保“2”爭“4”，自動駕駛商業化落地還有多遠？｜鈦度熱評
《鈦度熱評》直播間是由鈦媒體鈦度熱評發起的原創直播欄目，邀請對不同行業、不同商業模式有著獨到見解、深度觀察的媒體人和行業從業者，第一時間就熱點事件進行深度點評，透過多角度解讀全面展示事件的影響和意義。
本期《鈦度熱評》欄目特邀BT財經創始人張津京、連線出行主編周雄飛、一點財經創始人劉彥領、易觀分析汽車出行行業研究總監、資深顧問劉影一起就話題“保“2”爭“4”，自動駕駛元年還有多遠？”進行了討論。
關於L2
和L4
級別兩者之間最大的差別，以及在L2
至L5
中，實現自動駕駛汽車大規模量產理想的級別。
易觀分析汽車出行行業研究總監、資深顧問劉影表示，自動駕駛L0到L1是從無到有的過程，L1-L5共分5個級別，L1實現轉向和加速的其中之一，L2是轉向和加速都能夠實現，L1和L2下駕駛員需要關注整個駕駛過程。從L1到L2相當於在一個功能上再做另一個功能，難度沒有那麼大。但是L3是不需要駕駛員監督，出現問題的時候再需要駕駛員介入，是真正邁入自動駕駛的門檻。從L3到L4是從不全面到全面解決問題的過程，L5是完全的自動駕駛。
從自動駕駛程度上來看，L2仍然停留在輔助駕駛階段，L4是真正意義上的自動駕駛。從實現的功能層面來看，L2實現的功能包括ACC自適應巡航、自動跟車、自動泊車等。那L4的代表功能有自動輔助導航駕駛、領航輔助駕駛、自主代客泊車等。如果L4想實現更高級別的自動駕駛的話，它在硬體以及算力的方面會有較大的差異。硬體方面L2需要3個或以上的雷達，L4或L5需要10個以上。L2級別不需要鐳射雷達，但L4級別至少需要一個。那像攝像頭的方面，那L2需要1個以上攝像頭，L4或L5需要8個以上。算力平臺方面，L4是L2的幾百倍的算力水平。自動化程度的不同，需要的硬體、算力平臺是有所不同的。
一點財經創始人劉彥領認為，L2 和L4最大的不同，是自動化程度的不同。
L2 嚴格來說還稱不上自動駕駛，因為司機是主角，機器是配角。L4才是真正意義上的自動駕駛，在車上可以去處理工作甚至是閉眼休息，完全從駕駛操作中抽離出來。
要實現自動駕駛汽車大規模量產，理想的級別會是L4，而不是L3級。
目前使用最多的是 L2 級別輔助駕駛，很多人認為自動駕駛汽車的量產就是按照L2、L3、L4、L5級進行的，所以接下來應該就是L3了。
他們是典型的技術派，卻不是實踐派。因為他們忽略了一個問題，技術是要放到現實中去考慮的。
自動駕駛放在現實中，一個非常大的難點就是事故責任認定。L2級和L4級的事故責任界定都十分清楚——L2級發生事故的責任在司機，L4級發生事故的責任在運營商。而L3級，由於需要司機在必要時進行接管，很難界定事故責任方，因此普及需要相當長的時間。
連線出行主編周雄飛認為，L2和L4 的最大的區別是在主體的認定上面，其次也是由兩種不同的路線所導致。其中， L3 級別最為關注的一個重點就是因為 L3 是處於屬於人機共駕，需要司機關注前方路面的情況。
在L2-L5級別中，要實現自動駕駛汽車的大規模量產，理想的級別當然是L5級別的完全自動駕駛。因為這樣可以實現全域性的最優解，如果是 L5 能全面落地的話，會呈現一個場景，在未來某段路面上，所有的車都是透過自動駕駛的技術去引導，車與車之間也可以進行互聯，車與路之間也可以進行互聯，相當於現在所談的車路協同技術。車與車之間會形成很好的連線或者交流。這樣，不安全的因素就會大幅地去減小，而整體的道路交通也會變得更加安全和可靠。
BT財經創始人張津京表示，自動駕駛的分級是國際汽車工程協會2014年初制定的，分成六個等級。但是現在出現了L3級別推進的非常不好的情況，原因是責任認定問題。根據現在各個國家包括我國的規劃，要求在L3級別車上裝黑匣子，要在駕駛室裡面有攝像頭，來區分出現事故的時候駕駛員是否操作。駕駛員沒有操作的話駕駛員負責任，駕駛員操作了但是沒有控制住車，是自動駕駛系統負責任，這個非常麻煩。所以福特、大眾這些車企在去年的時候就已經推遲了他們原本計劃2025或2027年就要上線的L3級別的汽車。
