自动驾驶，一次道阻且长的远征｜数据猿直播干货分享

‍数据智能产业创新服务媒体

——聚焦数智 · 改变商业

---

在6月的世界人工智能大会上，马斯克在致辞中宣称，到2023年底，特斯拉便可实现L4级或L5级的完全自动驾驶（FSD）。两个月之后，马斯克又在X社交平台上发言：特斯拉正在攻关车辆控制技术，完成FSD人工智能的最后一块拼图。

这意味着，在绝大多数厂商集中攻关L2级、L3级自动驾驶之际，特斯拉直接跳过L3级，直达L4级、L5级的技术终局。马斯克的一系列发言，震惊了汽车业界。

特斯拉的进展，让BEV+Transformer算法的技术路线，逐渐成为业界的主流。中国的蔚小理+华为紧随其后，在城市NOA取得突破。城市NOA是高阶自动驾驶的蝶变，已接近L3级自动驾驶。2023年又被称为城市NOA元年。

在城市NOA火爆之际，国内的L4级自动驾驶，也在取得突破。就在7月，北京亦庄、上海嘉定先后批准了自动驾驶“车内无人”的相关试点。

通向自动驾驶之路，是一次道阻且长的远征。正当智能辅助驾驶进入下半场之际，数据猿邀请利氪科技合伙人兼副总裁文亮、火山引擎智驾云负责人张路、焱融科技分布式存储架构师马志刚举行一场直播对话，直面自动驾驶的问题和解法，展望自动驾驶的未来，献上一场思维碰撞的盛宴。

以下为完整直播回放：

分级正在淡化，业界更关心落地场景

《汽车驾驶自动化分级》国家标准将自动驾驶划分为L0-L5六个等级标准：L0是纯人工驾驶，L1是驾驶自动化，L2是辅助驾驶，L3是自动辅助驾驶，L4是自动驾驶，L5是无人驾驶。

在行业发展趋势上，随着自动泊车、高速巡航、城市NOA等自动驾驶功能走向普及，业界关注的重心已从热衷追求自动驾驶等级，转向具体场景落地。

利氪科技的文亮说，自动驾驶等级由国际性汽车工程师研究会（SAE）明确提出，目的是展示从“人驾”到“人机共驾”最后到“机器驾”的演变过程。但在具体实践中，从L0级-L5级的划分正慢慢淡化，业界更关注自动驾驶的落地场景。落地场景，有泊车场景，有高速场景，有城市场景，业界根据这些场景划分功能，部署落地，更多是从客户体验出发，以客户的最终感受为主。

火山引擎的张路说，自动驾驶业界正围绕城市NOA等点状功能在布局，对L0级-L5级别的划分并不在意。在张路看来，乘用车最终卖给消费者，消费者关注什么，企业就应当做什么。消费者不在乎自动驾驶等级，更关注的是具体的功能。通过“堆硬件”方式追求L3级、L4级自动驾驶的一些公司发现，消费者对此根本不会埋单。因此，“堆”硬件的方式在业界早已过时，行业的重心是围绕点状功能展开布局，满足消费者的需求。商用车的自动驾驶，则更关心商业闭环能不能成功，对自动驾驶等级的划分，也不在意。

焱融科技的马志刚也认为，自动驾驶的最终落地，离不开具体的场景。在他看来，自动驾驶的普及要最终落到“点”上，也就是落到驾驶安全、用户体感这些“点”上。对于自动驾驶，安不安全、好不好用，才是最关键之处。

纯视觉还是雷达，要看产品本身的表现

场景化，是自动驾驶的未来。为实现场景化的自动驾驶，各大厂商提出了不同的技术路线。纯视觉方案pk激光雷达的技术路线之争，正是自动驾驶领域的一大看点。

在火山引擎的张路看来，特斯拉BEV+Transformer算法的技术标准已经跑通，在美国，特斯拉很快就可以实现FSD。在这个背景下，国内厂商的技术路线已经趋同，不同的只是推进速度的快慢。据张路介绍，以蔚小理为代表的造车新势力技术路线已十分明确，就是BEV+Transformer路线，解决方案上视觉为主，雷达为辅。

对于视觉和雷达之争，利氪的文亮说，其实对于用不用雷达，特斯拉也纠结了许久。对于自动驾驶而言，从安全上考虑，感知工具越多越好，但要落地量产，就一定要有一个取舍。特斯拉的纯视觉方案，目前来看似乎代表了一个方向，但从长远来看，用激光雷达还是用纯视觉方案，还要看产品本身的表现。在文亮看来，即便特斯拉的纯视觉方案取得了成功，激光雷达、毫米波雷达也不会被彻底淘汰，仍会沿着既定的技术路线走向去。或许在将来的某个时间点，激光雷达也会出现新的技术突破。

焱融的马志刚更为倾向视觉+雷达的组合式方案。在马志刚看来，每一种探测手段，都有自己的局限性。之所以自动驾驶至今还不够完美，主要是数据感知、数据处理、数据治理的闭环尚未完善。自动驾驶的现状是，从数据的感知，到中间的决策，再到最后的执行，越往后反而越成熟。前端的感知，是数据的入口，其实最难。马志刚介绍说，从实践上看，摄像头、雷达其实各有所长。焱融服务的商用车、乘用车客户，大多采用组合式方案，而焱融也更擅长处理混合型数据。

巨额数据成本，企业不得不面对的难题

无论是纯视觉方案，还是视觉+雷达的组合式方案，数据都是自动驾驶的灵魂。没有数据建设、数据处理、数据治理，自动驾驶也就无从谈起。

在马志刚看来，数据的建设、数据的闭环处理，其实有一定的门槛。对自动驾驶企业而言，数据量基本都呈指数级膨胀。数据量的增长，使得算法越来越复杂。自动驾驶的研发过程，是一个升级打怪的过程，会越来越难。居高不下的数据管理成本，是企业不得不面对的现实问题。

