0
近年来，售价为10万-20万的汽车市场中，L2级及以上的智能驾驶量产方案正逐步成为标配，同时还在快速向10万元及以下的A级车市场渗透。
泰合资本副总裁密叶舟预计，未来2-3年内，中国的智能驾驶的量产装配率/搭载率会很快提升到30%以上，甚至可能达到50%。
随着智能驾驶的量产普及，渗透率提高，主机厂与智能驾驶解决方案供应商之间的联系变得越发紧密。
但另一方面，智能驾驶赛道终局未至，主机厂同样蠢蠢欲动，欲将占据未来汽车最大价值的自动驾驶把控在自己手中。
主机厂与智能驾驶供应商之间在保有合作的一面之外，也可能会成为彼此的对手。
密叶舟猜测，未来在智能驾驶功能实现和商业化方面，主机厂与智能驾驶供应商之间大概率会是高度竞合、相互交织的关系。
面对这种变化，智能驾驶解决方案供应商应当如何应对？一家优秀的供应商又应当具备哪些重要的素质与能力？
鉴于此，新智驾基于《2021年，智能驾驶的「一模」交卷年》一文，并在与业内数位高管的交流中，提炼出了成为智能驾驶"优等生"的几个关键词，希望能够管中窥豹，以此给行业从业者们带来些许思考。
工程化提升可靠性
正如前文所言，随着智能驾驶商业化落地的快速渗透，整个行业已经从Demo时代走向了量产时代。
而横亘在Demo与量产之间的其中一道障碍，就是技术的工程化。
事实上，对于工程化能力的具体所指，不同业内人士的理解似乎存在些许差异，但总的来说都离不开"可靠""稳定""全天候"这几个核心字眼。
不同于Demo演示只需在某时间段内的特定场景中维持正常运行，量产交付级别的智能驾驶解决方案必须要在复杂路况下保证全天候、高可靠性的稳定工作。
而作为推进智能驾驶方案量产落地的必经步骤，工程化能力正是提升系统功能稳定性、可靠性的关窍之一。
综合多方观点，智能驾驶技术的工程化主要涉及产品端与算法端两个层面：
1、产品端主要通过良好的设计、工艺、测试和质量管控做到高可靠性；
2、算法端则具体包括通过AI训练、模型优化、测试等，提高算法的鲁棒性，确保感知、定位、规划、决策、控制等系统功能可在准全天候场景条件下正常运行。
"在测试过程中，如何做到高效，并且尽量用合理的成本完成尽可能多、尽可能快、尽可能模拟现实世界的测试，就是一个典型的工程化问题。"MINIEYE联合创始人及高级副总裁杨广举例说道。
他指出，技术工程化在智能驾驶方案量产落地的过程中起着非常重要的支撑作用。
"因为如果没有好的工程平台，算法的研发迭代效率会非常低，算法研发人员的能力难以发挥出来，交付出去的产品也无法完成高规格的测试。如果这块做不好，就算有再出色的算法研发人员，也只能推出小批量的Demo。"
同时，由于技术工程化要求企业必须具备优秀的全栈研发能力、系统架构能力以及经过实际量产项目打磨的经验等，该环节也被视为智能驾驶量产落地过程中的高壁垒环节。
以技术算法见长的Robotaxi公司一向被认为"缺乏量产经验和工程化落地能力"，在AutoX投资整车厂、小马智行与图森未来传出造车的消息时，有人不禁猜测：这是否可以视作补全其工程化能力的尝试？
新智驾就此询问多方看法，多数观点认为Robotaxi公司涉足整车更多地应该是偏向于商业化的考虑。
主线科技产品院院长张广伟表示，从某个层面上讲，"造车"之于Robotaxi公司，是可以提升其工程化和商业化的手段，但不等于"补全"。
而在杨广的理解中，Robotaxi的工程化问题，一方面主要集中在增强算法的适应性，使其能在更多的场景中实现稳定和非托管的工作；另一方面则在于将软硬件系统车规化：
"硬件车规，就是选用车规的物料和车规的设计和测试，使在复杂的车载环境下能够高可靠工作；软件车规，就是要有充足的冗余和功能安全设计，以及大规模的针对产品可靠性的HIL、SIL测试，保证产品出厂前的质量，并在装车之后给算法提供一个稳定的平台。做好这些之后，可能才是与车的结合。"
业内人士在谈及产品端的工程化问题时，讨论往往会涉及到"平衡好质量、成本与交付"这一要点。
