领骏科技 杨文利：自动驾驶商业化时代已经到来 | Founder 100
公司：领骏科技
领域：自动驾驶、无人巴士、无人驾驶、智能网联公交、智慧城市、智能交通
融资状态：数千万元 PreA+轮
主要投资人：武岳峰资本、满帮集团、地平线、赣州市发投
官方网站：http://www.leadgentech.ai/
今年 4 月，《北京市智能网联汽车政策先行区乘用车无人化道路测试与示范应用管理实施细则》正式发布，在国内首开乘用车无人化运营试点。
5 月份，特斯拉 CEO 埃隆・马斯克在巴西接受采访时表示，预计特斯拉将在大约一年内推出完全无需人工驾驶的汽车。
6 月 27 日，浙江德清成为全国首个颁发 L4 级「主驾无人」自动驾驶卡车公开道路测试牌照的城市，阿里巴巴宣布获得首批 2 张牌照之一。
7 月 5 日，《深圳经济特区智能网联汽车管理条例》出台，将于 8 月 1 日起实施。这是国内首部关于智能网联汽车管理的法规。
梦想中的自动驾驶离我们越来越近，而偶尔登上微博热搜的各类自动驾驶事故，却又给这个目标泼上了冷水。自动驾驶的发展似乎总是面临着类似的窘境，许诺的光明未来和现实构成了强烈的反差。
巨头云集的自动驾驶领域，如今究竟发展得怎么样了？自动驾驶的核心挑战是什么？谁又可以定义行业的未来？关于这些问题，我们邀请了领骏科技的创始人 & CEO 杨文利，一起来聊聊自动驾驶。对于百度自动驾驶团队成立时的核心人物，后来又创业投身自动驾驶行业的杨文利来说，对于自动驾驶，他有着不太一样的看法。
回归工业本质的自动驾驶行业，堆头部的互联网式投融资模式将一去不复返。
如果企业发展节奏不能完美契合自动驾驶产业周期，就会形成巨大无效资产和无效研发的历史负担。
不论是自动驾驶或者其他先进技术，最终的目的都是能够被使用。首先要能够被生产制造，其次是必须要能够创造用户价值。
车路协同是解决自动驾驶长尾问题的最优解之一。
技术力决定产品力、产品力决定用户价值、用户价值决定公司上限。
01
自动驾驶
的第一性原理
Founder Park：自动化驾驶的发展经过怎样的历程？
杨文利：自动驾驶最开始的雏形是远程电控，随着人工智能、大数据和各种传感器成熟之后，新一轮的自动驾驶赋予了汽车新的概念。这一次自动驾驶的革命，可以划分成三个发展阶段。
第一个阶段，2014 年到 2020 年，可以称作基础产业的成熟期。主要在积累自动驾驶的核心技术，同时完成零部件、激光雷达、相控底盘，机器视觉包括计算芯片、存储芯片，整个基础产业链条的一个成熟期。早期的时候线控底盘一车难求，而且成本很高，体感又不好；现在每个车厂都有各自研发的线控底盘用于自动驾驶。之前四线的激光雷达都要 60 多万人民币，现在国产的很多性能指标更高的激光雷达可能也就几万块钱，有些甚至几千块钱就可以买到。
汽车的线控底盘 | 来源：互联网
第二个阶段是 2021 年到 2025 年，小规模商业化的阶段。这个阶段基础产业已经基本成熟了，整个产业具备了商业化的条件。公司的重点是实现商业化闭环，如何把技术转化为产品，让技术实现本身的价值。
第三个阶段是 2025 年到 2030 年，经过了前一阶段小规模的商业化尝试之后，整个市场包括法律法规和民众的接受度都已经趋于成熟，是行业大规模商业化的重塑阶段。核心竞争点是看产品力如何创造价值。
Founder Park：在之前的采访中你提到，自动驾驶发展的最大阻力是资本对于技术和工业体系周期的误解，这个要怎么理解？
杨文利：之前的工作经历中接触到整个工业生产的设计流程，我认为自动驾驶不只是单一的具有互联网属性，更重要的是具有工业生产制造的属性。自动驾驶的技术成熟是依托于核心零部件供应链和生产制造的成熟，同时摆脱不了工业生产制造的产能限制。技术、产品、市场、核心供应链都存在一个客观的发展周期，不能用互联网的节奏去评估自动驾驶的发展速度。
