3月27日,第八届百人会论坛中,智能网联汽车的下一步发展再次作为与会行业专家、学者与企业间频频涉及的话题。

 

会上 ,全国政协副主席、中国科学技术协会主席万钢表示:“面向新能源汽车跨产业界融合发展趋势,要进一步加强汽车与能源、交通、信息通讯等产业,在政策、标准、前沿技术示范等方面的统筹规划和组织协调,凝聚发展合力,加速实现高水平的产业融合发展。”

 

同时,中国电动汽车百人会理事长陈清泰表示:“在汽车智能化这场革命中,我国汽车产业换道先行取得了先发效应,但机会窗口期不会太长。

 

随着跨界巨头的搅入,一个新兴赛道正在搅动着原已格局固化的产业巨头的心,一个新版图也在这种跨界探索中徐徐展开,给汽车产业带来新鲜空气,也卷入了泥沙。关于未来的产业新格局已经初成,“很难再有新玩家入局”。

 

 

被吹起的行业泡沫

 

在高级别自动驾驶领域中,特斯拉显然是最广为人知的汽车品牌。2020年10月,特斯拉首次向部分美国用户推送FSD Beta方案,并以视频的形式展示了让汽车在复杂的城市环境中导航,驾驶员不需要移动方向盘的实际操作案例,有意散播特斯拉只要通过软件升级,就能在量产车型上实现辅助驾驶的误导信息,进而传递出高级辅助驾驶未来已来的类似言辞。

 

嗅觉敏感的资本市场伸手,特斯拉股价紧跟利好。短短数十天,特斯拉超越丰田、大众,成为全球市值第一的汽车公司。特斯拉从一家新能源车企成功加持科技标签。

 

数月后,华为也发布类似的演示视频。并宣称华为具备了将两个世界联系在一起的能力,即量产乘用车+高级辅助驾驶的新中国属性,一时间,国内汽车行业更加敏感。

 

为了争取市场关注,多家企业决心入局并相继发布相关量产计划,这其中既有众多传统与新势力车企,同时也有众多自动驾驶领域的Tier1企业。

 

据统计,至今已有上百家造车新势力涌入,存活下来的十有一二。尽管在造车这条赛道上已经有了众多奔跑者,但是这个让人垂涎三尺的新能源汽车市场蛋糕仍然有很多人惦记,2021年仍然有一波接着一波的造车新势力接踵而至,比如小米、自游家、智行盒子、轻橙时代等。

 

从目前行业格局来看,汽车市场对新入场者已经不再友好:

 

造车新势力头部企业像蔚来汽车、小鹏汽车和理想汽车,这些新势力基本已经形成了各自的市场品牌认知,并且在研发、销售、服务和交付等方面也日渐完善

 

新势力第二梯队的成员也虎视眈眈,整体实力也不能小觑

 

传统车企的轮番转型,推出独立子品牌等,都给这些后入场者带来了不小的压力

 

目前还是一个百花齐放、万马奔腾的状态,国企、央企、民企新势力等等,各有各的招牌,各有各的杀手锏,不过,把时间线拉长到20~30年或者更长的时间,未来只会变成三五家主要车企。

 

不过,对于后续想要入局的厂商,新能源汽车从2015年发展至今,已经量产的车企还是有一定机会的,但到现在还没有走到量产这一步,再入局是比较困难的。

 

这些企业虽然品牌不同,层级不同,但却在“流量”时代下暴露出一个相同的问题,那就它们视频中的展现的自动驾驶技术绝大部分都无法在短期内实现量产,而这让人不免想到了一个经济领域的热词——“泡沫”。

 

泡沫的成因

 

01--长尾问题

 

关于现阶段自动驾驶行业的推进与瓶颈,诸多行业专家此前都曾抛出过明确的观点:现阶段在技术方面,自动驾驶的底层架构和大部分技术问题已经被解决,而剩下的 20%长尾问题,是制约行业发展程度的关键。但正是这20%的遗留问题,耗费了大多数企业80%的精力去解决。同样的道理也映射在智能辅助驾驶的普及和量产上。

 

 

受成本制约和缺乏合作的经验,汽车智能化功能多以小规模测试为主,且大多数汽车品牌与新型Tier1企业不具备大规模量产的经验与条件。迫于压力,企业不得不夸大产品营销噱头,强势占位抢占市场先机,开始倒逼软件公司给出交付期限;上游企业为了争取更多订单,又也不得不给出“最终节点”的对应承诺。

 

