Kaohsiung Mayor Tests Driverless Bus

來源：36氪作者：boxi

無人車是對未來影響巨大的新興技術，目前有幾十家公司都在窺伺這個龐大的市場。那麼究竟未來的市場格局會如何走向?會不會出現贏家通吃的局面?真正具備槓桿作用的因素又是什麼?A16Z的合伙人Ben Evans給出了他的分析。

目前有好幾十家公司正在試圖研發無人車的技術，其中包括了OEM、其傳統的供應商、現有的主流技術公司以及初創企業。顯然，這些公司不會個個都能取得成功，但有機會的不在少數，這不禁讓人猜測，贏家通吃的效應會在哪裡發生?這會產生哪一種的影響力?

會不會出現那種排名前一、兩位的公司榨乾剩餘者的網路效應，就像智慧手機或者PC操作系統，身上發生過的事情一樣?還是說這裡能容納5到10家公司，無限地相互競爭下去?而在那個堆棧裡面又是哪一層的勝利，會給其它層賦予力量呢?

這類問題很重要，因為它們指明瞭未來汽車業勢力均衡的方向。就像他們今天購買ABS(自動防滑剎車系統)一樣，一個汽車製造商可以從5、6家公司中，購買商品化的「自動化套件」(或者自行生產)的世界，將會與Waymo和Uber(也許)是唯一真正選項，並且可以按照自己選擇，設定商業模式(就像Google為Android設定的那樣)的世界非常不同。

微軟和英特爾在PC世界以及Google在智慧手機找到了咽喉點——無人車領域的咽喉地帶又在哪裡呢?

作為開始，無人駕駛領域的硬體和傳感器，可能再加上電子部分將會商品化，這一點似乎是相當明確的。這些領域包含了大量的科學和工程(以及大量要做的工作)，可以說，就像LCD螢幕那樣，但為什麼就因為別人都用這個，你就不能用另一個呢?這是沒有理由的。這裡存在著龐大的製造規模效應，但並沒有網路效應(注：網路效應的特點是大家都用所以我也只能用)。

比方說雷射雷達，就會從造價50000美元的「旋轉的肯德基全家桶」，變成一個小型的固態電子設備，成本也會降到幾百美元或者更低，這個細分領域將會出現贏家，但不會有網路效應，因為獲勝的雷射雷達品牌，對於無人車技術棧的其他層，不會產生影響(除非你形成了壟斷)，製造最好的圖像傳感器(並且把它賣給蘋果)以外的任何事情，對索尼的智慧手機業務都有幫助。

同樣地，電池(以及發動機和電池/發動機控制)也很可能像今天的RAM一樣成為商品——再次地，規模，大量的科學可能再加上每個類別裡面，都會出現一些贏家，但不會有更大的影響力。

另一方面，無人車這塊可能不會有相當於PC或智慧手機市場看到的第三方軟體開發者生態體系。因為開發者採用自己而不是別人所形成的良性循環，Windows碾壓了Mac然後iOS和Android壓垮了Windows Phone，但是你不會根據車上面跑多少應用，來決定購買什麼車(當然了，前提是你還想擁有一輛車)。它們全都會跑Uber、Lyft和滴滴，嵌入了Netflix在螢幕上，但任何任何應用，都會出現在你的手機(或者手錶、眼鏡上)。

我們的目光不要直接放在車上面，相反，要上那個棧的更上層去看——看那些讓車在路上行走，而不是撞上任何東西的無人控制軟體，看看城市範圍內的最優化，以及路由(這意味著我們可能會把所有汽車，當作一個系統進行自動化，而不是個體)，看看基於堆棧下面的所有基礎，而運轉的按需出行的「機器的士」車隊。

按需的網路效應是不言自明的，但加入自動化之後會變得複雜很多(這會將按需出行的成本降低4/3甚至更多)。按需機器計程車車隊，會動態預定位好自己的車，所有這些車可能還包括別的車，都會為了實現效率最大化，而即時協調自己的路線，比方說整支車隊，會避免同時選擇相同路線的情況出現。

這反過來不僅會跟高峰定價結合起來，而且還會考慮到各種道路定價的差異——在交通繁忙期間，你可以付更多的錢，以爭取更快抵達目的地，或者根據價格選擇另一種到達時間。

從技術的角度來看，有三層(駕駛、路由及優化，以及按需請求)基本上是獨立的——理論上你可以在GM的無人車上安裝Lyft app，讓預裝的Waymo自動駕駛模組，開車載著人到處逛。顯然，一些人希望有跨層的影響力，或者可能想進行捆綁——Tesla說自己計劃禁止車主用自己的無人車採用非自家的任何其他按需服務。

