Robotaxi公司做L2前装量产，机遇与挑战并存
各位读者，大家好，本篇文章曾于7月29日以付费阅读的形式首次推送，这是我们对平台付费阅读的一个商业化尝试。结果数据很不理想，在综合评估并反思后，我们决定把内容以免费的形式再次推送。截止目前，首次推送共有80位读者付费阅读，对于之前已付过费的读者，我们向您真诚的致歉，可加作者微信（charitableman）申请退费。多谢理解。
在当今环境下，Robotaxi公司为什么要做L2？他们做L2会遇到各种问题，如硬件是否成熟、数据能否复用、供应链能否搞定，他们怎么解决？业内其他公司怎么看？
自Waymo前CEO John Krafcik于4月初下课以后，尤其是在华为自动驾驶“首秀”及苏箐放话“现阶段做Robotaxi的公司都得完蛋”之后，“渐进式路线”逐渐成为自动驾驶产业的共识，而Robotaxi公司的“技术路线”也遭到了前所未有的质疑。
Diss广大Robotaxi公司的，不仅有“渐进式路线”的践行者、投资人，还有一些是不仅没有亲自上阵做过自动驾驶、而且跟自动驾驶公司的直接交流也很少、只会在键盘前指点江山的媒体，似乎，在这些纸上谈兵的人眼里，那些Robotaxi公司都是“傻子”。
然而，真的如此吗？
4月下旬，《九章智驾》跟多家Robotaxi公司的高管有过深入交流后发现，这些Robotaxi公司的掌舵者们对“渐进式路线”、对自己公司“前途命运”的思考要比投局外人透彻得多。
此前，Robotaxi公司们认为，做L2的难度其实比L4大，但如今，这些公司认为，他们做L2的时机日渐成熟。
一．车企更需要L2，而不是L4
4月28日，在小马智行的一场媒体沟通会上，《九章智驾》向彭军提了一个问题：在直接做L4的技术路线遭到越来越多质疑的当下，小马有没有考虑做L2，向渐进式路线转?
彭军的答复是：所谓L2、L4这种分级实际上是四五年前的一个说法，在今天，L2、L3与L4的差距其实是越来越小的，我们关注的是自动驾驶技术本身，而不是其分级。
而在此之前，《九章智驾》也曾向小马广州总经理莫璐怡提了同样的问题，莫璐怡的回答跟彭军类似：我们做的是自动驾驶技术本身，至于未来的落地，各种可能性我们都在探索。
我们至少可以理解为，小马并没有明确否认做L2的可能性。
说到这里，我们就不得不思考这样一个问题：小马凭什么能吸引到丰田的投资？或者说，丰田为什么要投资小马？ 难道，丰田的动机仅仅是卖几百几千辆车给小马，让后者拿去改造成Robotaxi吗？
要知道，在丰田的价值观中，全自动驾驶并非刚需，他们做自动驾驶的主要目的是“辅助人”，而非“替代人”，因此，丰田自动驾驶的重心不是L4，而是在L2上（这里的L2，也包括所谓的“L3”或“导航辅助驾驶”）。
丰田虽然不差钱，但肯定也希望投给小马的4亿美金能“用到刀刃上”，而这个“刀刃”，就是L2项目。在小马接受丰田的投资之前，双方肯定已经对日后在L2业务上的合作达成了共识，至少是，已经有了“默契”。
实际上，不仅仅是丰田，在大多数理性的传统车企（乘用车企业）的眼里，L4都不是当务之急，甚至并不是多么重要的事情，在相当长的时间里，他们真正需要的其实是L2——能帮他们提高汽车销量的，是前装的L2，而非只能以B2C的模式存在、难以规模化量产的L4。
（注：这里说的L2，也包括“导航辅助驾驶”及所谓的“L3”。因为，根据工信部的政策及SAE的最新标准，很多车企口中的“L2.9-L3.9”，其实也只是个“L2”。）
那么，以同样的逻辑推理的话，日产雷诺三菱投资文远知行、上汽和东风投资AutoX、戴姆勒投资Momenta，也主要是冲着L2来的，而非L4。
二．硬件降本，L2“硬件高配”的契机
