自动驾驶——人工智能的终极场景

编者按：本文作者 高天垚，联想之星投资副总裁；36氪经授权发布。

“自动驾驶”，或称“无人驾驶”,并不是一个新鲜的词汇，认真追溯起来，其实早在1925年，就诞生了人类历史上第一辆“无人驾驶汽车”, 至今已近百年。当时是由一位来自美国陆军的电子工程师Francis P. Houdina，通过无线电波来控制前方车辆的方向盘，离合器，制动器等部件来完成的，虽然很不完美，但可以被视作为人类无人驾驶汽车的雏形。那自动驾驶到底经历了怎样的发展历程？

图1-自动驾驶发展历程——1925年至2015年

图2-自动驾驶发展历程——2016年至今 

从行业发展历程中可以看出以深度学习为突破的“人工智能时代”大风口下，自动驾驶被给予了前所未有的关注，包括互联网公司，传统车厂，新兴创业公司，各路资本争相竞逐，而最近Intel以153亿美金的价格收购Mobileye更是将“热度”进一步提升，那么到底应如何看待自动驾驶这一波浪潮的发展？我们认为： 

自动驾驶是人工智能的终极场景，没有之一

首先，人工智能的发展依赖于四个基本要素：计算力、海量数据、算法与决策、以及传感器的数据采集，而对于实现完全的无人驾驶同样高度依赖于这四个基本要素，并且缺一不可。

图3——自动驾驶的技术原理 

其次，当前人工智能的主要细分技术，包括机器视觉，深度学习，增强学习，GPU，机器人、传感器技术等均在自动驾驶领域发挥着重要的作用，甚至行业发展的瓶颈主要在于这些人工智能底层技术上能否实现突破。最后，人工智能本身越来越需要与应用场景结合才能最大限度地转化技术上的创新和突破，因此考虑到汽车行业本身的体量以及与相关行业的关联度，可以说自动驾驶是人工智能实现场景落地的最重要方向，甚至没有之一，这也是为什么其备受各方关注的原因所在。那么，

我们在自动驾驶这条道路上，已经走到了哪里？ 

简单来说目前的发展路径可以分为三大类：

1、以Google, Uber等为代表的互联网公司，通过价格高昂的传感器（激光雷达为主），“一步到位”地实现完全无人驾驶

2、以汽车厂商，Tier 1等为代表的传统公司，从ADAS切入，“渐进式“地从辅助驾驶实现到无人驾驶的过渡

3、最后一类是以Tesla等为代表的新兴公司，在传感器与应用场景上相互妥协，模式介于1和2。

我们如何看待这样的发展路线？ 

真正的自动驾驶是强人工智能，仍然任重道远

无人驾驶所面临的问题：

1、感知与决策算法本身仍不可靠，无人驾驶所面对的环境是完全开放的，天气，光线，突发的路况，和有人驾驶汽车的共存等问题在要实现100%安全的命题下，技术的鲁棒性仍然不足。

2、以激光雷达为代表的核心传感器的成本仍是商业化量产的最大阻碍。

3、政策，法规，以及车辆联网基础设施的建设都超出了汽车行业本身的范畴，是一个复杂的系统工程。 

因此，如果回到人工智能本身，目前大部分相关技术的创新和应用仍在弱人工智能范畴。自动驾驶作为人工智能的终极场景，无人驾驶与强人工智能的实现一样，是一个需要长期发展的过程。完全的、开放的无人驾驶也许不是目前所能想到的样子，甚至最终实现无人驾驶的载体也不会是“汽车”，亦或很难被定义为“汽车”。 

对于自动驾驶的理解需要回归到汽车行业本身，汽车发展的趋势是什么？电动化，智能化，网联化。自动驾驶实际上是汽车在自动化水平上的智能化提升，驱动力在于汽车产业，准确说是汽车电子产业的优化升级，有数据统计近10年以来汽车产业70%的创新来源于汽车电子技术的升级，其目的是为消费者提供更加安全，舒适，节能的有竞争力的产品。 

