．數據、感測器、打車服務，哪個才是未來無人車致勝關鍵？

Autonomous Shuttle Concept By Bosch

康橋科技 —— 白光攝影機專業

來源：36氪 作者：量子位  

A16Z 曾經兩次對科技發展趨勢做出驚人的(標題黨)論斷，第一次，是管理合伙人馬克·安德里森在 2011 年所寫的「Software is eating the world」，第二次，是 2014 年 Benidict Evans 在公司科技峰會上分享的「Mobile is Eating the World」……

Evans 在自己的博客上發了一篇題為「Winner-takes all effects in autonomous cars」，從商業角度分析了無人車行業的發展趨勢。感測器、駕駛技術、路線優化、按需服務、數據等層面，哪一個才是能給無人車公司帶來規模效應、實現贏家通吃的法寶?

本文來自他的博客，量子位編譯並添加小標題。

　　

現在，得有好幾十家公司嘗試著要拿下無人車技術，OEM 車廠、傳統供應商、主流科技大佬以及新創公司都不甘落後——很顯然，並非所有人都能成功，但它們之中，有成功機會的大有人在。

這讓人開始思考：無人車領域的「贏者通吃」會是什麼樣、在哪個部位實現，以及透過什麼途徑實現。

在無人車領域，還會不會像智慧手機和 PC 操作系統上一樣，出現「網路效應」，讓一兩家頂尖大公司擠掉剩下所有人？

是否會存在讓五家、十家公司持續競爭下去的空間？

哪一層級的勝利會對其他層級產生槓桿效應？

這些直接指向未來汽車行業，權力平衡的問題值得好好討論。汽車製造商能夠從幾十家公司「成箱」購買自動駕駛技術(或是自己搞出來)，和 Uber Waymo 兩家獨大，隨心所欲、肆無忌憚地制定遊戲規則，這完全就是兩個世界。

　　

微軟和英特爾扼住了 PC 世界的咽喉，谷歌撓到了智慧手機的腳心 —— 無人車行業的關鍵點，又會出現在哪個部位呢？

硬體：沒有網路效應

首先有一件事似乎非常清楚：對於自助系統和電動系統而言，硬體和感測器將成為通用商品。後兩者，比如 LED 顯示幕，涉及大量的技術和工程細節，但在選擇上你卻沒必要隨大流。這裡存在很強的製造商規模效應，但是不存在網路效應。

我們拿雷射雷達舉個例子。

這玩意從 5 萬刀的「旋轉全家桶」，到幾百刀或更便宜的小型固態雷射雷達，啥樣都有，當然會有贏家從中出現，但不會有網路效應存在。

因為拿下雷射雷達這塊戰場，不會對其他戰場產生作用(除非你能壟斷)，就像「造出最好的圖像感測器，然後把它們賣給蘋果」對索尼的智慧手機業務沒什麼幫助一樣。

電池、發動機、以及它們的控制系統，就像現在電子行業的RAM一樣，都是商品 —— 再次重申，這個領域涉及大量技術、會有規模效應，也許還會有一些優勝者，但不會有更廣闊的影響力。

按需服務：不一定行得通

另一方面，對於第三方軟體開發者的生態系統而言，要走效仿過去 PC 和智慧手機的路徑可能不是那麼容易。

當年，Windows 懟翻了 Mac，iOS 和 Android 懟翻了 Windows Phone，因為在所有東西之上，形成了一個開發者的良性循環 —— 但在汽車這件事上，你不會根據能跑動多少 app 來決定買什麼車。它們可能接入的都是 Uber、Lyft 或是滴滴，螢幕上掛的都是 Netflix，而不是你手機上裝的那些東西。

相反，需要關注的地方並不在汽車內部，而是在更高的層面 —— 在能讓無人車安全上路的軟體上，在全城尺度下的調配和路徑優化上(這意味著我們將所有無人車看作一個系統，而不是各自為戰)，在那些將會以此為生、按需服務的「機器人出租車隊」上。

很明顯，按需服務軟體存在網路效應，但這點在無人車行業卻要複雜得多。按需的無人出租車隊，將會動態地對自己的車輛進行預先部署，也有很大可能，所有其餘的無人車，都要即時配合它們的路線，以追求最大效率。

