關于未來，人們總是充滿了各種天馬行空的想象。人工智能、全息影像、賽博空間…但如果說哪一項技術最有可能在短時間內得到普及和應用，自動駕駛應該是其中之一。

　　10月21日，特斯拉CEO埃隆 · 馬斯克(Elon Musk)發推特表示，特斯拉的全自動駕駛(Full Self-Driving，以下簡稱 FSD)beta 版軟件已向小部分客戶推送。而在早些時候的10月11日，百度也宣布旗下的無人駕駛出租車服務百度Apollo在北京正式開放運營。

　　10月以來，連續兩波關于自動駕駛技術的落地將人們對自動駕駛的熱情推向了一個高潮。而且今年對自動駕駛來說其實是一個比較重要的年份，因為如果從2010年谷歌自動駕駛項目上線開始算，今年剛好就是自動駕駛技術商業化的第十年。

　　十年走來，作為人工智能最接近生活的應用場景，自動駕駛一直被人們寄予厚望。而到今天，隨著大數據、AI、5G等技術的突破和應用，百度、Uber、滴滴、文遠知行，越來越多的自動駕駛技術從實驗室走向了道路。

　　可以說，今天的我們比歷史上任何時候都更接近科幻電影中那個擁有自動駕駛的世界。那么，就在完全自動駕駛好像已經呼之欲出的時候，自動駕駛真的能夠改變世界嗎?

　　答案或許并沒有那么簡單。

　　自動駕駛的狂奔

　　從百度Apollo無人駕駛出租車的開放，到馬斯克宣布特斯拉已經具備了L5自動駕駛的應用能力，許多人可能會以為當前我們已經處在了自動駕駛技術開放的前夜。

　　但事實上，當前的自動駕駛技術可能還遠沒有到人們期望中的狀態。以百度Apollo無人駕駛出租車為例，據體驗過的朋友和相關報道介紹，雖然是無人駕駛，但在車輛行駛過程中安全員的手還是都基本放在距離方向盤幾厘米的地方，以備隨時接手車輛。

　　而在行駛過程中，許多乘客也都曾遇到安全員主動接管駕駛的情況，例如彎道、車輛稍多的復雜路況、以及靠邊停車的時候。

　　另以特斯拉最近推出的FSD beta版為例，雖然馬斯克宣稱這款灰度測試的系統已經初步具備了L5級的完全自動駕駛能力。但據網上的測試視頻來看，特斯拉beta版在車道和停車場等地方仍然需要駕駛員手動操作。

　　而據另外一個視頻顯示，特斯拉FSD在一個十字路口向左轉彎的時候，由于系統對道路的錯誤規劃更是導致車輛試圖轉入相同方向的逆行車道，這讓駕駛員不得不手動接管車輛。

　　關于這種情況，美國國家高速公路安全管理局NHTSA就曾明確指出，“當前市面上還沒有完全自動駕駛。”

　　那么，究竟什么是完全自動駕駛?

　　2013年，NHTSA和國際汽車工程師協會(SAE)針對自動駕駛制定了標準，將汽車的自動程度分為了五級：

　　從L0的無自動化，到L5的完全自動化汽車自動駕駛能力逐級提高。其中LI\L2等級的自動駕駛以人為主，系統作為駕駛員的輔助，所以這個階段的自動駕駛一般又被稱為輔助駕駛系統。

　　L3級別的自動駕駛，車輛的控制權人與系統各占一半，這屬于過渡階段;而L4\L5的車輛控制則是以系統為主導，人工駕駛為輔助，這個時候人工基本不再需要干預車輛，也就是接近了所謂的完全自動駕駛。

　　總的來說，自動駕駛的目的是為了減少駕駛員的勞動，將人從簡單重復的駕駛工作中解放出來。但如今的自動駕駛卻仍然需要配備安全員，并且需要駕駛員全神貫注的注意道路情況，以備隨時在需要的時候隨時接管車輛。

