自动驾驶的残酷终局：特斯拉、蔚来、小鹏、滴滴，谁能成为历史注脚？

作者:brocade，图片来自“pexels”声明:本文基于公开信息撰写，仅供信息交流，不构成任何投资建议。本文主要讨论乘用车自动驾驶的技术和商用路径，商用车自动驾驶不在本文讨论之列。目前自动驾驶乘用车的公司大致可以分为三类。第一种是类似苹果(纳斯达克:AAPL)的闭环系统。芯片、算法等关键部件都是自己做的。特斯拉(NASDAQ:TSLA)就是这么做的，一些新的车企也希望逐渐走上这条路。第二类是类似Android的开放系统。有的厂商做智能平台，有的厂商做汽车。比如华为和百度(NASDAQ:BIDU)就有这个意向。第三类是robotaxi(无人驾驶出租车)，比如Waymo等公司。本文将主要从技术和商业发展的角度分析这三条路线的可行性，并探讨一些造车新势力或自动驾驶企业的未来。不要低估技术。对于自动驾驶来说，技术就是生命，关键的技术路径就是战略路径。因此，本文还探讨了自动驾驶战略的不同路径。软硬件一体化的时代已经到来，以特斯拉为代表的“苹果模式”就是最好的路径。在智能汽车领域，尤其是自动驾驶领域，采用苹果闭环模式，不仅能让厂商更容易优化性能，还能更快地对消费者的需求做出反馈。先说性能。性能对于自动驾驶非常重要。超级计算机之父西摩·克雷曾说过一句有趣的话，“任何人都可以建造一个快速的CPU。诀窍是建立一个快速系统”。随着摩尔定律的逐渐失效，单纯增加单位面积的晶体管数量来提升性能已经不可行。而且由于面积和能耗的限制，芯片的规模也是有限的。当然，目前特斯拉的FSD HW3.0(FSD是全自动驾驶)也只是14nm工艺，还有提升空间。目前，绝大多数数字芯片是基于冯诺依曼架构设计的，存储器和计算器是分离的，这就形成了计算机(包括智能手机)的整个系统。从软件到操作系统再到芯片，都深受其影响。但是冯诺依曼架构并不完全适合自动驾驶所依赖的深度学习，需要改进甚至突破。例如，存在计算器运行速度快于内存的“内存墙”，这将导致性能问题。类脑芯片的设计确实在架构上有突破，但跨度太大，可能不会很快应用。而且图像的卷积网络可以转化为矩阵运算，不一定真的适合类脑芯片。因此，随着摩尔定律和冯诺依曼架构的瓶颈，未来的性能提升主要需要通过域特定架构(DSA)来实现。由图灵奖获得者约翰·汉尼斯和大卫·帕特森提出的DSA是一个跨越了几个步骤且不太远的创新，是一个可以立即付诸实践的想法。我们可以从宏观的角度来理解DSA的思路。通常目前高端芯片中有几十亿到几十亿个晶体管。如何分配功能，连接和组合这些巨大的晶体管，对一个具体应用的性能有很大的影响。未来需要从软硬件整体角度构建“快体系”，靠优化调整结构取胜。再举个例子来说说DSA。其实手机和终端生态某种程度上也在采用DSA的思路。比如手机上还有一个GPU(图形处理器)，单独处理视觉数据。手机上还有一个神经网络加速器，是做深度学习的。苹果最新的Mac上的M1芯片也是遵循这一思路，配有GPU和深度学习加速器。根据评估，它极大地提高了许多特定应用程序的性能。当然，智能汽车的DSA之路会走得更彻底更深入，因为自动驾驶是运行特定应用的特定芯片，不考虑生态问题。特斯拉的F……HW是专门为Autopilot设计的，可以在软硬件两端进行优化。比如，如果卷积运算占的比例非常高，那么卷积运算可以并行化，特别优化，可以大大提高整体性能。根据特斯拉提供的数据，以处理摄像头数据的特定神经网络为例。神经网络需要350亿次运算来处理一帧图像。传统的CPU每秒只能处理1.5帧，根本满足不了自动驾驶的需求。特斯拉的FSD HW 3.0每秒可以处理2100帧，可以满足目前的需求。说明一下，按照这个数据，FSD HW 3.0的总计算能力是35G*2100=73.5TOPS(1TOPS是指处理器每秒可以执行一万亿次)。考虑到数据的一些舍入或精度误差，基本符合特斯拉宣称的72TOPS的数据。无论是云训练还是终端推理，都可以通过DSA进行优化。比如特斯拉的DOJO就是针对云的培训，不仅是从算法到芯片，还需要分布式的机器学习。FSD HW 3.0负责终端推理，性能强于竞争对手。闭环模式有利于快速响应消费者需求。比如算法和数据的分离，会让提升变得更加困难。各种拐角情况(这里特别是极端情况)可能需要同时调整算法和数据，所以不同公司之间的协调就会成为问题。总的来说，特斯拉采用的闭环模式不仅有助于提升性能，还能快速响应消费者需求，是目前自动驾驶的最佳方案。