中国之前的快速增长基本上是在互联网 TMT（Technology、Media、Telecom）行业，缺少了工业快速发展的背景。在最开始的时候，如果对自动驾驶套用互联网的发展节奏，可能会对它的发展周期出现一些误判，导致市场和资本的错位。本来按照互联网的节奏，预计 2020 年就可以大规模量产了，但现在已经 2022 年了，距离高等级自动驾驶的量产还有相当长的时间。如果资本和市场出现错位甚至是倒置的话，企业发展就会有后劲不足的问题。
举个例子，在第一阶段（2014-2020）整个产业还不是很成熟，一台车的改装成本可能要 200 万人民币，但现在可能四五十万人民币就能拿到性能更好的底盘、雷达和传感器。如果在产业还没有成熟的时候，就投入了很多车辆进行量产，那必定会带来无效的资产，因为这些传感器已经落后被迅速淘汰了，如果再把车辆更新到现有更好的传感器和底盘上，无疑又是一笔巨大资产的投入。过早地投入会造成大量的无效资产的浪费。再比如，早期的雷达信号质量没有那么好，有很多噪声；现在新产品的信号质量已经非常好，不存在需要优化的问题了。前期如果投入大量的研发力量针对这种不成熟的产品做大量优化，之前做的就变成了无效的研发。如果没有掌握好整个大的产业环境周期，就可能造成无效的资产和无效的研发。
我们在创业初期根据互联网的节奏和工业发展的一些特点，对整个自动驾驶的发展周期进行了一个预判。所以在 2020 年之前没有大规模地拓展车辆和团队，是以一个比较低的成本高效研发出高维的核心技术，尽量减少无效资产和无效研发的投入。2020 年之后，产业上供应链和技术已经趋于成熟，可以进行商业化。这个时候通过之前积累的高维技术迅速拓展，相当于没有无效资产和无效研发造成的历史包袱，轻装上阵，对于投资人来说也是一个价值洼地。
Founder Park：自动驾驶的发展还处于早期阶段，怎么看待发展中出现的一些噪音和误区？
杨文利：我觉得更多的不是误区，可能是大家的视角不一样。之前看到一些公司的方案，像是一场拼硬件的军备竞赛——应用较高性能的处理器和感知单元。其实这样的方式有点脱离自动驾驶本身的功能性需求，更应该从实用性和性价比的角度出发，从用户的角度实现用户所需要的功能，同时提升性价比。
最近蔚来、小鹏、理想一些造车新势力做出了非常优秀的榜样，之前谈自动驾驶都是 L3、L4 这种技术角度的划分，其实这种对用户使用感受的影响并不是很大。从用户的使用感受来说，一个更好的区分度是这台车具有的功能。比如是否具有高速功能，能否具备了自主泊车或者是记忆泊车，能否能自主地上下匝道。从技术端去设计整个产品的时候，要更加贴近用户的需求，而不是单纯地从技术维度去定义产品。
Founder Park：如何理解自动驾驶的硬软件关系？会是配比问题吗？
杨文利：自动驾驶是需要软件和硬件协同工作的，软件和硬件之间不是配比的问题，而是如何去配合的问题。系统工程作为整个技术研发和产品设计的指导思想，核心在于如何让不同的子模块协同工作，达到安全性、可靠性更高，用户体验更好，并且能降低成本。
这是如何去平衡软件和硬件的一个思路，其实每个团队都有不同的技术路线，各自的思路可能也各有不同。现在整个行业处于一个百家争鸣的状态，我觉得这种状态是非常好的，大家可以在不同的技术路线上和不同的组合上进行尝试。
Founder Park：自动驾驶的本质问题是什么？它的第一性原理是什么？
杨文利：自动驾驶的第一性原理要看自动驾驶最后要干什么，这不单是整个自动驾驶的第一性，并且是技术工程师对于技术理解的第一性。不论是自动驾驶或者其他技术，最终的目的都是能够被运用。首先它要能够被生产制造，其次是能够创造价值。