　　所以對于駕駛員來說，自動駕駛并沒有真的減輕駕駛員的工作量，甚至從另一個角度來說，自動駕駛反而成了駕駛員的負擔。也有許多已經安裝了自動駕駛的車主表示：“開了自動駕駛比自己開車還要累，擔驚受怕的。”

　　當然，這也并不是說自動駕駛的普及就沒有希望。11月1日，谷歌母公司旗下自動駕駛公司Waymo就發布了在其在鳳凰城的無人駕駛汽車測試報告。報告顯示，自Waymo在鳳凰城開始測試以來，車輛一共已行駛了981萬公里，其中有10.5萬公里是沒有人類駕駛在監看的“真·全自駕”狀態。

　　其實，回顧歷史，任何技術的發展都是在不斷地探索、失敗、再探索的過程中發展起來的，自動駕駛顯然也是如此。

　　現在來講，我們通常將谷歌在2010年開始的自動駕駛項目作為當前自動駕駛技術大規模研發投入的開始。但如果僅僅就自動駕駛而言，其實早在1926年的美國就已經有了自動駕駛的雛形。只是那個時候，所謂的自動駕駛還只是通過遠程遙控實現的。

　　到了1976年，斯坦福大學研究出了一款真正意義上能夠被稱為自動駕駛的車輛——Stanford Cart。在當時的實驗中，Stanford Cart每移動一米需要10到15分鐘，原因是車輛每移動一米就需要停下來對周圍環境拍攝一些照片，然后再通過車載的“控制電視”進行分析，最后計算出下一步移動的路線。

　　當然，那個時候的自動駕駛只能算是一種萌芽，這種萌芽一直要到20世紀80年代初，美國國防部開始大規模資助自主陸地車輛ALV(Autonomous Land Vehicle)的研究開始。

　　此后，從2004年開始，美國國防部還曾連續三年舉辦軍用自動駕駛相關的大挑戰(Grand Challenge)比賽。到2006年，德國軍方也開始組織類似的比賽。而我國，也在“八五計劃”期間的國防重點預研計劃中，就已經有了資助無人車輛相關的研究工作。

　　從軍用到民用，無人駕駛技術的發展也比人們預想的要早許多。事實上，在冷戰結束之后，無人駕駛技術就已經逐漸開始向著民用轉移。

　　其中國外比較出名的有德國聯邦國防大學的VaMP系統、美國CMU大學的NavLab-5自動系統和意大利帕爾馬大學的ARGO系統。

　　其中，德國聯邦國防大學的VaMP系統于1995年進行了從德國慕尼黑到丹麥歐登塞的長距離實驗，在這次實驗中，系統共行駛了1600多公里，其中95%的部分是自動駕駛。

　　同年6月，美國CMU大學的NavLab-5自動駕駛系統也進行了橫穿美國的實驗，該實驗全程4587公里，其中自主駕駛部分占98.2%，全程平均速度為102.72公里\小時。

　　在國內，清華大學THMR-V系統是我國第一個自動駕駛系統，該系統與2003年在公路上進行了實驗，當時車道線自動跟蹤平均時速100公里。而在同年6月，一汽紅旗的CA7460自動駕駛汽車也在湖南長沙進行了高速公路實驗，該車輛使用了國防大學研制的視覺系統，自動駕駛最高時速達到130公里\小時。

　　那個時候，無人駕駛技術的研究還處在十分早期的階段，也呈現出一些十分具有時代性的特點。

　　例如，當時絕大部分研究都以高校為主導，并且實驗大多也都選擇在高速公路等半封閉的道路上進行;例如在技術上，幾乎所有的無人駕駛系統都采用視覺技術進行導航。

　　就當前來說，雖然最出名的自動駕駛技術都來自谷歌、百度、滴滴或者Uber這樣的互聯網或者科技公司。但實際上，在自動駕駛發展的早期，傳統的汽車廠商其實更早的意識到了自動駕駛技術中潛藏的巨大商機。