第二，自動駕駛的理想狀態是L5。因為L4雖然比L3要更進一步，但是L4依然要有方向盤、擋位、剎車、油門等操縱裝置。L3是有條件的輔助自動駕駛，L4是有條件的自動駕駛，那就是說在沒有條件情況下，還是必須要人工操縱的，這個界限是要透過立法去規定的。
自動駕駛最終一定是智慧交通加L5自動駕駛，也一定是沒有駕駛艙，沒有操縱裝置，完全由自動駕駛系統甚至由城市的大腦來完全控制的狀態。
關於自動駕駛有關的事故暴露出的最大問題，以及自動駕駛事故的責任應如何界定。
一點財經創始人劉彥領表示，暴露出的最大問題就是責任認定。我國第一起自動駕駛汽車致人損害事件，在2016年已經發生，但至今尚未有明確的結果。本身，自動駕駛汽車作為客體，致人損害的責任應當由司機承擔，但是汽車在自動駕駛過程又出現“人+機器”的複雜情況，這對於責任的認定造成困難。
值得慶幸的是，今年深圳釋出的《深圳經濟特區智慧網聯汽車管理條例》，成為我國首部關於智慧網聯汽車管理的地方性法規，針對不同情況下智慧汽車出現的事故做出了責任界定。
這在業內率先邁出了第一步，接下來自動駕駛的事故責任認定或將更有法可依、更加公允公正。
連線出行主編周雄飛提出，現階段發生的自動駕駛相關事故中，基本突出兩個方面的原因——人為不注意和技術無法識別。以此前的特斯拉事故為例，由於特斯拉車身上的毫米波雷達對靜止的物體，或者白色車身識別錯誤，導致在自動駕駛功能開啟後發生事故；另一方面就是當自動輔助駕駛功能開啟後，一些消費者對此過於信任，從而在這一功能開啟後在車輛行駛過程中睡覺和玩手機，以至於發生意外。
要防止這樣的事故發生，很多車企採用了融合感知的路線，讓車輛對環境的識別更清晰。或者提供一些安全的冗餘。比如搭載更多的鐳射雷達，或者跟毫米波雷達和攝像頭去進行一個冗餘的感知，提高車輛對於環境的識別能力。但更重要的是，目前幾乎所有的新能源量產車都是自動輔助駕駛功能，因此需要讓消費者正確看待這一功能，同時也需要讓車企正確告知消費者使用方法和安全須知。
在責任認定方面，理論上L1-L2屬於人負責、L4-L5車企負責，而L3屬於人機共駕責任較難區分，對此在今年8月全國首部智慧網聯汽車管理法規《深圳經濟特區智慧網聯汽車管理條例》落地，明確了L3級別的責任。
BT財經創始人張津京表示，目前自動駕駛責任認定的困難點在於駕駛者判斷是否需要人工接管的條件不清晰，現在這部分規定得還比較粗，還需要大家再考慮和討論。工信部和交通部的草案裡面嚴格要求測試車輛要在駕駛艙加裝攝像頭，要有黑匣子，通過出了事故以後的影片去判斷責任，這個很複雜。未來如果自動駕駛普及，每天會有大量事故需要去判斷，工作量極大。另外如果因自動駕駛的相關動作引發新的事故如何處理也是一個問題。
現在是考驗國家管理部門智慧的時候，希望能有AI判斷的標準出臺，比如說由AI判斷所有違規，，否則推進L3級別的自動駕駛就是一件不負責任的事情。所以測試階段會持續很長時間。
易觀分析汽車出行行業研究總監、資深顧問劉影表示，從公開的資料來看，現在人工駕駛事故的成因人為因素佔比81。5%，環境因素佔比18%。但是對於自動駕駛汽車，統計51起事故中，自動駕駛因素佔14%，其他是普通車或是由人造成的。自動駕駛的安全性是高於人類司機的，所以未來整體趨勢還是自動駕駛。自動駕駛暴露的最大問題是人和車的責任界定，其次是自動駕駛自身技術的不成熟導致的操作不當，另外一個問題是自動駕駛、輔助駕駛作為新興事物自帶的流量。媒體的密集報道會導致公眾對於自動駕駛的信任度會有所下降。為了減少自動駕駛事故的發生，可以定期、及時披露安全機制的一些資料，能夠讓交通監管部門理清事故的原委，判定責任，利於後期的立法。同時還可以規範行業用語，比如輔助駕駛，自動駕駛，這樣對於權責的劃分也會更容易。同時需要加強模擬測試，開放適配園區道路的執行，加強行業的交流、資料的共享等。
