至于L3、L4等級的自動駕駛，雖然也有若干家公司聲稱進行了大量的路試和模擬訓練，但并未縮短量產(chǎn)落地的預(yù)期時間。就連公認處于自動駕駛技術(shù)前沿的Waymo，其技術(shù)落地也未有任何明確時間表。
資本對自動駕駛的熱情，早已在兩年前就已跌落。如今還在進行中的項目，基本都是存量了。被主機廠收購的初創(chuàng)公司(譬如Cruise)，難免再次慶幸當初的選擇。
技術(shù)瓶頸：雖咫尺而千里
自從優(yōu)步自動駕駛的路試發(fā)生致命事故后，該項目實際上已經(jīng)擱淺，并非由于事故本身，而是這條技術(shù)路線(深度學習)，看上去正在走進死胡同。
學術(shù)界越來越認同，當前自動駕駛的難點在于感知和決策規(guī)劃。純視覺方案雖然還在量產(chǎn)車上應(yīng)用，但是正在被前沿拋棄。
而決策依賴算力。算力越來越便宜，可以在車機上運行更復雜的神經(jīng)網(wǎng)絡(luò)。但是，后者不僅訓練成本高，研究人員還絕望地發(fā)現(xiàn)，當前系統(tǒng)無法適應(yīng)現(xiàn)實道路的復雜。真實世界的復雜變化，很難用數(shù)學模型擬合出來。
而且，AI在模擬人類決策方面，也做得一塌糊涂。如果風卷起一堆枯葉在空中飄落，人類會照常行駛，而雷達和攝像頭都認為是障礙物，需要停車或者避讓。
訓練系統(tǒng)認識落葉的形態(tài)，顯然是愚蠢的。就算是一片水洼、路邊的松鼠，都會給機器決策帶來無窮無盡的麻煩，人類幾乎不會受到影響。
現(xiàn)在處于試驗階段的L3、L4級自動駕駛，無一例外都裝有多個激光雷達、毫米波雷達，很難在試驗道路上遇到撞車這種事，但經(jīng)常對簡單路況(在人類看來)表現(xiàn)得傻里傻氣，不是過于謹慎，就是一驚一乍。人們不認為，現(xiàn)階段的AI擁有真正意義上的思考和判斷能力。
技術(shù)團隊越來越深刻地認識到，不存在工程手段，能給所有范式提供徹底解決方案。
顯然，風投資本對此已經(jīng)喪失了耐心。
商業(yè)化：水中望月
不需要深厚的知識儲備，只要稍微涉及一點自動駕駛的技術(shù)就能明白，現(xiàn)階段讓人放開手腳的自動駕駛(L4、L5)的大規(guī)模應(yīng)用，是不可能的。無論自動駕駛在測試道路上表現(xiàn)得多么完美和順滑，至少3-5年內(nèi)不會有人嘗試將其商業(yè)化。
能夠商業(yè)化的技術(shù)，必然能利用現(xiàn)有技術(shù)和工業(yè)基礎(chǔ)，工程化樣品沒有明顯瑕疵，再通過大規(guī)模工業(yè)生產(chǎn)壓低成本，廣泛應(yīng)用，創(chuàng)造利潤。
而這么做的前提是，技術(shù)已經(jīng)走完了所有的研發(fā)階段。
首先就是理論突破。科學家在很久之前就在理論上預(yù)見，并證明了可行性。現(xiàn)在芯片技術(shù)的理論基礎(chǔ)是量子力學，后者在100年前就已被發(fā)現(xiàn)，并形成完整理論體系。
然后是技術(shù)突破。技術(shù)團隊突破了技術(shù)實現(xiàn)的壁壘，做出了接近理論預(yù)期的樣品。很明顯，高等級自動駕駛正處于Demo階段，問題在于，與預(yù)期相差太遠。我們因此懷疑，從一開始是否就走錯了路。
最后則為工程化階段。逐一解決產(chǎn)品設(shè)計、方案優(yōu)化、性能穩(wěn)定、良品率的問題。
2019年諾貝爾化學獎授予發(fā)明鋰離子電池的三位科學家。盡管伏打電池已經(jīng)誕生超過200年，但是直到1979年，科學家才在實驗室中實現(xiàn)鋰離子電池的實用化方案。而我們?nèi)缃袷褂玫腅V，則來源于1979年實用方案的工程化落地。
歷史不會簡單重復，但可以昭示一點讓人冷靜的規(guī)律。工程化的科技產(chǎn)品，從試驗室走向工廠，大概要經(jīng)歷20年或者更久。位于第二階段早期的自動駕駛技術(shù)，無論資本此前多么狂熱，遲遲無法工程化，也足以讓他們冷靜下來。