　　并且傳統汽車廠商在自動駕駛研究上也具有自己獨特的優勢，例如汽車廠商掌握目前幾乎所有汽車的系統入口;有最龐大的車輛用于數據采集，而且一旦技術突破，也是最容易量產并且變現。

　　因此，早在1994年的時候，捷豹汽車就曾聯合盧卡斯工業首次演示了自適應巡航控制系統和自動車道保持技術的安全性。此后，越來越多的汽車廠商加入到自動駕駛的研究當中，例如德國的Volvo、意大利的Fiat、日本的豐田、以色列的Mobileye和美國的通用汽車公司等。

　　不過，雖然傳統的汽車廠商在汽車自動駕駛方面有著獨特的優勢，但同樣它們也面臨著許多難以逾越的障礙。

　　這種障礙一方面表現在汽車廠商本身面臨激烈的市場競爭，所以它們的自動駕駛大多以實用性為前提。其目的就是為了保證一旦技術有了突破就能夠馬上進行量產變現。

　　而量產的前提是技術的安全可靠，因此我們可以看到，目前絕大部分汽車廠商的自動駕駛技術都比較保守，甚至于他們更傾向于輔助駕駛的研究。

　　另一方面，作為人工智能的一個重要的應用場景，自動駕駛一開始就不是一個單獨的學科。到目前為止，自動駕駛大概能包括汽車動力、AI、人臉識別、大數據、5G、云技術等等。而這些技術里面，絕大部分都不是汽車廠商的強項。

　　所以，在汽車廠商之外，2010年，谷歌自動駕駛系統Waymo上線。此后國外如蘋果、Uber;國內如百度、滴滴等一大批互聯網科技企業也隨即投入到自動駕駛的競爭中。

　　這些科技企業沒有汽車廠商變現的壓力，也沒有之前傳統汽車技術的限制。所以它們在技術研發上就顯得比較激進，許多企業幾乎一開始就以L4\L5等級的自動駕駛作為目標。

　　不過，擁有優勢的同時，科技企業也同樣具有一些與生俱來的不足。例如科技公司沒有汽車生產線，也缺乏汽車工業的上下游供應，數據采集大多來自于實驗室和限定的測試環境等等。所以這也是為什么現在主流的研究自動駕駛的科技公司都會選擇和傳統汽車廠商合作的原因。

　　而隨著技術的不斷融合，在傳統汽車廠商和互聯網科技企業之間，也有越來越多的新的造車企業開始出現。這些新勢力中，他們即保有傳統汽車廠商在汽車制造方面的優勢，也具備了許多科技企業的技術能力，甚至于他們還保留了科技企業對于自動駕駛的激進態度。其中具有代表性的如國外的特斯拉、法拉第未來;國內的蔚來、小鵬汽車等等。

　　當然，無論自動駕駛技術如何發展，他們最終的目的都是商業化落地。而就目前而言，雖然乘用車的自動駕駛技術距離開放應用還有一段距離，但自動駕駛技術在整個產業上的應用場景或者說對社會生產的改變卻絕不僅僅限于乘用車的應用。

　　這里面，許多場景甚至已經有了十分成熟的應用經驗。

　　商業化落地

　　說到自動駕駛的商業化落地，通常來講，我們首先想到的是乘用車的自動駕駛，包括自動駕駛出租車、自動駕駛的家用車。但實際上，自動駕駛技術的商業化落地場景和能夠給社會帶來的變革要比這些大得多。

　　目前來看，自動駕駛的商業化版圖已經包括無人駕駛出租車、無人駕駛公交車、干線物流、末端物流、封閉園區物流，固定線路的無人環衛等多個方面。

　　在無人駕駛出租車方面，國外比較有代表性的如在鳳凰城測試的Waymo、匹茲堡的Uber;國內如在上海落地的滴滴，在長沙、北京開放的百度Apollo、以及在廣州的文遠知行等等。