Robotaxi A公司副总裁说，此前，他们曾拒绝过一些主机厂关于“降维做L2”的合作提议。原因是，自家的算法是基于“L4的硬件”写的，而在现有条件下，L2的量产车基本用不起能支持L4的芯片及传感器——这意味着，他们如果要做L2，算法也要重新写；否则，就会存在“小马拉大车”的问题。
这里的“小马”，指L2的硬件；“大车”，则指L4的算法。实际上，“小马拉大车”正是L4公司“降维”做L2时所需面临的最大挑战。也正因为如此，在相当长的一段时间里，L4公司对要不要“降维”做L2前装量产项目是犹豫不决的。
之前，这些Robotaxi公司想的是，先努力把L4的技术做深，然后再探索其他的商业模式；但现在，他们意识到，也许，降维做L2的时机已经成熟了。
A公司副总裁说：“华为和北汽极狐合作的车型价格表明，计算平台+传感器等‘L4的硬件成本’已经可以控制到20万元/套了，并且，随着规模的增加，硬件价格还会继续下降，这让我们看到了L2量产车上‘硬件高配’的可能性。”
所谓“硬件高配”，既将原本只有L4的测试车辆才“用得起”的硬件应用到L2的前装量产车上。
对Robotaxi公司来说，这意味着，在做L2前装量产项目时，他们不用对算法架构做修改，因此，技术迁移及适配的效率大幅度提高。“现在，你让我干L2的事儿就太容易了，有了L4的算力和传感器，我直接把我L4的算法往上一放，干L2 的活不就行了吗？”这位副总裁说。
这位副总裁也承认，目前，他们的硬件成本比华为的要略微高一些，但他又补充了一句：“硬件成本的降低也不是我的主要责任，因为只要主机厂有了批量订单，供应链成本自然就能很快降下来。所以，我并不认为硬件成本是我们未来发展的主要障碍。”
从这个意义上说，华为自动驾驶的强势亮相及“渐进式路线”成为共识，对Robotaxi公司不仅不是“灭顶之灾”，反而可能给他们提供了搭上产业红利“便车”的机会。
三．将L2与L4的数据“打通”的前提条件
对数据问题关注比较多的朋友应该或多或少都思考过这样一个问题：很多车企或Tier 1都声称自己的自动驾驶要走“渐进式路线”，从L2向L4逐步迭代，那么，他们在做L2的过程中收集到的道路数据，对训练L4的算法有用吗？
这是一个很好的问题，但并不够严谨——严格地讲，L4与L2的区别主要在决策算法上，而不在传感器及算力配置上，因而，数据未必会有很大不同。
不过，在实践中，多数主机厂出于成本的考虑，给L2量产车配置的传感器及算力都要比L2低出不少。一个典型的区别是，L2的车通常都不搭配激光雷达，毫米波雷达的数量也更少；由此带来的一个结果是，L2量产车上收集到的数据，跟L4算法对数据的要求还是有不小的差距。
“通常，L4所需要的数据应当包括车辆周围环境的空间信息、纹理信息、色彩信息，这些信息的丰富度跟人获取到的信息基本上是一致的，所以不管起初的算法有多差，从头到尾所有的数据都可以帮助我们在后期做一个算法平台。
“相比之下，L2量产车上收集的数据，由于传感器配置比较低（不包含激光雷达），就只包括周围环境的纹理信息及色彩信息，却没有空间信息，这些数据，对后续训练L4的算法没有多大意义。
“所以，信息的完整度是衡量数据质量的一个非常关键的指标，它基本上就决定了你的天花板有多高。”
过去一年多以来，笔者曾就“L2量产车上收集到的数据能否用来训练L4的算法”这个问题请教过许多L4及车企的自动驾驶负责人、算法工程师，对此，受访者已有如下共识：
L4车辆与L2车辆的传感器架构一致，是将两者的数据“打通”的必要条件。即如果L2阶段没用激光雷达，而L4阶段要用激光雷达，则在做算法训练时数据很难完全复用，除非是对数据进行“翻译”，但这需要付出很高的成本，并且技术难度也不低。
