一場《流浪地球2》引發了人們對生命、對科技的大讨論和深度思考。汽車自動駕駛技術同樣也要接受靈魂的拷問。
即便電影設定的時間已經到了2030年，圖恒宇駕駛的高度自動駕駛（L4）等級的汽車也不幸發生了車禍，造成了妻子、女兒的死亡。這使人們對汽車自動駕駛能否發展到完全自動駕駛（L5）等級以及能否真正經受起現實的考驗産生了種種顧慮與猜疑。
（圖檔來源：《流浪地球2》劇照）
自動駕駛考滿分就能確定萬無一失麼？
人們期待着有一天能夠實作無人駕駛，但人們對無人駕駛的憂慮與恐懼從未消除過。從英特爾中國研究院院長身份改做自動駕駛已有6年之久的馭勢科技創始人吳甘沙把現在的自動駕駛技術和自動駕駛成熟度分别做了一個比喻：“如果說自動駕駛是場考試的話，現在的技術能考到98分或99分。這是第一個比喻。第二個比喻是，如果把自動駕駛技術成熟度和商業化看做是場馬拉松的話，現在大概跑了三分之一。”
吳甘沙解釋道：“我們可以把自動駕駛技術了解為是一個在無限題庫裡的考試。然而在無限題庫裡，你能考到99分，并不代表你離100分很近，在這個行業裡我們有個90/10原理。就是貌似已經走完了90%的道路，但剩下10%的路仍需90%的時間和努力。也就是說從99分提升到100分是十分艱難的。”
“這是個定性的分析，如果從定量的角度去衡量，就拿業界領先的自動駕駛技術公司Waymo的資料來看，有一個重要名額叫接管裡程MPI（miles per intervention，自動駕駛平均每次被人類接管的行駛裡程間隔。注意，如果人不接管就會出現事故。）2018 年的資料應是每 1. 1 萬英裡有一次接管， 2019 年提升到了1. 3萬英裡， 2020年特别好，達到了2. 9萬英裡，這可能是疫情的原因路上的車比較少造成的，然而到了2021年成績下降了，隻有0. 8 萬英裡就有一次接管。”
而人類駕駛的情況呢？“美國司機的資料顯示，每25萬英裡保險公司會出一次險。50萬英裡會出一次警。150萬英裡才有一次緻傷的事故。9400萬英裡會出現一次緻命的事故。“
“是以，如果要讓自動駕駛比人類的表現提升20%，也就是1.1億英裡才出一次緻命事故。要得到這樣的統計學意義的顯著性特征需要積累110億英裡的行駛資料。需要自動駕駛技術的汽車累計行駛110億英裡，如果撞死了不超過100人，才能表明達到了1.1億英裡才出一次緻命事故的水準。”
但要拿到這樣的證明，累計110億英裡對任何一家自動駕駛技術的公司都是難以實作的。因為如果這家公司有500輛車同時路測，也要開100年才能積累到自動駕駛行駛100億英裡的資料。即便MPI達标了，要證明你的技術比開車安全還是一個很難的事情。是以我的第二個比喻，是我們達到了99分的成績，但如果是個馬拉松我們也才走了三分之一的路程。
“悲觀的人總是正确，樂觀的人總能成功。”
無限題庫的無人駕駛即便能考99分卻永遠無法考到100分，無人駕駛就永遠無法商用了麼？吳甘沙并不這麼認為。他指出：”自動駕駛技術商用有三條路可以走。第一條無限題庫，雖然無論怎樣也考不了100分，但他旁邊可以放個老師，随時糾錯，這就是我們說得L2輔助駕駛。因為責任在司機，自動駕駛一出錯老師就進行糾錯。 “
“第二條路是固定題庫。就是在園區内做的自動駕駛。這樣可以進行充分的測試，確定每一次無人駕駛都能考100分，這也是《流浪地球2》中看到的無人駕駛的卡車運輸彈藥、幫助建造基地的情景。”
（圖檔來源：《流浪地球2》劇照）
“第三條路線是在開放空間裡，還是無限題庫，但他的運作速度比較低，車輛尺寸也比較小，允許他不考100分的巡邏、配送場景也可能實作商用。”
是以，從實用及商用情況看，第一種無限題庫的商用，要達到L4等級或以上要等到十年、二十年才可能算能進入成熟階段。如果是第二、第三種情況，在港口、碼頭這種場景下的工程機械現在已進入了商用化的程度。
單車智能與車路協同誰将勝出？
