L4自动驾驶公司降维做L2前装量产，前景如何？
交流群 | 进“滑板底盘群”请加微信号：xsh041388
交流群 | 进“域控制器群”请加微信号：ckc1087
备注信息：滑板底盘/域控制器+真实姓名、公司、岗位
L4自动驾驶公司降维做L2前装量产，前景如何？
之前九章发过一篇文章《Robotaxi公司做L2前装量产，机遇与挑战并存》，近两年来，L4自动驾驶公司做L2逐渐为一个趋势，主要是过去这段时间内，Momenta实在是太火了。
2021年，Momenta完成两轮融资，累计金额超10亿美元，投资方也非常豪华，头部车企有上汽、通用、丰田、奔驰等，还有博世这样的国际Tier 1巨头，也接连拿到多个智能驾驶量产项目，这可把苦苦挣扎于商业化落地的L4公司“馋哭了”。
5月18日，轻舟智航官宣进入前装量产方向，还有几家L4公司，虽然没有官宣，也已经在密切地和车企接触，据说有些还拿到了量产项目订单。
世事就是如此让人难以预料。
这边厢，L2赛道，曾因为传感器数据质量不好（缺少激光雷达）和算力不足（只有几Tops），被L4 公司“看不上”，不过随着近两年硬件水平的迅猛发展，情况已大为改观。一方面，新车型开始搭载激光雷达，摄像头数量也越来越多；另一方面，随着像Orin、地平线J5这样的高算力芯片出现，算力已不再是瓶颈。近年来各车企也纷纷宣称，要用L4的技术架构和“硬件预埋”去实现L2+的功能。
那边厢，Robotaxi公司商业化遇阻，技术、成本、政策都限制了规模的扩张，规模不足不仅不能获取足够多的数据，也限制了成本进一步下降。
有Momenta“珠玉在前”，于是这些L4玩家准备进军L2市场，一方面通过商业化获得营收，另一方面也能获取更多数据。
这些从L4“降维”的玩家和坚持做L2“升维”的玩家相比，其优势和短板是什么？整个自动驾驶软件行业现在又遇到了什么问题？如何解决敏感的数据问题？会不会在车企自研成功后被“卸磨杀驴”？行业终局究竟会是怎样？
带着这些疑问，九章智驾采访了元戎启行CEO周光、福瑞泰克CTO沈骏强、轻舟智航CTO侯聪、Momenta等一些行业内专家。
谈到对L4公司做L2的思考时，轻舟智航CTO侯聪说道：
“像Robotaxi这种开放道路L4场景，离最终商业化落地还有一定的距离，所以L4公司也一直在探索落地场景。随着这些年乘用车电动化、智能化的趋势越来越清晰，ADAS也开始往更复杂的城区道路场景发展，现在城区NOA的场景其实和L4已经非常接近了。
“硬件上也取得了很大的进展，从发展角度来看，L2和L4在趋同，这意味着L4公司去做传统L2业务，尽管可能在某些开发路线或功能定义上会有些差异，但在城区NOA场景下，功能相同点比差异点会更多一些，背后的研发体系、组织架构和测试开发方式也是高度重合的。”
除了上述原因外，还有一个原因是，Robotaxi的场景和L2的场景相同，算法复用成本低。“Robotaxi是城市道路，包含高速场景，这部分场景和L2场景是相同的，也是我们熟悉和擅长的，虽然适配有难度，但场景不变，适配工作量不会很大，”元戎启行CEO周光介绍道。
综上可以发现，L2的硬件的快速突破，加上L4和L2的场景趋同、数据可复用，也是L4公司进军L2的重要考虑因素之一。
一、L4公司的优势
一位自动驾驶测试专家说：“L4公司的算法能力肯定更强，特别是规控算法。”
业内也普遍认为这些L4公司的算法能力更强一些，毕竟L4的场景要比L2的场景复杂得多。
在降维做L2场景时，除了算法能力强，L4公司还有以下优势：
01数据闭环能力更强
L4的场景中遇到的问题，比L2要复杂得多，这也要求L4公司要更好地利用数据闭环，挖掘长尾场景，迭代算法能力。
此外，在几年前，L4公司在认知和思维上也领先L2公司，L2公司创始人中硬件背景的较多，软件思维较弱，缺少数据思维，而L4公司的创始人普遍是算法背景，数据思维强大，从一开始就注重数据闭环，有先发优势。
一位算法专家也认为：“L4公司的优势，是通过数据迭代深度学习算法的能力，这一点，比那些基于规则的算法公司的能力要强很多。在未来数据量爆炸时候，L4公司的算法表现会更快地和友商拉开差距。”
轻舟智航侯聪说：“L4公司在数据闭环和数据链路上投入的资源更多一些，而L2公司则较少，这是L4公司的优势。轻舟打造的仿真系统，对于数据的使用则更加高效，可以更多地‘榨取’数据价值。”
02系统流畅性更好