反過來就不行了——Uber就不會堅持，要你只用它自己的無人駕駛系統。不過儘管微軟在Office和Windows上相互利用了影響力，但這兩個都是靠自己的網路效應贏得各自市場的：一家小型的OEM，堅持要你使用其小規模的機器計程車服務，就像是1995年的蘋果，堅持要買AppleWorks而不是微軟Office一樣。

我猜測一個更加中立的辦法，也許是會佔得上風。如果我們要對所有車輛進行跨城市的協調，或者甚至在路口，進行車與車之間的通信時就更是如此——你將需要某種公共的層(儘管我一直都更偏好去中心化系統)。

但這一切都是猜測的成分頗多，就像在1900年的時候試圖預測交通擁堵會是什麼樣子。有一個領域我們能夠討論關鍵的網路效應可能是什麼樣的，那就是無人化本身。這跟硬體、傳感器以及軟體有關，但主要是跟數據有關，對於無人化來說有兩種數據是重要的——地圖數據和駕駛數據。首先看看「地圖」。

我們的大腦在不斷處理傳感器數據，同時建立起周圍世界的3D模型，這都是在即時且頗為下意識的情況下發生的，以至於當我們在森林中穿行時，也不會被樹根絆倒，或者頭撞到樹枝(基本上不會)。在無人駕駛領域又被稱為是SLAM(同步定位與地圖構建)——我們映射周圍環境並且定位自己在其中的位置。

這顯然是無人駕駛的基本要求——無人車需要弄清楚自己在道路的位置，周邊有什麼特徵(車道、轉彎、路邊、交通燈等)，它們還需要弄清楚，路上還有哪些其他的車，及其移動速度有多快。

在真正的道路上即時做這些事情，仍然非常困難。人類駕駛利用了視覺(以及聲音)，但光靠圖像(尤其是2D圖像)把周圍環境析取出一個足夠精確的3D模型，仍然是個未解難題：機器學習讓這件事情變得可能，但還沒有人把精度，做到足夠供駕駛使用。於是，我們開始走捷徑。

這就是為什麼幾乎所有的無人駕駛項目，都將成像與360°LIDAR結合起來的原因：這些傳感器每個都有自己的局限性，但把它們結合起來(「傳感器融合」)你就能得到一幅完整的畫面。

僅靠成像建立周圍世界的模型，在未來某個時候當然是可能的，但利用更多的傳感器，能讓你實現得快很多，即便考慮到你要等到成本，和那些傳感器的形態因子變得更加實際。也就是說，LIDAR是獲得周圍世界模型的一條捷徑。

一旦你獲得了這一模型，你往往就會用機器學習，來瞭解裡面有什麼東西——這個是車的樣子，那個是自行車手的，但就這個而言，似乎並沒有網路效應(或者不是很強)：就算沒有一支車隊你也能拿到足夠的自行車手圖像。

如果LIDAR是實現SLAM的捷徑之一，另一條更有趣的捷徑則是採用預置地圖，其實就是「高精度3D模型」。你預先對道路進行勘察，從容地處理好所有的數據，建立街道的模型然後把它放進任何一輛即將駛入道路的車裡面。

現在無人車不再需要在時速65英里的情況下，即時處理所有的數據，並辨識轉彎或交通號誌燈了——相反，它已經知道去哪裡尋找交通號誌燈，它還可以將關鍵地標與模型進行比對，以在任何時候都，能定位自己在道路的位置。

這樣，你的車用攝影機和LIDAR通過跟預置地圖，進行比較，而不是從零做起來，弄清楚它在道路的什麼位置，交通號誌燈在哪裡等，同時也用這些輸入來即時辨識周圍的其他車輛。

地圖就有網路效應。當任何一輛無人車沿著預先映射的道路行駛時，它既會將道路與地圖進行對比，同時也會更新地圖：每一輛無人車也可以成為一輛勘察車。

如果你賣出了50萬輛無人車，而別人只賣出1萬輛，你的地圖就會更新越多並且更精確，這樣一來你的車就不那麼容易碰到某個全新的、出乎意料的東西而感到疑惑。你賣的車越多，你所有的車就變得越好——這是絕對的網路效應。

這裡的風險是，從長期來看，就像汽車不用LIDAR也能做SLAM是有可能的那樣，不用預置地圖來做到這些，也是可能的——畢竟，人類就能這樣。

這會不會發生，以及什麼時候會發生還不清楚，但目前看來，似乎要等到無人車上市銷售之後很久才行，到了那個時候整個版圖的其他部分，看起來可能也已經很不一樣了。

那麼，地圖就是在數據方面的第一個網路效應了——第二個來自於汽車理解了周圍環境之後所做的事情。在空無一人的道路上行駛，還是的確是在到處都是其他無人車的道路上行駛，一旦你能看到的話，這是一個問題，但弄清楚道路上的其他人準備要幹什麼，為此你又要幹什麼，則完全是另一個問題了。