這種優化可能需要跨越不同車隊，來避免一些類似「所有無人車同時選擇來相同路線」的情況出現。反過來，這還能和動態定價，以及所有不同種類的道路收費方式相結合 —— 在繁忙時段，為了更快到達目的地，你可能需要花更多錢，或者，你也可以依據價格來選擇到達時間。

從技術角度而言，這三層(駕駛、路線及優化、按需)是在極大程度上獨立的——在這樣的假想下，你可以在一輛通用製造的無人車上安裝一個 Lyft 的 App，讓預裝的 Waymo 自動駕駛軟件開著它，載著別人去兜兜風。

當然，有些人希望不同的層級之間，會產生槓桿效應，或者想把它們捆綁在一起，比如特斯拉計劃禁止乘客，在其無人車上使用自家產品以外的按需服務。但反過來這事就行不通了，Uber不會堅持讓你只使用他家的自動駕駛系統。

儘管微軟讓 Windows 同 Office 之間產生了相互作用力，但二者都很強，同時也都用自身的網路效應，贏下了各自的市場。

往後，如果一家小型的 OEM 堅持讓你使用它的小型無人出租車服務，這事就像是蘋果在 1995 年堅持讓你買 AppleWorks 辦公軟體，而不讓用微軟的 Office。

這個案例可以很好地說明，假如所有的無人車都能跨城協調，或者在某些路口實現車與車之間的溝通，那你將會需要創造一些能夠共通的層次(雖然我一直看好的是分散式系統)。

數據：網路效應的關鍵

其實上面這些都是在瞎猜，就像在 1900 年預測交通堵塞，會是什麼場面一樣。

而我們唯一能討論關鍵網路效應，會是什麼樣子的領域，其實在於無人車本身。這件事關乎硬體、感測器以及軟體，但更多是關於數據。

對於無人車而言，有兩種數據比較重要 —— 地圖和駕駛數據。

　　

先來說說地圖。

我們的大腦其實在不斷地處理數據，並且構建周圍世界的 3D 模型，這件事是即時的、無意識的，這樣我們穿過一片森林時，才不會被樹根絆倒，或是被樹枝撞到頭。而對於無人車，這一過程被稱為 SLAM (同步本地化及繪圖) —— 我們將周圍環境繪製成地圖，並將自己在其中定位。

對於無人車而言，這顯然是一項基本要求 —— 無人車需要搞清楚自己在什麼位置，周圍有什麼特徵(行車道、路口、路牙、交通信號燈等等)，它們還要搞明白其他無人車在哪，以及它們跑得多快。

在一條真實的道路上，及時完成這件事仍然是非常困難的。人類駕駛時，的確會用到視覺(以及聽覺)，但僅憑周圍圖像，來抽象出一幅足夠精確地 3D 模型，對於機器來說，仍然是個難以解決的問題：機器學習增大了這件事實現的可能性，但目前沒人能做到實際駕駛，需要的精確程度。

因此我們走捷徑。

這也是為什麼所有的自動駕駛項目，都在將視覺與 360° 的雷射雷達相結合：每個感測器都有自己的局限範圍，但將它們結合在一起(感測器融合)，你就能得到一幅完整的圖像。

在未來的某一天，單憑圖像來構造一個周圍世界的模型，將會成為可能，但使用更多的感測器，將會讓你更快地達到自己的目標，即便是你要考慮，它們尚需改善的成本和外形問題。

雷射雷達就是一條捷徑。

有了它之後，你通常要用機器學習，來理解裡面的東西，比如某些汽車的形狀，或是騎車的人。但這件事看上去不會有網路效應：就算沒有車隊，你自己也能得到足夠的騎車人照片，來訓練系統。

如果雷射雷達是通往 SLAM 的一條捷徑，另一條、也是更有趣的一條，則是使用預先建好的地圖，或者更準確一點說，「高清 3D 模型」。

你事先對道路進行調查，從容地處理所有的數據，建立一個道路的模型，然後將它放進一台即將開上路的車裡，這樣，無人車就不需要在 65 英哩的時速下，即時處理所有的數據，或是發現交通信號燈，在任何時候，它都可以透過一些地標，來將自己在地圖中進行定位。