而以互联网公司所代表的新兴技术公司也促进了这个过程，但并不代表他们是唯一或最重要的玩家，Google最近将无人驾驶汽车项目转为独立的经营公司——Waymo，并强调“这家公司不会自己制造无人驾驶汽车，而是开发驱动无人驾驶汽车的技术”正是说明了这一点。

图4—车厂与技术厂商合作关系 

那么从汽车电子产业升级的角度，作为早期投资者针对初创领域，我们认为目前的投资机会有哪些？ 

传感器技术公司 

无论是从汽车安全或驾乘体验提升的角度讲，感知环节都是产业升级中的最先受益者，因此传感器的重要性不言而喻，目前大量的初创公司选择在这个领域创业也可说明。 

事实上传感器的重要性来自于两个方面，第一，感器决定着数据采集的质量，数据的质量决定着算法使用效果，特别是汽车领域，目前仍不存在“一步到位”的传感器解决方案，数据的质量至关重要。第二，传感器的成本与产业升级的速度强相关。 

可关注的价值点：

1、数据融合在硬件层面的解决方案：数据融合本身是传感器的重要命题，好的融合意味着好的数据质量，如果能从硬件角度解决此问题一定会有很大价值。

2、低成本可量产的解决方案：可以生产与可以量产有本质区别，工艺及供应链层面的价值很重要。 

限定场景下的自动驾驶技术公司 

目前可以最大限度发挥人工智能相关技术的领域实际是在限定场景下实现的，比如AlphaGo，让大众第一次见到了深度学习的威力。同样在限定场景下的自动驾驶才是可行的技术路线。可能的限定场景如：封闭/半封闭区域、低速/高速状态、有轨交通、特种车辆等。 

可关注的价值点：

1、整体集成的能力

2、不同边界条件下系统控制的鲁棒性

3、数据积累（作为供应商是很难拿到属于整车厂的数据） 

需要补充说明的是我们在这里没有强调算法的机会，原因在于无论在数据采集，融合，分析决策，控制，路径规划等各方面，具备优异的算法能力是在这个领域创业的前提，当然具有投资价值，但要走出一个误区就是机器视觉（CV）不等于自动驾驶，光有算法也很难在这个领域点石成金。 

自动驾驶的本质是产业升级 

既然将自动驾驶看作为汽车电子产业升级的一个过程，我们就不能忽视固有汽车电子的产业链及利益格局。这是一个发展十分成熟，分工与分利也非常明确的产业链。 

也许会有一些悲观的观点认为这其中的价值不大，或者认为新进入者很难撬动固有格局。我们不否认在这样的领域的创业之难与泡沫的存在，但汽车的智能化并不完全等于驾驶的智能，技术驱动与跨界融合一定会推动着利益格局的变化，最终使产业升级优化，正是在这样的优化过程中存在着价值巨大的商业机会。 

联想之星从2011年就开始关注自动驾驶领域，并积极投资布局了一批传感器及底层技术公司。

同时，2017年初联想之星Comet Labs在旧金山发布了智能交通实验室计划，该实验室将聚焦自动驾驶，关注未来5年内交通系统将如何被重构，致力于打造一个供利益相关者互动的平台，目前已面向全球开放申请（申请网址http://cometlabs.io/）。 联想之星将持续关注自动驾驶领域的创业机会，非常欢迎各路创业团队与我们联系：） 

关于作者：

高天垚，联想之星投资副总裁。主要关注AI、无人驾驶、传感器和机器人等技术类投资方向。7年投资行业从业经验，曾就职于华尔街精品投行、九鼎投资和华夏幸福战投部，覆盖早期、成长期及产业并购。长期关注智能制造与前沿技术领域的行业发展趋势与投资机会。硕士毕业于哥伦比亚大学金融工程专业，本科毕业于北京工业大学材料工程专业。

『本文封面图片来自：Yestone 邑石网正版图库』