雖然近兩年自動駕駛從新概念變成了熱詞，但是這項新興技術還未迎來指數級增長。在專業細分，大小公司同臺競技的自動駕駛現狀中，產業鏈將如何進一步細分整合？本文試圖從現狀和問題中發現自動駕駛領域的創業和投資機會，作者險峰長青高級投資經理楊潤心。
從產業終局看當前自動駕駛的創業機會
我從2015年6月開始在百度戰略部研究自動駕駛行業發展，那會還沒幾個人關注自動駕駛，而就在北京的霧霾不斷突破極限的同時，似乎身邊的同仁們都在談論自動駕駛，總有朋友抱怨這個行業太復雜了，技術細節不好判斷，產業也格局紛繁復雜，玩家都在做與這個行業相關的所有事情。先簡單來看看，2016年發生的行業大事：
CES活生生的變成了自動駕駛新能源車展；
德日美的車廠紛紛宣布對自動駕駛的布局，并將L45提前至2021年；
Tesla頂著撞死人的風險不斷的迭代量產車上的ADAS技術，獲取數據；
Google從自己造車逐漸轉變成與車廠合作；
Uber和沃爾沃合作路測，并收購了公路運輸自動駕駛公司OTTO；
百度高調布局自動駕駛，一邊做高難度L4方案，一邊做車廠的L3供應商；
一年之內涌現大量ADAS和少量自動駕駛公司，并且估值趨高；
以激光雷達為首的傳感器公司非常高調融資；
芯片公司聚焦自動駕駛，不斷降低功耗提升計算能力；
國內二級市場ADAS相關股票價格暴漲。
所以，自動駕駛現在到底該不該做，做什么怎么做，什么樣的公司值得投資呢？今天我就嘗試從產業發展的角度闡述我的個人觀點。
一、自動駕駛距離我們還有多遠？
用兩條經典的曲線來定義自動駕駛的發展階段：
自動駕駛在Granter新興技術曲線上，自動駕駛處于第一段上升期接近頂端的位置，處在“過度期望的峰值”區域，預計成熟的時間超過10年。
在奇點臨近的增長曲線上，自動駕駛還處于奇點的左邊，暫時沒有找到指數級增長的方法。
做出這個判斷原因如下：(以下談論的都是自動駕駛，而不是ADAS。兩者邏輯完全不同，關于ADAS后面會細講。 )
技術路線沒有定型：Deep Learning是否適合做決策規劃？基于視覺的方法采集地圖解決定位問題能做成什么樣？單車智能和網聯智能到底哪條路徑更可行？到底是以激光為主要架構還是以視覺為主要架構或者fusion到什么程度？你會發現不同的公司有完全不同的答案，而且誰都無法證明或證偽。自動駕駛是一個極其復雜的系統性工程，不同的技術路線會對業務實施路徑有截然不同的影響。這就造成了全行業的資源并不是在朝著一個方向使勁，我們仍然沒有進入一個快速爆發的階段。
傳感器價格居高不下，且突破價格限制的條件單一：起碼到今天為止我們認為L4/5不能沒有激光雷達，激光雷達的價格過高，而當前高線束的激光雷達唯一的使用場景就是自動駕駛汽車，也就意味除了自動駕駛，沒有別的產業能驅動其成本下降。創業公司只能依靠VC的錢來支撐高端Lidar的研發，那就要看看技術突破的速度和投資人的耐心了。你可能會告訴我只要量產，價格一定飛速下降，那我們來看下面這個因素。
沒有找到快速獲取數據的方法：傳感器導致單車成本過高，這造成了當前沒有哪一家自動駕駛的公司能能夠大規模的采集實測數據，Google干了那么久也就20w公里，上萬個Conrner case。從最簡單邏輯上判斷路測數據 Google>百度uber>創業公司(Tesla另說)。沒有足夠的Corner case就沒有辦法提高自動駕駛的安全性和穩定性，從80%提高到95%也許容易，但是從95%提高到99.99%就得依賴于足夠的實測數據。
重點來了，與互聯網快速迭代的邏輯不同，汽車是一個以行駛安全為基礎的產品，所以汽車出廠前都要經過千錘百煉，95%安全性的自動駕駛汽車是沒有辦法真正大規模應用，這不像一個品質不夠好的手機能夠容忍死機，體驗不好的APP可以更新版本。
另外汽車占用道路資源是零和游戲，交通效率是看短板的，不像一臺手機可以裝各種APP，一條馬路上能容納車道是固定，一臺不成熟的自動駕駛車輛只能讓交通的整體效率更低，這就像如果一條順暢的道路上一輛車出了問題，一條馬路都要堵上。所以你會發現在這個雞生蛋，蛋生雞的問題上，僅僅靠量產降低價格，難度是很大的。