這種地圖是具有網路效應的。

任意一輛無人車，開上一條預先繪制了地圖的道路上時，既是在將地圖和道路進行比對，也是在對地圖進行更新：每輛無人車都可以是一輛數據蒐集車。

如果你已經賣出了 50 萬輛無人車，而另一個人只賣出了 1 萬輛，你的地圖就會被更新得更為頻繁，也會更為精確，因此你的無人車，也就越不容易被某些沒見過的東西搞懵。

你賣的車越多，你的車就越好 —— 這毫無疑問就是網路效應。

不過這件事的風險在於，從長期來看，既然汽車能不靠雷射雷達來進行 SLAM，它們同樣也可以不靠預製的地圖，來完成這件事 —— 畢竟，人類就能做到。這種情況是否會發生、將在什麼時候發生，現在依然不清楚，但等它成為現即時，無人車早就量產好久了。

因此，地圖是在數據中的第一種網路效應。

　　

而第二種則在於理解了周圍環境之後，無人車的決策。

在一條空曠的道路行駛，或者是在一條滿是無人車的道路上行駛，是一個問題；但「看見」之後，弄明白路上的其他人類，將要做什麼，以及要如何來應對，這完全是另一個問題。

支撐自動駕駛成為現實的突破之一，是機器學習能夠很好地應付這件事：不需要編寫那些複雜的解釋規則，機器學習使用數據。要知道，數據越多越好，關於現實世界中，人類司機行為和反應的數據收集得越多，你的軟體就會越好地理解現況，並規劃下一步動作。

這就像地圖一樣，你賣的車越多，你的車就越好 —— 這無疑是網路效應。

模擬是駕駛數據的另一項用途。這點應該能解決「如果發生了，我們的自動駕駛軟體將會如何應對」這個問題。進行這項工作的一種途徑是造一台無人車，然後讓它繞真城市自己行駛，來看看它對其他任意司機的隨機行為，將會作何反應。但問題在於，這不是個可控的實驗 —— 你不可能完全重現原來的場景，來看看問題都解決了沒有。

因此我們就得寄希望於模擬了 —— 你把你的無人車軟體放進  GTA 裡(大概就這意思)，然後進行任何你想要進行的測試。有些事它幹不了(比如「雷射雷達會探測到卡車嗎」)，某些模擬場景是循環的，但它的確能告訴你，系統會對某些特定場景作何反應，然後你就可以從你的真實駕駛數據中，收集這些情況。

因此這是一種直接的網路效應：你擁有越多的駕駛數據，你就能讓你的模擬越精確，進而你就能讓自己的軟體變得越好。

當然，從規模上講，模擬的優勢顯然非常清楚，比如在你能負擔得起的計算資源上，在參與工作的人數上，以及在大型計算項目所需的專業知識量上。Waymo 作為 Google 的兄弟公司，就擁有一種優勢：2016 年，它每週報告 25000「真實」自動駕駛英哩數，同時進行了 10 億英哩的模擬。

可以說，特斯拉在地圖和駕駛數據上，都處於領先位置：在  2016 年晚些時候，他們家那些裝載了 Autopilo 系統的新車全都掛上了 8 個攝影機，實現了幾乎 360° 的視野，同時輔以兩個前向雷達。

所有這些感測器都會同時收集地圖，和駕駛員行為數據，反饋回特斯拉。因為只有前向的雷達，特斯拉將只能單獨地靠圖像，來建構絕大部分的地圖，但就如我之前所言，我們不知道如何精確地完成這項工作。

這意味著特斯拉，在收集著大量可讀的數據(或者說至少是，足夠生產一套完整解決方案的數據)。

當然，你不僅要收集數據，還要解決實際開車的問題，因此特斯拉現在正在電腦視覺的發展速度上，做一場逆勢豪賭。

為了節約時間，特斯拉沒有等待便宜好用的雷射雷達，而是選擇了用電腦視覺軟體，來解決更為困難的問題，這也可能會花費更長的時間。以及，如果自動駕駛所需的所有其他軟體 —— 那些為無人車做決策的部分 —— 花的時間夠長的話，便宜好用的雷射雷達，可能會在無人車上路之前出現，這樣的話特斯拉就尷尬了。我們拭目以待。