關於自動駕駛領域的資料該如何進行妥當處理和保障安全。
BT財經創始人張津京表示，各個國家對自動無駕駛的資料看的都比較重，因為這裡涉及到車的資料、路的資料、車路協同的資料和使用者使用習慣的資料。這四個資料實際上非常敏感，我國目前要求必須在國內對資料本身進行監管。
另外有一個新的概念叫做可用不可識，指資料還是存放在其產生的地方，但是會將它轉換成整個系統可以識別的而跟原始資料已經完全不同的資料。系統根據轉換後的資料對相應的情況進行判斷、計算。系統獲得資料是實時消失的，系統只把產生的結果保留下來。這樣會減輕很多關於資料安全上的問題。因為可用不可識是剛剛提出來的概念，目前依然只能透過法律上的嚴苛監管來保證國家的資料安全。
自動駕駛系統採集的資料有兩層，一層是採集的感知器的資訊，包括長寬、溫度、障礙物的深淺、大小、方向等。另外一層就是在第一層的基礎上生成的地圖。第二層是在第一層上生長起來的，更關注第一層面的安全性。
連線出行主編周雄飛表示，對於資料安全的擔憂，源自特斯拉採集人臉資料事件發生後，國家相關部門以及消費者對其的信任下降了很多，而像這樣的情況，其實不光發生在特斯拉上，因為目前所有車都具備感知功能，可以探測路面資訊和環境資訊。
對此問題，國家也在關注，比如出臺了一些政策法規來推動行業資料安全標準的建立，與此同時像百度、華為和阿里等大廠也都推出了基於專有云架構的自動駕駛雲來儲存資料，保證資料安全。特斯拉已建立了資料中心來存放資料。但由於目前行業還沒有完整和健全的標準，因此保障資料安全是一件任重而道遠的事情。
一點財經創始人劉彥領認為，智慧汽車的資料保護，跟智慧手機有相似的地方。首先，在手機上開啟APP時，都會被提示是否需要提供資料。同樣的，智慧汽車如果涉及到採集個人資料，也需要車主做出清晰、明確、自由的同意，否則是無效的。
其次，在資料使用方面，車主可以管理自己的資料，在賣車時也可以提前刪除車內個人資料。畢竟，現在的數字化時代，資料也是一種財產。另外，資料傳輸上，要透過立法一方面確保資料傳導雲端不會被篡改和洩露，另一方面不能讓資料出境。要把資料圈在制度的籠子裡。
最後就是，車輛位置、軌跡相關資料儲存的時間不能超過7天。這也是為了保護車主的隱私，否則每個人的日常軌跡、生活習慣都被別人掌握了。
易觀分析汽車出行行業研究總監、資深顧問劉影表示，現在的自動駕駛級別只是實現了L1、L2級，目前汽車的資料更多是存在本地的。隨著未來自動化程度越來越高，所需要的資料儲存量會越來越大。
關於資料的妥善處理和保障安全方面，國家立法是最重要的，資料的獲取條件、獲取的法律程式和法律責任的劃分等都需要國家出臺相關的政策和法律法規。具體來說，不同的階段都應該設立非常詳細的開放共享資料的條件，透過這些資料相關管理部門在安全界定方面才能理得清。另外針對公共交通、共享出行等不同場景下收集的資料，使用者對於資料的隱私預期和安全需求也是不一樣的，這也需要相關的管理部門設定相關的法律法規和標準，才好更好地去保護資料的安全性。
關於廠商們自研自動駕駛解決方案與採購自動駕駛解決方案這兩種模式的優劣，以及未來的主流模式。
連線出行主編周雄飛表示，像特斯拉這樣的車企自己研發自動駕駛功能，好處在於可以把資料和核心技術掌握在自己手中，但壞處就是需要較長的時間來迭代功能；而像威馬、極狐等品牌自己造車，自動駕駛系統用的是百度和華為的，好處就是可以在短時間內實現自動駕駛功能的落地，但壞處就是無法掌握核心技術，資料也存在規權的問題。
在未來，車企自主研發自動駕駛功能或許會成為主流，因為目前行業已是智慧化當道，再加上新能源汽車下半場就是智慧化作為敲門磚，目前“蔚小理”、零跑、長城等車企均已走上這條路。
