目前無人駕駛在每個領域都在探索、落地和迭代。無人駕駛不論哪家公司或者技術路線都必須做兩件事。

• 軟：大量車輛落地跑，積累道路實戰數據，改進自有算法。

• 硬：不斷自研，提高自給核心硬件比例，不給核心供應商卡脖子。

這也是百度發現通過電腦模擬的算法落地性差，必須通過造車賣車才能把數據做起來，之后就有了百度、吉利、富士康合作造車。

軟的部分，車輛落地可以看對應的市場規模和特征，積累的數據量可以從公開路測數據和銷量來比較。硬件部分則分為兩條技術路線，一條是Tesla的蘋果路線，二是華為的安卓路線，可以從商業層面和技術層面拆開對比。

軟1：市場規模

乘用車、商用車、港口、最后一公里等

乘用車市場最大的是私家車市場8萬億元，其次是網約車比如robotaxi 3500億。乘用車落地最多的是各家主機廠的L2的乘用車，以及各地的路測。雖然乘用車L4落地難，但可以單一產品打天下，未來更容易出現大公司，或者更容易被淘汰。

商用車有圖森和智加這樣的跨城物流7000億，大部分在高速上行駛，應用環境有優勢。同城物流類似于倉配到店有2500億，美團和快遞公司取代快遞員和外面員的無人配送小車屬于最后一公里，有840億。

商用車應用最多的是各種小場景，如港口物流，比較復雜，因為需要跟港區堆場系統做對接，更類似是集成的系統。還有如各個園區內無人駕駛，比如機場引導飛機的無人駕駛小車。

商用車的每個細分市場都需要針對性做很多軟硬件方案的修改，更像是一個個項目的大集成商，不單純做無人駕駛。因此商用車預計會活下更多公司。

當然做這些試點項目，是因為現在這些項目更容易拿到，積累數據，都是想未來升級去做到整個同城的物流，然后再去做robotaxi ，再去做私家車。

軟2：車型大比拼

實際新能源車輛銷售數據

除了tesla的視覺路線，其他主機車都需要加載激光雷達來實現無人駕駛。由于高昂的成本，現在市面上在售的無人駕駛車輛比較少，就連新勢力都是準備量產。如下圖，真正在售的只有極狐的華為版。截止2021年7月，極狐銷量只有1225臺~~~高配的華為版數量可以忽略不計。除了Tesla，現在主機廠都沒有通過銷售車輛來累計無人駕駛的數據。

軟3：路測數據大比拼

加州路測和上海路測

沒有銷售的車輛收集數據，我們只能看各家的路測數據情況。比較權威的是加州的交管局數據，但這個數據是各家企業自行上報，并不是說加州交管局裝了系統來檢測，更類似于申報的系統。

加州路測MPI前三名

這個數據可以看到前三名的MPI（Miles Per Intervention，每兩次人工干預之間行駛的平均英里數）數據增長都很快，企業申報數據都很好看。但是從商用車物流領域的圖森和智加來看，不是一個數量級，基本差一兩個零。美團和阿里測試的快遞和外賣小車的數據比商用車更小。從數據積累上看，真正商用化起來可能乘用車會更快。

英偉達、智加、圖森MPI

乘用車問題（頭部幾家）主要在感知和決策層，不能準確判斷路面的障礙，不能很好的做路線規劃，在執行層經常出現的問題是壓了實線，騎著車道開，拐彎沒有打轉向燈，可以看到現在領先的無人駕駛技術也像是新手在開車，會出現很多問題。

再看上海數據，區別于加州，上海是示范應用模式，比如圖森就是在上海臨港地區公開道路進行測試，具體是在臨港物流園區和洋山深水港之間測試，這是一段偏遠的高速。這個數據顯示的人工干預率就高很多，比如滴滴開100公里需要人工干預27次，基本上開幾公里、十幾公里就需要被接管一次。整體上無人駕駛還處于新手剛脫離教練的階段。