回归到工业本质和商业本质，自动驾驶发展到现在也有七八年的时间，现在更加关注的是如何把这项技术转换成有社会意义的产品。比如无人驾驶出租车的场景，虽然在北上广等一些地方可以体验，但短期内它没有办法实现一个大规模的商业化应用。如何在中短期内让自动驾驶这项技术实现它价值，如何去满足用户的需求，针对这些思考，所以我们在进行了几年的技术研发储备之后，把产品定位在自动驾驶的公交上。从技术转化成了一个定型的产品，用这样的产品赋能智慧城市、服务智慧交通，提供更加安全、便捷、绿色的出行服务。
关于价值也有探讨，从乘客端的角度，能够提供增值服务就算有价值。比如实现公园里 A 点到 B 点的代步需求，目前在江西赣州已经可以体验了。
智能网联公交其实是一个降维落地的产品。一些聚焦在开放道路上的乘用车这种高维的技术，短期内是没有办法直接落地应用的，所以我们把它降维到应用场景简单的无人巴士上。
首先，乘用车行驶的是相对动态的线路，发车时可能并不知道乘客的目的地；巴士是一条静态的线路，公交线的车站设置是不会变化的。第二个，乘用车可能会行驶到高速公路或者城市的环路上，会经过进出高速、匝道或者环岛等比较复杂的路况。在高速上车速可能会达到每小时 110 至 120 公里，是一个高速的运行环境；我们的无人小巴设计时速是 20 公里，智能网联公交设计时速是 60 公里以下。车速低，场景的难度就降低了，能把高维的、更难的技术应用到更简单的场景上，可以快速提升可靠性和安全性，也帮助加速产业化的落地，更快地形成商业化的闭环。
02
无人巴士
是自动驾驶的降维落地
Founder Park：巴士作为自动驾驶的降维应用，是不是意味着这个领域的竞争门槛没有那么高？
杨文利：选择无人巴士作为落地方向，重要的考量之一是虽然对场景进行了简化，但是所有的车辆仍然运行在开放的道路上。无论是乘用车的自动驾驶还是巴士的自动驾驶，面临的核心问题实际上都是开放道路上和人类驾驶员的博弈问题，而且在可预见的相当长的时间内，路面上仍然会有大量的人类驾驶员。对于自动驾驶来说，其中的一个核心问题就变成了如何和人类驾驶员共用路面的问题，即和人类驾驶员共享控制的问题。
领骏科技的无人巴士 | 来源：互联网
无人巴士虽然从车速和运营线路上进行了一部分简化，但并没有绕开决策规划的核心问题，这也是自动驾驶最难的问题所在。场景难度降低了，但是对于核心技术的要求仍然很高。同时由于对核心技术的高要求，无人巴士商业化运营时采集到的数据，仍然可以为更高维度乘用车的自动驾驶技术提供数据支撑。
Founder Park：如果现在直接落地高维的场景，核心的挑战是什么？
杨文利：直接落地高维的场景，比如 Robotaxi 模式，面临的问题是短期内没有办法去掉安全员。Robotaxi 必须要运行在开放的道路上，同时又是动态的路线，现在的法律法规要求车上必须有安全员。北京前一段时间规定了，安全员可以坐在副驾上，但还是必须要在车上配备一名监督人员。如果司机的成本不能降低的话，把自动驾驶应用在 Robotaxi 上，去降低人员的成本，这个逻辑不太能讲通。
Vimo、Uber 很早期就开始做 Robotaxi 的尝试，目前无人驾驶出租车方面的应用落地规模仍然是非常有限；国内虽然在北京的亦庄可以体验 Robotaxi，但是成本还是相当高的。在短期内提高规模的话，从经济效益上考量是完全不可行的。如果司机还必须存在的话，这个商业模式就仍然有问题。
高维场景的另一个方向是自动驾驶的量产车辆。目前车厂正在量产的车型上所搭载的自动驾驶功能，主要是以辅助驾驶为主，比如 L2 或者是 L3 的辅助驾驶。辅助驾驶跟高等级的像 Robotaxi 这样的自动驾驶，整个技术体系架构和要解决的核心技术问题有着很大的不同，直接落地在短期内可能是走不通的，需要更长的过渡时间。在这个时间内，我们需要快速地在中短期内实现它的价值，实现一个小闭环的迭代，所以选择了无人巴士这条路线。技术可以从自动驾驶乘用车运用到无人巴士上，而无人巴士积累的数据和技术也可以运用到自动驾驶乘用车上，我们称之为「下得去、回得来」的一个整体战略。