目前很多自動駕駛的公司采用的路線都是單車智能，而車路協同是另一條快速催熟自動駕駛商業化的路線。車路協同的優勢是以“上帝視角”對全局進行把控，協調路上所有車輛，而非在單車視角下考慮與周圍車輛“博弈”的問題。車路協同利用路端資料可以大幅簡化單車自動駕駛的算法，甚至是減低車端算力要求和裝置需求，同時真正實作大面積無人化駕駛以節省經濟成本。
然而吳甘沙認為：“未來會以單車智能為主，車路協同為輔的方向發展。”
“因為車路協同中，單車智能代表着能力下限，缺乏單車智能，隻靠車路協同是不現實的。車路協同不可能實作完全覆寫中國的每一條道路，車也不會像我們的4G、5G，每個人的手機都能用。其次，要讓所有的車能利用車路協同也是非常難的一件事。是以車路協同不可能在全國實作100% 覆寫，預計未來2-3年内也隻有 1% 車輛能夠用到車路協同。“
“雖然車路協同不能完全覆寫，但在一些特定的區域，比如機場、碼頭或者特定的高速上還是可以實作。然而一項技術要大規模的應用一定要實作閉環：誰出錢，誰來營運，客戶要有感覺，客戶要願意買單。如果隻是做一些試點，是沒有辦法大規模推廣和應用的。”
“此外，車路協同比單車智能在出現事故時更難以進行責任認定。 如果是單車智能，隻要解決車的問題基本也就解決了所有問題。但車路協同中間的環節會大幅增加，出錯的原因認定就會變得更加複雜。”
自動駕駛技術真正的戰場不在ToC而是ToB
現在很多人把目光都放在了ToC市場，然而自動駕駛的真正價值在ToB市場。吳甘沙表示：“現在大家能感覺到的自動駕駛技術是用在乘用車、計程車，無人駕駛公共汽車，幫助人們從一個點抵達到另一個點。然而大量的自動駕駛技術的用武之地在物流。”
“從一個城市、一家企業來看，最主要的是以運送貨物為主。城市中是幹線物流支撐城市的運轉。在企業裡，從原材料和産品都需要物流的支撐，與資金流、資訊流同等重要，絕大多數企業最終是要把自己制造/生産的實物産品傳遞給客戶。”
“現在大家說的企業數字化轉型，其本質是解決人的不确定性和低效的問題。人的不确定包括勞動力越來越貴、越來越稀缺，願意做重複性勞動的人越來越少。即便是開車，司機的技術水準也是參差不齊，不同的人學習能力也不同，掌握技能的時間也就有長有短。人的情緒也會受到各種因素的影響。而自動駕駛技術很好地避免人的這些不确定因素。是以數字化後，就能擁有更加全面的智慧、更加高效的規劃，確定企業生産的整個流程實作 Just in Time的完美狀态。”
ToB自動駕駛應用市場廣闊但面臨三大困境
自動駕駛在ToB市場擁有廣闊的市場前景。根據卡内基梅隆大學報告指出，帶有智能駕駛功能的汽車，燃油經濟性提升10%，自動化等級越高、節能效率越高。更具成本效益：智能駕駛對人力成本較高的場景則意義重大，如卡車長途運輸，每年每車可節省人力成本6~15萬元。
然而缺乏标準、資金錯配、缺少場景化的解決方案是市場面臨的三大困境。吳甘沙指出：“首先是缺乏标準。沒有統一的标準，好的技術和壞技術一起競争，一味地以低價競争，就造成市場上劣币驅逐良币的現象發生。缺乏标準也不利于客戶的選型，阻礙了企業采用新技術創新動力。”
“第二，補貼資金的錯配。目前地方政府鼓勵企業創新，利用财政補貼企業，這是一個很好的政策，然而政府也擔心有的自動駕駛企業進行騙補。采取後置型的補貼，将補貼發給采用自動駕駛新技術的使用者要比直接把補貼發給自動駕駛技術的提供方要好。這樣能鼓勵更多的企業去嘗試新技術，利用自動駕駛技術推動他們的轉型更新，同時這也對新技術的推廣起到積極的推動作用。”
最後是缺乏場景化的解決方案。吳甘沙認為：“無人駕駛技術并不是一個産品，而是解決方案的一部分，是數字化物流的一部分。這需要行業協會、頭部企業、無人駕駛技術提供方共同努力，提供适合企業真實應用場景的解決方案，為他們的物流問題給出切實有效的落地方案。”
即便圖YY隻有2分鐘的自主意識，圖恒宇也會盡一切可能，讓女兒在數字世界能夠擁有完整的一生。能考到99分的自動駕駛技術即便是一場無盡的馬拉松，同樣會讓無數嚴謹、堅定的科技、工程人員不斷探索、完善，雖不能完美但他們在無限逼近完美。