作者｜于宗申
編輯｜白雪
自動駕駛是一場橫跨百年的技術(shù)修行。
1925 年，一輛無人汽車（American Wonder）緩緩行駛在曼哈頓街頭，從百老匯一直開到第五大道，它穿越了紐約交通最擁堵的路段，吸引了全美國的注意。
背后的牽頭人 Francis P.Houdina（弗朗西斯.P. 霍迪尼），當(dāng)時他正坐在另一輛車上，用無線電遙控?zé)o人車的行駛。
American Wonder
以現(xiàn)在的技術(shù)來看，這輛車遠稱不上自動駕駛，只能算得上是遙控汽車。但人類對于無人駕駛的場景化想象卻從此開始。
由此，在人類的科學(xué)技術(shù)進程中多了汽車自動駕駛的目標(biāo)。
百年自動駕駛大致分五個階段：
1925 年到 1966 年，是概念啟蒙階段。少量工程師通過電纜、金屬傳感器和磁場感應(yīng)器的組合，讓小說中的「無人駕駛」短暫地照進了現(xiàn)實。
1966 年到 2004 年，是技術(shù)奠基階段。在各國軍方的主導(dǎo)下，少量大學(xué)和車企確立了自動駕駛的基礎(chǔ)技術(shù)路線，將計算機算法與傳感器硬件（攝像頭為主）相結(jié)合。
當(dāng)概念和技術(shù)奠基工作均完成后，自動駕駛突飛猛進。
2004 年到 2014 年，是屬于谷歌的「哥倫布時代」，讓世界看到了自動駕駛商業(yè)落地的可能。
2014 到 2021 年，是萬眾創(chuàng)新的「大航海時代」，無數(shù)企業(yè)在資本和技術(shù)簇擁下涌入自動駕駛市場，探索無限可能。
2021 年至今，是特斯拉引領(lǐng)的「工業(yè)革命時代」，AI 大模型開始逐漸取代人工編寫的規(guī)則算法。
1.0 時代，谷歌成為哥倫布
地球是圓的，總會有人想去證明它。
在自動駕駛領(lǐng)域，谷歌是那個率先抵達新大陸的「哥倫布」。
2004 年，為了減少戰(zhàn)爭中的人員傷亡，現(xiàn)實版神盾局 DARPA（美國國防高級研究計劃局）在 2004 年、2005 年及 2007 年舉辦了 3 屆自動駕駛挑戰(zhàn)賽，吸引了無數(shù)大學(xué)和企業(yè)的研究團隊。
三屆挑戰(zhàn)賽讓谷歌聯(lián)合創(chuàng)始人拉里佩奇（Larry Page）看到了自動駕駛的潛力，將斯坦福大學(xué)領(lǐng)隊塞巴斯蒂安特龍（Sebastian Thrun）納入麾下，帶領(lǐng)谷歌 X 實驗室研發(fā)創(chuàng)新項目。
特龍
2009 年初，在佩奇的推動下，谷歌自動駕駛項目「Project Chauffeur」正式啟動。
作為項目負責(zé)人，特龍邀請了一些 DARPA 挑戰(zhàn)賽中的技術(shù)大牛加入了 Chauffeur 項目：
卡內(nèi)基梅隆大學(xué)車隊的技術(shù)總監(jiān)克里斯厄姆森（Chris Urmson）負責(zé)軟件，斯坦福大學(xué)車隊的軟件負責(zé)人邁克蒙特莫羅（Mike Montemerlo）負責(zé)電子地圖、硬件負責(zé)人安東尼萊萬多夫斯基（Anthony Levandowski）負責(zé)硬件、感知負責(zé)人亨德里克達爾坎普（Hendrik Dahlkamp）負責(zé)雷達數(shù)據(jù)。
三屆 DARPA 挑戰(zhàn)賽積攢的人才，幾乎盡數(shù)收入谷歌麾下，并在技術(shù)上延續(xù)了 DARPA 挑戰(zhàn)賽提出的基本方案，即計算機通過多個傳感器來觀察周圍環(huán)境，并據(jù)此進行路線規(guī)劃，最后由一套線控系統(tǒng)執(zhí)行命令。