Founder Park：除了无人巴士，领骏科技还在探索其他方向吗？
杨文利：还有两个方向，一个是比较高维的技术栈，就是乘用车应用在开放道路上，也是最难的一个技术方向。只有维持高维的技术栈，才能在其他的领域更好地完成降维的产品应用。
第二个是除了巴士之外，今年下半年会开始做城市的支线物流车。整个物流分三大段，第一段是干线，就是卡车拖挂车；第二段是从仓库到小区楼下的快递站，领骏科技主要做的物流是第二段，也叫城市配送，目标车型是依维柯这样的车型。第三段叫做「最后一公里」，称为移动机器人，里面不能坐人，跟车辆本身还是有一定的差别。
选择做中间的支线物流其实是考虑了技术的复用度，从高维的技术栈降维到无人巴士，再从无人巴士迁移到城市支线无人配送物流车上，无人巴士和无人配送物流车的运营模式和对整个技术栈的要求是高度相似的，具有很强的牵引性。比如无人巴士是城市道路上行驶，同时具有固定线路；城市配送的无人配送物流车也是一样，仓库、每个小区快递站的位置路线也是固定不变的，也是城市内部的固定项目。这两个项目在技术维度和模式上具有高度的相似性，同时引入了物流界的一些战略股东的资源。之后我们会把技术从无人小巴复制到城市支线无人配送物流车上，在城市内部的固定路线上运人或者是运货。
Founder Park：领骏区别于其他公司的差异化优势是什么？
杨文利：从技术上来讲，前几年已经用比较低的成本完成了高维的技术积累，并且把技术保持在第一梯队，也获得了比较丰厚的技术成果。
在产业化的时机到来之际，开始做商业化的拓展。这个时候历史负担比较轻，同时选择落地的城市内的交通场景，运人或者运货市场空间非常大。出行始终是一个刚性需求，并且结合绿色出行，后续的政府政策也会有相应的鼓励。还有中国人口老龄化的问题，逐步地替代司机，能够逐步地解放人类的劳动力。
在整个大方向上是符合时代发展的背景，同时目前估值也比较低，后续上升会比较快，相当于是处在一个价值的洼地。
Founder Park：领骏科技区别于其他公司的差异化优势是什么？
杨文利：从技术上来讲，前几年已经用比较低的成本完成了高维的技术积累，并且把技术保持在第一梯队，也获得了比较丰厚的技术成果。
在产业化的时机到来之际，开始做商业化的拓展。这个时候历史负担比较轻，同时选择落地的城市内的交通场景，运人或者运货市场空间非常大。出行始终是一个刚性需求，并且结合绿色出行，后续的政府政策也会有相应的鼓励。另外可以解决中国人口老龄化的问题，能够逐步地解放人类的劳动力。
在整个大方向上是符合时代发展的背景，同时公司目前估值也比较低，后续上升会比较快，相当于是处在一个价值的洼地。
Founder Park：领骏科技未来的发展规划是怎么样的？
杨文利：落地城市上来讲，现在赣州已经在正式地运营，并且向公众开放，关注公众号可以预约体验。之后还将落地多个城市，比如苏州、杭州、南京、西安，这些城市都会部署和进行无人巴士、城区无人配送物流的场景落地。今年这两种车型的车辆规模预计会增加到 100 台，明年可能扩展到将近两百台的规模。今年年底团队计划扩充到 100 人左右，明年将会达到 250 人；除了主要的研发人员，还会增加商务、项目、运营的团队规模。
03
车路协同是自动驾驶
的未来方向
Founder Park：目前自动驾驶在安全方面有哪些考虑？
杨文利：安全一直是自动驾驶行业最关心的，也是最重要的一个问题。现在行业整体的自动驾驶水平已经超过了人类司机了，因为自动驾驶依靠的是推理和计算，所有的程序都是基于逻辑的，不像人类司机很多时候是凭感觉甚至还带有情绪。而且人类司机会受到很多因素的影响；我们做过一个测试，电台里放的歌曲都会对人类的驾驶风格产生影响。
自动驾驶从感知到决策的硬件本身是超过人类的，比如人眼大概只能观察到前方 60°左右的范围，而自动驾驶车辆是 360°全周无死角的，且时刻保持观察的状态，它能见的范围更广，并且在处理的时候也会保证绝对的安全。
