A16Z合伙人Benedict Evans談自動駕駛的「贏者通吃」效應

編譯：Tom Ren

目前在自動駕駛領域正上演這激烈的競爭，從OEM工廠到傳統的汽車零部件供應商再到創業公司都在如火如荼的競爭。但是經濟規律告訴我們並不是所有的公司都會成功，但較多的參與者進入這一領域會大大提高行業成功的幾率。我們需要考慮的是這一行業中哪裡會出現贏者通吃的局面，在何時用什麼樣的手段實現？在這一行業中是否會出現像智能機和PC操作系統一樣的網路效應，出現一兩家公司為主導的壟斷模式，還是會有足夠的空間容納5-10家公司進行充分的競爭（寡頭模式）？同時價值鏈中哪一個環節的成功將會帶來其他業務的巨大發展。

這些問題之所以重要，是因為它們關係到汽車工業未來幾十年的走向。汽車廠將會像現在和供應商們購買ABS一樣向這些公司購買自動駕駛模塊。這和現在Waymo與Uber的模式都不太一樣，這產生一種全新的商業模式，就像Google在Android中取得的成功一樣。回顧不遠的歷史我們發現微軟和Intel掐住了PC時代的喉嚨，而Google則在智能機時代佔據了先機，那麼在自動駕駛領域將會是一番什麼樣的場景呢？

在最開始的時候我們將會看到用於自動化的硬體和感測器會大規模的商品化。它們就像今天的LCD屏幕一樣集成大量的科技，但是消費者選購的原因卻僅僅是大家都用所以我也用。這個市場中存在著很強的製造規模效應。例如激光雷達的價格將會從高昂的5萬美元降到幾百美元甚至更低，這一細分領域將會產生一些成功的公司。但是這裡不存在網路效應，激光雷達的成功並不會撬動這一領域中其他層次的成功（除非你是激光雷達的壟斷者），這樣的情況就像製造出最好的圖像感測器（並大量工藝蘋果）的索尼公司一樣。同樣的事情還會發生在汽車動力電池、電動機、電池電機控制器等細分行業，像極了驚天的RAM產業，科技含量很高規模很大但卻還不具有撬動整個行業的能力。

但在第三方軟體的開發生態中會發生不一樣的事情。在PC時代Windows碾壓了MAC但是在智能機時代蘋果的IOS和安卓又反撲貢獻了Windows Phone的陣地，開發者們在不同的環境下選擇了不同的策略繼續發展。但對於自動駕駛汽車來說，你在考慮購買的時候絕對不會是因為它能運行多少個app而決定的，他們很有可能將會運行Uber，Lyft或者滴滴的系統，Netflix嵌入在屏幕中，而餘下的app還將會在智能手錶或者眼鏡中。

但是有一樣東西並不直接和車的硬體相關，但是會極大的加速這個行業的進步，那就是自動駕駛汽車的控制軟體，包括路徑規劃和壁障功能，行駛控制功能，包含整個城市的全局優化系統和調度系統，以及按需分配最大化系統內車輛效率的綜合系統。基於用車需求的網路效應將會十分明顯，在複雜的自動駕駛系統中將會使得運輸成本下降3/4。機器人計程車大軍將會在城市中預先優化自身的位置，最大效率的發揮運力。在優化策略中不僅融合了豐時價格，更根據實際情況為不同的時間和不同的路段制定了動態的價格，你可以選擇付更多的錢更快的到達，也可以根據價格選擇路程所需的時間。真正的按需分配汽車的運力和道路的使用率。

從技術層面上來看自動駕駛的駕駛、路線規劃和優化、需求（接單系統）是三個獨立的部分，在未來很有可能你在通用的自動駕駛汽車上安裝一個Lyft的app，並使用預裝的Waymo的自動駕駛模塊操控汽車。一些產商希望一起撬動這些模塊或者進行捆綁銷售——特斯拉就曾表示他們計劃禁止用戶使用除特斯拉之外的打車軟體。但是這在其他方面很難成功，想想看Uber也不會強制你只使用它們自己的自動駕駛系統吧。但讓我們會想一下Windows和Office系統相互促進的例子就能發現它們都在各自的領域中贏得了市場實現了網路效應。那麼一家製造商強制你使用它們自己的機器人呢計程車服務就像在1995年蘋果強制用戶購買AppleWork來代替Office一樣了。我認為一種更為自然的方式會更加普遍，當我們擁有很多車輛的坐標數據和車間通信時，我們需要在一定的層次上進行統一（雖然我更傾向於去中心化的系統）。

但這一切都建立在推測之上，就像在1900年預測未來的交通擁堵問題一樣。我們需要討論的是在自動駕駛領域中網路效應將會以怎樣的形式出現，除了硬體、感測器和軟體外，數據將是其中最重要的一部分。而數據又包含地圖和駕駛數據兩個部分，讓我們首先來談談地圖吧。