事实上,由于智能辅助驾驶功能的核心在于辅助,即驾驶者需对车辆负责,间接决定其技术要求与难度,远低于高级别自动驾驶系统。且主流Tier1企业研发目标大都指定在更高级别自动驾驶,因此,大多数Tier1本质上有能力开发出适度的算法和功能支配硬件配合辅助驾驶功能落地。可即便是企业与企业之间的技术各有千秋,但量产的规划还是迟迟难以最终落地。

 

以Mobileye为例,作为特斯拉Autopilot的技术提供者,是行业内最早实现辅助驾驶方案量产落地的企业,凭借优秀的软硬一体的解决方案能力,早期Mobileye在该市场鲜有对手,也相继拿下国内包括蔚来、理想等多家新势力企业的量产订单。但由于后期上市的EyeQ4芯片算力不足缺少足够验证,量产产品频频爆出事故问题,使其一度陷入信任危机。这使得徒有技术却无法量产,“扬长却不能避短”成为智能驾驶行业,不愿被承认和戳破的泡沫话题。

 

对比之下,国内企业的发展逻辑则更加务实:

 

国内初创代表企业之一的Momenta,但凭借“一个飞轮”的理念,使其辅助方案领域享有相应话语权。旗下产品也涵盖了不同级别的自动驾驶方案以及衍生的大数据服务。具体到智能汽车领域,Momenta的图像采集与识别分析的能力在国内市场拥有一定优势,因此Momenta也相对倾向硬件成本相对较低的“毫米波雷达+图像”高级辅助驾驶方案

 

国货之光称呼的华为,理解则完全不同。本着“硬件为王,软件为辅”的发展理念,华为虽明确不涉及汽车制造,但却研发了30多款智能汽车的核心零部件,“激光雷达+鸿蒙车机”的方案成为华为在布局高级辅助驾驶业务的一张“王牌”

 

02--深陷算力误区

 

行业需要思考一个问题是:在“软件定义汽车”的情况下,解决智能驾驶系统计算平台的支撑问题,是否只能通过算力堆叠来实现?

 

是不是唯芯片算力马首是瞻呢?显然不是。

 

提升硬件很重要,但不能陷入“唯算力论”的怪圈。


我们说“数据是生产资料”,而提供处理数据的芯片是工具,不可能工具反客为主成为核心。工具是必备的,但是更重要的核心是跑在上面的软件。

 

芯片就是软件的舞台,衡量芯片优劣的标准,要看芯片之上的软件能否最大化地发挥作用。当然不是说算力不重要,算力和软件之间需要有效匹配。两款相同算力的芯片比较,能让软件运行得更高效的芯片才是“好芯片”。

 

决定算力真实值最主要因素是内存( SRAM和DRAM)带宽,还有实际运行频率(即供电电压或温度),以及算法的batch尺寸。

 

谷歌第一代TPU,理论值为90TOPS算力,最差真实值只有1/9,也就是10TOPS算力,因为第一代内存带宽仅34GB/s

 

第二代TPU下血本使用了HBM内存,带宽提升到600GB/s(单一芯片,TPU V2板内存总带宽2400GB/s)

 

最新的英伟达的A100使用40GB的2代HBM,带宽提升到1600GB/s,比V100提升大约73%

 

特斯拉是128 bitLPDDR4-4266,内存的带宽:2133MHz*2DDR*128bit/8/1000=68.256GB/s。比第一代TPU略好(这些都是理论上的最大峰值带宽)其性能最差真实值估计是2/9。也就是大约8TOPS

 

为什么会这样?这就牵涉到MAC计算效率问题。

 

如果你的算法或者说CNN卷积需要的算力是1TOPS,而运算平台的算力是4TOPS,那么利用效率只有25%,运算单元大部分时候都在等待数据传送,特别是batch尺寸较小时候,这时候存储带宽不足会严重限制性能。但如果超出平台的运算能力,延迟会大幅度增加,存储瓶颈一样很要命。效率在90-95%情况下,存储瓶颈影响最小,但这并不意味着不影响了,影响依然存在。然而平台不会只运算一种算法,运算利用效率很难稳定在90-95%。这就是为何大部分人工智能算法公司都想定制或自制计算平台的主要原因,计算平台厂家也需要推出与之配套的算法,软硬一体,实难分开。

 

自动驾驶芯片的竞争壁垒在于算力利用率和可用性。芯片厂商根据软件提供底层的硬件支持,在整车设计里提供的价值更高,在供应链里的议价能力更强。与Tesla自研汽车中央计算设备相比,软硬件开放式平台的解决方案潜力大。

 

算力也不能说无限增长,芯片PPA(功耗、成本和面积)都是很要命的。

 