特斯拉公布的数据显示去年它的事故率是平均 195 万英里，和人类司机的事故率相比，特斯拉自动驾驶的事故率只是人类司机事故率的 1/9，所以自动驾驶的安全程度的确超过了人类司机。并且随着技术的不断完善，包括国内的宏观政策，以及后续道路端的参与——称为车路协同；同时包括具备自动驾驶功能和主动安全功能的车辆渗透率，随着安全性的逐步提升也会进一步地增加。
从技术的角度，领骏科技是用一套系统工程的理论指导去提升安全性能和安全等级的，比如通过合理的设计让软件和硬件之间互相配合、校验。整个计算架构采用了分布式的架构，把不同的功能模块放到不同的单元里处理，好处是核心计算机的算力要求会降得比较低，避免了核心节点过重。把核心节点做低之后，可以做热备份，在整个预控制器里有两颗相同的芯片在处理相同的事情，其中一个宕机或者出现其他故障，作为热备份的另一个系统仍然可以保证整个系统的安全性。
从人员的角度，领骏科技目前远距离运行的无人巴士上已经没有配备司机了，智能网联公交和无人小巴已经对普通民众开放试乘了一段时间，这几个月的安全运营记录也进一步验证了整个系统的安全性。
Founder Park：人车混合在道路上行驶相对不安全，如果都换成自动驾驶汽车会更安全吗？
杨文利：如果全是自动驾驶的车辆肯定更安全。整个路和车就变成统一体，成为了一个机械，而机械是很少出错的。对自动驾驶的车辆而言，如果路上的车都是具备同样的功能，甚至不需要具备完整的自动驾驶功能，可以是辅助驾驶，那么车和车之间是可以完成通讯和协作的。路上的车从竞争关系变成协作关系之后，极大地提升道路资源的利用率，同时也会减少路面上碰撞、剐蹭等事故的发生。
Founder Park：如果车路协同真正能够发展起来的话，能推动自动驾驶有一个比较大的发展吗？
杨文利：是的。目前国内很多城市都有车路协同的试点，从中央的指引政策来说，国内要推行的就是协同式的智慧交通。除了车的智能之外，路段起到了很重要的一个作用。在车上只能把传感器装在特定的位置，有一些场景对车来说是难以解决。比如「鬼探头」，就是在遮挡的位置突然有行人出现，那个时候车的反应时间是非常短的，人类司机也无法解决鬼探头的问题。但是如果有路端协同，因为道路的感知是装在灯杆上，视角很高能看得更全、更远，智能的路就成为了车端视觉的一个延伸；对提升车辆的安全性，降低整个车辆的成本都是非常有益的一个补充。
车路协同示意图 | 来源：互联网
Founder Park：环境对自动驾驶影响大吗？
杨文利：环境会影响自动驾驶传感器的运作。比如在大雨天，雨滴对传感器的影响主要是在激光雷达上。从工作原理上来说，激光雷达是激光束发出，然后检测返回的激光束。雨滴的大小正好和激光束的大小是相同的，并且雨滴会对激光束形成反射、散射和折射，激光雷达会出现大量混乱的数据，有很多误判和漏判。这个时候系统会根据当时的环境特征，动态地调整不同传感器的权重，做一个动态的融合。当检测激光雷达信号有异常之后，就主动地降低权重，同时提升了毫米波雷达和视觉的权重，因为雨滴对它们的影响是比较有限的。
环境、天气的影响要依靠多传感器融合来解决，所以综合地使用了激光雷达、毫米波雷达、视觉传感器，还有几种多维的主流传感器。从物理本质上理解，视觉传感器是被动接受同时工作在可见光范围内；激光雷达是主动发光、接收的，工作在红外光谱范围内；毫米波雷达工作在电磁波范围内。每种传感器的工作原理不同，它的工作波长也不一样，有各自的优点和缺点。根据系统工程互补，各自取长补短，把每一个不完美的个体，融合为一个可靠的、相对完美的整体，成本也相对更低。
Founder Park：自动驾驶的发展非常依赖数据的为支撑，关于数据这方面会有怎样的一个思考呢？