硬1：兩大技術路徑

純視覺vs激光雷達

到底誰的路徑會和更快跑出來呢？在技術上其實分成了兩大路徑，

• 一是純視覺，不依靠激光雷達與高精地圖，只有8~10個攝像頭。

• 一是基本其他所有，通過1~2個激光雷達+12個攝像頭+5個毫米波雷達做感知。

這兩個技術線為什么會有這么大的分歧？

特斯拉：純視覺

商業上考慮：視覺方式做無人駕駛，從數據獲取，到替代供應商，自己做研發，整個迭代速度會比激光雷達要快很多。

特斯拉很明確的講過他賣車不是他掙錢的核心，未來還是要靠軟件掙錢，他會不斷降價，包括最近model 3又降價1.5萬，通過不斷降價把銷量提上去，通過足夠的數據訓練算法，靠自動駕駛賺錢。2020年Tesla無人駕駛的價格為1w美金，滲透度為15%。最近無人駕駛升級，價格從1萬美元漲到1.2萬美元，后來因為抗議客戶比較多，最終只漲了1000-1500美元。

以下是一個激進的預測，如果未來價格上漲到1.5w，滲透度提升到79%，無人駕駛業務可以為Tesla貢獻1020億美元盈利！！

除了盈利模式不一樣以外，還因為國外基礎設施不像國內這么完善，比如鄉村小路很難有人去繪制高精地圖。純視覺路線不太依賴于這些環境，可以適用于更廣的市場。特斯拉屬于大研發投入，適用于更大的市場，賺取更多利潤。

特斯拉屬于大研發投入，銷售到更大的市場，賺取更多利潤。

國產：激光雷達＋高精地圖

國產新能源車的盈利模型是依賴于積分，而不是賣車或者無人駕駛。當然Tesla現在的利潤大部分也是來自政府補貼。

中國的主機廠有個雙積分制（乘用車企業平均燃料消耗量積分和新能源汽車積分）五菱宏光去年賣車賺了大概44萬的新能源積分，上汽是負的97萬分，然后五菱宏光賺了44萬的正積分，按6000-10000元/分來算，雖然五菱宏光賣車不賺錢，但是通過積分可以賺到約合26~44億元的利潤，這也是有很多新能源主機廠造這么便宜的車的原因，不拿補貼而為了銷量。

5G下來之后中國可能會把整個道路智能化，比如紅綠燈、斑馬線、人行橫道，這些東西都會有相應的5G的智能設備鋪在里面。所以車輛不用做到特別強的算法，通過跟道路聯合就能判斷紅綠燈的信息。而且中國的高精地圖繪制也會比較快，百度已經把基本上所有高速都做完了。所以在基礎設施很發達情況下，可能并不需要算法特別強，所以說商業角度考慮，中國情況跟美國會截然不同。

硬2：感知、決策和執行

軟件和硬件一體化

感知、決策和執行這三個環節相應的軟件和硬件，都是無人駕駛必須要具備的。

感知層對比

純視覺派：特斯拉相信通過AI訓練攝像頭可以達到人眼功能，所以Model Y他們用8顆攝像頭來模擬人眼。另外多種感知會有很多問題。

• 多種感知融合有干擾，比如毫米波雷達感知精度較低，經常發出誤報，比如攝像頭沒看到什么，但是毫米波雷達感知有障礙會突然剎車，車主吐槽遇到幽靈。

• 多種感知對算法的干擾有很大的影響。毫米波雷達對靜態的東西沒法準確判斷，特斯拉之前撞到了停在路上的白色卡車，因為有強光把攝像頭給晃瞎了，毫米波雷達又誤判。之后Tesla就更換了mobileye的方案，改為自己。優步撞死過一個推自行車過街的女性事件就與這有關。這個事情的幾個月之前，他們CEO試乘時發現車輛有幽靈剎車現象，乘坐體驗差，下令關掉該判斷。

激光雷達派：激光雷達提供可以感知到厘米級，大幅提高了多種感知的可靠性和安全性。其他家認為如果沒有辦法解決純視覺，一定要上激光雷達來保證在路上不會撞死人。

但激光雷達有一個致命弱點，發出去的激光碰到大霧天、下雨天這種空氣充滿水霧的天氣，基本沒法用，并且成本高，現在基本上1萬元左右，國產的差不多6000元，跟等級有關，等級越高的價格越貴。

激光雷達路線還需要高精地圖輔助，高精地圖的作用有三個：

• 目前是普通的導航地圖，精度在10米，無法精確到車道。無人駕駛時需要比較明確的把車道的情況繪制出來。

• AI仿真訓練時，也非常依賴于高精地圖做訓練。

• 做路徑規劃的時候，到底什么時候出匝道，什么時候進隧道，到底走第一條還是第二條車道，很多時候需要激光雷達和高精地圖配合算出來。

華為整套感知成本算下來兩萬多，這已經算是非常便宜的成本了，因為華為本身激光雷達就做的比較厲害，華為和北極狐合作款的無人駕駛套裝需要4-8萬元，整車40萬元，屬于高檔車了，無人駕駛占到10-20%之間，可以說非常貴了，8萬塊錢都可以買兩輛五菱宏光開了。這么高的價格很難和特斯拉純視覺去競爭。即使是mobileye，也是估計要到2025年才能把整個系統成本做到3萬元。所以馬斯克覺得激光雷達是一個過渡性的產品，認為這個很雞肋，就為了滿足一時的安全性，上了一個特別貴的設備。

