人出任 CEO，诉求由发展转为推动上市，预估到 2020 年累计投入 15 亿美金。
宝马联盟：囊括了宝马、克莱斯勒、英特尔、Mobileye、德尔福、大陆的超强组合，缺陷是商业化计划偏保守，预估 25 亿美金。
特斯拉：自动驾驶行业最大的变量之一，截至 2018 年 8 月，Autopilot 2.0 车型保有量达到 20 万辆；收集路测数据超 4 亿英里；到 2020 年路测车队达到 60 - 90 万辆；搭载自动驾驶 AI 芯片的 AP 3.0 车型 2019 年 Q1 量产。预估到 2020 年达到等价投入 70 亿美金的技术能力。
苹果：自动驾驶行业最大的变量之一，我得到的消息是，苹果的技术能力已经达到非常领先的水平，目前尚无法确认苹果、Waymo、通用的排序，预估 90 亿美元。
上述领先者中，Waymo 的技术实力最强，我们看 Waymo 的路测里程走势，是非常接近指数级增长模型的。
Waymo 的商业化步伐也是走得最快的。Waymo 此前公布了商业化四大应用场景：
自动驾驶出租车（Robo-taxi）
无人驾驶卡车货运
技术授权
最后一公里服务（运输乘客去公交/地铁站）
领先的技术水平和有条不紊的商业化计划给 Waymo 带来了非常好的市场回报：在瑞银的一份报告中，Waymo 是全行业唯一一家在 2018 年量产 L4 级自动驾驶汽车公司；而在摩根士丹利的一份报告中，Waymo 的最新估值达到了 1750 亿美元。
自动驾驶领域从未出现泡沫，只不过技术从 Demo 到商业化需要重资产投入，大幅拉升了竞争门槛。或许应该这么表述：自动驾驶出租车（Robo-taxi）这门生意，从资本角度根本不适合独立的创业公司。
资本密集型这一特征基本挡住了创业公司颠覆传统汽车巨头的可能性，除此之外，技术密集型和传统汽车巨头在汽车行业深耕上百年对车规、工艺、安全的理解，几乎堵死了企图独立崛起的创业公司的道路。
考虑到全球汽车工业至今没有互联网化，也就不存在所谓零和博弈。头部胜出、其他做炮灰的互联网规律不适合直接拿来推演自动驾驶行业。也就是说，即便 Waymo 苹果通用的取得了暂时领先，也不意味着其他巨头就要缴械投降。
对于诸如大众、奔驰这类技术能力强、现金流充沛的巨头，其实通用收购（战略投资）创业公司的做法非常值得借鉴。Cruise 被收购时员工规模不到 40 人，测试车只有 2 辆。如今的领先地位来自通用管理层对自动驾驶业务全面的资源倾斜支持，具体包括：
彻底解决财务问题，让团队专注于技术研发
收购后保持独立，让 Cruise 作为创业公司的执行力可持续
管理层重视，推动车辆工程和底盘控制团队和软件算法团队融合
我们已经看到一些类似的组合，例如大众 + Aurora、广汽 + Pony.ai 等。
为什么传统汽车巨头自主研发自动驾驶汽车不是个好主意？
最关键的还是企业文化和执行力问题，尽管巨头们在生产制造、车辆控制等领域有丰富的经验，但机构臃肿、决策缓慢、效率低下等大公司病+与互联网行业完全不同的运行机制会让巨头在自动驾驶领域的竞争中处境变得艰难。反观如今取得领先的 Waymo、Cruise，无一例外都是执行力高效的小公司。
除此之外，巨头对人才的吸引力也往往不如创业公司，百度美研、Waymo 们的人才流动频繁就是典型证明。
事实上，由巨头战投/收购算法团队较强的创业公司合作研发自动驾驶汽车是综合考量巨头+创业公司的特点，将优势最大化的策略。
对于在自动驾驶领域已经明显滞后、资本实力又不够强的大公司，还有一个下下策：Waymo 抛出的「技术授权」。
自动驾驶领域发展到今天，我们看到很多创业公司已经逐渐跑出了各种各样的方案。被普遍看好的、比较典型的蓝海市场为以下三大场景：无人驾驶物流车、无人驾驶外卖车、无人驾驶货运……也就是低速、封闭、限定区域这几个词排列组合。
做这种垂直细分市场的理由显而易见：前面已经提到，由于自动驾驶领域资本密集型、技术密集型和设计产业链过长的特征，创业公司从零开始运营自动驾驶出租车（Robo-taxi）颠覆传统汽车巨头的概率微乎其微。
而上述细分市场似乎对创业公司商业化要友好得多，下面逐一展开分析：
无人驾驶货运
先提供两个有趣的视角：特斯拉推出的纯电动半挂 Semi Trunk 全系标配了 Autopilot 2.5 硬件，但是在发布会上，官方绝口不提自动驾驶。
特斯拉重点宣传的是自动紧急制动、自动车道保持和车道偏离预警这三个 ADAS 功能和队列行驶（Track Platooning）功能（即首辆卡车由司机驾驶，后续车队自动跟车、无需配备驾驶员，将卡车车队变身为“火车”）。
Uber 对货运市场有两个业务布局：一个是旨在匹配货运供需两端的 App Uber Freight；一个是 Uber 自动驾驶卡车业务。本月初，Uber 宣布了两个业务调整：恢复因致死事故暂停仅 4 个月的自动驾驶汽车路测计划；终止自动驾驶卡车研发计划。
