科幻電影中經常出現的自動駕駛汽車服務場景，如今正在現實中上演。

兩周前，百度無人駕駛出租車服務Robotaxi正式在北京開放運營。此次開放的區域大約700公里，覆蓋了海淀、亦莊等15個站點的測試區里，用戶可以無需預約，直接下單試乘。 

隨后，百度就迎來了“熱心”市民的一波“打卡”試乘熱浪。據媒體報道，在百度推出無人駕駛出租車服務的第二天，單站點自動駕駛出租車的約車累計就達到了2608單。

多位體驗者表示，盡管是在真實行駛場景中，但開放試乘的道路多是路廣人稀環境單純的郊區，試乘的時候車速也很較低，而且無人車也不是真的“無人”，每輛車上都配備了安全員，如果遇到緊急情況，還是要安全員來處理。

無論駕駛的效果如何，水面上的平靜已然被打破，自動駕駛企業的“跑馬圈地”運動已經開始了。

01 自動駕駛各家競逐，從技術向生態升級

與百度幾乎同時，2016年從谷歌分拆出來的無人駕駛汽車公司Waymo，也實現了將自動駕駛汽車帶到城市街道上的承諾。它向公眾開放了Waymo One服務，在鳳凰城推出了一批自動駕駛汽車。

今年6月，滴滴出行也在上海推出了自動駕駛出租車服務。阿里也布局了自動駕駛業務，將以物流配送作為主要切入點。美團同樣提出布局自動駕駛業務，先是和DeepDrive達成合作，又在去年推出了“美團地圖”。 

日前，特斯拉CEO馬斯克在推特上表示將發布全自動駕駛測試版軟件（FSD）。蔚來、小鵬和理想均實現了L2-L3級別的自動駕駛輔助功能，并配置在各自的車輛產品中。

關于自動駕駛技術的爭奪戰愈演愈烈，誰都想先站上高地，畢竟在業內看來，自動駕駛技術已成為未來汽車生態中的關鍵一環。 

至于自動駕駛發展到了哪個階段，要從多維度考量。

眾所周知，自動駕駛就是將汽車的操控權“由人轉向車”。汽車要完成人類的駕駛動作，就需要對人類眼睛、大腦和手腳的進行替代，由此誕生了以攝像頭和雷達為代表的車輛感知系統、以人工智能為主的車輛決策系統和以車輛狀態控制器為主的車輛執行系統。

總結起來，自動駕駛的要素主要是傳感器、車輛本身等硬件方面和以人工智能為主的自動駕駛軟件系統。 

在車輛硬件方面，特斯拉、蔚來等新能源車企更有優勢，因為車企本身擁有車輛。 在傳感器方面，百度、阿里和滴滴等算法軟件公司均有布局。百度在2016年，就以7500萬美元投資了全球激光雷達巨頭Velodyne，滴滴則選擇了與Velodyne合作。而阿里達摩院則自2018年開始對傳感器方面進行研發。 

自動駕駛系統是基于人工智能來實現的，而人工智能需要大量的數據來作為“養料”。正因為如此，對于自動駕駛技術來說，不僅要掌握自動駕駛軟件系統，還要大量的數據供人工智能深度學習。從目前來看，百度、阿里、滴滴研發了各自的自動駕駛系統。 

另外，在自動駕駛下半場突圍賽中，虛擬仿真也成為行業競爭的新高地。騰訊、百度、阿里、華為等國內科技企業相繼投入自動駕駛虛擬仿真技術研發，實現了技術的快速迭代更新。

這樣來看，自動駕駛技術有一定的突破，但互聯網巨頭、新能源車企、老牌車企各自為陣，在自動駕駛技術上都沒有絕對的優勢，而且從現實來看，進展都難言樂觀。

從自動駕駛的級別區分，從L1到L5（SAE）清晰且直觀，是大家討論自動駕駛行業的一個基準。最高級別L5，意味著在所有場景下都可以工作、不需要人干預的自動駕駛汽車。換言之，人只能作為乘客，駕駛的任務完全交給汽車。

