編者按：《賀雄松帶你讀自動駕駛場景商業化》，帶你讀懂自動駕駛領域不同場景的商業化，客觀、理性地解讀商業化背後投資政策演進。
本欄目由辰韬資本執行總經理賀雄松與汽車之心聯合出品，每周六更新，内容獨家授權汽車之心釋出。
今天是本系列第一講，接下來我們将進入到自動駕駛的商業場景。
這一講我們先來看一看，自動駕駛行業 12 年多的幾起幾落，為什麼真正的自動駕駛仍然沒有批量落地？它到底離我們還有多遠？帶着這些問題，我們一起來探讨一下。
01
行業經曆了幾起幾落
首先，我們簡單回顧一下自動駕駛行業的發展。
2009 年谷歌開始正式研發自動駕駛技術，這是行業起步的重要标志。這之後行業還并沒有進入大衆視野。直到 2014 年，AI 技術尤其是圖像識别取得了重大突破，讓大家看到了自動駕駛落地的希望。
2014-2016 年，自動駕駛出現一個小高潮。創業公司大批湧現，很多自動駕駛公司比如 Zoox、Pony 都是在這個階段成立的，同期，特斯拉推出 Autopilot1.0 版本。
傳統主機廠也有不少動作，比如通用收購了 Cruise，寶馬與英特爾、Mobileye 結成了自動駕駛研發聯盟。
經過了幾年快速發展後，持續的高歌猛進并沒有出現，2018-2019 年，自動駕駛的發展卻反而進入了一個低潮期，國内 Roadstar 因内讧停止營運，國外幹線自動駕駛公司 Starsky 宣告破産。
為什麼呢？
一方面之前的行業預期過于樂觀，而實際落地進展沒有那麼快，另外資金面收緊，各家公司融資受到了一定影響。
直到 2020 年，尤其是下半年開始，行業迅速回暖，有多個因素：
一是受益于特斯拉發展以及圖森等相關公司上市的帶動；
二是資金面回暖；
三是部分場景尤其是特定場景逐漸看到了落地的曙光。
因為這些因素，行業重新呈現欣欣向榮的景象。
以上就是自動駕駛行業這些年的大緻發展脈絡。接下來我們圍繞自動駕駛什麼時候落地進一步探讨，為了回答這個問題，我們要分析下影響落地的主要因素。
02
落地受到安全、商業模型和路權的影響
NHTSA 和 SAE 都對自動駕駛都有具體的定義，這裡需要明确一下，我們這裡及以後所提到的「自動駕駛」僅限 L3 級及以上。
另外，我們說落地，指的是達到可批量複制的階段，要差別于 Demo 性質的進展。我們認為，影響自動駕駛落地有三個重要的因素。
首先是安全性是否足夠。
沒有任何産品能做到絕對安全，自動駕駛車輛也不例外。是以，我們需要設定一個标準，這個至關重要，但目前沒有人能準确定義怎樣的安全标準是大家能夠接受的。
對開放場景的自動駕駛車輛來說，如果自動駕駛車輛的事故率比人更低的時候，我們對自動駕駛車輛的安全會更放心，按照馬斯克的說法，等到自動駕駛車輛事故率是人類司機的十分之一的時候，安全性的擔憂就可以放開了。
對特定場景來說，安全性的定義可以有更大的彈性。
比如礦山，如果把自動駕駛車輛作業跟勞工進行隔離，確定即使發生事故也不導緻人員傷亡，安全性的标準就可以大大降低，這時候隻需要控制安全性帶來的經濟損失即可。
其次是商業模型是否合理。
在商用場景，自動駕駛車輛的本質是生産工具，生産工具要推廣的核心是能否實作降本增效，是以要考慮産品的經濟效益。
依照行業慣例，如果投資回收期在兩年以内，産品将具備大規模推廣的基礎。
自動駕駛車輛的主要經濟價值在于通過自動駕駛套件節省司機。如果能節省的司機越多，且司機的工資越高，那麼自動駕駛的經濟價值越大。
礦山、港口等場景一輛車需要配套 2-3 個司機。一旦實作無人化，商業模型是非常合理的。
有兩個趨勢對商業模型的判斷非常關鍵：
一是自動駕駛套件的成本随着産業成熟依然會不斷下降。
二是大陸的人口紅利逐漸消失，人工成本将不斷提高。
此消彼長之下，自動駕駛的商業價值會愈加明顯。
最後是路權。
無人駕駛車輛不能随意上路。2017 年 7 月 5 日，百度 CEO 李彥宏在視訊直播無人駕駛汽車駛上北京五環的實況，不久就拿到了罰單。
國家對機動車有嚴格規定，無人駕駛車輛上路的合法性需要立法确認。
路權的問題對開放場景的自動駕駛公司來說更加突出。
但我們總體是樂觀的，大陸政策非常支援自動駕駛技術的發展，深圳、北京等地都已經在積極立法，等到技術成熟的那天，我們相信路權不會是限制因素。