易觀分析汽車出行行業研究總監、資深顧問劉影表示，自研模式的優勢在於車企掌握核心的技術話語權，可以實現自身的戰略訴求，不會被供應商卡脖子。它的決策響應會更快，產品迭代會更靈活。劣勢也比較明顯，就是它的技術難度大，新投入成本高，研發週期長等。
採購模式的優勢就是可以快速進行自動駕駛的佈局，同時可以利用個生態獲得一些資源。劣勢的話就是影響力和控制力會比較小。
關於未來的趨勢，所有的車企都全棧自研是不太現實的，但是車企肯定會把核心技術掌握在自己手裡。比如硬體會採取供應商的方案來追求硬體的平臺化，但是它需要將軟體掌握在自己手裡，透過自研的方式來做出差異化。未來車企會選擇一方面自研一方面採購這樣的形式。在下一個汽車產業變革之前，汽車行業會更趨於高度的集中
一點財經創始人劉彥領表示，自研自動駕駛可以讓車企在未來的競爭中掌握主動權，防止被自動駕駛解決方案供應商們所“綁架”，在規劃與成本中更容易找到平衡，並且更容易打造差異化優勢。
當然，採購自動駕駛解決方案也有它的優勢。比如，效率更高，在更短時間內迅速補齊短板。同時能借助第三方的力量快速與對手縮短差距，並且在成本投入上相對壓力較小。
未來採購自動駕駛解決方案會成為主流。因為自研高投入、高難度，回報見效慢，眼下只有特斯拉、小鵬、理想等少部分車企能做到，大部分的新能源車企都是跟頭部供應商進行深度合作。
未來，“合縱連橫”一定是智慧汽車發展的一條非常重要的途徑。
BT財經創始人張津京認為，自動駕駛分成三個層：感知、決策和控制，三層結合在一起是自動駕駛。感知就是攝像頭、毫米波雷達、鐳射雷達，甚至還有紅外等對外感知，還有一部分是GPS、陀螺儀等自身狀態感知。決策層就是自動駕駛的核心控制。控制是必須把自動駕駛落實到汽車本身。
特斯拉的自動駕駛比較特殊，它做了全棧自研，同時還堅持攝像頭這樣的弱感知加超強智慧的自動駕駛方案。其他的廠商做的是強感知加強智慧的方案。其原因是特斯拉提前所有汽車廠商約 5 年的時間做了 L2 級別的自動駕駛，它在攝像頭方面已經收集了足夠多的資料來形成資料庫，做攝像頭的建模。其他廠商第一沒有時間，第二沒有精力，第三沒有場景再去做這件事情了，所以他們只能做混合式的感知。
自動駕駛的實現要有三個層面的資料才行，第一個層面是高精地圖，這個沒有平臺型的企業參與是完不成的，但平臺企業一定會避免自己造車。第二層是自動駕駛的核心資料——路上動態資料，自動駕駛系統產生誤判的機率可能是萬分之一，但是因為特定時間下視覺會產生偏差，這種情況一旦出現，那誤判率可能就是100%。單靠一家車企不可能把所有的情景都窮舉出來，所以一定是一個大的平臺型企業不停地去豐富整個資料的結構和資料的內容，才能讓所有用這個資料的自動駕駛企業的車保證安全。第三個層面就是智慧交通的概念。當路面上的資訊能夠透明化，透過AI、攝像頭判斷它並傳遞給自動駕駛，再做相應的處理，來保證方向的準確性和安全性，這是現在最可行的一條路。
下一階段的自動駕駛一定是與智慧交通結合後出現的安全穩定的自動駕駛能力。這種情景下一定是採購比自研要來得快，同時來得穩定，同時來得效果好，相當於自動駕駛系統在給平臺不停地提供資料，平臺的資料也在反饋給無人駕駛系統，比單獨獲取資料的難度小很多。
關於未來還會衍生出哪些應用場景？自動駕駛又會面臨哪些難點。
易觀分析汽車出行行業研究總監、資深顧問劉影表示，自動駕駛的應用場景大概可以分為三類，一類是載人的，一類是載貨的，還有一類是特殊場景。
目前載人場景的難點在於技術門檻非常高，落地的難度也是最大的。載貨的場景像港口、礦區、幹線物流、末端物流、園區封閉場景和一些無人零售等。這類場景現在主要的難點在於細分類別非常多，落地難度各有差異。特殊的場景包括無人環衛、安防等。其主要的難點在於落地運營是比較複雜的。比如自動駕駛的環衛車在實際應用的過程中對於精細貼邊的清掃和自主線路規劃等都有比較高的要求，自動駕駛適應特殊環境的能力還是有待提升的。