新舊形態的更迭會耗費漫長的時間：基于自動駕駛技術的交通系統是一個系統性工程，即便技術和成本都已經達到了可量廠可商用的程度。在自動駕駛車輛真正進入社會交通場景時也會面臨各種現實問題：與傳統車輛的互動、集中化的運營管理、政府在政策的制定上。
我們可以同時買好幾個手機，汽車是和道路相匹配的，中國一線城市的道路增長遠遠跟不上車輛的增長。城市現有車輛的行駛規則與自動駕駛車輛行駛策略的競合。單車智能和網聯智能的到底哪條路徑在今天的中國更可能實現，是否需要新建或者重建部分基礎設施，是否需要圈定只允許自動駕駛的道路或者區域，對傳統交通會帶來什么影響。我們遠還沒有進入到關于政策、倫理、保險、規則、運營的下半場，別忘了當年從第一輛汽車出現到完全替代馬車也過了接近20年，何況今天的人口密度，交通復雜度會使得這個系統性問題更加難辦。
結論：我們認為自動駕駛今天還在奇點的左邊，奇點臨近的征兆有兩個：
僅靠技術創新就能將傳感器成本降低一個數量級：今天quanergy在干這個事情，Google也說自己可以降低90%，但細節不清楚；
有人找到了一條新的能夠低成本獲取大量有效數據的方法。
二、自動駕駛到底是大公司還是創業公司的機會？
今天最有價值的就是操作系統，小公司是否有可能依靠技術創新變成明天的Android和IOS，這是一個被問的最多的問題。我曾經花了半年的時間研究智能手機操作系統發展史，在我看來，操作系統的建立一定是在原有競爭優勢的基礎上，長期的投入。蘋果靠的是在PC時代對硬件制造銷售+圖形化操作系統+領先交互體驗+喬布斯個人，在這里不得不指出喬布斯才是最關鍵的因素(太陽雙魚、月亮水平座的奇才=visionary+highintelligence+顛覆，這可能才是創造出跨時代產品的關鍵)。而Android的成功很大程度上依賴持續資金研發+開放OHA聯盟+Google原有PC端壟斷產品向移動遷移。
回看汽車這個領域，從自動駕駛操作系統看汽車產業鏈，上下游都更加的集中和強勢。
上游車廠獨立強勢：車廠的數量遠遠少于手機廠商的數量，汽車百年工藝構建了傳統車廠絕對的話語權，而沒有車廠的配合任何自動駕駛操作系統都無法落地。盡管汽車電動化降低了造車的門檻，出現了像蔚來汽車、樂視汽車等創新車企，但他們能夠在3-5年內成為電動車領域的華為、小米我們不得而知。畢竟生產工藝、安全要求、資產規模、迭代速度的差異讓汽車制造仍然是一個強壁壘的業務。
下游滴滴/uber一家獨大：傳統手機OS的上游分散著各類App應用。而汽車作為一個交通載具本質的需求是出行，出行用戶端體現出一家獨大的特點，Uber和滴滴天然的就卡住了出行用戶，造成自動駕駛公司業務冷啟動非常困難。
短期難形成商業閉環：通常一個零配件想要進到車廠至少兩年 ，創業公司將長期面臨沒有收入的狀況，而高科技公司養一堆大牛又很貴，如果不被大公司收購，就必須得有超強的畫餅能力，天使A輪都好融，一旦到B輪考察商業變現，大家都會變得非常猶豫。
信息和認知差異越來越?。航裉煨袠I里的所有player都已經意識到自動駕駛會帶來交通產業的結構性變革，看得清&有實力&有業務關聯的公司就投入資金自己做(包括車廠、Google百度、uber、蘋果等)，有實力&看不太清&無直接關聯公司就先投資(阿里、騰訊、GM)，所以當信息和認知逐步趨同后，創業公司憑借一己之力驅動整個自動駕駛行業，難上加難。
如果我們把智能手機的奇點臨近定義在2009年蘋果推出iphone3GS，那今天的智能汽車相當于2005年的智能手機，我們依稀看到Tesla就是當年iphone的影子，ElonMusk也符合喬布斯的特點。Tesla今天把電動化、智能化、共享化集于一身：擁有最成熟的電動車技術，頂著撞死人的風險將輔助駕駛商業化，通過一年的時間收集了10倍于Google 7年收集的數據，未來可以輕易的切入分時共享的業務。
我非?？春肨esla，他一定是在漸進式道路上跑的最快的那一家。一旦Tesla取得階段性成果，傳統車廠的危機感會立刻提升，這也會快速促成傳統車廠與自動駕駛公司的合作與并購，用金錢買時間或者團隊，也許這就是自動駕駛公司退出的最好機會。