萊萬多夫斯基（左）、特龍（中）、厄姆森（右）和谷歌首款自動駕駛汽車
和挑戰(zhàn)賽以前的自動駕駛車輛相比，此時谷歌自動駕駛車輛最顯著的變化，是搭載了激光雷達和高精地圖激光雷達可以精確測算車輛和道路標(biāo)志的距離，而高精地圖則告訴車輛這些標(biāo)志在空間中的位置，從而讓車輛進行定位，降低了感知系統(tǒng)的壓力，以此應(yīng)對復(fù)雜的道路。
在州際公路上經(jīng)過了 16 萬千米的測試和反復(fù)修改代碼之后，Chauffeur 團隊于 2010 年 10 月完成了 Larry 1k 挑戰(zhàn)，即在沒有人為干預(yù)的情況下，在10 條160 千米的特定路線上（州際公路+城市道路）完成無人駕駛。
比起 DARPA 挑戰(zhàn)賽中的車輛，谷歌 Chauffeur 團隊在技術(shù)上已經(jīng)有了質(zhì)的突破，但距離工程化落地依舊遙遠。
首先，谷歌的自動駕駛離不開高精地圖，而保證高精地圖的鮮度和廣度需要巨量時間與財力投入。
其次，識別和預(yù)測道路上其他交通參與者的行為依舊不是一件容易的事，畢竟不是每一位司機在變道之前都會打轉(zhuǎn)向燈。
最后，《紐約時報》的報道將谷歌自動駕駛項目公之于眾，但推動立法依舊路途遙遠。
2011 年初，特龍曾經(jīng)的學(xué)生戴夫弗格森加入了 Chauffeur 團隊，正式將機器學(xué)習(xí)引入了自動駕駛，提升了汽車的感知能力和判斷能力。
與此同時，谷歌也開始游說政府部門立法，2011 年 9 月，內(nèi)華達州通過自動駕駛法案；
2012 年 5 月，谷歌拿到了內(nèi)華達州頒發(fā)的第一張自動駕駛測試牌照；
2013 年，NHTSA（美國高速公路安全管理局）發(fā)布了自動駕駛汽車的分級標(biāo)準(zhǔn)，SAE（國際自動機工程師學(xué)會）也制定了自動駕駛汽車分級標(biāo)準(zhǔn)。
至于高精地圖的問題，谷歌的解決對策是在有限的「運行設(shè)計域」內(nèi)使用，比如路況簡單的高速場景。
不過在具體的落地形式上，特龍的左膀右臂萊萬多夫斯基和厄姆森產(chǎn)生了路線分歧。
萊萬多夫斯基提倡銷售后裝方案，可以讓任何汽車在高速公路上實現(xiàn)自動駕駛。厄姆森則希望將自動駕駛系統(tǒng)在生產(chǎn)時便集成到車輛當(dāng)中，雖然耗時更久但更加安全可靠。
然而不論是哪種方案，都被老牌車企認為是魯莽、愚蠢到不可思議的事情。
天無絕人之路，打車軟件 Uber 的出現(xiàn)，讓谷歌高層看到了一條新的商業(yè)化路線在特定城市或地區(qū)繪制高精地圖，然后運營一支無人駕駛出租車隊。
于是，谷歌在 2014 年 5 月推出了純電動全自動駕駛汽車 Firefly，配備了攝像頭、毫米波雷達、激光雷達和超聲波等傳感器，以及整合了 Google 地圖和云服務(wù)等優(yōu)勢資源，同時還取消了方向盤、油門和踏板。
谷歌 Firefly
Firefly 的發(fā)布終于讓車企意識到自動駕駛的重要性。
Firefly 發(fā)布的次日，時任通用全球產(chǎn)品開發(fā)主管的 Mark Reuss 便首次將谷歌列為競爭對手：
「對汽車制造商們來說，谷歌可能會變成一個相當(dāng)厲害的競爭對手�！�
從 2004 年關(guān)注 DARPA 自動駕駛挑戰(zhàn)賽，再到 2014 年讓世界見證自動駕駛，谷歌從軍方手中接過了自動駕駛的主導(dǎo)權(quán)，匯集了 DARPA 挑戰(zhàn)賽中的人才，成為開啟新大陸的哥倫布。
