在賀雄松看來，自動駕駛行業共有兩輪投資熱潮：

第一輪興起于2015年左右，2018、2019 年到達頂點 ，衰弱于2019年。

根據美國智庫布魯金斯學會報告數據顯示：僅在2014年-2017年間，自動駕駛汽車領域投資總額超過800億元。

此后，創投機構整體投資節奏放緩，投資者們也意識到L4級及以上自動駕駛商業化落地周期過長，自動駕駛初創公司融資頻次開始降低。

在資本寒冬的2019年，Roadstar.ai、Drive.ai等自動駕駛明星公司相繼倒下。

隨著特斯拉等造車新勢力產量提升，以及資金退出方式多元便捷，2020年成為重新點燃資本對自動駕駛投資熱情的關鍵一年。

更為重要的是，自動駕駛商業化進程明顯加快，自動駕駛公司們已在特定場景或是開放道路中嘗試商業化運營可能。

今年，圖森未來成功登陸IPO，北京市高級別自動駕駛示范區給予京東、美團、新石器無人配送車相應路權，亦成為自動駕駛技術落地的積極信號。

在此背景下，賀雄松對自動駕駛商用車場景及"最后 1 公里"無人配送前景趨勢進行預測分析。

預判 1：開放高速載人落地仍需等待 10 年以上

自動駕駛各應用場景不同，技術要求不同，落地時間也因此不同。

當前，自動駕駛在封閉低速場景的應用主要集中在礦山、港口、末端配送等三個領域。

相對而言，礦山的整體落地環境最為友好。

礦山多在偏遠地區且人煙稀少，相對簡單的運營環境對自動駕駛技術容錯率較高，無人礦卡在此擁有更多路權，運營商可根據需求自行規劃行駛路線。

相關數據顯示：國內礦山自動駕駛市場規模超千億，露天煤礦的土石方運輸是最適于自動駕駛推廣應用的場景，其市場空間超過450億元/年。

在此背景下，踏歌智行、慧拓智能、易控智駕、希迪智駕、躍薪智能等自動駕駛公司齊聚于此。

辰韜資本預計，國內無人礦卡將在2022-2023年將開始實現商業化應用。

港口方面，由于其道路結構化程度較高，運營環境相對簡單，因此自動駕駛卡車的港口路權相對較多，這也為自動駕駛商業化運營帶來可能。

過去幾年，斯年智駕、西井科技、飛步科技等自動駕駛公司將目光聚焦此處，其中，斯年智駕近期拿下全球首個港口無人駕駛商業化付費訂單。

在開放道路中，根據道路環境的不同可分為Robotaxi和干線物流。

Robotaxi需要在城市道路、高速道路中穿行，其最高行駛速度可達120km/h。

復雜的運營環境、較長的剎車距離對Robotaxi的預判、傳感器、制動距離提出更高要求。

賀雄松認為，目前Robotaxi在應對以上挑戰時仍顯乏力，短期內較難落地。不過，或許可以通過環境降維以降低技術難度。

具體而言，首先將Robotaxi的行駛速度由120km/h降低為50、40km/h；其次，挑選相對簡單的道路供Robotaxi試運營，通過技術迭代逐漸擴大應用場景。

同樣地，干線運輸的完全無人化運營時間仍未可知。相較于Robotaxi，無人卡車的制動距離更長，事故危害性更大，容錯率極低，這也對技術提出更高要求。

然而一旦干線運輸真正實現全無人運營，其省油、安全、低成本的特點或將創造比Robotaxi更廣闊的市場空間。

基于以上特點，賀雄松判斷封閉低速載物場景需要 2-3 年才可以落地，高速載物場景需要 5-8 年，而開放高速載人需要 10 年以上。

預判 2：無人配送批量應用將在未來三年爆發

去年12月24日，提供末端無人配送服務公司Nuro獲得加州第一張商業運營牌照，成為全球首家商業化運營的無人駕駛公司。

獲得商業運營牌照后，Nuro獲準在加州圣馬特奧縣和圣克拉拉縣開啟商業化運營，日常配送食品、飲料、藥品和其他產品。

針對國內無人配送場景，賀雄松的看法似乎與Nuro一致。他認為，商超零售場景與無人配送最為匹配。

目前，國內典型無人配送共有三大場景：快遞、外賣與商超零售。

快遞的即時性要求不高，等待時間較長但數量很大；外賣的即時性要求高，等待時間短，但環境很復雜。另外，并非每個商家都配套停車設施，因此取件和配件存在不確定性。

而商超零售的即時性要求比外賣低，配送路線更固定，同時商超零售的線上業務已有成熟的倉庫和配送人員，配送的基礎設施更為齊全。

因此，無人配送非常適合在商超零售場景中應用。

目前，國內無人配送企業主要分為三類：

• 互聯網科技公司，如阿里、京東、美團等；

• 初創公司，如白犀牛、新石器、一清創新等；

• 主機廠及Tier 1背書的公司，如毫末智行、東風悅享。

辰韜資本發布的《末端無人配送賽道研究報告》認為，城市配送"最后一公里"，是物流配送業成本最高的環節。

當前，因車型、傳感器方案等成本不同，無人配送車的整車成本在20萬至50萬元不等。再算入保險、車輛運維、現場安全運維、后臺遠程監控/操作人員費用、云平臺服務費用等成本，無人配送車的成本將進一步增加。