这是因为,对于车载AI芯片来说,算力指标重要,能效比更重要。在传统芯片行业,PPA是最经典的性能衡量指标。而现在出于自动驾驶对算力的追求,业界还是把“峰值算力”当作衡量AI芯片的主要指标的话,就导致了一种“唯算力论”的偏颇。

 

以英伟达的芯片为例,它GPU的功耗是最高的。Orin、Xavier的利用率基本上是30%,怎样优化基本都是30%。不同于英伟达的GPU方案,高通、mobileye、华为,包括国内这些创业公司都走的是ASIC路线。ASIC芯片针对不同的神经网络模型去优化,基本上可以做到60%~80%之间,好一点的可能会做到80%再高一些。

 

对于车企来说,在最高性能模式下,如果自动驾驶控制器的芯片功耗级别较高,即便其自身性能强劲,但也会引发某些不可预知的隐患,如发热量成倍增加,耗电率成倍增加,这些结果对于智能电动车来说毫无疑问是颗“雷”。

 

现在算力的军备竞赛是已经掀起来了,但是芯片的算力本质上对于智能驾驶系统还是必要不充分的条件,芯片算力的无限膨胀和硬件预埋不会是未来的趋势。

 

03--公众接受度

 

人类驾驶员和自动驾驶汽车都会遇到需要做出生死攸关决策的情况。例如,紧急情况下自动驾驶汽车应该转向撞死行人,还是什么都不做,结果导致自己搭载的乘客死亡呢?

 

麻省理工学院计算机科学家 Iyad Rahwan 通过一个名为 Moral Machine 的交互式网站对参与者进行了关于不同情景下道德困境的调查。该项目吸引了来自 233 个国家和地区的超过 200 万参与者,他们代表不同的宗教、国家和文化。研究发现,人类的道德准则并不普世,并不是每个人都平等地重视人的生命,或儿童和老人的地位。

 

尽管许多研究人员认为,从长远来看,由于人为错误减少,自动驾驶汽车最终会变得更安全,但 2018 年路透社 / 益普索的一项民意调查表明,社会还没有准备好大规模推广自动驾驶汽车。在不具备关于自动驾驶汽车的经验或知识的情况下,只有 27% 的受访者(38% 的男性和 16% 的女性)表示他们会觉得乘坐无人驾驶汽车很舒服。虽然年轻的受访者通常对自动驾驶汽车更感兴趣,但 54% 的司机认为与它们共享道路会让自己感到不够安全。

 

泡沫加速膨胀

 

汽车行业从不缺乏天马行空般的创造力,而全自动驾驶汽车可能是想象力的“巅峰”。但产业发展到现在,L5级自动驾驶遥遥无期,恐怕已经成为共识。

 

当整个行业不得不从空中降落到地面上,“量产”下的自动驾驶正在生长成何种样子,是2021年大众可以清晰看到的。目前来看,已经或正在规模化量产的自动驾驶产品及服务,主要有三个共同点:

 

L4级自动驾驶量产,以商用车为主,集中在公交车、物流配送车、客车货运等领域

 

自动驾驶乘用车量产,以L2级别技术为主,L4及更高级别的乘用车探索或项目终止、或落地放缓

 

生态的力量,从各自为战到阵营防守。早先的自动驾驶行业还是科技企业、主机厂等各自为战,但2021年,量产交付的大多是生态联盟的体系化进击

 

对于自动驾驶而言,只有主机厂牵头才能完成跨产业的生态链构建,才能实现从底层硬件到上层算法软件的系统化设计和整合。科技公司或某一供应商难以完成此类整合动作。

 

就L4、L5来说,其推进速度很大程度上取决于车企的牵头推动,并且规模越大的车企所发挥的推动力度越强。因为自动驾驶的规模化推广不是在于几千辆车的试运营,不是在于几个城市的示范区,而应该是尽可能地覆盖所有地区。如果不能形成足够的规模化效应,同样对终端市场没有参考意义。

 

不过,自动驾驶的规模化推广还面临诸多难点,所谓的“20XX年实现L几级自动驾驶”与真正的市场化普及还存在巨大鸿沟。法律法规/伦理道德体系、技术成熟度、基础设施完善程度、商业化前景等等桎梏依然突显,并且在短期内难以快速解决。

 



以基础设施为例,根据Gartner(高德纳)公司的技术成熟度曲线,L4、L5级自动驾驶量产需要十年时间。以5G为例,假使每周新增基站1.5万个,即便已经是全球速度领先,要使得5G在全国范围内的应用可能还需要5年以上。

 