　　長期以來，人力成本一直都是出租車、網約車企業在運營中占比最大的開支項目之一。例如，在報告《自動駕駛應用場景及商業化路徑(2020)》中顯示，現階段國內一線城市出租車價格為2.6~3.2元\千米，其中駕駛員成本就占比50%;而在滴滴網約車平臺上的單個訂單付費中，約八成為駕駛員費用，剩下的兩成為平臺費用。

　　因此，如果自動駕駛能夠在出租車上開放應用，再結合新能源汽車，則將會極大的降低網約車和出租車公司的運營成本。而除了自動駕駛出租車，在公共服務領域，自動駕駛公交車、自動灑水車、自動垃圾車等固定線路運營的車輛也同樣具有廣闊的應用場景。

　　當然，自動駕駛雖然在公共交通領域潛力巨大，但由于目前自動駕駛技術并不完善，自動駕駛車輛需要配備安全員等問題，所以在開放性場景下的公共交通還并不是最成熟的商業化場景。

　　相比而言，在封閉和半封閉性場景下的自動駕駛，顯然會比自動駕駛出租車和公交車更早的走向市場。而這里面，物流配送就是十分關鍵的應用場景。

　　在物流配送中，我們通常根據貨物運輸的階段將物流分為港口物流、干線物流和末端物流。

　　其中，在港口物流中，陸路運輸過來的集裝箱往往放在場內的堆場，而裝船和卸貨則都在碼頭進行。因此，在場堆和碼頭之間，就需要大量的集裝箱卡車作為水平運輸中轉之用。

　　據辰韜資本相關報告顯示，截止到2019年，在我國100萬TEU吞吐量以上的集裝箱碼頭，基本配置了6000~8000 輛內集卡，擁有約15000-20000名內集卡司機。

　　而目前市場上，內集卡司機包含工資和社保的平均薪酬約15-20萬元/年，并且逐年上漲。按此標準計算，我國大中型集裝箱碼頭每年僅用于內集卡司機的人工成本大概在22-40億之間。再加上集卡司機一般要求A2級別的駕照及若干年的駕齡要求，因此我國集卡司機一直處于短缺的狀態。

　　除了實實在在的需求和痛點，港口運輸作為封閉場景下的固定線路運輸，環境相對簡單，因此港口內的無人駕駛無論是在技術要求上，還是實際應用上都要比開放路面上的自動駕駛出租車更容易落地，而和港口物流相似的場景，還有礦山、工廠園區等等。

　　所謂干線物流，是指利用公路主干線，進行大批量長距離的貨物運輸。由于公路運輸具有機動性強、運輸網絡覆蓋廣等特點，使得公路運輸長期占據國內整體貨運量的75%左右。而近年來，隨著物流規模的不斷擴大，我國公路運輸量逐年上升，到2019年已經達到59636.40億噸\千米。

　　據貝恩咨詢數據，目前中國干線物流自動駕駛市場規模約為5萬億。但龐大的干線物流市場背后，許多問題也一直存在，例如干線物流駕駛員短缺，事故頻發、運營成本高、效率低等等。

　　以貨車駕駛員的成本為例，美國貨車駕駛員年收入中位數為44500美元，中國駕駛員年薪相對較低，但平均年收入也達到20萬左右。據《自動駕駛應用場景及商業化路徑(2020)》報告顯示，在公路運輸中，人力成本通常占運輸總成本的30%~40%。而在800千米以上的干線運輸中，由于每車需要配備2~3名駕駛員，所以人力成本還會進一步增加。

　　而自動駕駛的應用恰好就能解決干線物流的成本問題。再加上作為干線物流主要落地場景的高速公路屬于半封閉場景，這個領域的自動駕駛應用早在2006年前后就已經擁有了比較可行的技術方案。因此，一直以來，干線物流也被認為是自動駕駛里最大的一塊蛋糕。