決策層對比

決策層有兩個部分，一個是車內的AI，一個是服務器AI。由于車內AI的算力有限，因此都是需要在服務器上訓練AI，建立模型。在行駛過程中，碰到類似情況，車內AI只需按訓練時進行反應即可，無需大量計算。

純視覺路線：

• 車內AI：Model Y只有8個攝像頭，數據量小，因此對算力要求也非常低，只有144 TOPS。

• 服務器AI：特斯拉建立一個超級計算機Dojo，計算能力達到 exaFLOPS  EFLOPS 10x18，位居世界第一，是第二名的4x。

雖然這次升級跳票數次，但特斯拉無人駕駛對道路物體的識別程度和對附近車輛識別程度比以前高很多，可以看出超級計算機對訓練AI的重要性很明顯。

激光雷達路線：

• 車內AI：由于一般有5個毫米波雷達，1~2個激光雷達，會產生巨大數據量，處理和計算這些數據會對芯片的算力有非常高的要求。Nvidia 定義L4級需要7顆 Orin，合計1778 TOPS。

• 服務器AI：一種是Nvidia 半開放式服務器，主機廠可以在上面做訓練，可支持部分個性化，滿足主機廠自研的需求。另外一種是封閉的，如Intel收購的Mobileye，算法和訓練都是黑盒，主機廠只能接受現成的方案。

當然從性能上來講，Mobileye的封閉模式會比Nvidia需要的算力和功耗都會更小。但對主機廠而言，自己造的車就變成沒有靈魂，只有軀殼的。華為其實也面臨Mobileye類似的困境。

執行層對比

執行層相對比較復雜一些，我們只講芯片環節。

• 燃油車上會放很多小的單價并不特別貴的芯片做信號的處理，最開始油車可能有差不多七十多個小的MCU，到電動車的時候大概有三四十個。我們叫只有肌肉，沒有四肢。

• 華為是把車身分成了動力、底盤、車身等7大子系統，相互通過復雜的中間件來交互。我們叫只有四肢，沒有大腦。

• 特斯拉是用中央計算平臺，類似大腦，只有核心環節才由子系統（肢體）控制，比如說比較關鍵的剎車、ADAS等。

• 未來可能只有中央計算平臺，直接控制所有功能。

為什么要越來越要集中到一起，因為將感知、安全等功能都分散在不同的MCU，會導致很多浪費，如系統的數據傳輸、算力，直接導致成本和功耗的升高。

這里不得不提一下商用車的控制系統，由于商用車的動力以燃油為主，電動化估計要等到氫燃料電池落地。因此商用車在底盤控制上，只能在燃油車基礎上做改進，復雜且昂貴。

無人駕駛的競爭核心

軟硬件一體化

蘋果手機的芯片和軟件都是自研的，軟硬件一體化，所以手機功耗和內存容量都比安卓系統好很多。所以無人駕駛的競爭不是一個感知、決策和執行某個環節，很大程度取決于是不是三個環節可以做到高度的軟硬件一體化。

這也是為什么傳統車企轉型智慧電動車非常困難？因為這其實是在同時做一個蘋果+三星的事情。當然Tesla也是從使用外部供應商，逐步轉為自研。

• 主機廠要自產或參股占成本40%的電池，不然完全是一個組裝廠，沒有核心技術。這好比三星生產手機里最值錢的屏幕。

• 主機廠要在無人駕駛這邊大量投入到激光雷達、算法、MCU，提高自研比例。這好比蘋果自研芯片+操作系統。

無人駕駛整個發展趨勢，其實和手機有點類似，都是先賣機器，然后逐步從軟件，到芯片全都要自己研發。所以我們認為100億造車的門檻其實是遠遠低估的，要真正能在市場有競爭力，需要的是每年100億的投入，連續多年。這么高強度，持續的投入，新勢力是否能跟上都值得觀察。這也是為啥業內看好華為和小米的原因，因為有這方面的經驗。