現(xiàn)階段，無人駕駛工程師們都緊盯著知名期刊上發(fā)表的所謂最新進展，希望獲得工程化的靈感，反而說明了這一行業(yè)還遠未到成熟的階段。
資本的不理智之處在于，在第二階段還未走完的情況下，強推進入第三階段。打臉是一定的，投入越多，打得越狠。
但是，在特定場景下，譬如礦山、港口、倉庫、工業(yè)園區(qū)等，以低速實現(xiàn)L4、L5級自動駕駛，現(xiàn)在已經(jīng)沒有障礙。這和泛化的L4技術(shù)完全是兩回事。
現(xiàn)在這一趨勢已經(jīng)很明顯了，新投資很少進來。有些初創(chuàng)公司在發(fā)布會上發(fā)布的自動駕駛視頻，是以電影手法，一段一段剪輯出來的，甚至在現(xiàn)場偷著用筆記本電腦遙控車輛，希望忽悠投資人，讓后者相信技術(shù)前景是光明的。投資人如今還被騙的概率，已經(jīng)相當?shù)土恕Ｈ缃袢暨€這么做，等同于宣布自我了斷。
未來出路：灰燼中的火星
既然追求中短期回報的資本不再進來，長期資本還在繼續(xù)熬。譬如谷歌分拆的Waymo和通用的Cruise。不過，至少從公開資料上看，他們依然處于瓶頸期，尚無突破跡象。
而云端解決方案，因為5G的發(fā)展，正在趕上來。和單車智慧相比，依賴5G和云端指揮的車路協(xié)同，是一條不錯的路。
云端指揮的基礎(chǔ)是大數(shù)據(jù)。先收集駕駛經(jīng)驗數(shù)據(jù)，相當于擁有優(yōu)秀駕駛經(jīng)驗池，而且針對每一條道路，都有最佳解決方案。
同時，道路和交通設(shè)施布滿了傳感器，走萬物互聯(lián)路線。兩者共同告訴車機該如何行駛，后者不必理解為什么要這么做，只須根據(jù)場景引用。
而云端不是為了取代車端智能，而是降低后者的算力壓力，簡化設(shè)計，更快進入工程化。
云端將處于一個小區(qū)域范圍的車輛組成了臨時“局域網(wǎng)”。每一輛車都通過其它車輛獲取觀測數(shù)據(jù)，感知周圍環(huán)境，以解決盲區(qū)和漏檢。
信息互通的情況下，超車、通過十字路口都提前給周圍車輛發(fā)送請求，云端通過統(tǒng)一策略協(xié)調(diào)，其它車輛無須盲猜對方意圖，提升效率和安全性。畢竟數(shù)據(jù)鏈傳送，遠遠快于車輛機械運動和制動。云端協(xié)調(diào)方式，比設(shè)計單車復雜行為邏輯、訓練AI模型要簡單得多。
但是，這不但需要5G、物聯(lián)網(wǎng)(IoT)的高度發(fā)展，還意味著要翻新整個城市交通基礎(chǔ)設(shè)施，需要投入天量資金，曠日持久。
如前所述，在AI訓練上屢受挫折的技術(shù)團隊，開始懷疑整個理論基礎(chǔ)。AI訓練的基礎(chǔ)是人工神經(jīng)網(wǎng)絡(luò)，后者則受到神經(jīng)系統(tǒng)結(jié)構(gòu)的啟發(fā)。但是馮·諾依曼體系(計算機基礎(chǔ)架構(gòu))模擬生物能力，在推理、聯(lián)想和潛意識判斷等高級領(lǐng)域，完全無能為力。這是人類駕駛員的核心能力。
而人類對自身認知的規(guī)律理解層次非常淺，我們搞不懂大腦如何運作、記憶如何存儲、信息如何搜索、靈感如何產(chǎn)生，所有神經(jīng)深層次機制，全都知之甚少。這意味著AI用算法對人類的模擬，一定是拙劣的、浮于表面的。
自動駕駛作為應(yīng)用學科，不可能跑到生命科學基礎(chǔ)理論的前面，在后者還停留在小學水平上的時候，就取得重大突破，完全是癡人說夢。
從這一角度，自動駕駛已經(jīng)涼了，只是資本意識到這一點的時間不長而已。當然，這項技術(shù)仍會發(fā)展，將在有限場景下獲得有限的高等級應(yīng)用。大批資本將在2-3年內(nèi)退出，產(chǎn)業(yè)界將會轉(zhuǎn)而尋求走5G支持下的云端+低算力車機道路。