为保证“传感器架构一致”，主流的做法有两种：死扛到底，努力在不需要激光雷达的情况下实现L4（如特斯拉）；给L2的车上也装激光雷达（如国内造车新势力们做的“硬件预埋”）。
对L2与L4两条路线并举、并试图将两者的数据打通的Momenta来说，当前L2的车上不装激光雷达，而L4的车上却装了激光雷达，也增加了安全冗余系统，因此，数据很难彻底打通。但根据曹旭东之前的介绍，“传感器不一致带来的困难能够克服，目前，L2车辆上的数据有大约80%可以给L4的车辆复用”。
不过，随着激光雷达价格的进一步下降，在前装L2方案中使用更高规格的传感器配置，也许是更好的选择？
考虑到小鹏P5的激光雷达选装率超过70%，而理想有可能会把自动驾驶做成标配，Robotaxi 公司在做L2的前装量产项目时，一定要选品牌力和产品力都足够强、能够把激光雷达做成标配的车型，这样，积累的数据才对之后做L2有价值，并且，数据规模也比较有保障。
当然，在最理想的情况下，从L2向L4迭代，不仅传感器的架构要一致，而且各种传感器的数量也要一致。比如，若L4的车上需要装3颗激光雷达，而L2的车上却只装了一颗的话，那后端数据处理的工作量也不小。
不过，对多数公司而言，要将两者的数据打通还需面临这样一个挑战：现阶段，L2方案主要针对高速及城市快速路等场景，而L4主要在城区道路上，场景及数据并不一致。因此，要将数据打通，L2需要向城区场景拓展，而L4则需要向高速场景拓展（Momenta已经在这么干了）。
四．搞不定供应链？或可考虑跟Tier 1合作
当然，Robotaxi公司去做L2前装量产项目，并不会一蹴而就。去年12月份，笔者跟某Robotaxi公司CEO聊到这个问题时，对方指出，Robtaxi公司做L2，对其供应链管理能力的要求比L4高。
因为，做L4时，由于测试车队的规模比较小，也可以在采购芯片、传感器时“不计成本”；然而，在做L2时，自动驾驶初创公司的角色通常是Tier 1，甚至是Tier 2，他们需要组成软硬件整体方案卖给车企或Tier 1，这个时候，就不能只考虑产品性能了，成本及能否持续稳定供货也是一个需要考虑的关键点。
而通常情况下，自动驾驶初创公司在供应商面前是没有议价能力的。如果你的方案虽然性能好，但既没有成本优势，交期也无法保证，车企肯用吗？
还有，在现阶段，直接做L4的公司并不强求关键零部件过车规，只需买几辆车改装一下就可以上路测试了；而面向前装量产的L2方案，则需要符合汽车产业的一系列标准，从拿下订单到研发、测试可能需要2-3年的时间。
或许，Robotaxi公司在做L2前装量产项目时可考虑“扬长避短”，即自己只出技术方案，供应链整合及过车规的问题交给主机厂或传统Tier 1去做？
最近，面对《九章智驾》的这一猜测，这位COO的回答是：“对以怎样的方式做前装量产项目更好，我们跟车企、Tier 1都在探索，总之，策略上会比较灵活，而不会拘泥于某一种方式。”
今年上半年，博世出现在Momenta C轮融资的投资方名单中，而据不少业内人士分析，在Momenta跟博世的合作中，Momenta为博世开发自动驾驶算法，而硬件则由博世负责。这恰好印证了《九章智驾》此前的猜测。
当然，除此之外，主机厂或Tier 1能在多大程度上向跟其合作的Robotaxi公司开放底盘数据、配合度如何，也是一个值得关注的问题。
小马智行和文远的Robotaxi试乘体验很好，有一个原因是可能是丰田和日产的底盘数据向小马和文远开放的程度高，因而，小马和文远可以更充分地优化车辆的底盘系统。