賀雄松認為，無人配送批量應用將在未來三年迎來爆發。

首先，隨著未來三年無人配送車批量生產，其整車成本將降低至10萬元以內。

無人配送車的技術迭代也將取消車輛運維、現場安全運維、后臺遠程監控/操作人員等費用，成本將大大降低。

其次，無人配送市場規模達千億級，美團、京東、阿里巴巴等互聯網科技公司已經將無人配送車實際應用。

如阿里巴巴在全國數十家高校投放小蠻驢，為師生配送快遞包裹；京東、美團多次在疫情期間為醫院、社區運輸醫療生活物資。

而當前各公司逐步在多種場景開啟無人配送，或可視作無人配送在批量應用的前夜。

第三，隨著過去幾年企業在無人配送業的多種嘗試，其商業模式已初步成型，技術也可支撐部分場景需求。

盡管國外的無人配送車已先行落地，但賀雄松認為國內的無人配送行業或將更容易實現盈虧平衡。

究其原因，在于國內的城市人員密度更大，接單效率也將更高。在未來中外無人配送車的硬件成本相差無幾的情況下，國內大批量的無人配送訂單將更快為企業實現盈虧平衡。

而實現這一點的關鍵，在于技術能否解決無人配送車的安全問題。

預判 3 ：激光雷達的競爭是半固態的競爭

在賀雄松看來，激光雷達本質上并不存在技術方案的路線之爭，不同的技術路線滿足不同階段的市場需求。

當前純固態激光雷達主要分為flash 和 OPA 方案，后者在國際上的發展已基本停滯。

在眾多企業的研發下，flash 方案的探測距離已提升至 100 米，但這仍不適用于對探測距離要求數百米的高速公路場景。

賀雄松認為，純固態激光雷達的探索范圍是否能更遠仍然未知，一昧押注純固態激光雷達或將面臨風險。

據中金研究預測，純固態激光雷達方案距離技術成熟以及大規模量產仍需要5年以上時間。

半固態激光雷達目前已經搭載于量產車型之中，在中短期內或將成為市場的主流選擇。

在未來的市場競爭之中，各公司的半固態激光雷達解決方案是否能滿足市場需要，將影響公司的產品銷量。

目前，頭部公司在半固態激光雷達的各個技術路線都有研發，頭部公司也將擁有更多的生存機會。

此前， 車規級激光雷達主要面向自動駕駛汽車。自今年起，車規級激光雷達開始前裝于乘用車，一個前裝市場正在緩緩打開。

蔚來ET7、智己汽車、上汽MARVEL R、上汽R汽車ES33、小鵬P5、極狐阿爾法 S 華為HI版等具備一定自動駕駛功能的智能汽車面世，正式開啟激光雷達前裝量產元年。

隨著智能汽車的自動駕駛等級提高，激光雷達在傳感器中的作用也將從輔助走向主導。

咨詢機構Yole的一項數據顯示：2020年全球大約有20萬顆激光雷達用于智能駕駛，相關銷售額大約為9500萬美元；至2025年，全球有望340萬顆激光雷達用于智能駕駛，相關銷售額大約為15.35億美元。

因此，在巨大市場爆發之前，激光雷達公司應快速對接產品實際需求，進而快速迭代產品。

預判 4：造車新勢力目前無法達到L3級自動駕駛

特斯拉、小鵬、蔚來、理想目前都只是輔助駕駛，離L3級自動駕駛仍有一定距離。

根據今年4月SAE聯合ISO合作發布的最新版本的分級標準定義，SAEL1-L2級被命名為駕駛員支持系統（Driver Support Systems），SAEL3-L5級所用術語為自動駕駛系統（Automated Driving Systems）。

L3和L4自動駕駛功能可以在系統運轉時監視和強制執行其ODD限制，并防止使用或操作超出其規定的ODD。

ODD即運行設計域（Operational Design Domain），隨著自動駕駛級別的提高， ODD也將適應更多的道路及環境。如果在不符合ODD的條件下運行，則必須由駕駛員接管。

根據《汽車駕駛自動化分級（報批稿）》顯示，L3級的動態駕駛接管任務的對象為駕駛員和系統動態接管，而L2級僅為駕駛員接管。

因此，小鵬在宣傳NGP輔助駕駛功能時經常強調其屬于"輔助駕駛"范疇，絕非"替代"用戶。

目前，國內三大造車新勢力已構建各自的壁壘：如蔚來的品牌塑造，小鵬的自研算法，理想的產品定義等。

另外，造車新勢力也面臨著不同挑戰。

如蔚來針對大城市的停車位較少，難以安裝充電樁這一情況推出車電分離模式，受到用戶的歡迎。

但假如以后的快充技術超預期發展，長時間充電將不再困擾用戶，或將對蔚來的換電模式產生影響。

一定程度上，特斯拉的發展階段可為造車新勢力提供參考。如果將特斯拉的發展階段拆解，可分為三個階段：

• 通過用 Mobileye 芯片快速推出輔助駕駛功能，形成軟硬一體的解決方案；

• 放棄Mobileye的解決方案，不斷迭代算法；

• 算法成型之后，為了提高運行效率，降低功耗，進而為算法定制芯片。

目前，各造車新勢力之間的算法發展情況不盡相同，算法成熟的公司較少。此時為算法定制芯片意義不大。

曾有消息傳出特斯拉或將加入激光雷達陣營，在賀雄松看來這對于特斯拉的益處較少。

首先，加入激光雷達意味著特斯拉此前積累的數據不再有效，需要耗費大量時間重新訓練模型，可能訓練后的模型仍達不到現有水平。

其次，特斯拉無法收集中國的數據，也不能將數據傳送至美國。因此，特斯拉在美國研究的算法可能不十分適配中國特色的路況。

從 AI 角度看，錯判率和誤判率是此消彼長的。