当前量产和在开发的L2+算法架构中，普遍是通过状态机的切换来确定当前的智能驾驶功能是L2及以下功能（如ACC、AEB、LKA等）还是L2+功能（如高速NOA），在行驶过程中，系统需持续监测当前车辆的状态和周边环境，来决定当前的状态机，所以中间会涉及到不同系统之间的持续性切换。
一位自动驾驶公司项目管理专家认为：“如果L2和L2+的系统是几家供应商合作开发，那么状态机切换其实是双方合作完成，甚至是三方合作完成，无论是逻辑的合理性，还是运作的流畅性，都是不足的。而如果L2和L2+的系统全都交给一家L4公司来做，整套系统能够运转得更加流畅。”
03性能天花板更高
L4系统的架构相比于传统L2的架构，更能适应城区的复杂工况，性能的天花板也更高。
元戎启行周光说：“L4公司做L2，有两种做法：第一种是依靠独立的团队和独立的代码，实现L2的具体细分功能，不过这会让L4的技术积累用不太上；第二种，就是降低L4级软件系统对传感器和算力的需求，把L4软件系统塞到 L2的硬件里面。不过第二种做法也是很难的，因为L4自动驾驶系统算力和功耗都很高，要放在车规级算力平台上，只有对算力和功耗优化特别好的公司才能做到。
“这样做虽然难，但是有很多好处，最大的好处是L4架构，其性能天花板和L2系统是不一样的。主机厂能够以一套L2的硬件成本，让用户可以以同样的价格，买到更加优质的服务，这就是元戎启行的优势。”
二、L4公司工程能力的短板
诚然，L4公司在算法能力、数据闭环能力、系统流畅性和技术架构上限上占据了一些优势，但是也并不是全然没有短板，他们的集成能力和供应链管理相对较弱，不过最突出的短板还是工程能力。
2.1工程能力的定义
行业内普遍认为L4公司量产经验少，工程能力较弱。那么，大家所谓的“工程能力”具体是指什么？
笔者查阅了很多资料，也和很多位行业专家交流，总结下来，在智能驾驶行业内，大家提到的“工程能力”，具体是指以下三点：
满足车规级要求，如安全性、稳定性、可靠性等；
能够满足功耗成本等目标；
满足1和2的基础上最优化算法功能和用户体验。
在这方面，不少L4自动驾驶公司是算法优先，追求算法的先进性，靠打榜或者发Paper来证明自己多牛，对算力功耗等考虑的较少；而L2公司则是工程优先，面向量产，要解决的问题也要繁琐得多，如成本、功耗和算力限制等，也有很多安全性、可靠性和流程上的要求。
一位细分赛道自动驾驶公司技术副总裁提到“工程化的理解”时说道，在技术验证阶段，一般会为了达到某些性能指标而不惜一切代价堆资源，“一颗orin不行上两颗，两颗不行上四颗”，而不用考虑方案的可量产性；但在考虑商业化落地时不能这么干，激光雷达的感知距离就那么长，芯片的算力就那么大，硬件肯定会不停地迭代，但落地预期在那摆着，来不及等新硬件出来，能做的只能是将现有资源的性能“吃干榨净”，将其价值充分发挥出来。
元戎启行周光也承认这一点：“整体来说，L4自动驾驶公司，工程能力会偏弱一些，传统L2起家的公司工程能力会强一些。”
这一点，可以从很多L4自动驾驶工程师的光鲜的职业履历上找到原因，他们普遍名校毕业后，加入知名的互联网公司或明星自动驾驶公司，在此之前和车几乎没打过交道。他们自认为是“摘星星的人”，对于工程化的“脏苦累”的活，是有点瞧不上的，也不屑于去做。曾有人向九章智驾吐槽：“很多算法工程师，真的只懂算法，但车是一个工程，是一个产品，毕竟车能上路跑起来，不是只靠算法。”
2.2L4公司或将被工程能力拖累？
那么，工程能力的重要性具体体现在哪些方面呢？
一位资深从业者曾举过一个例子说明工程能力的重要性，他说：
“纯视觉AEB功能，虽然看起来简单，但却是所有ADAS功能里（除城区NOA外）最难实现的。”
“纯视觉AEB最难解决的问题是误识别。当前面没有东西而出现‘幽灵刹车’时，用户体验是极差的，甚至会导致被后车追尾。”
“误识别主要因为感知算法不能做到100%准确，为了优化体验，就需要在后面‘打补丁’，加一些判断条件。比如在拐弯或者一些特殊场景下，加一些场景判断，把容易产生误识别的场景识别出来，剔除出去，从而避免误刹车现象。”
“举个例子，拐弯的时候，路边站着个人，这个人在图像上（自车坐标系下）是从左到右运动的，算法判断这个人有横向速度，跟自车行驶轨迹要重合了，就要刹车，但实际上他是静止的，是不能刹车的，就需要把这个场景排除掉。这些场景需要通过大量的路试去积累经验和Know-how，这就是工程能力的体现。”
一位CTO认为算法和技术远没有想象中的重要，甚至可能50%的分量都不到，其他则需要依靠工程经验。