我們的大腦十分神奇，他可以在我們毫無意識的情況下實時處理海量的數據並為我們周圍的環境建模，這使得我們在奔跑的過程中不至於被樹根絆倒或者被樹枝撞到腦袋。在自動駕駛領域這一過程稱為SLAM，我們對周圍的世界建模並通過這一模型來進行環境中的定位。這是自動駕駛所需要的基本條件，它需要知道自己身處何方，並感知到周圍的環境，哪裡有障礙哪裡有人哪裡是路口，同時還需要理解交通信和其他交通參與者的運動行為。

但實時地實現這一系列的行為卻十分困難。人類可以眼觀六路耳聽八方，但要提取周圍環境精確的地圖卻還存在一系列問題。雖然機器學習似乎有可能解決，但卻還無法生成可用於駕駛的精確地圖。所以，人們通過一條捷徑來實現這一目標。大多數自動駕駛項目都結合了圖像和360°激光雷達。雖然每一種感測器都有自身的不足，但將他們結合起來便可以很好的解決問題。可能在未來我們利用視覺建立周圍環境的模型，但是沒有人知道需要等到什麼時候。而利用多感測器融合的方案會更快的解決目前無人駕駛所面臨的環境感知問題。利用激光雷達來建立周圍環境的三維模型，隨後利用機器學習來理解環境內每一個物體的含義。但這一過程並沒有顯現出網路效應，我們並不需要成千上萬的自動駕駛車去獲取腳踏車或者騎車的圖像。

如果說激光雷達是自動駕駛的一條捷徑的話，那麼包含真正高精度三維模型的預建地圖便是另外一條路子。你可以利用地圖車掃描所需的道路環境，並在後台從容處理這些數據，隨後將高精度的地圖存入到自動駕駛汽車中去。這樣一來汽車在行駛過程中就不用處理感測器巨量的數據，它將知道在哪裡需要看一眼交通燈，在哪裡需要減速行駛。並通過比對環境中與地圖裡的關鍵地標來實時確認自己的位置。通過激光雷達和相機的信息自動駕駛汽車可以比對環境與地圖，同時還可以感知周圍環境的變化。在比對的過程中，無人車同樣在更新環境的地圖。我們甚至可以把每一輛出售的自動駕駛汽車都看作是一輛地圖車，很顯然售100萬輛汽車的公司能提供比售出1萬輛無人車的公司更精確、覆蓋範圍更廣、更為精確的地圖。賣的車越多能提供的服務就越好，這顯示是極強的網路效應。

雖然這種方式也面臨這一些挑戰，未來的SLAM可能不需要激光雷達了，甚至不需要預建地圖，就如人類駕車一樣。但就現在來看那還有很長的路要走。

那麼除了地圖之外，當汽車能夠讀懂周圍的環境后另一種重要的數據是什麼呢？那就是現實世界中千變萬化的駕駛數據。

機器學習的成功之處在於它可以再沒有複雜的規則體系的情況下，通過對數據的學習在自動駕駛中達到更好的表現。如果能收集到更多實際情況下駕駛員的行為和操控數據（包括自身和其他車輛的行為），那麼自動駕駛軟體就可以通過這些數據更好的理解周圍正在發生的事情，並更好的計劃下一步需要採取的行動。就像地圖數據一樣，一旦你開始售賣汽車，這些所有的數據都將被不斷的收集並回傳，你賣的車越多，所有的車的自動駕駛能力將會越來越強，又是網路效應的極佳體現。

同時駕駛數據還能夠被用於模擬，不斷提高軟體的性能。工程師可以在模型環境中不斷的測試特定情況發生時系統的反應，並不斷優化系統的性能。這可以看做是一種間接的網路效應，當你擁有越多的真實駕駛數據，你就可以越精確地在模擬環境中進行試驗和訓練，同時就可以優化出越完善的自動駕駛軟體。同時在進行模擬時存在著很強的規模效應，模擬的效果和成本取決於投入的計算資源和人力資源。在這一方面Google的Waymo佔據了很大的優勢，他們在每周可以進行25000英里真實的測試，但是可以在模型環境中進行1900萬英里的模擬測試，所以在整個2016年實現了十億英里的模擬測試，令人十分驚嘆！

很多人認為特斯拉在地圖和駕駛數據方面處於領先地位，但實際情況時在2016年末，一些新款的車型才開始安裝Autopilot和包括攝像頭和雷達的感測器套件，並且似乎在最近特斯拉才真正開始收集數據。特斯拉通過前向雷達和周圍的攝像頭來收集環境信息，但是我們並不清楚這一方案的精度，這意味著這些數據的實際價值大打折扣。當然可以通過直接收集實際駕駛汽車時的數據來解決這一問題。特斯拉的這套方案實際上是把寶壓在了計算機視覺的發展速度上。特斯拉通過視覺方案來節省產品開發和實用的時間，而不是等待激光雷達的成熟和成本下降。在沒有激光雷達參與的情況下，視覺需要解決更加困難的問題，而解決這些問題也許需要耗費更長的時間。如果開發這些軟體需要耗費大量的時間，而在這一過程中激光雷達不斷低價化和實用化，那麼特斯拉選擇的捷徑反倒弄巧成拙了。

所以，這個網路「贏家通吃」效應就在駕駛和地圖的數據上反映出來了。這會帶來兩個問題：誰能拿到這個數據？以及需要多少數據?