“安卓模式”在智能汽车领域并不是一个好的解决方案。很多人认为，在自动驾驶时代，智能手机领域也有苹果(闭环)和安卓(开放)，也会有谷歌这样的重核软件提供商。我的答案很简单。安卓路线在自动驾驶上是行不通的，因为不符合未来智能汽车技术的发展方向。当然，我不会说特斯拉蔚来这样的公司每一颗螺丝都要自己做，很多零件还是要从配件厂家买。但是影响用户体验的核心部分必须自己去做，比如自动驾驶的方方面面。第一节已经说过，苹果的闭环路线是最好的解决方案。其实也证明了安卓开放路线在自动驾驶领域并不是最好的解决方案。智能手机和智能汽车的架构不同。智能手机的重点是生态。生态就是在ARM和IOS或Android操作系统的基础上提供多种应用。所以安卓智能手机可以理解为一堆常见标准件的组合。芯片的标准是ARM，芯片上面是Android操作系统，然后网上还有各种app。因为它的标准化，无论是芯片、安卓系统还是App，都很容易独立成为一个业务。智能汽车的重点是算法以及支撑算法的数据和硬件。无论是云端的训练还是终端的推理，算法都需要高性能。智能汽车的硬件需要针对特定的特殊应用和算法进行大量的性能优化。所以只做算法、芯片或者操作系统，长期来看会面临性能优化的困境。只有每个组件都属于自己的开发，才容易优化。软硬件分离会导致性能无法优化。我们可以这样比较。英伟达Xavier有90亿个晶体管，特斯拉FSD HW3.0有60亿个晶体管，但是Xavier的计算能力指数还不如HW3.0。而且据说下一代FSD HW比现在的有7倍的性能提升。所以是因为特斯拉芯片设计师彼得·班农(Peter Bannon)和他的团队比英伟达设计师更强，还是因为特斯拉软硬结合的方法论更好。我觉得软硬件结合的方法论绝对是芯片性能提升的重要原因。我们可以想象，英伟达在设计Xavier的时候，不可能像特斯拉那样有的放矢。他们的设计师无法知道客户的算法是如何工作的，只能依靠对英伟达自己算法的理解和对客户算法的猜测来设计芯片。特斯拉的芯片设计团队肯定……对算法了解多了，就容易规划芯片设计了。比如卷积运算占了很大比重，那就重点优化卷积运算。特斯拉公开披露的信息，很清楚的说了卷积运算占多少，ReLU占多少。特斯拉的内部团队肯定比我们知道更多细节。而且特斯拉不仅是彼得·班农负责芯片，安德烈·卡帕西负责算法，他们一定会想办法在流之前通过仿真或者其他方法来衡量芯片的性能，找到性能的瓶颈，然后继续优化。对于英伟达和他们的客户来说，根本不可能实现如此紧密的合作。所以特斯拉在软硬件整合上的优化，比在不同公司拆解芯片和算法的做法要好。把算法和数据割裂开来并不是一个好主意，不利于消费者需求的快速反馈和快速迭代。所以在自动驾驶领域，把算法或者芯片拆开来单独卖，从长远来看并不是一个好买卖。就算是英伟达的自动驾驶推理芯片，当然奥林这一代还是会卖的很好，下一代可能还是会卖，但是很可能以后会卖的更差。因为性能和成本的原因，各大新汽车厂商最终都会自己做芯片。当然，英伟达收购的ARM属于手机和终端生态，和自动驾驶关系不大，所以生意应该一直不错。那么一家公司有没有可能把自动驾驶算法芯片的操作系统全部做出来，然后提供给各大汽车厂商呢？换句话说，智能汽车=智能+汽车，一家公司是“智能”，其他车企是“汽车”，然后组合成智能汽车。首先，车厂和平台的利益并不完全一致。比如因为利益分配的问题，很容易互相看着对方，产生不同的想法。其次，面对消费者多一个环节，反馈不如特斯拉和新势力汽车厂商快。如果发生交通事故，会不会出现所有合伙人互相推卸责任的事情？另外，成功的汽车厂商不会放弃掌握算法和数据，不成功的汽车厂商可以放弃掌握算法，但是做不到，因为不争气。所以这一套Android路线玩法搭建智能平台，从长远来看并不是最好的解决方案。最后做得好的新动力造车企业估计也不会走安卓路线。这和智能手机不一样。在手机领域，安卓方案和苹果方案在性能和体验上没有太大区别，但在智能汽车领域就不一样了。闭环路线会比开放路线体验好很多。在很长一段时间内，智能汽车领域都不会出现wintel这样的巨型平台玩家。当然，从软到硬一步到位做闭环也不是必须的。要根据用户的需求和自身的能力，逐步实现。就连特斯拉也分几个步骤。一步到位的Robotaxi路线并不是一条适合商业化的路径。现在自动驾驶可能只能解放5%的时间，所以只有部分消费者愿意买单。