杨文利：每个自动驾驶的技术公司都非常重视数据。关于数据如何更高效地利用，可能也是每个公司各有所长、各建千秋的一个技术方向。领骏科技的特点是要把数据形成闭环，首先要收集数据。行业里很多的自动驾驶公司，包括 Vimo 和 Uber 都是自己部署测试车辆，这样的数据成本非常高；领骏科技采用的一个搜集数据的方法是不只用自己的测试车，更多的是依赖于已经在现实场景中产生社会价值的运营车辆贡献的数据。把无人小巴落地在城市开放场景中，这样的数据应用到自动驾驶乘用车上仍然是可以进行算法的迭代升级的。
根据这些数据做的算法升级，目前已经体现在自动驾驶乘用车的一些算法和场景里。有了数据之后，就要考虑如何反过来推动技术的发展。领骏科技有一套自研的仿真平台，在有数据的基础之上，会自动收集、提取数据，整个软件会自动编译、测试，在仿真中进行验证，实现了一整套从数据、测试到软件产品，一直到形成最终的一个产品生态，一个自动的闭环。先把这个数据闭环打通，同时把商业闭环也打通，形成双闭环驱动的一个架构。
Founder Park：仿真对于自动驾驶的意义是什么？为什么采取非完全实景的仿真方式？
杨文利：做仿真最早可以追溯到当时在西数的时候，西部数据拥有非常成熟的工业生产设计体系。硬盘的产品设计就是高度依赖于仿真，仿真预测精度可以达到 99.99%，生产之前能够非常准确地预测良品率。所以仿真对于复杂的系统设计，包括高可靠性的系统设计及量产都有非常巨大的指导意义。在百度的初期，也是在着手建立百度的一套自动驾驶仿真系统；所以领骏科技的第一个上线的产品也是自动驾驶的仿真工具。
仿真是用来测试自动驾驶的决策、路线规划、控制逻辑和处理复杂场景问题的一个算法，所以没有花很多的算力去把场景的面貌进行复原，比如用游戏级或者电影级的引擎去渲染环境面貌。
对于自动驾驶的决策，更多的是关心这台车和我的相对位置、它在路面上的位置、之前的运动轨迹、预估下一步的驾驶动作，这些是会直接影响到驾驶行为判断的最重要的信息。所以我们的仿真工具并没有复原环境面貌，而是复原整个驾驶环境中最抽象最核心的驾驶态势。
不渲染的好处是节省电脑的算力，那就可以在同一台电脑上对很多个场景进行并行计算，甚至可以在一个场景里做超实时仿真。超实时仿真是指仿真世界里的速度要比人类的速度快，类似于子弹时间。比如在现实世界中仿真了一小时，可能在仿真环境里面已经跑完了 10 个小时。这样能极大地提升仿真的测试效率，也提升了智能算法的迭代速度。
Founder Park：在单车智能和车路协同这两个路线上，领骏科技选择的是哪个方向？
杨文利：车路协同是整个中国从中央到地方的宏观产业政策。从产业上来讲，也是非常有道理的。作为一个偏向技术的公司，车路协同对于自动驾驶的长尾问题是一个比较优的解。
美国目前的策略是依靠单车智能，因为美国的基础设施改造周期很长，并且成本很高；而中国对于道路的改造动力非常强，设施建设很快。
如果只靠单车智能，有很多场景问题是没有办法解决的，或者解决这个办法需要付出很高的代价。比如需要装很多的激光雷达，或者是用更多的昂贵传感器去解决。如果能在路端部署传感器，区别于车的视角，综合成本可能会更低；并且路端可以服务于所有车的设备。
比如红绿灯的识别，单车智能只能靠 RGB 摄像头，但是准确率很难提高，逆光、树叶遮挡以及各种不同形状的红绿灯都会影响到识别。但是如果走路端，通过协同的方式直接把红绿灯的状态同步到车辆，就可以完美解决这些这些问题。
单车智能和车路协同并不矛盾，路的协同是一个加分项，不能奢求所有的路都能协同，在没有协同设备的路上还是要依靠单车智能。领骏科技选择的无人巴士落地场景，和车路协同的道路改造发展阶段契合得非常好，而且产业定位也很好。现在国内各个地区在做智慧交通的试点，改造的路线不会短时间内把整个路网改掉，这样的投入太高，而是一个渐进性的发展过程。国内一般都是由政府的财政预算进行道路的改造，那么智慧道路也具备了公益的属性，是服务于广大人民群众的。所以车路协同是未来的一个发展方向。