而自動駕駛的很多玩家仍卡在L3級別，并沒有企業有新的突破。威馬汽車合伙人閆楓表示，所謂L1、L2、L3只是車企自我在意的技術指標，現階段L3級別很尷尬，L4更只是一個概念。當前應該做的，就是做好L2級別的高頻應用場景，否則都是扯淡。

由此可見，行業整體技術并未完全成熟，大規模商業化只是萌芽。在這個被硝煙籠罩的戰場上，還沒有人能成為真正的“贏家”。 

02 自動駕駛，夢想照進現實的難題

從國內自動駕駛產業開始火爆，很多公司就紛紛拋出智能化戰略，計劃在2020年實現L3級別的自動駕駛。時至今日，設想跟現實還是相差非常遠，技術問題首當其沖。

自動駕駛要做到L5級別是非常困難的，光“感知”一項就不容易突破。雖然有多種傳感器，比如360度激光雷達和攝像頭，但這些傳感器大多都輸出原始數據。

人類看攝像頭和激光雷達的數據很容易能出識別內容，但計算機很困難。

普通模式下識別率會很快達到瓶頸，這時候就需要深度學習，以及大量的數據進行訓練，而當下受技術所限，電腦并不能無法識別很多顯而易見的場景。

同時，當數據量猛增時，計算時間會延長，系統響應變慢，這也是無人車只能低速行駛的原因。

此外，高精地圖和定位也有不小的問題。高精地圖要做到絕對可靠是一個產業難點，現在還沒有一個高精地圖真正完全可靠，能達到車規級。據專家測試，如果完全依靠GPS定位，成功率只有70%左右。特殊的天氣、特殊的路況、特殊的區域，都會讓自動駕駛有局限性。

在技術不成熟背后，關鍵是場景復雜對自動駕駛的制約。單用一套通用算法很難覆蓋復雜多樣的交通場景，需要將多場景問題進行分解細化，并有針對性的解決。可是，如果針對一千種場景要開發一千種算法的話，對任何一個自動駕駛團隊都會是災難。

與此同時，世界各國對自動駕駛法律法規尚屬探索階段。L2-L3級別自動駕駛汽車，會沿用本國相關法律進行責任分配規則，但對于L4以上級別，包括中國及其他世界各國均還在探索之中。 

這也意味著，就算一些車企及算法公司研發L4級別的自動駕駛汽車，也需要等到相關法律法規的出現才能上路。 

在我國，部分地區陸續開放有道路測試區域、頒發試運營牌照等，但自動駕駛汽車高速公路測試、載人測試以及地圖應用等方面尚受到嚴格限制。

由于各地法規方面的限制，即便是科技巨頭，也只能在小范圍內試運營，這又陷入了上述的技術問題，無法提供更多的數據，供計算機進行深度學習。

技術、法規等方面的不成熟，注定了商業化落地的困難，原本一哄而上的行業熱潮正迅速冷卻。對于很多公司而言，“撐”到盈利之時就是目標。

這對科技巨頭來說并不是什么難事，即便暫時無法投入大量資金，也至少會保證新項目“不倒”。但對于初創公司來說，似乎只剩下融資一條路徑，可是如今的市場環境不樂觀。自2017年以來，我國私募股權投資市場募集總額呈下降態勢，2019年跌幅達到30%。

2019年，由曾任百度首席科學家吳恩達親自參與運營的明星自動駕駛公司Drive.ai因融資不順，宣布永久關閉。今年6月，頭部自動駕駛公司Zoox也因“資金鏈斷裂”賣身亞馬遜，但其收購標價還不及上一輪融資估值的一半。

國內自動駕駛公司還在“苦撐”，尚有“余糧”的自動駕駛企業，大都開始與出行平臺合作推出“RoboTaxi”，形成了另一種“潮流風向”。滴滴認為，自動駕駛商業落地生態里面比較好的一個場景Robotaxi。

從商業模式上來說，理論可行但落地艱難，人工智能的發展程度，立法的完善度等都會對此產生影響。對消費者來說，坐車的體驗度、乘車的便利度，都會影響前期的選擇。這注定自動駕駛的路徑可能會比想象的更長一點。