两个自动驾驶领域的激进派代表都对自动驾驶卡车偃旗息鼓，值得我们深思。
自动驾驶货运市场更易商业化的常见理由是：货运市场对应的高速/港口场景相对简单；货物（相对人）对算法控制精度的要求更低；货运司机存在较大人才缺口等。
先说高速/城际公路场景。
我们以物流公司的视角思考问题：货运行业总成本中第一是占比 40% 的司机工资成本，第二是占比 26% 的能耗成本。
给一辆半挂后装一套创业公司研发的自动驾驶驾驶系统，是否可以大幅降低成本呢？
答案是不行。
因为目前创业公司的技术能力还达不到取消测试员的水平（即便是高速/城际公路等相对简单的场景），也就意味着当车辆处于自动驾驶模式时，驾驶位必须坐着测试员随时接管意外情况。
稍微展开阐述一下物流公司的思考逻辑：TCO 是货运和出行第一定律。
（Total Cost of Ownership：即总拥有成本，包括产品采购到后期使用、维护的成本。这是一种被广泛采用的技术评价标准。）
对于物流公司来说，TCO 包括车辆购置成本、车险、能耗成本、保养维护成本、人力成本、事故成本等。后装自动驾驶系统大幅降低了事故成本、小幅降低能耗成本，但无法覆盖后装自动驾驶系统本身增加的成本。
任何细分市场的商业化都要以形成商业闭环为前提，如果盈亏平衡都不成立，说明商业化节点尚未来临。
下面是港口场景。
2017 年，全球十大港口中有 7 家在中国，其中排名第一的上海港标箱吞吐量达到 4018 万，中国前十大港口标箱吞吐量年增幅均在 100% 以上。
港口相对高速/城际公路最大优势在于，这个场景相对封闭，所以受政策限制较低。
但成也封闭，败也封闭：很多港口会选择 AGV （Automated Guided Vehicle，即自动导引运输车）方案。
所谓 AGV，即在港口货物流转关键路径铺设磁钉、建好电磁轨道，做基于 AGV 的集装箱自动化装卸。这是一种非常成熟的、高度标准化的现代物流自动化设备。
也就是说，创业公司的自动驾驶系统需要与现有的成熟自动化设备博弈，打败后者才能具备商业化条件。
（多说一句：货运乃至整个商用车领域的刚需是什么？是 ADAS + 队列行驶。以低成本方案大幅提升安全性、降低 TCO，这或许是个创业机会。）
无人驾驶物流车&快递车
2014 年，中国的快递业务量突破了 100 亿件，且以 100 亿件/年的速度逐年增长，预计今年将达到 490 亿件。
2018 年 5 月 19 日，国内最大的外卖平台宣布日订单突破 2000 万单。按照目前的增速，中国外卖市场非常有希望在未来几年突破 1 亿单/天。
另外，中国的劳动力成本自 2005 年后的十年间上升了 5 倍。外卖/快递在高峰期的运力不足日益凸显。
这对自动驾驶技术来说这是非常好的应用场景。
细分来看，外卖无人车商业化会快于快递无人车，下面是具体分析：
对比快递和外卖成本结构可以发现，快递的成本可以拆分为城际和末端（也就是常说的最后一公里），外卖更多时候只有「最后一公里」的概念，很少有外卖订单的车程在 30 公里以上。但对于快递来说，成本的大头是城际物流成本，也就又回到了前面讲到的货运。
即便中国的快递已经越来越快，但在时效性上仍远远比不上外卖。快递的中转配送站统一投送使得一个快递员日单量可以 100 单 - 200 单。但外卖的时效性决定了一个送餐员的一天也就是 30 单左右。
一个快递可能是一个冰箱，也可能是一份文件。这种包裹体积的不确定性对无人配送车也不够友好。如果是外卖，它的餐盒规格是固定的，也就意味着每个外卖配送车的运行效率是稳定的。
所以真正最后一公里范畴（无人车可覆盖的场景）的单件物流成本，外卖远高于快递。
当然我们看到的现状是，菜鸟、京东、顺丰、饿了么、美团的机器人迟迟没有大规模铺开，背后的主要原因是当下的无人快递/外卖车 TCO 仍然高于人力成本，商业模型不成立。
不过，考虑到传感器成本正在快速下降、中国的快递/外卖市场已经寡头化，此类无人配送车的商业化仍然会快于乘用车和商用车领域。
在资本和技术之外，监管也是自动驾驶汽车商业化的重要因素。
从全球来看，看到了技术商业化临界点、开始大规模投入的企业广泛集中在美国。美国在自动驾驶领域不仅领先于正在崛起的中国，也领先于德日等传统汽车强国。这可能是促成中德、中日就标准制定、数据共享达成合作的原因之一。
前不久上海经信委赴美体验了 Waymo 的自动驾驶汽车，对 Waymo“平滑、流畅的试乘体验予以肯定，坚定了加快发展自主无人车的决心”。
一流的政策和场景、二流的资本和技术，中国会发展出不同于硅谷、具有中国特色的自动驾驶生态。
这是中国自动驾驶产业链（传感器、算法、芯片、高精地图、平台）公司们的独特机遇。
雷峰网版权文章，未经授权禁止转载。详情见转载须知。