Founder Park：高精度的导航地图会成为自动驾驶接下来竞争的核心之一吗？
杨文利：L4 以上的自动驾驶能力需要高精地图的支持，行业中也涌现了很多提供地图的采集制作服务的初创技术公司。L4 以上对地图存在一定的依赖性，并且地图和测绘的相关性非常高，地图公司一般相应地会申请测绘资质。
对于 L3 辅助驾驶、ABS 辅助驾驶而言，目前的导航地图与单车局部地图的匹配技术已经趋于成熟，在辅助驾驶这一层级上是可以依赖于导航地图的。现在导航地图在高精地图技术的加持下，精度也变得越来越高。
领骏科技是具备高精地图的采集制作能力的，在限定的区域内拿到行政许可之后，可以快速进行数据采集和部署。所以无人巴士和自动驾驶乘用车能够快速地进行应用和落地。领骏科技研发的数据采集车，包括自动化的数据、后期的工具、自动化率都可能已经达到了 95% 以上。通过自动化预处理数据，然后自动化生成地图产品，经过简单的人工校验后，就可以产生地图的产品。
对于高等级的自动驾驶来说，地图确实是必不可少的因素之一。地图的采集制作技术也是基础产业链中的一环，是在 2015 到 2020 年间已经发展成熟的一项技术。
Founder Park：数据是自动驾驶行业竞争的核心之一吗？如果不是，自动驾驶接下来的竞争核心是什么？
杨文利：数据非常重要，但不是全部。数据一方面是看量，另一方面是看质。如何从大量数据中筛选出有效数据，以及如何去使用这些有效数据，对技术团队是一个很大考验，也是能区分技术高低的地方。
现在的核心竞争力是如何把技术转化为产品，实现技术的价值，这是目前整个自动驾驶行业都在深入思考的一个问题。目前不同的场景里已经有在运用这些技术了，大家仍在不断地探索如何把技术转变成更多的可以应用的产品形态。还有政策法规和路端的改造，都需要政府的支持，不断地完善、建设。
Founder Park：自动驾驶行业已经到了红海的阶段了吗？
杨文利：整个行业还是处在发展的初期，远没有到红海或者正面竞争的阶段。目前整个市场的渗透率还是非常低的，市场空间还是处在一个增量市场上，需要自主地开拓市场和用户。不断有新的人才和公司进入这个行业，说明这是一个非常有前景、有希望的行业方向。
Founder Park：自动驾驶的成本会成为普及自动驾驶的一个限制因素吗？
杨文利：是的。
从用户的角度，更关心的是单车智能的成本，买车时配置一套自动驾驶或者辅助驾驶系统所需的费用。对于单车成本来讲，需要从用户的使用需求出发，如何满足需求、如何完成自动驾驶任务，根据这些任务去反推需要往车上装什么样的硬件、硬件的数量和安装位置需要通过系统工程的方法进行优化。
作为一个创业者需要从企业层面去考虑，成本不只是卖车的成本，还要考虑企业经营成本和研发成本，所以需要减少无效资产的投入。在采集数据的时候，把它融入到行业应用的背景中，在应用中不断地收集数据。在整个行业层面上，如何优化产品、如何平衡成本，都是需要思考的问题。
04
硬盘存储和自动驾驶
存在工业共通点
Founder Park：创业之前的经历是怎么样的？
杨文利：我是在清华读的自动化专业的本硕，而自动化专业一直在行业里被戏称为「变形金刚制造专业」，就是主要做机器人，而我在读硕士的时候就是研究移动机器人。当时虽然没有自动驾驶，但是已经有了移动机器人的雏形，后来又在美国读的博士，一直主修控制系统。
毕业后进入西部数据接触了传统的生产制造业，我将其命名为叫 IT 制造业。它有制造业的潜质，包括批量的硬盘生产制造，有流水线和设计，同时又和这个时代的大数据存储、互联网是紧密相连，既有制造业的属性，又有 IT 行业快速迭代的属性。这些对于之后自动驾驶的技术研发，有很多的借鉴意义。
2014 年加入了百度的自动驾驶团队，当时在深度学习研究院里，整个自动驾驶团队规模非常小，我是第三个加入团队的成员，主要负责决策、规划、控制感知、控制仿真这几个方面。