随着这个时间的比例逐渐上升，会有更多的消费者愿意购买智能汽车。所以自主造车、自主卖车的模式是可以逐步实现、逐步投入、逐步发展的。robotaxi路线追求的是一步到位，因为估计至少要10年或者20年才能实现完全的100%自动驾驶。在此期间，robotaxi无法真正实现商业化。Robotaxi因为无法满足各种弯道情况，放弃了自动驾驶。中途坐着的乘客怎么办？无法商业化，所以无法获得收益，也无法继续投入研发。所以，追求robotaxi一步到位的公司很可能是欲速则不达，不一定会很成功。自己造车卖车的商业模式，随着自动驾驶的进步，逐渐商业化。每往前走一步，就可以卖车，就可以越卖越多，就可以挣钱，就可以积累数据，然后就可以推动研发。而且，实现自动驾驶的时候，是……那个时候做机器人太好了。所以一路的胜利都会被自主造车企业拿下，robotaxi创业公司只能看着。最后的胜利也将由不断壮大的自主造车企业获得，因为到全自动驾驶的时候，自主造车企业至少会有1000亿的营收，拥有强大动力和自我造血功能的robotaxi创业公司将与之竞争。很多人认为华为可以做智能汽车的安卓平台，其实不然。根据以上分析，安卓路线可能行不通，未来华为可能会自己造车。目前华为要么是积蓄能量，积累经验，在未来合适的时候开始自己造车的道路，要么就是对未来的误判。因为，未来不是一堆汽车厂商，而是几个从软到硬都很厉害的公司。所以，做一个“安卓”平台，卖给谁，是一个很大的问题。华为现在的汽车业务有三个结果:1)不成气候，放弃；2)不成气候，然后开始自己造车；3)不成气候，然后放弃做平台做减法，只做类似激光雷达的组件。智能汽车市场如此巨大，华为不会放弃。做好智能汽车，以其市场规模估算，可以再造几个华为。华为准备造车，从软到硬，所以我觉得第二种可能性最大。

作者:brocade，图片来自“pexels”声明:本文基于公开信息撰写，仅供信息交流，不构成任何投资建议。本文主要讨论乘用车自动驾驶的技术和商用路径，商用车自动驾驶不在本文讨论之列。目前自动驾驶乘用车的公司大致可以分为三类。第一种是类似苹果(纳斯达克:AAPL)的闭环系统。芯片、算法等关键部件都是自己做的。特斯拉(NASDAQ:TSLA)就是这么做的，一些新的车企也希望逐渐走上这条路。第二类是类似Android的开放系统。有的厂商做智能平台，有的厂商做汽车。比如华为和百度(NASDAQ:BIDU)就有这个意向。第三类是robotaxi(无人驾驶出租车)，比如Waymo等公司。本文将主要从技术和商业发展的角度分析这三条路线的可行性，并探讨一些造车新势力或自动驾驶企业的未来。不要低估技术。对于自动驾驶来说，技术就是生命，关键的技术路径就是战略路径。因此，本文还探讨了自动驾驶战略的不同路径。软硬件一体化的时代已经到来，以特斯拉为代表的“苹果模式”就是最好的路径。在智能汽车领域，尤其是自动驾驶领域，采用苹果闭环模式，不仅能让厂商更容易优化性能，还能更快地对消费者的需求做出反馈。先说性能。性能对于自动驾驶非常重要。超级计算机之父西摩·克雷曾说过一句有趣的话，“任何人都可以建造一个快速的CPU。诀窍是建立一个快速系统”。随着摩尔定律的逐渐失效，单纯增加单位面积的晶体管数量来提升性能已经不可行。而且由于面积和能耗的限制，芯片的规模也是有限的。当然，目前特斯拉的FSD HW3.0(FSD是全自动驾驶)也只是14nm工艺，还有提升空间。目前，绝大多数数字芯片是基于冯诺依曼架构设计的，存储器和计算器是分离的，这就形成了计算机(包括智能手机)的整个系统。从软件到操作系统再到芯片，都深受其影响。但是冯诺依曼架构并不完全适合自动驾驶所依赖的深度学习，需要改进甚至突破。例如，存在计算器运行速度快于内存的“内存墙”，这将导致性能问题。类脑芯片的设计确实在架构上有突破，但跨度太大，可能不会很快应用。而且图像的卷积网络可以转化为矩阵运算，不一定真的适合类脑芯片。因此，随着摩尔定律和冯诺依曼架构的瓶颈，未来的性能提升主要需要通过域特定架构(DSA)来实现。由图灵奖获得者约翰·汉尼斯和大卫·帕特森提出的DSA是一个跨越了几个步骤且不太远的创新，是一个可以立即付诸实践的想法。我们可以从宏观的角度来理解DSA的思路。通常目前高端芯片中有几十亿到几十亿个晶体管。如何分配功能，连接和组合这些巨大的晶体管，对一个具体应用的性能有很大的影响。未来需要从软硬件整体角度构建“快体系”，靠优化调整结构取胜。