　　干線物流之后，末端物流同樣也是自動駕駛不可忽視的商業落地場景，而且就目前來說，這還可能是最早走進人們生活的自動駕駛場景。

　　所謂末端物流，簡單理解其實就是快遞小哥將快遞從快遞點送到你手中的那最后一公里。2013年，國際電商巨頭亞馬遜提出了無人機配送計劃，成為最早提出無人配送的公司。受此影響，國內電商和快遞企業紛紛加入無人配送相關研究。

　　2015年，劉強東同樣提出要用無人機解決配送的最后一公里的問題。2016年，京東成立X事業部，將無人倉、無人機、無人車、無人超市四大業務囊括其中。其中無人車項目就與自動駕駛息息相關。并且到今年10月份，京東的無人配送車就已經在江蘇常熟試點運營。

　　而同樣在今年10月，由阿里巴巴達摩院研發的22輛無人送貨機器人“小蠻驢”也正式進入浙江大學紫金港校區。作為全球首個純機器人送貨點位，今年雙十一期間，22輛“小蠻驢”預計將為3萬多件包裹提供上門服務。

　　當然，在末端物流配送中，除了送快遞包裹之外，送餐送外賣也非常有可能成為新的自動駕駛應用場景。今年10月，據自然資源部官網顯示，美團全資子公司北京美大智達獲得導航電子地圖制作甲級測繪資質。

　　地圖甲級測繪資質是測繪高精度地圖的必要條件，而制作高精度地圖又是自動駕駛必不可少的基礎。顯然，在未來，美團也很有可能進入自動駕駛的末端配送領域。而自動駕駛也將成為外賣小哥和快遞小哥的重要合作搭檔。

　　總的來說，從公共交通到物流配送，自動駕駛商業化前景十分廣闊。而隨著商業化的落地，自動駕駛給人們生活帶來的改變也似乎觸手可及。

　　只是，在這種觸手可及背后，自動駕駛從載貨到載人的道路還并不簡單。

　　自動駕駛的挑戰

　　自動駕駛對生活的改變固然前景美好，但在通向這種美好的道路上，如今的自動駕駛仍然面臨著許多困難和挑戰。這其中，一方面是技術層面的挑戰，另一方面則是道德的詰問和法律的空白。

　　在技術上，自動駕駛當前最難的問題是感知的決策規劃。所謂感知就是車輛需要感知周圍的客觀環境，例如前后左右有多少人，有多少車，他們的行動路徑是怎樣的;而決策規劃就是在對感知到的內容進行充分計算之后，如何避開障礙物并選擇最優的路徑進行行動。

　　在早期，自動駕駛主要采用的感知方式是視覺感知技術，即通過攝像頭來感知周圍的環境。但這種模式卻存在一些局限，例如視覺存在死角，或者在大霧、雨雪等極端天氣中，視覺會受到干擾。

　　而為了應對視覺感知的不足，增強自動駕駛的全天候感知能力，各大廠商逐漸給車輛增加了微波雷達、毫米波雷達、超聲波雷達和激光雷達。而隨著堆料的不斷豐富，車輛的安全性固然越來越有保障，但代價也很明顯，那就是自動駕駛車輛的成本越來越高。

　　而在車輛本身的制造成本之外，自動駕駛還需要依靠高精度地圖。所謂高精度地圖是一種專門為自動駕駛服務的地圖。與傳統地圖不同，高精度地圖能夠精確到車道級別，車道的每一個轉彎的彎度是多少，每一個上坡的坡度是多少。

　　因此，制作高精度地圖本身就是一件十分耗費成本的事情，更何況這個地圖還需要實時更新。所以在自動駕駛應用中，高精度地圖更像是一個無底洞般需要持續地投入資金進行測繪。

　　當然，雖然目前主流廠商大多都堅持車輛雷達不斷堆料+高精度地圖的配置，但有一個廠商不同，那就是特斯拉。

　　在2019年4月特斯拉舉辦的“Autonomy Day”上，馬斯克曾說出了一句得罪全行業的話，大概意思是：”傻子才用激光雷達，現在誰要還是靠激光雷達，那就要完蛋，注定完蛋!”