未來如果實現更高級別的自動駕駛，汽車可以成為智慧的移動終端，打通人們所有生活的場景，包括吃住行遊購娛的這些場景，包括辦公室、會議廳、餐廳、酒店、電影院等。消費者在出行的過程裡邊就可以享受以往固定場所才能享受到的一些服務。自動駕駛未來的前景還是非常美好的，也是非常值得期待的。
一點財經創始人劉彥領提出，衍生出的應用場景包括港口碼頭、無人零售、機場等等。尤其是機場，這是目前很多人忽視的應用場景。
大家都知道，前不久國家宣佈入境航班不再進行熔斷，這是好訊息，未來各地機場航班或將逐步恢復正常。不知道有沒有人注意到，跟前幾年相比，現在機場上為飛機服務的特種車越來越多。它們在機場上非常繁忙的穿梭，其實造成很大安全事故隱患。因為特種車存在一定的盲區，有時候會看不清旁邊的工作人員，事故發生率非常高。比如2020年，虹橋機場就發生過一起牽引車碾壓事故。一名送機人員撤離時，被撤離的牽引車碾壓導致身亡。
如果將自動駕駛引入到機場特種車當中，讓機器代替人工，相信不僅能提高工作效率，而且還能避免沒必要的人員傷亡。
當然，這個過程的難點還是有的。眼下的自動駕駛技術，對前方障礙物的判斷還沒有那麼精準，對路況的通暢度要求較高。相比公路，機場內的動態目標物更多、車道線複雜度更高，自動駕駛中的技術可能會達不到要求。另外，機場對安全性有著更高要求，這會讓機場內的運營測試難以完全放開，大規模應用需要的週期比較長。
但這些難點隨著時間推移都會解決，“機場+自動駕駛”會是一個巨大的應用場景。
連線出行主編周雄飛提出，如果要談到自動駕駛的商業化，其實主要要考慮這個問題的還是一些自動駕駛的廠商。在整個行業看來，像幹線物流或者一些特殊場景，比如物流車或者清掃路面的車，或者碼頭上的無人車，這些其實更容易去商業化落地，因為他們存在一個特點，就是他們需要面對的場景比較單一。
另外，像機場這種場景的自動駕駛落地或者商業化落地會更加容易一點，或者還有像一些產業園區去落地接駁的小巴也是很容易的。但是最終想要去商業化落地，都存在一個非常大的問題，就是法律法規。相關法律法規的落地是需要近兩年或者近些年需要解決的一個最大的難點。
其實未來這個前景是非常美好的，因為自動駕駛是趨勢，它是一個向前快速發展的行業。應該在不久的未來是可以去實現的。
BT財經創始人張津京認為，自動駕駛商業化，現在是從封閉環境向開放環境，從低速向高速在發展，包括園區內、港口、碼頭、車站的通行，甚至包括物流的分撥。2018年山東青島就已經實現了第一個無人集裝箱碼頭，裡面有很多的車都是無人駕駛。在這種封閉環境下，實現商業化比較容易，是因為超精準的地圖非常好實現。
第二個就是環衛工人的用車，尤其是掃地車。那種掃地車必須要把城市的道路全部描繪出來，之後才可以依據精確地圖行駛。但因為沒有責任的認定，仍然是把全部責任放在自己身上。
然後就是高速開放環境的場景。現在討論比較多的是自動卡車，但自動卡車也是在美國的幹線高速公路上跑，不能進城區，因為卡車進城區比客車進城區的複雜程度要高，各個城市的規定也不一樣。
另外一個大家都容易忽視的是末端物流配送，現在很多的賓館都已經實現一個小機器人將外賣、快遞等送到房間門口，這個其實也是智慧駕駛的落地應用，屬於封閉場景下的低速度。所以說封閉場景低速的自動駕駛是已經落地的商業應用，然後逐漸在向高速和開放場景在前進。越高速、越開放越難實現，前景越複雜，需要的法律和科技的配套也越多。
《鈦度熱評》是由鈦媒體推出的熱點事件觀察欄目，主要邀請對不同行業發展、不同商業模式有著獨到見解、深度觀察的媒體人和行業從業者，透過多角度解讀全面展示事件的影響和意義。
如果你關心最新趨勢、有自己的獨特見解、想同更多志同道合的人分享交流觀點，歡迎新增《鈦度熱評》社群小助手微信：
taiduzhushou
，加入《鈦度熱評》社群，跟我們一起打造一個思考者的社群，讓有價值的思考被更多的人看到！