再举个例子来说说DSA。其实手机和终端生态某种程度上也在采用DSA的思路。比如手机上还有一个GPU(图形处理器)，单独处理视觉数据。手机上还有一个神经网络加速器，是做深度学习的。苹果最新的M上M1芯片……也是遵循这个思路，有了GPU和深度学习加速器。根据评估，它极大地提高了许多特定应用程序的性能。当然，智能汽车的DSA之路会走得更彻底更深入，因为自动驾驶是运行特定应用的特定芯片，不考虑生态问题。特斯拉的FSD HW是专门为Autopilot设计的，可以在软硬件两端进行优化。比如，如果卷积运算占的比例非常高，那么卷积运算可以并行化，特别优化，可以大大提高整体性能。根据特斯拉提供的数据，以处理摄像头数据的特定神经网络为例。神经网络需要350亿次运算来处理一帧图像。传统的CPU每秒只能处理1.5帧，根本满足不了自动驾驶的需求。特斯拉的FSD HW 3.0每秒可以处理2100帧，可以满足目前的需求。说明一下，按照这个数据，FSD HW 3.0的总计算能力是35G*2100=73.5TOPS(1TOPS是指处理器每秒可以执行一万亿次)。考虑到数据的一些舍入或精度误差，基本符合特斯拉宣称的72TOPS的数据。无论是云训练还是终端推理，都可以通过DSA进行优化。比如特斯拉的DOJO就是针对云的培训，不仅是从算法到芯片，还需要分布式的机器学习。FSD HW 3.0负责终端推理，性能强于竞争对手。闭环模式有利于快速响应消费者需求。比如算法和数据的分离，会让提升变得更加困难。各种拐角情况(这里特别是极端情况)可能需要同时调整算法和数据，所以不同公司之间的协调就会成为问题。总的来说，特斯拉采用的闭环模式不仅有助于提升性能，还能快速响应消费者需求，是目前自动驾驶的最佳方案。“安卓模式”在智能汽车领域并不是一个好的解决方案。很多人认为，在自动驾驶时代，智能手机领域也有苹果(闭环)和安卓(开放)，也会有谷歌这样的重核软件提供商。我的答案很简单。安卓路线在自动驾驶上是行不通的，因为不符合未来智能汽车技术的发展方向。当然，我不会说特斯拉蔚来这样的公司每一颗螺丝都要自己做，很多零件还是要从配件厂家买。但是影响用户体验的核心部分必须自己去做，比如自动驾驶的方方面面。第一节已经说过，苹果的闭环路线是最好的解决方案。其实也证明了安卓开放路线在自动驾驶领域并不是最好的解决方案。智能手机和智能汽车的架构不同。智能手机的重点是生态。生态就是在ARM和IOS或Android操作系统的基础上提供多种应用。所以安卓智能手机可以理解为一堆常见标准件的组合。芯片的标准是ARM，芯片上面是Android操作系统，然后网上还有各种app。因为它的标准化，无论是芯片、安卓系统还是App，都很容易独立成为一个业务。智能汽车的重点是算法以及支撑算法的数据和硬件。无论是云端的训练还是终端的推理，算法都需要高性能。智能汽车的硬件需要针对特定的特殊应用和算法进行大量的性能优化。所以只做算法、芯片或者操作系统，长期来看会面临性能优化的困境。只有每个组件都属于自己的开发，才容易优化。软硬件分离会导致性能无法优化。我们可以这样比较。英伟达Xavier有90亿个晶体管，特斯拉FSD HW3.0有60亿个晶体管，但是Xavier的计算能力指数还不如HW3.0。而且据说下一代FSD HW比现在的有7倍的性能提升。所以是因为特斯拉芯片设计师彼得·班农(Peter Bannon)和他的团队比英伟达设计师更强，还是因为特斯拉软硬结合的方法论更好。我觉得软硬件结合的方法论肯定是……芯片性能提升的重要原因。我们可以想象，英伟达在设计Xavier的时候，不可能像特斯拉那样有的放矢。他们的设计师无法知道客户的算法是如何工作的，只能依靠对英伟达自己算法的理解和对客户算法的猜测来设计芯片。特斯拉的芯片设计团队当然更懂算法，所以规划芯片设计很容易。比如卷积运算占了很大比重，那就重点优化卷积运算。特斯拉公开披露的信息，很清楚的说了卷积运算占多少，ReLU占多少。特斯拉的内部团队肯定比我们知道更多细节。而且特斯拉不仅是彼得·班农负责芯片，安德烈·卡帕西负责算法，他们一定会想办法在流之前通过仿真或者其他方法来衡量芯片的性能，找到性能的瓶颈，然后继续优化。对于英伟达和他们的客户来说，根本不可能实现如此紧密的合作。所以特斯拉在软硬件整合上的优化，比在不同公司拆解芯片和算法的做法要好。