当前，很多自动驾驶公司都疲于应付感知算法和决策算法，控制算法及底盘厂商配合度的重要性，可能没有得到足够的重视，其价值甚至也被低估了。但在感知和决策算法进步到某个程度后，底盘控制系统的好坏将可能成为影响各家Robtaxi及L2乘用车乘坐体验好坏的关键差异点。
因此，Robotaxi在选择前装量产合作伙伴时，可能得围绕底盘数据开放问题跟对方撕扯很久？
五．初创Tier 1们如何看待Robotaxi公司做L2？
当然，早在Robotaxi公司决定进军L2市场前，就有不少初创公司在为车企做L2的方案。除两条路线并举的Momenta之外，还有创始人有特斯拉背景的纽劢科技、传统Tier 1背景的知行科技、主机厂与Tier 1背景的福瑞泰克及极目智能等，这些公司在产业链中的定位是Tier 1。
纽劢科技的思路其实跟Momenta差不多，也是“自上而下”，而知行、福瑞泰克及极目智能，则是从L2、甚至是从L1逐步往上走。那么，这些公司如何看待Robotaxi公司做L2可能带来的冲击呢？
某公司的一位高级工程师说：
“短期看，他们做L2，并不会对我们造成影响。因为，大家做事的思路完全不一样，他们从L4往下降，只是在功能上降（驾驶责任转移给驾驶员），但算法并不会改，硬件配置也不会减太多——他们的硬件架构已经定下来了，如果硬件减配的话，算法修改的工作量会很大。
“长期会怎样，我们也不好判断。就目前来说，我们也在响应客户的需求，向L3、L4走。但双方的思路还是不一样的：他们对冗余、安全性的考虑比较多，而我们对性价比的考虑比较多。”
这位工程师说，他们内部研究了好久，对Momenta规划的“用L2的数据训练L4的算法”如何实现“还是没有搞明白”，“现在L2的数据给L4用，缺了很多维度的东西”。
在闲聊中，这位工程师还提到了一个有意思的点：传统Tier 1或车企背景的人，“数据思维”弱于AI出身的人。
当时，笔者提了一个问题：“如果从L2向L4迭代的路线很容易走通的话，理论上，拥有最多数据的不应该是大陆、法雷奥、博世这些ADAS出货量最多的传统Tier 1吗？”
对此，这位工程师的回答是：“这些传统Tier 1们并没有数据思维，他们迟迟未能意识到数据的价值，因此，也没有给其ADAS系统搭配T-Box，因而，数据并没有回传；相比之下，像Momenta这些公司，他们天生都是带着互联网思维、数据思维出来的，数据思维就是，我可以接受不挣钱，但数据我一定要拿到。”
对这位工程师还说：“我们公司的大部分leader都是传统Tier 1和车企出来的，缺少数据思维，因而，我们并没有在收集数据上花费太多心思，而是更多地考虑如何把产品做出来、快速起量，并保证可靠性。”
通过以上对比可见，站在Robotaxi公司的角度，上述这些公司完全算不上他们的竞争对手。
当然，现阶段，我们很难仅凭估值或订单来就简单轻率地评价孰强孰弱，反正，大家都在补短板的过程中（有的是补硬件短板，有的是补软件和数据的短板），就看谁能更快补齐短板了。
备注：
2. 《九章智驾》有个“汽车人转型交流群”，里面也会分享一些转型的心得，有想加入的朋友可以扫描以下二维码加陈康成的微信，并提供一下名片和个人简历，然后拉您入群。加微信时务必备注您的真实姓名、公司、现岗位以及意向岗位等信息，谢谢。
3. 如果您有兴趣给《九章智驾》投稿（“转型经历总结”及“知识积累整理”两个方向），请扫描以下二维码加孙利的微信。加微信时务必备注您的真实姓名及岗位等信息，谢谢。
“知识积累”类稿件质量要求：A，信息密度高于绝大多数券商的绝大多数报告，不低于《九章智驾》的平均水平；B，信息要高度稀缺，需要80%以上的信息是在其他媒体上看不到的，如果基于公开信息，需要有特别牛逼的独家观点才行。多谢理解与支持。
“好工作”的最关键指标：场景足够复杂、数据量足够大、杠杆率足够高