Founder Park：在数据存储行业的经历对现在创业有什么帮助吗？
杨文利：做硬盘接触到了西方发达国家成熟的生产制造工业体系，以及如何把一项技术变成一个高可靠性的、量产型的产品。从方法论角度、整个设计流程角度，硬盘和自动驾驶是相通的。
首先从生产制造的角度，它们都是复杂系统。硬盘上有机械电子软硬件，有传感器，是一个高复杂度的机电集成系统；自动驾驶汽车也有各种传感器，各种雷达计算单元软硬件等。
第二，关注点都在产品的可靠性上。比如硬盘，在电脑里如果要 7x24 小时运转大约有 10 年的使用期限；而买一辆汽车，它的产品生命周期大概也是 10 年左右，要保证在十年内不出现大的问题。汽车还可以去 4S 店维修保养，但是硬盘放到电脑里就不能拆出去再保养了，这对硬盘的可靠性要求会更高。
第三，量产要求很高。硬盘设计最小的产量是 100 万，自动驾驶最终的目标也是要做到量产，可以通过工厂批量的生产复制，交付到客户的手中。
Founder Park：当初为什么从国外的西部数据回到国内相对冷门的自动驾驶领域？
杨文利：其实自动驾驶行业并不算冷门。在美国的时候谷歌已经开始在做自动驾驶了，国内也有一些高校在做，但是当时还没有一家国内的企业投身去做自动驾驶这件事。当时选择这个赛道主要的一个原因是自动驾驶在中国的发展空间更大一些。
发达国家的优点在于工业化体系非常成熟，包括生产、制造、测试的流程都非常成熟，是值得我们去学习的。但是主要的问题也非常突出，人才结构非常稳固，美国的一些公司可能上升空间比较有限。国内的上升机会，以及高科技触达相对大的市场的机会是非常多的。
机缘巧合，认识了当时是百度深度学习研究院的院长余凯博士，他其实是我进入自动驾驶的引路人。余凯博士介绍了百度在中国是如何发展人工智能的，我发现人工智能确实是一个未来最有潜力的新兴产业。同时自动驾驶又是一个新生的事物，值得把它当作一项事业去投入。和于凯博士交流之后，就毅然放弃了已经在申请的美国绿卡，全家搬回国内，加入到百度的自动驾驶团队。
当时这个项目在百度不算重点项目，处于低调研发的阶段，直到 2015 年底，百度官宣做自动驾驶。2014 年到 2016 年，这个行业确实是有一些冷门；2016 年之后，行业出现很多的的初创公司，从资本到产业、人才市场逐渐成熟，很多人才涌向了非常优秀的初创公司。考虑到如果在这样的一个初创公司内，可能会有更多的自主性，同时也有更广阔的施展空间。而且整个团队都是工程师出身，工程师的理想就是用毕生所学去改变这个世界，实现技术本身的价值，也为整个社会创造价值。这也是整个团队决定创业，做独立平台的初衷和想法。
Founder Park：从工程师到创业者的转变，最大的挑战是什么？
杨文利：主要在于转变。作为一个工程师，主要工作是带团队搞技术，把产品和功能做出来就好了；而作为一个创业者，需要更多维度、更深入地思考，包括人才招聘、团队组建、客户、产品、市场、品牌等，这些都需要考虑到才能把公司经营好。最担心的问题可能是生存问题，毕竟自动驾驶技术当时还处于早期，前期研发投入非常大，有融资的问题，也有团队招聘的问题，这些都是创业时期最担心的问题。
*以上嘉宾观点不代表 Founder Park 立场，也不构成任何投资建议。
领骏科技由自动驾驶行业顶尖技术团队领衔，致力于高等级、全场景、可量产的自动驾驶大脑的研发和产品设计。目前采取技术降维的方式，在无人巴士、自动驾驶物流车等场景赋能智慧城市，逐步实现商业化运营，打造城市复杂交通无人驾驶产品。
清华大学自动化系本硕，美国宾夕法尼亚州立大学博士，后担任美国西部数据首席架构师，原百度 IDL、百度自动驾驶事业部无人车规划、控制系统的技术负责人、主任架构师。2016 年 12 月离开百度后，成立领骏科技并担任公司 CEO。