自动驾驶已经进入了新的发展阶段,从实验室产品开始走向零星量产。市场化的进程中或许伴随着“泡沫”的加速膨胀。

 

量产是关键

 

此前曾有Tier1企业就该问题指出症结,并表示:“做好高级别智能驾驶,挑战是巨大的。很多传统车厂用熟悉的模块来组装拼接的方式,无法给消费者带来安全舒适的智能驾驶体验的。”

 

为此,我们梳理目前有关自动驾驶行业的推进方案后发现,业内有关该领域的布局基本分为以下两种情况:

 

主机厂自研

主机厂+tier1协同发展

 

但从当前情况来看,这两种情况无论是哪一种,都不是最好的解决方案。

 

首先,主机厂自研成本投入巨大,无数的历史案例都在证明,无法有效控制成本就实现落地,那么厂商将在落地时付出更多的成本以提升产品竞争力,而这些成本最终都将要消费者买单。

 

而主机厂+tier1协同发展的模式则更适用于传统车企,但就像前文提到的,当前绝大多数tier1企业普遍将精力放在展示技术实力方面,距离真正量产还有很大差距。这其中的核心原因在于,测试系统在面对量产时 ,需要考虑所有量产车的算法一致性,多台车在道路行驶上所遇到的场景复杂性、多个零部件之间的兼容与覆盖。

 

对任何产品而言,“量产”更像是一把“尺”,它衡量着一件产品从研发直至面向终端的合理性,这个合理性简单用一个测试视频显然无法展现,更需要真正脚踏实地的去探索和深入,并最终以商业化等形式实现可持续且良性的发展。

 

只有这样,才能让行业与消费者更加理性地看待智能驾驶 ,毕竟自动驾驶还有很长的一段路要走,不要让泡沫式的内卷成为自动驾驶发展道路上的“绊脚石”。

 

写在最后

 

新兴技术的发展并不遵循线性路径。相反,它们会遵循炒作和失败的 S 型曲线。驱动自动驾驶汽车的一系列技术和基础支持设施具有多个 S 型曲线。

 

自 1950 年代以来,人工智能经历了两个炒作周期,最终引发了两个人工智能寒冬,其中行业投资和公众利益都大幅缩减。由于自动驾驶汽车涉及多种技术,预测自动驾驶汽车的发展是一项极其复杂的任务。

 

自动驾驶汽车最糟糕的情况是它们无法跨越最初的技术障碍。如果马斯克在你的家乡部署 500,000 辆自动驾驶汽车,一切都不会顺利走下去,因为当前的交通基础设施是为人类司机设计的,而不是无人驾驶汽车。如果道路没有很好的标记,自动驾驶汽车将无法安全地在车道上行驶。

 

此外,当前的车对车和车对基础设施通信系统、实时数据处理技术以及电池和充电技术也无法充分支持大量 AV 的部署。然而,如果行业没有迈出第一步,基础设施和监管层面面临的障碍就无关紧要了。

 

虽然导航和自然语言处理等 AV 技术正逐步向自动化方向发展,但其他技术仍有很长的路要走。用于计算机视觉和决策的硬件和软件尚处于开发阶段。包括纽约大学的 Gary Marcus 在内的 AI 研究人员警告说,如果我们过度宣传 AV 所需的 AI 技术,我们可能会经历第三次 AI 寒冬。

 

尽管清晰认识到自动驾驶的发展面临诸多难点,但我们应该对该赛道的发展仍持乐观态度。自动驾驶的完全成熟、自我盈利需要漫长的时间,发展不会特别快,但一旦快起来就是标配。中国市场有两亿多辆汽车,如果都搭配自动驾驶,那么市场空间将非常大。

 

在广阔的市场面前,即便困难重重,自动驾驶玩家们仍然心甘情愿地投入到这一场硝烟弥漫的持久战中。或许,这也正是投资和技术的魅力所在。

 

德国哲学家马丁·海德格尔在其存在论名著《存在与时间》里面用理性的推理出了一个生命意义上的倒计时法—“向死而生”。

 

对于每一个技术与产品而言,存在都是具有阶段性的,无论是胶卷时代的终结、2G、3G技术的淘汰,我们看着一个个技术发展成为主流,再看着其被更新的技术所替代,每个技术与产品也始终在向死而生的道路上。

 

自动驾驶作为下一代的新兴技术,在发展的过程中难免会遇到许多彷徨,但如今的进步也是肉眼可见的。作为从业者也谨需铭记,循序而不急躁,等待并心怀希望,只要能够在逆境坚持,在困境中呐喊,属于自动驾驶的未来也会是璀璨的。