把算法和数据割裂开来并不是一个好主意，不利于消费者需求的快速反馈和快速迭代。所以在自动驾驶领域，把算法或者芯片拆开来单独卖，从长远来看并不是一个好买卖。就算是英伟达的自动驾驶推理芯片，当然奥林这一代还是会卖的很好，下一代可能还是会卖，但是很可能以后会卖的更差。因为性能和成本的原因，各大新汽车厂商最终都会自己做芯片。当然，英伟达收购的ARM属于手机和终端生态，和自动驾驶关系不大，所以生意应该一直不错。那么一家公司有没有可能把自动驾驶算法芯片的操作系统全部做出来，然后提供给各大汽车厂商呢？换句话说，智能汽车=智能+汽车，一家公司是“智能”，其他车企是“汽车”，然后组合成智能汽车。首先，车厂和平台的利益并不完全一致。比如因为利益分配的问题，很容易互相看着对方，产生不同的想法。其次，面对消费者多一个环节，反馈不如特斯拉和新势力汽车厂商快。如果发生交通事故，会不会出现所有合伙人互相推卸责任的事情？另外，成功的汽车厂商不会放弃掌握算法和数据，不成功的汽车厂商可以放弃掌握算法，但是做不到，因为不争气。所以这一套Android路线玩法搭建智能平台，从长远来看并不是最好的解决方案。最后做得好的新动力造车企业估计也不会走安卓路线。这和智能手机不一样。在手机领域，安卓方案和苹果方案在性能和体验上没有太大区别，但在智能汽车领域就不一样了。闭环路线会比开放路线体验好很多。在很长一段时间内，智能汽车领域都不会出现wintel这样的巨型平台玩家。当然，从软到硬一步到位做闭环也不是必须的。要根据用户的需求和自身的能力，逐步实现。就连特斯拉也分几个步骤。一步到位的Robotaxi路线并不是一条适合商业化的路径。现在自动驾驶可能只能解放5%的时间，所以只有部分消费者愿意买单。随着这个时间的比例逐渐上升，会有更多的消费者愿意购买智能汽车。所以自主造车、自主卖车的模式是可以逐步实现、逐步投入、逐步发展的。robotaxi路线追求的是一步到位，因为估计至少要10年或者20年才能实现完全的100%自动驾驶。在此期间，robotaxi无法真正实现商业化。Robotaxi因为无法满足各种弯道情况，放弃了自动驾驶。中途坐着的乘客怎么办？无法商业化，所以无法获得收益，也无法继续投入研发。所以，追求robotaxi一步到位的公司，很可能是欲速则不达，未必是v……y成功了。自己造车卖车的商业模式，随着自动驾驶的进步，逐渐商业化。每往前走一步，就可以卖车，就可以越卖越多，就可以挣钱，就可以积累数据，然后就可以推动研发。而且实现了自动驾驶，那时候自然要做robotaxi。所以一路的胜利都会被自主造车企业拿下，robotaxi创业公司只能看着。最后的胜利也将由不断壮大的自主造车企业获得，因为到全自动驾驶的时候，自主造车企业至少会有1000亿的营收，拥有强大动力和自我造血功能的robotaxi创业公司将与之竞争。很多人认为华为可以做智能汽车的安卓平台，其实不然。根据以上分析，安卓路线可能行不通，未来华为可能会自己造车。目前华为要么是积蓄能量，积累经验，在未来合适的时候开始自己造车的道路，要么就是对未来的误判。因为，未来不是一堆汽车厂商，而是几个从软到硬都很厉害的公司。所以，做一个“安卓”平台，卖给谁，是一个很大的问题。华为现在的汽车业务有三个结果:1)不成气候，放弃；2)不成气候，然后开始自己造车；3)不成气候，然后放弃做平台做减法，只做类似激光雷达的组件。智能汽车市场如此巨大，华为不会放弃。做好智能汽车，以其市场规模估算，可以再造几个华为。华为准备造车，从软到硬，所以我觉得第二种可能性最大。华为从软到硬都有实力，从上到下都有威势，所以华为自己造车成功的可能性不小。从云芯片到终端芯片再到深度学习平台，华为都在努力，还是有一些成绩的，是打造智能汽车和自动驾驶需要的。如果苹果愿意加入造车的队伍，也有很多胜算。然而，苹果公司在产品到位之前不会推出产品的性格可能是智能汽车领域的绊脚石。毕竟自动驾驶是一个循序渐进的过程。什么时候才能积累数据，做好一切准备？百度起的很早，但是可能赶不上后期的剧集。仔细看看百度的自动驾驶战略，可能是想走Android路线，搞robotaxi。如上所述，这两条路都不好走。走安卓路线应该和哪个猪队友合作？毕竟牛队友会努力做好整个栈的软硬件。而robotaxi，是不是要等到猴年才能真正大规模商用？那么百度自己的车呢？先不说百度会不会真的开始自己造车。就算百度想，也不一定能做到。