而当智能驾驶解决方案来到了量产上车这一步，如何在车企的个性化定制需求与技术方案的通用性之间取得平衡，也成了量产落地过程中必然要面临的问题。
"量产落地"，一方面意味着要获得足够大的市场，另一方面则必须"有利可图"，毕竟没有人愿意做吃力还不赚钱的工作。
通常来说，越是深入定制的产品，越能满足不同场景、不同使用者的个性化需求，但这往往也意味着方案供应商成本的大幅上涨；而通用程度较高的方案，则能够通过规模效应摊薄研发成本。
飞步科技市场负责人指出，智能驾驶顺利落地的关键在于规模化运营的实现，"只有规模化、常态化、可持续的运营，才能帮助客户与行业真正降本增效"。
表面上看，通用性与市场规模的正相关性更强，但实质上能够真正扩大市场规模的，是能够与多样化的市场需求相适配的产品。
正如张广伟所说，个性化是市场的需求。
元戎启行合伙人、副总裁刘轩也提到，不同主机厂往往会希望自己的车具备一定的特色，而不是彼此间只有一个车标的差异，所以他们会对智能驾驶系统提出不同的要求，比如有的更注重驾驶感，有的则更注重舒适性，由此诞生出一些定制化的需求。
而只有能够实现个性化定制的解决方案，才能兼顾到不同场景、不同使用者的多样化需求，满足不同主机厂的品牌差异化诉求，并借此扩大市场的基本面，为规模化奠定基础。
至于智能驾驶解决方案的通用性，则在一定程度上代表了供应商的获利空间能有多大。
通用性强，则意味着技术共用的部分多，解决方案的可复制性强，能够同时适配不同厂商的需求，继而通过规模效应降低研发投入，实现降本增效。
与此同时，产品架构的统一性高，也有利于加强产品质量的统一管理，确保稳定性、可靠性和可控性。
但两者之间的矛盾在于，通用性过强有时便意味着差异化无法体现，个性化定制过于深入有时则意味着无利润可赚。
如何在两者间取得平衡成为关键。
多位受访者认为，通用性与个性化其实并不矛盾，要在两者之间取得平衡完全可行：由于智能驾驶系统的基础技术本身就是通用的，在统一的架构下，通过接口、参数等调整，可以与个性化的需求相适配。
只是，具体的平衡方式还需要综合考虑产品的开发思路和战略。
搭建完整的数据闭环
如果说工程化是着眼于现时产品落地的能力，那么数据更关乎智能驾驶方案供应商们在未来的赢面。
尽管不像硬件一样看得见摸得着，但无论是辅助驾驶、自动驾驶，还是智能座舱，这些赋予汽车智能属性的功能都离不开数据的驱动。
于智能驾驶而言，数据以各种形式贯穿于研发、生产、测试、运营等生命周期。
从中长期的发展角度看，突破L3级以上的高阶智能驾驶功能，并提升其安全性、客户体验、ODD范围的差异等，都主要仰仗于数据的反哺。
数据，是驱动智能驾驶向前发展的重要"燃料"。
密叶舟认为，在未来，自动驾驶真正的胜负点在于数据的获取、分析和积累能力。
无论是走跨越式路线，还是走渐进式路线，收集长尾场景数据、训练算法模型等涉及数据获取、技术迭代的能力，于车企或智能驾驶供应商而言均具有重要意义。
但与主机厂不同的地方在于，由于自身并不拥有或只拥有很少的测试运营车辆，大部分智能驾驶方案供应商——尤其是那些通过L2级及以下智能驾驶量产方案积累数据，以期往上突破高等级智能驾驶的供应商们——必然要面临智能驾驶相关数据的归属和使用权限问题。
对他们来说，数据的收集仅仅是第一步，要想通过量产车型获取数据、迭代算法并构建自身的竞争优势，就必须拥有数据闭环的搭建能力。
具体来看，要搭建数据闭环：智能驾驶产品方案的大规模量产落地是基础，与主机厂就数据所有权和使用权达成一致是前提，数据安全体系符合国家监管要求是必要条件，具备数据收集、传输、清洗、存储与分析处理的完整能力则是关键中的关键。
而只有形成了这一闭环，才能充分发挥数据之于智能驾驶的"燃料"作用。
密叶舟相信，在已经拥有大量量产订单和交付能力的头部智能驾驶解决方案供应商中，谁能以更快速度形成自己的技术能力闭环、并与主机厂就数据合作模式达成一致，谁就将在未来高阶智能驾驶解决方案的竞争中处于绝对的优势地位。