2.0 時代，大航海時代的始終
資本市場是逐利的。
在看到自動駕駛的潛力之后，車企、科技公司以及初創(chuàng)企業(yè)紛紛卷入了自動駕駛的藍海市常
回看 2014 年這個時間點，谷歌已經(jīng)做成了三件影響行業(yè)的大事：
首先，谷歌推動了美國自動駕駛法案的出臺，讓行業(yè)有法可依；
其次，谷歌摸索出了相對成熟的技術(shù)路線，讓行業(yè)有跡可循；
最后，谷歌的 Firefly 讓資本看到了自動駕駛的潛力，讓行業(yè)有錢可燒。
接下來的兩年，谷歌又為行業(yè)貢獻了最重要的資源人才。
2014 年，谷歌 Chauffeur 項目負責(zé)人特龍離開了谷歌，創(chuàng)立了在線教育平臺 Udacity，致力于為業(yè)界培養(yǎng)更多自動駕駛?cè)瞬拧?/p>
特龍走后，萊萬多夫斯基和厄姆森的明爭暗斗日益升級。2015 年 8 月，谷歌進行業(yè)務(wù)重組改變了權(quán)力架構(gòu)，自動駕駛項目由技術(shù)主導(dǎo)轉(zhuǎn)向商業(yè)化主導(dǎo)。
多重變動之下，谷歌 Chauffeur 項目多位核心工程師在拿了 2015 年年底的巨額獎金之后離職創(chuàng)業(yè)：
厄姆森離職創(chuàng)立了 Aurora，2021 年 Aurora 上市，市值125 億美元。
萊萬多夫斯基和 Google 地圖負責(zé)人里奧羅恩（Lior Ron）創(chuàng)立了 Otto，后被 Uber 收購，并入 Uber 自動駕駛部門。
硬件研發(fā)主管布萊恩薩萊斯基（Bryan Salesky）離職創(chuàng)立了 Argo，3 個月后便被福特以 10 億美元收購。
機器視覺技術(shù)專家達夫弗格森（Dave Ferguson）和朱佳俊離職創(chuàng)立了 Nuro，專注于無人駕駛配送業(yè)務(wù)，估值最高達到86 億美元。
在谷歌的刺激之下，從 Uber、英偉達、亞馬遜、百度、大疆、滴滴出行、華為等高科技公司，再到奔馳、寶馬、通用、本田等傳統(tǒng)車企，以及蔚小理為代表的中國車企，紛紛投入自動駕駛研發(fā)。
與此同時，資本也進入了自動駕駛行業(yè)。2013 年時，全球自動駕駛行業(yè)融資數(shù)量僅 5 起，2014 年快速增長至 20 起，到了 2018 年便超過100 起。
資本入局之下，催生出了無數(shù)初創(chuàng)企業(yè)，比如被譽為自動駕駛黃埔軍校的百度，從這里走出的自動駕駛工程師，而后又締造了一批優(yōu)秀的中國自動駕駛初創(chuàng)公司，如小馬智行和文行知遠，百度系之外，還有輕舟智行、圖森未來、Nullmax 等。
自動駕駛從谷歌一人獨舞，逐漸變成了派系林立的江湖。
有江湖的地方，自然就有紛爭。
「大航海時代」最重要的分歧，來自于漸進式和跨越式的路線之爭。
特斯拉和谷歌，分別是漸進式路線和跨越式路線的支持者。戲劇性的是，兩者的紛爭來自于一次失敗的合作。
2013 年，谷歌雖然已經(jīng)定下了做無人出租車的目標(biāo)，但也嘗試了更容易落地的 L2 級 AutoPilot。
然而測試時，谷歌發(fā)現(xiàn)不論如何強調(diào)該系統(tǒng)無法完全替代人類，測試車輛的工程師總會把汽車當(dāng)成完全自動駕駛來使用。
安全起見，該項目只測試了幾個禮拜便被緊急叫停，谷歌打算只做「完全不需要人類參與」的自動駕駛，也就是走跨越式路線。