因为百度的硬件基础不如华为扎实，执行力一般。至少在几个互联网巨头中，过去几年是玩得不太好的那一个，BAT说什么大家都忘了。威马大概是和百度合作的队友吧。两个连的战斗力本身就不属于最强队列。估计未来能活下来的智能汽车有几个，很难有百度+威马。人才是核心。各大车企都在和特斯拉竞争，也就是和埃隆·马斯克竞争，和安德烈·卡帕西、彼得·班农这样的人才领导的团队竞争。自动驾驶之战需要公司具备自上而下的科技能力，并不是简单的投点钱招几个工程师就能解决问题的。请问各大车企的老总们，他们是否理解深度学习的原理，这毕竟是自动驾驶的基石。如果CEO完全不懂，怎么招聘到合格的自动驾驶算法VP和软件工程VP？你怎么能判断谁是真正的高手，更何况技术高手都会去找更懂技术的主。那么你有勇气换掉不合格的CEO吗？我觉得几乎没有一家传统车企有这样的决心。自驾人才有其特殊性。几乎所有人都知道从事自动驾驶需要合适的人才，但大多数人会觉得应该招现成的人来做自动驾驶。按照常规的惯性思维去思考是对的。比如我想做汽车工程，所以想找一个做汽车工程的人。但自动驾驶却不是这样。因为在这些现成的人才中，除了特斯拉，还有更靠谱的吗？未来两三年有没有可以商业化的东西？几乎没有。所以回归本质，这些公司，包括特斯拉，造车新势力，走的都是视觉导向的路线。视觉是无论如何都绕不过去的，视觉是自动驾驶最难的部分。所以最需要的是研究深度学习视觉的顶尖博士，类似特斯拉的安德烈·卡帕西，蔚来的任·邵青。招募顶尖视觉人才，让他们学习如何做自动驾驶，比较靠谱。对这些聪明人来说，其他部分学起来很快。当然，没有花时间学习的人是不会明白这一点的。特斯拉已经证明了这一点。特斯拉做过自动驾驶，换过几个人，都做得不好。当找到深度学习视觉背景的安德烈·卡帕西(Andrej Karpathy)时，特斯拉就会找到合适的人。为了与自动驾驶的技术同步，要求阅读重点有用的论文，以获取当前学术界最前沿的知识，挖掘和甄别优秀人才。如果t……我们有会说话和合作的人，我们应该把人才放在正确的位置上。比如有的人涉猎广泛，学习能力强，善于把握本质，适合建筑。而有些人在某些领域有深入的研究，适合突破算法等某些领域的瓶颈。在深度学习领域，尤其是视觉领域，很多关键的优秀论文都是中国人写的。各大车企首先要想办法聚集我们自己的顶尖人才，然后再逐步聚集全球的人才。所以我觉得中国车企在自动驾驶的战役中是有希望的。比如蔚来招了任邵青，把自动驾驶R&D中心从国外换到国内，抛开虚增的市值(估值)，从长远来看无疑是一步好棋。好消息是，仍有许多人才分散在世界各地。坏消息是很多车企还在发呆，不知道怎么分辨。找一个自称自动驾驶几年的二流的人远比找一个有能力有潜力的深度学习专家好得多。还要注意不要低估年轻人的潜力。很多优秀的论文都是年轻医生甚至博士写的。这些人也就二三十岁，很年轻，但是在自动驾驶领域却是风华正茂。残酷的终结所有人都在谈论智能汽车和自动驾驶的终结，那么会发生什么？自动驾驶肯定会逐步实现，因为现代传感器+计算机+大数据平台的能力在驾驶上会比人眼+人脑强很多。人能同时看到四面八方吗？能同时观察前后左右车辆吗？做不到，但电脑可以。从长远来看，计算机在驾驶方面的计算能力将强于人类。而且在通过大数据平台分享和积累各种经验方面，计算机肯定强于人类。所以从长远来看，计算机和大数据平台在驾驶方面能做的事情，比人类强很多。前途是光明的，但是对于所有的参赛者来说，智能汽车的战斗将会非常艰难，结果估计也是残酷的。现在看起来很热闹，但是因为门槛极高，从软到硬都不能有短板，所以估计最后能活下来的也就那么几个。大部分传统厂商在自动驾驶面前大概是无能为力的，未来会处于尴尬的境地，几年后会面临淘汰。别固执了，连FOTA(无线固件升级)都没修好，还搞自动驾驶和智能汽车干嘛？智能汽车=电动+自动驾驶+智能驾驶舱，而自动驾驶是最难的，也是最差异化的，所以是最重要的，决定性的关键点。特斯拉已经把门槛抬得很高了。当然，这其实是因为智能汽车，尤其是自动驾驶，门槛非常高。只是特斯拉会是第一家达标的公司。特斯拉在自动驾驶领域没有多少纯理论的秘密，从0到1的关键知识几乎都在现成的论文里。但是，要把论文里的知识分解成架构，达到工程化水平，实现商业化，也是非常困难的。所以中国车企在自动驾驶的战役中是有机会的，但不是所有车企都有机会，因为门槛真的很高。比如包括时间维度的4D训练，比如如何把多个摄像头拼接成一个鸟瞰图，比如搭建一个类似道场的训练平台，比如如何做舰队学习和暗影模式，都不容易做好。