眼下智能驾驶赛道赛事正酣，主机厂们也越发意识到未来自动驾驶才是汽车的核心竞争力所在：自动驾驶之于整车的关系，就如"灵魂"之于"躯壳"。
仍挣扎于智能化转型的主机厂基于不同的财力、技术能力，在智能驾驶研发上衍生出了三种不同的走向：全自研、部分自研、全外购。
投资人密叶舟指出，只有极个别的主机厂如特斯拉会选择全面自研，另外一些中小主机厂由于欠缺研发能力，可能会选择将智能驾驶的全部软硬件承包出去。
除此之外，大多数主机厂的选择都是混合的：自研一部分功能，再向供应商采购一部分，最后还可能选择一家Tier1负责全面整合，从而为整个系统功能的交付兜底。
至于这背后的原因也正如他所言，主机厂不希望智能驾驶的核心功能与能力被智能驾驶方案供应商们完全掌控，但又必须承认他们在开发效率、成本、数据积累等方面确实具备多样性与规模化的优势。
主机厂的这层顾虑以及由此衍生出来的商业合作偏好，使得其与供应商之间的关系走向变得越来越微妙：竞争与合作并存，可能彼此忌惮但又必须互相依赖。
要适应这种趋势，未来智能驾驶供应商不仅技术上要实现集成化、模块化并举，在与主机厂的商业合作方式上，尤其要做到开放灵活、可调整。
华为、百度Apollo所推行的商业合作模式或许正好顺应了整个行业的上下游关系走向。
表面上看，华为全家桶式的HI模式、百度Apollo的乐高式汽车智能化解决方案分别对应的是主机厂集成化、模块化两种截然不同的需求。
但事实上，在与主机厂的合作中，两家均可基于客户需求提供局部或全栈级别的解决方案。
在上汽表示很难接受单一一家供应商为其提供整体的智能驾驶解决方案后，华为方面随即回应称：HI模式不适用于所有车企，更多的车企还是采用华为提供的零部件解决方案。
百度Apollo在2020年底推出乐高式汽车智能化解决方案时，除了强调其开放、易组装的"乐高式"属性，同时也指出了其正通过"智驾、智图、智舱、智云"四大产品系列构建出完整的汽车智能化方案。
不过，在杨广看来，双方的合作可能要视智能驾驶方案的功能级别而定。
他表示，L2及以下的功能，主机厂还是以购买整体的模块和解决方案为主，并不参与部分功能的开发。在L2+之后，能力较强的车厂会尝试自研部分模块。
"目前典型的一种是规控自研，一方面更贴近产品功能，一方面与主机厂原来擅长的方向也比较匹配。"杨广说道。
"这种合作模式中，智能驾驶方案商更聚焦核心的软硬件功能，主要把握更偏向算法的基础辅助驾驶和自动驾驶能力，车厂则把握偏应用的一端。"
结语
于汽车这一组件繁多、构成复杂的工业产品而言，由感知、规划、决策、控制各核心环节构成的智能驾驶系统与之融合，所面对的问题可能比以往的任何一个系统组件都要复杂得多。
智能汽车的这一特性，要求供应商对整车功能的实现、设计、制造与验证流程有充分认知，成为全能型的选手。
而在本文中，新智驾仅仅挑选了其中几个较为重要的关键词，对于智能驾驶"优等生"的面貌或许只窥得了一二。
更何况，在不同的发展阶段，行业对供应商们的要求也不尽相同：产业初期，技术突破是关键；到了商业化的落地阶段，产品化、商业化能力的差距或带来新一轮的洗牌。
虽然目前辅助驾驶已处于规模化商业应用的阶段，但于L3及以上的自动驾驶系统而言，前路依旧茫茫，未来或许还会出现更多未知的挑战。
届时的智能驾驶解决方案供应商们又要以何种模样自处，仍待诸位挖掘与解答。
智能驾驶的缺位、错位与归位第三问
十年前，我国自主研发的无人车首次完成了数百公里高速驾驶实验，辅助功能的样机面世，为智能驾驶从实验室走向市场奠定基础。十年白驹过隙，智能驾驶的发展走过高峰，也熬过低谷，但商业化之路似乎仍充满迷雾。
本周四，新智驾将发布《智能驾驶十年，理想的商业模式为何「难产」？》，试图通过近 10 位行业人士的视角，对行业的商业落地现状进行全方位的探析。
雷锋网雷锋网雷锋网
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