而被谷歌叫停的 AutoPilot 項目，原本是為特斯拉開發(fā)的智駕項目。
與谷歌合作的破裂之后，特斯拉兜兜轉(zhuǎn)轉(zhuǎn)開始了自研 AutoPilot，并選擇了與谷歌截然相反的道路漸進式路線。
在漸進式路線看來，礙于技術(shù)的限制，短期內(nèi) L4 級自動駕駛必然成本高昂且無法落地，那不如從更容易商業(yè)化的做起，先養(yǎng)活自己，再不斷進步。
漸進式路線內(nèi)部也分為了兩大類。
第一類是特斯拉、Mobileye、華為、大疆、Nullmax 和大多數(shù)主機廠代表的L2 級輔助駕駛，核心思想是用輔助駕駛撬動銷量，從而獲得數(shù)據(jù)和造血能力，繼而不斷升級迭代。
第二類是特殊場景下的L4 級自動駕駛，如易控智駕、主線、白犀牛等，主攻礦區(qū)、港口、配送、環(huán)衛(wèi)等低速封閉或低速半封閉場景，通過限制速度或者運行場景的復(fù)雜度來降低自動駕駛的難度，保證盈利的同時迭代 L4 級智駕系統(tǒng)的能力。
然而在以谷歌 Waymo、百度 Apollo（及其歷任工程師創(chuàng)建的公司）為代表的跨越式路線支持者看來，漸進式路線無疑是死路一條。
在他們看來，低等級自動駕駛的技術(shù)框架難以直接遷移到 L4 級無人駕駛，用厄姆森的話說，就是「漸進式就像是一個天天努力練跳高的人，認為自己終有一天能飛起來」，如果你想登月，那一開始就不應(yīng)該造梯子，而是火箭。
然而就和現(xiàn)實中的大航海一樣，始于哥倫布發(fā)現(xiàn)新大陸，終于海外殖民地被瓜分殆荊
在聽了多年無人駕駛的故事之后，資本市場發(fā)現(xiàn)了 L4 級快速落地遙遙無期的事實，耐心和投入也開始逐漸消失。
這對靠資本市場輸血的 L4 級自動駕駛公司來說，稱得上是滅頂之災(zāi)。
為求自保，不少 L4 級公司不得不向現(xiàn)實低頭，從 L4 級跨越式路線轉(zhuǎn)向 L2 級漸進式路線，先造血求生存，再燒錢追理想。
目前除了谷歌 Waymo、通用 Cruise、滴滴自動駕駛以外，大多數(shù) L4 級自動駕駛公司均投入了 L2 級自動駕駛的懷抱。
轟轟烈烈的智駕大航海時代，隨著跨越式路線的失敗而告終，漸進式路線成為市場主流。
不過大航海時代雖然結(jié)束了，但是卻留下了寶貴的遺產(chǎn)激光雷達、高精地圖、自動駕駛芯片等行業(yè)獲得了快速發(fā)展，為留在場上的玩家提供了價低質(zhì)優(yōu)的解決方案。
3.0 時代，特斯拉引領(lǐng)「新工業(yè)革命」
如果只是漸進式路線耗死了跨越式路線，那絕對稱不上是新時代的開始，頂多只能稱為「后航海時代」，無非是面包戰(zhàn)勝了愛情，六便士打敗了月亮。
真正結(jié)束舊時代開啟新時代的，是特斯拉發(fā)起的「新工業(yè)革命」用自動化程度更高的大模型取代了「手工作坊」里的人工規(guī)則代碼。
雖然早在 2011 年，谷歌便將機器學(xué)習(xí)引入了自動駕駛，但在長達 10 年的時間里，自動駕駛依舊以人工規(guī)則為主導(dǎo)。
即使是火熱的大航海時代，大多數(shù)自動駕駛企業(yè)也都選擇了大同小異的硬件方案，差距主要來自人工規(guī)則代碼。
然而遵循規(guī)則代碼的智能汽車永遠無法學(xué)會開車，人工編寫的規(guī)則代碼無論如何都無法覆蓋現(xiàn)實世界所有的路況。