支持自動駕駛的突破之一，是機器學習應該很擅長做這個：機器學習不像過去的技術，你不需要寫複雜的規則去解釋，你是如何思考大家會怎麼行事的，它會使用數據——而且越多越好。

你能夠收集的關於真正的司機(包括其他司機，以及坐在勘察車的司機本人)在現實世界中如何行為，和做出反應的數據越多，你的軟體對周圍發生的事情的理解就越好，規劃下一步該做什麼就會越好。

就像地圖一樣，在正式推出前你的測試車，像收集好了這些數據，但在推出後，你賣出的每一輛車都在收集這一數據，並將其發送回家裡。那麼，就像地圖一樣，你賣出去的車越多，你所有的車都會越好——這絕對也是網路效應。

駕駛數據還可以有另一個二次使用，用於駕駛數據仿真。這是為瞭解決「如果發生了X，我們的無人車會作何反應?」的問題。做這個的辦法之一是造一輛無人車，讓它一整天自行在城市裡亂逛，看看它對其他司機身上，發生的任何隨機事件，是怎麼反應的。

問題是這不是一個受控的實驗——你沒法向新軟體重現一個場景，來看看什麼發生了改變，以及你的問題是否得到瞭解決。因此，現在大量的努力都是投入到仿真方面的——你把你的無人車軟體放進《俠盜獵車手》裡面(幾乎就是這樣)，然後針對任何你需要的情況對它進行測試。

這未必需要捕捉到一些東西(「LIDAR會不會檢測出那輛卡車?」)，而且一些仿真場景將會是循環的，但它的確告訴了你自己的系統會對確定的情況作何反應，而你則可以從你的真實世界的駕駛數據中收集那些情況。那麼這裡就出現了一個間接的網絡效應：你擁有的真實世界的駕駛數據越多，你的仿真就可以越精確，因此也就可以把你的軟體做得越好。

仿真顯然也存在著規模優勢，這體現在你能夠拿出多少計算資源，投入多少人，以及在大型計算項目上，擁有多少體系知識，來做這件事情上。

作為Google的一部分顯然給Waymo帶來了一項優勢：它報告說每周的「真正」無人駕駛行駛里程可達25000英里，但在2016年累計模擬行駛里程，已經達到了10億英里(平均每周1900萬英里)。

有人認為Tesla在地圖和駕駛數據方面都處於領先：自2016年末以來，它的那些客戶購買了「Autopilot(自動導航)」附件的新車都有8個攝影機，可生成接近360°的視場，再加上一個前向雷達(此外還有一組超音波傳感器，但是辨識範圍很小，主要是用於停車)作為補充。

所有這些都能收集地圖，和司機行為數據，然後回傳給Tesla，不過似乎Tesla最近才剛剛開始收集其中一些數據。

關鍵是既然雷達只是指向前面，Tesla將被迫僅靠成像來建立周圍世界大部分的模型，但就像我前面指出那樣，我們還不知道如何精確地做到這一點。這意味著Tesla其實在收集著，目前沒人能夠解讀的數據(或者至少解讀得足夠好到可以形成完整解決方案)。

當然，你還必須解決這個問題，這既是為了收集數據，也是為了能駕駛汽車，這樣看來，Tesla正在進行一場逆向思維的豪賭，賭的是電腦視覺的進展速度，會超出我們想像。因為不需要等LIDAR的廉價化/實用化，Tesla是節省了時間，但在沒有LIDAR(把LIDAR放進所有的Tesla車上面幾乎是不可能的)的情況下，做無人駕駛意味著電腦視覺軟體，必須解決更困難的問題，而這個問題的解決可能需要的時間更久。

如果無人駕駛軟體的其他部分——那些決定汽車應該做什麼事情的組件，需要很長時間才能實現的話，LIDAR也許就會先於無人駕駛可行之前，變得便宜且實用起來，從而導致Tesla抄的近路變得無關緊要。會不會這樣呢?我們走著瞧。

那麼，數據是有網路效應，也就是贏家通吃效應的：駕駛數據和地圖數據都有。這就引出了兩個問題：誰掌握了這些數據，你又需要多少數據?