以鸟瞰图为例，简单来说，在路口转弯，不仅需要前视摄像头或雷达的信息，还需要路口左右道路的信息，这就需要多个摄像头的鸟瞰图或雷达数据融合。估计很多车企都没有认真考虑过这些技术问题。但是不要小看个别造车新势力。虽然现在看起来像特斯拉，但是和传统车企相比，销量还是比较少的。但是，我们必须看到，即使只发布两三款，其背后的能力也正在形成。而很多传统车企凭借这点还是能卖出很多车的……惯性。但是当智能时代到来的时候，真正有实力的是那些具有科学智能能力的企业。许多传统汽车公司甚至不能处理FOTA，他们仍然谈论自动驾驶。没有科技能力的传统车企大多会倒闭、破产、被兼并或者转向代工。此外，中国企业在中国有本地化的优势。从国内市场起步，最终走向世界，也是非常有前途的。未来，人们对汽车运输的需求将分为两部分。有些人希望有私人空间，所以会考虑买车或者长期租车。而且很多时候很多人会用robotaxi。当然，闲置的私人车辆也可以加入robotaxi的共享网络。robotaxi = robo + taxi .Robo不只是一辆特斯拉，应该有好几个，所以需要一个打车平台。有人会说，特斯拉也可以做打车平台，但在这种情况下，其他车企或企业也可以做打车平台，所以会出现不止一个平台。而且消费者也不需要太多打车平台。所以经过竞争，最终胜出的平台非常少，出现垄断的概率很高。在当前打车平台上表现良好的公司，如滴滴或优步，可能会与在robo上表现良好的公司合作，如特斯拉和新势力制造汽车的公司。而且未来汽车强国的格局会有很大变化。简单来说，中国和美国会笑到最后，而日本和德国这两个传统汽车强国会因为赶不上形势而哭得很惨。华为从软到硬都有实力，从上到下都有威势，所以华为自己造车成功的可能性不小。从云芯片到终端芯片再到深度学习平台，华为都在努力，还是有一些成绩的，是打造智能汽车和自动驾驶需要的。如果苹果愿意加入造车的队伍，也有很多胜算。然而，苹果公司在产品到位之前不会推出产品的性格可能会成为智能汽车领域的绊脚石。毕竟自动驾驶是一个循序渐进的过程。什么时候才能积累数据，做好一切准备？百度起的很早，但是可能赶不上后期的剧集。仔细看看百度的自动驾驶战略，可能是想走Android路线，搞robotaxi。如上所述，这两条路都不好走。走安卓路线应该和哪个猪队友合作？毕竟牛队友会努力做好整个栈的软硬件。而robotaxi，是不是要等到猴年才能真正大规模商用？那么百度自己的车呢？先不说百度会不会真的开始自己造车。就算百度想，也不一定能做到。因为百度的硬件基础不如华为扎实，执行力一般。至少在几个互联网巨头中，过去几年是玩得不太好的那一个，BAT说什么大家都忘了。威马大概是和百度合作的队友吧。两个连的战斗力本身就不属于最强队列。估计未来能活下来的智能汽车有几个，很难有百度+威马。人才是核心。各大车企都在和特斯拉竞争，也就是和埃隆·马斯克竞争，和安德烈·卡帕西、彼得·班农这样的人才领导的团队竞争。自动驾驶之战需要公司具备自上而下的科技能力，并不是简单的投点钱招几个工程师就能解决问题的。请问各大车企的老总们，他们是否理解深度学习的原理，这毕竟是自动驾驶的基石。如果CEO完全不懂，怎么招聘到合格的自动驾驶算法VP和软件工程VP？你怎么能判断谁是真正的高手，更何况技术高手都会去找更懂技术的主。那么你有勇气换掉不合格的CEO吗？我觉得几乎没有一家传统车企有这样的决心。自驾人才有其特殊性。几乎所有人都知道从事自动驾驶需要合适的人才，但大多数人会觉得应该招现成的人来做自动驾驶。按照常规的惯性思维去思考是对的。比如我想做汽车工程，所以想找一个做汽车工程的人。但自动驾驶却不是这样。因为在这些现成的人才中，除了特斯拉，还有更靠谱的吗？未来两三年有没有可以商业化的东西？几乎没有。所以回归本质，这些公司，包括特斯拉，造车新势力，走的都是视觉导向的路线。视觉是无论如何都绕不过去的，视觉是自动驾驶最难的部分。所以最需要的是研究深度学习视觉的顶尖博士，类似特斯拉的安德烈·卡帕西，蔚来的任·邵青。招募顶尖视觉人才，让他们学习如何做自动驾驶，比较靠谱。对这些聪明人来说，其他部分学起来很快。当然，没有服用过……他花时间学习是不会明白这一点的。特斯拉已经证明了这一点。特斯拉做过自动驾驶，换过几个人，都做得不好。当找到深度学习视觉背景的安德烈·卡帕西(Andrej Karpathy)时，特斯拉就会找到合适的人。