改變這一現(xiàn)狀的技術(shù)，是谷歌提出來的Transformer 架構(gòu)通過引入注意力機制，Transformer 模型擁有了聯(lián)系上下文的能力，并且訓(xùn)練速度更快。
2017 年，谷歌發(fā)布了 Transformer 架構(gòu)，成為自然語言處理領(lǐng)域的主流大模型。
2020 年，谷歌又提出了 Vision Transformer(ViT)，可以直接利用 Transformer 對圖像進行分類。
然而最先將 Transformer 架構(gòu)用到自動駕駛上的，卻不是谷歌的 Waymo，而是特斯拉。
2021 年 9 月，在安德烈卡爾帕西（Andrej Karpathy）的帶領(lǐng)下，特斯拉重構(gòu)了自動駕駛的代碼，推出了基于Transformer+BEV技術(shù)的 FSD，將感知部分交給了大模型，從而提升了自動駕駛的感知能力。
安德烈（左）和馬斯克（右）
2023 年，在達瓦爾史洛夫（Dhaval Shroff）的推動下，特斯拉推出了 FSD V12 版本，將感知、決策和控制算法都交給了大模型，實現(xiàn)了首個端到端大模型自動駕駛，人工規(guī)則算法從 V11 版本的 30 萬行降低到了2000 行。
馬斯克（左一）和達瓦爾史洛夫（左三）
大模型的上車，從技術(shù)層面證明了漸進式路線的勝利通過投喂數(shù)據(jù)，大模型能不斷精進駕駛技術(shù)，從 L2 進化至 L4 成為可能。
在特斯拉引領(lǐng)之下，諸多玩家開始推進大模型上車，其中最為積極的當(dāng)屬中國企業(yè)。
車企方面，小鵬、蔚來、理想、極越、比亞迪、智己等車企紛紛推動了 Transformer+BEV 架構(gòu)的研發(fā)。
自動駕駛解決方案方面，華為、百度 Apollo、大疆車載、毫末智行、小馬智行、商湯科技、Nullmax、Momenta、易航智能等供應(yīng)商也積極跟進。
雖然以上企業(yè)主要在感知端使用了大模型，還未能和特斯拉一樣實現(xiàn)端到端的大模型，但是依舊大幅提高了智駕系統(tǒng)的感知能力，一定程度上降低了硬件成本，并讓自動駕駛有了擺脫高精地圖的可能。
也正因如此，2023 年中國車企發(fā)起了轟轟烈烈的智駕開城計劃，「城市 NOA」和「無圖智駕」成為汽車行業(yè)的關(guān)鍵詞，自動駕駛的滲透率也迎來增長。
當(dāng) 2024 年農(nóng)歷新年的返鄉(xiāng)大軍用自動駕駛開車回到縣城、鄉(xiāng)村，似乎預(yù)示著自動駕駛已從彼岸到達此岸。
精進仍在繼續(xù)。大模型提高自動駕駛能力上限的同時，也拔高了自動駕駛的門檻。
在軟件驅(qū)動的時代，規(guī)則算法決定了自動駕駛的能力上限。因此很多初創(chuàng)公司通過少量的測試車不斷迭代算法，便能提升自動駕駛的能力。
毫末智行 CEO 顧維灝就認為自動駕駛已經(jīng)從硬件驅(qū)動、軟件驅(qū)動進入到了數(shù)據(jù)驅(qū)動的新時代。
在新時代里，自動駕駛系統(tǒng)更有可能達到人類駕駛員水平。系統(tǒng)不但具備對三維空間的精確感知測量能力，而且能夠像人類一樣理解萬物之間的聯(lián)系、邏輯、常識，做出更好的駕駛策略。
而這一切正需要算力與數(shù)據(jù)。
算力相當(dāng)于大模型的智力，數(shù)據(jù)相當(dāng)于大模型刷的題庫，智力越高，刷的題越多，考試成績才會越高，二者缺一不可。
和算法相比，算力和數(shù)據(jù)的硬件成本顯然更高。