另外一方面，對特定場景的自動駕駛公司來說，路權影響不大。這也是我們看好特定場景先行落地的主要因素。
以上就是我們對影響自動駕駛行業落地因素的分析，他們分别是安全、商業模型和路權。
03
特定場景更容易落地
基于上述分析，我們可以得出一些結論：
1、載人難于載物。
相比于載物，載人需要考慮乘客的舒适性，對控制算法等要求更高，另外為了照顧車上人員的安全，在車身穩定性和結構上也會有更高要求。
相比而言，自動駕駛載物車輛的控制算法和車身安全要求要低不少。
2、高速難于低速。
從安全的角度考慮，高速自動駕駛的技術難度遠遠高于低速。
高速行駛的車輛需要更長的制動距離，是以自動駕駛車輛需要感覺到更遠的距離以及需要對周圍物體做出更複雜的運動預測。
目前自動駕駛車輛傳感器的感覺距離有限，而且對遠處物體的感覺能力相比近處大幅下降。
運動預測受到時間的影響，時間越近越準，時間一長，準确性不可避免地下降，安全性也将是以倍受挑戰。
3、開放場景難于特定場景。
特定場景的落地比開放場景更快。特定場景道路上的參與主體是可控且相對有限的，長尾場景更少，技術上實作難度小很多。另外，特定場景的自動駕駛在路權方面的阻礙更小。
從上面的定性分析不難得出結論：礦山、港口、清掃、無人物流小車等特定場景比幹線物流和計程車等場景更容易落地。
04
實際的落地情況及展望
實際的進展到底是怎樣的呢？
1、礦山。不涉及路權問題，道路可以自己規劃，環境相對簡單，容錯率很高，哪怕翻車也可能不會有太大損失，無重大安全隐患，整個落地環境很友好。
2、港口。道路結構化程度高，環境簡單，路權相對好解決。
3、清掃。速度慢，對技術要求低，環衛勞工招聘和安全是痛點，無人化是必然趨勢。
4、無人物流小車。自 2021 年開始，行業内的頭部公司比如白犀牛、京東、菜鳥等就已經去除安全員了，目前處于逐漸放量階段。
上述幾個場景預計 2-3 年實作批量落地。
5、Robotaxi在開放道路上跑，環境十分複雜。最高速度達 100 多公裡每小時，刹車距離長，對車的預判能力、傳感器的感覺距離提出很高要求。
長尾場景很多，受限于傳感器和制動距離，很多問題難以解決，短期難以落地。
目前沒人保證能确定明确的落地節點。怎麼辦？可以通過對環境的降維來降低技術難度（使得 5 年内有望見到落地）：
1）把速度降低：從 100 多公裡每小時降到 40-50km/h，對技術要求是指數級的下降；
2）對道路的限定：挑選出無人駕駛相對好落地的路段，先試起來。如果有好平台，足夠多的使用者，甚至可以以人機混合方式，把無人車營運起來。
6、幹線運輸。完全無人化的時間也沒人能保證。重卡的制動距離更長，事故危害性更高，容錯率極低，技術難度更高。
好處是，在高速上道路環境比較簡單，是以跟 Robotaxi 比各有優劣。短期内實作 L4 難度較大；當場景真正實作 L4 的話，長遠來看幹線的市場空間更大。
國内幹線重卡存量 7-800 萬台，從營運的角度有幾萬億的潛在的市場空間，想象力很大，這也是目前相關标的估值高的原因。
預計未來市場上不會一家通吃，幾家分也能使得每家分到近萬億的市場。
以上就是我對實際落地進展的介紹。
好了，這一講我就先講到這裡。我這一講主要分享了自動駕駛領域實際的 6 個落地場景，以及展望了他們預計批量落地的時間，我認為特定場景将率先落地。
這裡也提前做個預告，下一講我将介紹自動駕駛行業的機遇和挑戰。
最後，我想要來請你來談一談，你對自動駕駛領域商業場景的落地有什麼樣看法？你更看好自動駕駛領域商業化的哪一個落地場景？期待你在留言區的分享。
以上就是這一講的全部内容，我們下一講再見。
劃重點
· 安全、商業模型、路權是影響自動駕駛落地的主要因素；
· 礦山、港口、清掃、無人物流小車等特定場景比幹線物流和計程車等場景更容易落地。
本期制作
主講：賀雄松 監制：朱山
編輯：葉方 後期：朱山
設計：陳溪陽 營運：燈塔
音頻平台
喜馬拉雅 | 小宇宙
Podcasts | 小鵝通
在以上平台搜尋關注汽車之心
即可收聽全部節目
「汽車之心 · 行家說」預告
3 月 10 日周四晚上 20:00-21:00， 易咖智車 CTO 柏俊波将做客汽車之心 · 行家說，聊聊「大熱的滑闆地盤會以什麼節奏落地？」。