因此，網路效應 ——「贏者通吃」效應在於數據中：包括駕駛數據以及地圖。

　　

這引申出兩個問題：誰會得到數據，你又需要多少數據？

數據的所有權，是一個有趣的權力和價值鏈問題。顯然特斯拉在嘗試，自己解決所有的重要技術問題，並將它們用在自己的汽車上，因此特斯拉也會擁有數據。

但一些 OEM 會說，汽車是他們的，客戶關係是他們的，因此，數據也應該是他們的，數據如何使用的決定權，應該在他們手裡，而不是交給任何技術合作夥伴。

從感測器供應商的角度而言，這或許是種站得住腳的態度：我不確定把 GPU、攝影機和雷射雷達當做商品來賣，同時又試圖保有數據，這種事是可持續的。但因為工作需要，那些製造無人車零件的公司，需要得到數據。如果你不把數據循環回到技術，後者就無法提升。

這意味著 OEM 將為供應商創造網路價值，但自己什麼都得不到。這和 PC 或安卓 OEM 的地位是一樣的：它們透過同意在自己的產品中，使用軟體來創造網路效應，這讓它們能賣出產品，但它們的產品就變成了「半商品」，同時網路效應還會流向科技公司，對於科技公司來說，這是一個良性循環，多數價值都會流向供應商，而不是 OEM。這也是為什麼多數汽車 OEM 都想自力更生的原因：它們不想像康柏一樣 GG。

這把我引向了終極問題：你真正需要的數據到底有多少？當你向其中投入更多數據時，系統能不能持續變強？或者說，這件事上有沒有 S 曲線 —— 在某個節點之後，再加入更多數據，會出現收益遞減嗎？

也就是說，網路效應有多強？

對於地圖而言，這是個很明顯的問題。多大的車輛密度、多高的頻率，才能讓你的地圖變得更好？這又會轉變為最低多少的市場佔有率？市場給參與者留了多大的空間？十家公司行嗎，或者兩家？一打二級 OEM 結盟然後，共享數據能行嗎？送貨車能賣自己的數據嗎，就像它們今天賣其他種類的地圖數據一樣？

這仍然和消費軟體生態系統不一樣 —— RIM 和諾基亞沒法插手黑莓和 S60 的使用者基礎，但你卻可以在地圖上這麼幹。這會是進入的一個障礙，還是進入的一個條件？

這個問題同樣適用於駕駛數據，而且事實上，適用於所有的機器學習項目：在哪個點，當你加入更多數據時，會出現收益遞減；在哪一點，曲線又會變平？多少人能得到那麼大的數據量？

舉個例子，對於通用目的的研究而言，提升看上去是無限的。但對於無人車而言，確切得說，這件事應該是有天花板的 —— 如果一輛無人車能夠在那不勒斯，毫無壓力地開上一年，還需要做多大的提升？在特定的某一年，你將能有效地把它完成。

因此，網路效應意味著，如果你擁有更多的使用者，你的產品就會變得更好，但在你的產品變得「足夠好」之前，你需要多少使用者？在你的無人車變成市場上最好的之前，你需要賣掉多少輛車？多少公司可能達到這個水準？同時，機器學習本身也在快速地發生著變化 —— 說不准哪天，實現自動駕駛所需的數據量會驟減。

小結

上面所說的，這些都基於一個假設，就是未來的自主駕駛系統會有好壞之分。但「比較差」的無人車意味著什麼？會讓你比較容易出車禍，還是只是無人車會更容易懵比，然後停在路邊等人類支援？手動控制裝置會蹦出來嗎？汽車會鼓勵你這麼幹嗎？

　　

問題的答案，我猜，是 L5 級別的自動駕駛，將會是 L4 的進化，並且每輛車都會有手動控制系統，但它們會用得越來越少。

隨著手動控制越來越沒人用，L5 級別自動駕駛將會正式登上舞台。這可能將會依照場景來逐步實現，我們可能會在德國首先實現 L5，然後是那不勒斯、莫斯科……這將意味著在全自動駕駛實現之前，收集上來的數據在網路規模下，被利用得非常好。

按此回今日3S Market新聞首頁