　　我們不知道馬斯克說這句話的時候是否有口嗨的成分，但事實上，特斯拉確實一直在堅持走視覺感知+超級智能算法的模式�；蛟S在馬斯克看來，既然人都能通過一雙眼睛開車，那么人工智能為什么不呢?

　　想法固然沒有問題，但要實現卻并不容易。而這里面，最根本原因就在于，人工智能難以做到真正像人一樣自主判斷。

　　例如今年6月份，在中國臺灣省的一段高速公路上，啟動自動駕駛的特斯拉就主動撞上了車輛前方已經側翻的貨車。原因就在于側翻的貨車是白色，視覺系統在識別時因為反光將其誤認為了天空。因此，自動駕駛的特斯拉既沒有停車也沒有減速，而是直接撞了上去。

　　顯然，就當前來說，自動駕駛的技術距離全面商用還面臨的許多挑戰。而除技術之外，自動駕駛在道德和法律上所面臨的考驗也同樣嚴峻。

　　9月16日，發生于2018年，并曾轟動一時的世界上第一起自動駕駛殺人事件在美國亞利桑那州宣判，車輛安全員因過失殺人罪被判刑兩年三個月。

　　雖然案件宣判已經結束，但人們對于這個案子的討論卻遠沒有停止。這里面人們爭議最大的問題就在于，自動駕駛殺人，為什么不應該是系統及背后研發公司擔責，而是安全員的責任。

　　在該案件中，有人認為Uber的自動駕駛識別到危險時沒有預警也沒有制動，是因為系統存在著問題;也有人認為，在自動駕駛實驗中，安全員本來的占比就很小，所以責任不應該完全由安全員承擔。

　　這就像我們前面在談論自動駕駛等級時提到的一樣，從L3開始，系統和駕駛員應當是一方掌握一半的駕駛權限，而到了L4之后，系統應該具有絕對的主動權。

　　所以，在許多人看來，在Uber自動駕駛致人死亡的案件中，法律直接判決安全員承擔全部責任過于草率。這也會給之后自動駕駛在實際的應用過程中，因為系統和程序出現問題最后卻需要由駕駛員來埋單埋下了伏筆。

　　而除了法律還沒有跟上技術的發展之外，在道德層面上自動駕駛也同樣面臨著一些難以回答的問題。而這些問題，其實早在2015年前后，自動駕駛第一次掀起全民大討論的時候就已經被人們所關注。

　　在這些討論中，有一個問題讓人印象十分深刻。那就是，當自動駕駛的車輛在高速行駛的過程中失去制動能力時，直行會撞到路人，而轉向則會導致車內人員傷亡，這種情況自動駕駛應當如何選擇?

　　這個問題或許到今天我們仍然無法回答。而除此之外，自動駕駛在安全層面也可能存在一些隱患。例如在電影《速度與激情8》中展現的許多汽車系統被黑客攻破，導致所有車輛失控造成社會安全方面的問題。

　　這些問題，看起來可能十分荒誕。有的或許永遠都不會發生，有的或許總會有一天會發生，而這都是自動駕駛需要在將來面對的考驗。

　　而這里面，又有很多問題，不是僅僅寄希望于技術就能解決的。顯然，自動駕駛還有很長的路要走，并且還可能很困難，而我們終將面對。

　　尾聲

　　因此，在今天，我們大可不必對自動駕駛的普及抱有那么大的期望，因為我們可能還并沒有準備好迎接全面自動駕駛的到來。

　　當然，在更多的地方，例如前端、末端物流，例如在封閉園區的自動駕駛等場景等低危害性，并且能極大的提高工作效率的場景，肯定會優先使用自動駕駛技術。

　　所以，雖然很遺憾，在未來很長一段時間，車是要自己開。但自動駕駛對我們生活的改變，也已經在悄無聲息之中開始了。

　　本文來源于微信公眾號視界研究所，作者 ：周沫