數據的所有權是一個關於權力和價值鏈條的有趣問題。很明顯，特斯拉打算在自己車上使用自己開發的核心零件，所以它們也會擁有這些數據。但那些OEM廠商則覺得，那些車是他們生產的，和消費者的關係也是他們建立的，所以數據上他們也理應分一杯羹，而不是專屬於科技公司。這個想法對感應器供應商來說似乎是合理的：我不認為GPU、攝像頭，或者LIDAR的供應商會希望得到這些數據。但是對於製造無人駕駛系統的公司來說，它們需要這個數據。因為沒有這些反饋，他們的技術無法提高。這意味著，汽車廠家建立的網路的價值貢獻給了供應商，而不是汽車公司本身。汽車公司從中獲取的為數不多的提升也就是更好的無人系統，但是別的使用這款系統的汽車廠家的來說車也會有這些進步。這個很像PC和安卓手機廠家的關係：它們的設備使用別人的操作系統，建立網路效應，這樣他們才可以賣出產品。但是這麼一來，它們建立的網路價值就都貢獻給了軟體開發者。在他們的生態圈裡，幾乎所有的價值都歸功給數據軟體開發者了，而不是硬體廠商。這也就是為什麼汽車廠商想自己開發技術，因為他們不想讓自己淪落到和美國電腦製造商Compaq一樣的結局。

聊完了數據歸屬的問題，就來到了最後的終極問題：到底需要多少數據？系統是隨著數據的增長會完全正向地越來越好，還是說會遇到一個收益遞減點？

換句話說——網路效應到底有多強？

這對地圖數據是一個典型的問題。不同車輛密度所對應的使用地圖的頻率是多少？以及它的最低市場份額是多少？市場有多少參與者？一群二流的OEM廠商能願意將他們所有的映射數據彙集起來嗎？送貨卡車能像今天銷售其他類型的地圖數據一樣銷售數據嗎？同樣，這和消費者軟體生態系統也不太一樣，諾基亞不能共享黑莓和S60的用戶群，但你可以共享地圖。如此來看，這是進場的壁壘還是入局的條件呢？

這個問題同樣適用於駕駛數據，也適用於所有的機器學習項目：隨著數據越來越多，在什麼時候收益曲線會開始平緩增長，何時開始收益遞降？以及有多少人能得到這麼多的數據？對於一般的搜索來說，似乎是可以無限提升的，你數據越多搜索返回的結果一般就會跟相關。但對於自動駕駛來說，可以確定地是，天花板一定存在——一輛車在一個城市裡開了一年，沒有遇到什麼路線上的問題，那它提升的空間還有多大呢？所以，網路效應意味著如果你有更多的用戶，你的產品會變得更好，但這種增長的上限在哪裡？在你的自動駕駛成為市場佼佼者前，你需要賣出多少輛車？又有多少公司能夠達到這個目標？與此同時，機器學習本身也在迅速地改變，也不能排除你需要獲得自動駕駛的數據量可能會大幅縮水的可能性。

在這些討論的背後還存在著一種可能，自動化能有多好也有可能有多糟。對自動駕駛來說，這種「糟糕」意味著什麼呢？你有稍大一點的死亡概率，還是只是系統混亂的概率大一點，導致它自己停靠在路邊，等待遠程服務中心的人工操控？或許人工操控界面會從你面前彈出來，然後汽車會給你鼓勵的話語？

我猜，答案會是Level 5將會作為一個成為Level 4之上的演進。在L4的自動駕駛車仍需要手動控制，但使用頻率會越來越少，慢慢從減少到隱藏，最後完全擺脫，這時L5自動駕駛車輛將會出現。如果說L4就已經是全自動駕駛，尚且具有一些局限性；那L5則指的是車輛的智能化，已經達到了人類駕駛的水平，可以處理所有的情況。但具體可以在哪個地方率先實現還是要視情況而定，這就意味著這些數據要在網路規模下收集，並在完全自動駕駛實現之前使用得很好。

這些問題的答案我們現在還無從得知。業內幾乎沒人期待在五年甚至十年以內實現L5自動駕駛。但是，他們指出了一系列可能會顛覆汽車行業的結果。極端來講，如果網路效應太弱的話，我們可能會有5到10個可行的自動駕駛平台。這樣的話，汽車廠家有可能會像今天買ABS、氣囊和GPS一樣的去購買自動駕駛的零件。但是這樣也會面臨一個很大的改變：自動駕駛意味著隨按需乘車的成本可能只有現在的四分之一，這一來很多人就會重新考慮是否要買車。同時，隨著市場轉換到電車，一輛車上的移動零件會減少五到十倍，大大改變了工程學和供應商群體，同時降低了入行門檻。但即使這樣也不會出現安卓手機製造商那樣的數量。另一方面，一旦Waymo成功開始鋪開市場，將又會給這個行業帶來翻天覆地的變化。

-END-

現已涵蓋CV、機器人、NLP、ML、IoT等多個當下火熱的技術話題。我們每周邀請來自產學研的優秀技術人進行線上分享，目前群里已匯聚數千位上述領域的技術從業者。

將門創投

讓創新獲得認可！

[email protected]