火山引擎的张路说，对自动驾驶企业来说，目前两块成本最大，一块是数据管理，一块是模型训练。在数据管理方面，自动驾驶企业处理的数据，已达到几十、上百PB的量级，每年消耗上亿的成本。怎么挖掘海量数据的价值，一直是行业的难点。

在模型训练方面，在大模型成熟之前，数据标注也需要配备大量的人力，消耗大量的成本。有一种说法是，对自动驾驶而言，有多少人工，就有多少智能。另一方面，Transformer算法也是未来通用人工智能领域一个绕不开的算法。大模型对GPU的需求十分大，不少自动驾驶公司每年都是上亿的投入在模型训练里边。

张路说，作为字节跳动旗下的云计算公司，火山引擎将在数据处理、模型训练方面提供解决方案，为客户降本增效。

据张路介绍，火山引擎复用了抖音处理非结构化视频的能力，抖音在数据挖掘上沉淀的能力，正好跟自动驾驶行业相匹配。

只有形成商业闭环，Robotaxi才可走下去

在海量数据 + 人工智能算法的基础上，自动驾驶逐渐由梦想变成现实。在国内，多家公司的Robotaxi产品都已上路测试，成为高阶自动驾驶领域关注的焦点。

据火山引擎的张路观察，一些公司前些年十分激进，直接在走L4级自动驾驶的道路，但在商业上无法实现闭环。一些以往做Robotaxi的公司，一直在降级，为了生存不得不去接一些L2、L2+的项目，用这些项目的资金流养活自己。从这些现象可以看出，Robotaxi的路，奇点还没有到。其实，行业其实已经达成共识，通向自动驾驶之路，一定是渐进式的，跳跃式已被论证不可商业化。

焱融的马志刚说，Robotaxi当下的困境，实际引出了另外一个话题，就是乘用车的自动驾驶、商用车的自动哪一个更容易实现。从数据管理的角度看，在干线物流、矿山、港口、园区这些商用场景更容易实现L3、L4级别的自动驾驶。与商用场景相比，乘用车在数据类型、算法上不同，又受到法律法规的限制，一般都在L2级这个水平，正在向L3级发起冲击。

在利氪的文亮看来，自动驾驶必须在某一规则、某一框架、某一场景下才能够实现，Robotaxi是自动驾驶一个运输工具类场景，未来肯定可以落地。当然，作为一个新生事物，商业闭环是一个必须考虑的问题。如果Robotaxi通过技术进步、车路协同，可以解决商业闭环的问题，一定可以走下去。

文亮说，利氪科技主要做线控底盘，首先切入的产品是线控制动。Robotaxi上没有驾驶员，对于安全、冗余、可靠，要求十分高。利氪科技的线控制动产品完全可以满足相关安全、冗余的要求。

走向自动驾驶，汽车芯片是一个短板

谈及自动驾驶，芯片是一个绕不开的话题。长期以来，国内汽车芯片市场由国外大厂主导，国产芯片公司刚刚起步，生存状况艰难。

在利氪的文亮看来，这三年来国内汽车行业一直面临缺芯的问题，国产化替代是芯片的发展趋势。一个芯片是否安全可靠，需要大量的数据、大量的使用方可验证。

焱融的马志刚充分认同文亮的观点。在他看来，芯片是自动驾驶的载体，汽车行业缺芯是一个严峻的问题。就整个自动驾驶产业链而言，有一个木桶效应，芯片便是一个短板，必须要加以解决。要解决缺芯问题，只能对外促成合作，向内谋求自身发力，实现国产化替代。

在火山引擎的张路看来，芯片国产化是一个国家战略，目标就是要做到战略可控。一个好消息是，地平线、黑芝麻智能这些国产芯片早已突围而出，至少在AI芯片方面能有一席之地。在MCU、域控制器方面，国产化的比例也越来越高。芯片国产化的路虽然很艰辛，但这的确是一个行业趋势。

张路认为，国产化芯片依旧缺乏一个产业链生态。一个芯片研发出来，必须要有驱动程序、软件、系统方面的配套，必须有主机厂去使用，才有可能生存。这其实是一个巨大的挑战。

未来出行，城市大脑实现统一调度

在大算力、大数据、大模型的推动下，全面自动驾驶的时代一定会来临。以始为终地展望，未来的出行市场会出现怎样的形态？

火山引擎的张路认为，在全自动驾驶时代来临之后，汽车可能演变为一个出行服务。要实现这一路径，一定会出现大的运营类的公司去承载这些业务，慢慢形成寡头。自动驾驶与智慧城市结合，一定会产生一个城市大脑，实现交通网的统一调度。

利氪的文亮则认为，即便全自动驾驶时代来临，依旧会分不同的情景、不同的需求。消费者有的情况下需要全无人驾驶，有的情况下则想要体验驾驶的乐趣，人机共驾，也有许多需求。

焱融的马志刚说，如果L5级的全自动驾驶落地，一定会出现类似公共交通的大集中统一协调。当然，在不同的场景下，人有不同的需求，有的场景下需要需要全自动驾驶，有的场景下则需求人工智能辅助驾驶。所以，未来的交通形态一定是综合式解决，既有公共交通全部集中化管理的一面，又有一部分个性化需求得以满足。为了达成这一目标，需要所有上下游的参与者都去发力，才可能实现。

文：Bugle-X / 数据猿