數據的所有權是一種有趣的權力和價值鏈問題。顯然Tesla打算自己開發所有的重要技術然後放進自己的車里，所以它也擁有數據。但一些OEM已經提出，車是自己的，客戶關係也是自己的，所以擁有和分配的是他們的數據，不是任何技術合作夥伴的。

對於傳感器供應商來說，這似乎是一個合理的定位：我不敢肯定自己賣GPU、攝影機或者LIDAR同時，還向保留數據是否可持續。但執行製造無人駕駛組件的公司，是需要擁有那些數據的，因為這是工作機制的要求。如果你不把數據反饋回來給技術它就不能進一步改進自己。

這意味著OEM在給供應商創造了網路價值，但除了可以實現更好的自動化之外，自己卻沒有獲得其中的任何價值，但那種更好的自動化會成為一種商品，任何使用它的OEM的所有產品都可以用。

這就是PC或者Android OEM的定位：他們透過同意在自己的產品內，使用該軟體而製造出網路效應，這讓他們可以賣出自己的產品，但他們的產品已經變成了接近於日用品，網路價值已經流到技術公司那裡了。

這是一個良性循環，大部分的價值都跑到了供應商，而不是OEM那裡。這當然就是為什麼大多數汽車OEM想要自己做的原因：因為他們不想落得像Compaq那樣的結局。

這就把我引向了最後一個問題：你究竟需要多少數據?你增加的數據越多，系統是不是多多少少都會無限地變得更好?還是說會形成一條S曲線——到了一定時候增加的數據越多會出現收益遞減的規律?

也就是說——網路效應到底有多強勁?

對於地圖來說，這個問題是相當清楚的。你的地圖要好到支撐多大密度的車和多高的頻率，這個轉換成市場佔有率的最小要求又是多少?這個市場能夠承受多少的參與者?可以有10家來做嗎?還是兩家?一堆的二級OEM能不能一起合作湊出所有的地圖數據?

送貨卡車能不能像今天賣其他類型的地圖數據，那樣賣自己的數據?再次地，這不像消費者軟體生態體系——RIM和諾基亞沒法共享黑莓和S60的用戶群，但地圖是可以池化的。這是一個准入門檻，還是准入條件?

同樣的問題也適用於駕駛數據，或者說其實包括所有的機器學習項目：隨著你添加的數據越來越多到什麼時候會出現收益遞減?曲線到什麼時候會開始放緩?那時候有多少人會獲得這種規模的數據?就通用搜索而言，這種改進似乎是無窮無盡的——答案的相關性(幾乎)可以一直改進下去。

但對於自動駕駛來說，可以確定的是那裡似乎是有天花板的——如果一輛車在那不勒斯開一年，都沒有遇到什麼麻煩的話，那還有多少改進空間?到了一定時候你基本上就到頂了。

網路效應意味著，如果你的用戶增多你的產品，就會變得越來越好，但用戶到了多少之後，產品就基本沒什麼改進空間了呢?你需要賣出多少輛車才能達到那種程度呢?與此同時，機器學習本身也在迅速改變——你沒法排除掉實現無人駕駛的數據量急劇下降的可能性。

最後，這一切的潛台詞是那麼一種更好或更糟的無人駕駛是否存在。但「更糟」的無人駕駛意味著什麼呢?是指撞死的可能性降低，還是說車更有可能感到迷惑，然後自動開到路邊聯繫上遠程支持中心，讓人類操作員接管?人工控制會衝破一堆聚苯乙烯包裝突然出現嗎(注：也許人工控制命令會讓方向盤等像安全氣囊那樣的機制)?車會說些鼓勵性的話嗎?

我懷疑這個答案是L5級(全自動)會以L4級的演進出現——也就是每一輛車都會有人工控制，但會被用得越來越少，而明確的L5會分階段出現，隨著人工控制的慢慢減少，然後被藏起來，再到撤銷掉——最終退化掉了。

這可能是按照場景出現的——我們可能先在德國實現L5，然後再到那不勒斯或者莫斯科。這將意味著數據是以網路的級別來收集和使用的，最後才實現全自動。

現在我們還無法真正知道這些問題的答案。這個領域裡面很少人會預期完全的「L5」級無人駕駛會在5年內出現，大多數傾向於認為還要用接近10年的時間。然而，他們指出了一系列對汽車業有著截然不同影響的結果。其中的一個極端是網路效應可能會相對較弱，會有5到10家公司提供可行的無人駕駛平台。

這種情況下，汽車業會把無人駕駛當作組件來購買，其價格可能跟今天的ABS、安全氣囊或者衛星導航差不多。它可能還會面臨激進變化——無人意味著按需出行的成本，至少要降低3/4，而這會讓很多人重新考慮要不要買車，而向電動化的轉變，又會將車內活動件的數量減少到1/5至1/10的規模，這將完全改變工程設計動態、供應商群體以及准入門檻。

但它不會被Android化。而另一個極端則是只有Waymo把這件事乾成了，這樣的話整個行業又會大不一樣了。