無論是自動駕駛企業(yè)還是車企，現(xiàn)在都把重點放在了打通數(shù)據(jù)通道和智算中心以此更高效地獲取數(shù)據(jù)。
比如毫末智行的自動駕駛生成式大模型 DriveGPT（雪湖海若）參數(shù)規(guī)模達到1200 億，預(yù)訓(xùn)練階段引入數(shù)千萬公里量產(chǎn)車駕駛數(shù)據(jù)。
特斯拉更為夸張，為了打造訓(xùn)練大模型的超算中心，特斯拉至少投入25 億人民幣購買了 10000 塊 H100 芯片，同時，特斯拉還將投入10 億美元搭建自研的 Dojo 超算中心。
在數(shù)據(jù)量上，F(xiàn)SD V12 版本訓(xùn)練初期，特斯拉便投喂了約 1000 萬個特斯拉車主的駕駛視頻片段。
海量駕駛數(shù)據(jù)，是由特斯拉 400 多萬的總銷量累積而成，這使得特斯拉每天可以訪問來自車主的 1600 億幀視頻。
第二個特斯拉還沒有出現(xiàn)。龐大的資金投入和數(shù)據(jù)需求，成了橫亙在自動駕駛面前兩座大山，沒有體量支撐、造血能力，部分自動駕駛公司難以繼續(xù)留在牌桌，只得「排隊賣身」尋求收購。
現(xiàn)在的情況是誰掌握了資金和數(shù)據(jù)，誰就掌握了話語權(quán)，而自動駕駛的主導(dǎo)權(quán)或?qū)⒒氐杰嚻笫种小?/p>
自動駕駛百年，只是開始
從 1925 年算起，自動駕駛的發(fā)展已接近百年，技術(shù)路線日益成熟。
在自動駕駛的第一個百年中，最重要的經(jīng)驗，便是自動駕駛是強依賴技術(shù)路徑變革的物種。
回頭看，自動駕駛關(guān)鍵節(jié)點變遷均是新技術(shù)加入引發(fā)的：
1966 年，計算機和攝像頭的加入開啟了現(xiàn)代意義上的自動駕駛；
2007 年，DARPA 挑戰(zhàn)賽中引入了高精地圖和激光雷達；
2011 年，機器學(xué)習(xí)首次被用于自動駕駛；
2021 年，大模型開始上車；
2023 年，端到端的大模型成功上車。
這個規(guī)律一定程度上注定了跨越式路線的敗局漸進式路線迭代升級的欲望更強，因此更容易接納新技術(shù)。
這或許也是谷歌提出的 Transformer 架構(gòu)卻被特斯拉先用到自動駕駛上的原因。
但無論哪種路線，都面臨同一個問題，一旦發(fā)生較大的技術(shù)變動，此前的軟硬件架構(gòu)都要隨之改變。
另一個規(guī)律，自動駕駛發(fā)展的過程就是不斷用機器取代人的過程。
以此來看，端到端自動駕駛在車端幾乎完全實現(xiàn)了用機器替代人類，因此會成為中期甚至長期的技術(shù)路線。
和其他跟進的車企相比，特斯拉目前在算法層面有 2-3 年的領(lǐng)先優(yōu)勢。3-5 年之后，目前第二梯隊的車企大概率也將實現(xiàn)端到端自動駕駛。
算法的代際差距被拉平之后，能繼續(xù)用計算機替代人類提高效率的，或許就是數(shù)據(jù)了。
目前特斯拉的訓(xùn)練數(shù)據(jù)主要來自現(xiàn)實世界，雖然數(shù)量龐大覆蓋場景足夠多，但是重復(fù)、無效的內(nèi)容同樣多，而且難以針對性的訓(xùn)練。
與之相比，生成式 AI 能快速且低成本的生成針對性的場景，通過仿真訓(xùn)練加快自動駕駛的迭代速度和能力，從而降本增效，這也是目前特斯拉研究生成式的 World Model 的原因。
自動駕駛的技術(shù)已經(jīng)日益成熟，但是從商業(yè)角度來看，技術(shù)只是開始，接下來還有漫長的產(chǎn)品普及之路要走，自動駕駛是一場持久戰(zhàn)。