結論：自動駕駛是大公司的機會，創業公司難成獨角獸，被收購是較好的出路。
三、創業和投資的機會在哪里？
既然我們已經認定自動駕駛公司最有可能的出路是被大公司收購，那么我們就要以終為始的來看看，如果你是車廠、滴滴、百度，你到底會愿意花錢買什么？不難想象到，當激光雷達的價格降低1000美金以下，或者僅靠低層本的視覺算法或毫米波到能夠解決感知、地圖采集、定位等問題的時候。整個行業就真正進入了第二個Rising Cycle。大公司將不顧一切的投資資源，快速起飛。這時候，什么才是大公司愿意用錢買時間的好資產呢？
我們可以簡單的把自動駕駛分為：生產制造、車輛控制、感知、決策規劃、用戶運營等五個環節。產業鏈中不同的player擁有不同的稟賦，但大家都希望能夠延伸到更有價值的環節(越靠近用戶越有價值)，所以巨頭都紛紛向自己能力缺陷的環節進行投資。我們看看過去一年投資并購相關的實際案例。
Cruise：自動駕駛方案，被GM 10億美金收購，2013年成立，40人。通用技術水平一般，為了stay relevant進行收購。
Otto：商用車自動駕駛方案，被Uber 6億美金收購，成立不到1年，100人，收購技術和團隊。CEO曾在Google自動駕駛工作
Velodyne、Quanergy ： 激光雷達公司，分別被福特百度、通用等多家車廠戰略投資
結論：以下四個方向存在機會，供各位創業者參考：
低成本激光雷達：通過技術創新能夠生產出可量產的、低成本的、滿足車規級標準的激光雷達，是非常有價值的產品。核心要考察的問題是：是否有滿足車規級標準的可用產品。
細分領域的完整解決方案：對標OTTO，能夠真正完成某個場景下自動駕駛從頭到尾的工作。細分場景的發展路徑是：半封閉低速(景區園區通勤、糧食運輸、港口碼頭)-> 高速公路(高速貨運、客運)->半封閉營運(限定區域乘用車)->城市道路商用。當然我們還要考察兩個問題：1、細分場景的市場空間是否足夠大 2、從該場景往更通用的場景發展，技術上是否有延續性。
Fusion做的更好的感知系統：在激光雷達成本難以快速下降的時間里，通過fusion更好的發揮不同傳感器的能力，真正解決Perception、Sensing、Positioning的問題，從而為快速積累數據提供可能。
更加comprehensive的planning system：今天所有的Google、uber、baidu等自動駕駛公司的決策規模部分大都是應用rule base的方法來做的(將具體的交通規則寫在程序里)，而也有少量的公司(momenta等)會嘗試使用deep learning的方式去做決策，學習司機駕駛行為。坦白講，跟這么多公司和專家聊下來，我也不知道哪個靠譜。
但很明顯，交通永遠是一個系統性問題，人們在尊重既定的交通規則的情況下，不同國家不同文化不同路況不同時段的行車策略都在發生各種難以琢磨的變化。如果我們把交通的安全性和效率當作最終目標，單純基于rule base的planning有可能在早期階段格格不入，尤其當大部分車輛是人開，少部分車輛是機器開的話，這種所謂的“弱勢群體”就會招到在策略層面的挑戰。一個不切實際的想法，如果車輛在理解基礎交規的基礎上(rule base)，并擁有一個豐富經驗的駕駛直覺(deep learning base)，能夠感知周圍車輛的行為和動機(v2x base)，那他才是一個不折不扣的老司機。
僅僅做視覺&毫米波感知的公司天花板比較明顯：今天市場上最多的創業公司就是視覺感知類的ADAS公司，今天深度學習的出現提升了圖像識別的能力，市場上出現大量視覺人才，可預見視覺感知技術會越來越成熟，競爭也越來越激烈。由于進入前裝市場周期漫長，且視覺數據最后歸屬車廠而非創業公司，也很難想象視覺ADAS公司如何構建壁壘。另外只做單純的視覺感知，天花板是Tier1，今天大的tier1都在補這門課，所以今天的中國幾乎不存在Mobileye當年的機會。
汽車行業的發展，零部件廠商不斷整合，ADAS公司未來被大的Tie1收購是可見出路。當然ADAS公司還有另一條出路，就是通過安全輔助模式真正降低交通事故率，與保險公司合作創造價值。