为了与自动驾驶的技术同步，要求阅读重点有用的论文，以获取当前学术界最前沿的知识，挖掘和甄别优秀人才。如果有能好好说话，一起合作的人，就要把人才放在合适的位置上。比如有的人涉猎广泛，学习能力强，善于把握本质，适合建筑。而有些人在某些领域有深入的研究，适合突破算法等某些领域的瓶颈。在深度学习领域，尤其是视觉领域，很多关键的优秀论文都是中国人写的。各大车企首先要想办法聚集我们自己的顶尖人才，然后再逐步聚集全球的人才。所以我觉得中国车企在自动驾驶的战役中是有希望的。比如蔚来招了任邵青，把自动驾驶R&D中心从国外换到国内，抛开虚增的市值(估值)，从长远来看无疑是一步好棋。好消息是，仍有许多人才分散在世界各地。坏消息是很多车企还在发呆，不知道怎么分辨。找一个自称自动驾驶几年的二流的人远比找一个有能力有潜力的深度学习专家好得多。还要注意不要低估年轻人的潜力。很多优秀的论文都是年轻医生甚至博士写的。这些人也就二三十岁，很年轻，但是在自动驾驶领域却是风华正茂。残酷的终结所有人都在谈论智能汽车和自动驾驶的终结，那么会发生什么？自动驾驶肯定会逐步实现，因为现代传感器+计算机+大数据平台的能力在驾驶上会比人眼+人脑强很多。人能同时看到四面八方吗？能同时观察前后左右车辆吗？做不到，但电脑可以。从长远来看，计算机在驾驶方面的计算能力将强于人类。而且在通过大数据平台分享和积累各种经验方面，计算机肯定强于人类。所以从长远来看，计算机和大数据平台在驾驶方面能做的事情，比人类强很多。前途是光明的，但是对于所有的参赛者来说，智能汽车的战斗将会非常艰难，结果估计也是残酷的。现在看起来很热闹，但是因为门槛极高，从软到硬都不能有短板，所以估计最后能活下来的也就那么几个。大部分传统厂商在自动驾驶面前大概是无能为力的，未来会处于尴尬的境地，几年后会面临淘汰。别固执了，连FOTA(无线固件升级)都没修好，还搞自动驾驶和智能汽车干嘛？智能汽车=电动+自动驾驶+智能驾驶舱，而自动驾驶是最难的，也是最差异化的，所以是最重要的，决定性的关键点。特斯拉已经把门槛抬得很高了。当然，这其实是因为智能汽车，尤其是自动驾驶，门槛非常高。只是特斯拉会是第一家达标的公司。特斯拉在自动驾驶领域没有多少纯理论的秘密，从0到1的关键知识几乎都在现成的论文里。但是，要把论文里的知识分解成架构，达到工程化水平，实现商业化，也是非常困难的。所以中国车企在自动驾驶的战役中是有机会的，但不是所有车企都有机会，因为门槛真的很高。比如包括时间维度的4D训练，比如如何把多个摄像头拼接成鸟瞰图，比如搭建一个类似道场的训练平台，比如如何做舰队学习和暗影模式，都不容易做好。以鸟瞰为例，简单来说，在路口转弯，不仅需要前视摄像头或雷达的信息，还需要路口左右道路的信息，这就需要鸟瞰……多摄像机或雷达数据融合视图。估计很多车企都没有认真考虑过这些技术问题。但是不要小看个别造车新势力。虽然现在看起来像特斯拉，但是和传统车企相比，销量还是比较少的。但是，我们必须看到，即使只发布两三款，其背后的能力也正在形成。而很多传统车企仍然可以凭借惯性卖出很多车。但是当智能时代到来的时候，真正有实力的是那些具有科学智能能力的企业。许多传统汽车公司甚至不能处理FOTA，他们仍然谈论自动驾驶。没有科技能力的传统车企大多会倒闭、破产、被兼并或者转向代工。此外，中国企业在中国有本地化的优势。从国内市场起步，最终走向世界，也是非常有前途的。未来，人们对汽车运输的需求将分为两部分。有些人希望有私人空间，所以会考虑买车或者长期租车。而且很多时候很多人会用robotaxi。当然，闲置的私人车辆也可以加入robotaxi的共享网络。robotaxi = robo + taxi .Robo不只是一辆特斯拉，应该有好几个，所以需要一个打车平台。有人会说，特斯拉也可以做打车平台，但在这种情况下，其他车企或企业也可以做打车平台，所以会出现不止一个平台。而且消费者也不需要太多打车平台。所以经过竞争，最终胜出的平台非常少，出现垄断的概率很高。在当前打车平台上表现良好的公司，如滴滴或优步，可能会与在robo上表现良好的公司合作，如特斯拉和新势力制造汽车的公司。而且未来汽车强国的格局会有很大变化。简单来说，中国和美国会笑到最后，而日本和德国这两个传统汽车强国会因为赶不上形势而哭得很惨。

标签：特斯拉DS曼蔚来前途

汽车资讯热门资讯