在进一步解释工程经验的重要性，他说：
“首先是系统稳定性，大规模量产时，和几百辆车时出现的问题是不一样的。如果样本数量不够，很多问题根本并不会出现。
“其次是成本，目前很多L4公司更多侧重算法开发，对成本考虑较少。”
“第三是安全性，这里面涉及到功能安全、信息安全等，L4公司考虑较少。”
按照上述说法，工程能力与工程经验是强相关的，一位资深项目管理专家也表达了类似的看法：“在汽车行业，工程能力更多取决于自身过去经验的积累，短时间很难去弥补，只能靠量产项目去堆。”
不过，元戎启行周光则认为过往L2的工程经验未必能完全复用到L2+上去，他的理由是：“传统L2是由很多独立功能构成，而城区NOA都在往L4技术架构发展了，L4是中心化架构，用一套软件算法解决所有问题，软件架构大不相同。”
虽然，随着技术架构的变化，工程能力未必能够完全迁移，但是工程能力的重要性是毋庸置疑的。
2.3L4公司也在补工程能力短板
不过，L4公司工程能力弱，并不代表他们在工程能力方面就没有积累，就像一位行业专家说的“L4的公司不一定没有工程能力，工程能力和L几没关系”。
很多L4公司都向九章智驾表示，在过往的项目中“一直非常重视工程化”，在把算法往嵌入式平台上迁移时，也积累了不少工程能力和工程经验，轻舟智航侯聪介绍说：
“一方面，当一些L4公司还在使用多核工控机的时候，轻舟已经着眼于未来，基于可量产的计算平台去做算法开发，在相对低算力平台的倒逼下，我们在研发过程中不得不关注工程化和性能问题。”
“另一方面，工程化过程中需要的工具链和流程，轻舟也很早就开发完成了。现在我们有一整套性能优化工具链和流程，可以快速将软件迁移到嵌入式平台上去。”
在安全性方面，轻舟也有很多积累，侯聪介绍道：
“我们也针对安全做了很多冗余设计，比如硬件冗余和软件冗余。硬件上有两套传感器，域控制器部分，有主计算单元和备份计算单元，还有个单独的控制器，可以在单点失效或多点失效下保证车辆安全，如靠边停车或刹停等。”
“这些是L4的做法，对于L2++来说会做一些调整，但整体思路是高度一致的。为了保证安全，内部也有工程质量团队，对工程质量高标准严要求，使系统更安全、更稳定。”
虽然L2做不到L4那么多的硬件冗余，但也说明像轻舟这样的L4公司已经在考虑功能安全了，在这方面也有一定的积累。
元戎启行对于工程化也有一些积累，据周光介绍：“元戎很早就把L4算法架构放在低功耗的量产芯片上跑，也在按照ISO26262功能安全要求开发自动驾驶系统，ASPICE也在认证过程中。”
看上去L4公司在工程化上也在补工程能力的短板，相信后续可以慢慢通过量产项目积累的经验去不断加强。
三、挑战：定制化程度高，不同项目间软件如何复用？
在采访L4公司过程中，笔者发现一些L4公司人员对“降维”进入L2赛道持高度乐观的态度。当然，在进入一个新领域时，适度的乐观是必要的，正如距离产生美。
不过当近距离观察当前L2面临的现状和问题时，一旦关掉美颜滤镜后，再去看自动驾驶量产软件开发的前景，也许会发现并不如想象中那么“美好”。
很多行业高管在和九章智驾交流时都提到，现在行业极度缺人，尤其是开发岗位。究其原因，在适配不同车企、不同车型平台的项目时，软件的定制化程度太高，可复制性很差，“每拿到一个车厂量产项目，都要铺一堆人去做，现在都不太敢拿项目了，怕项目拿到后，人招不上来，影响交付” ，一位L2软件公司高管曾对九章智驾诉苦道。
如果定制化很高，软件复用性差的问题迟迟不能解决的话，那么令L4公司所向往的“降维”故事，也许就不那么“性感”了，甚至有人开玩笑说，“某自动驾驶公司可能会沦为一个软件外包公司。”
在进一步讨论这个问题的解决方案之前，我们先来探讨下软件可复制性差的背后原因。
3.1 为什么需要高度定制化？
在和行业专家交流时，不少人认为，其实真正算法层的适配成本并不高，反而在其他方面的定制化，要耗费大量的人力和物力，具体可以把原因汇总为：
3.1.1 电子电气架构不同
不同的车企，有不同的电子电气架构，所配置的传感器、域控制器和执行器也不同，稍有不同，就涉及到很多开发工作量，如通讯信号匹配、传感器适配、计算平台的适配、集成调试等。
最复杂的是匹配通讯信号。要做好整个智驾功能的闭环，就需要把信号从传感器到域控制器，再到最后的执行器，所有信号全部做好适配，开发工作量巨大。“在一个平台上能很方便地获取某个信号，到了另外一个平台上，可能要花很多周折才能获取，”一位专家介绍说。
同样，每新增一个传感器，也需要做大量适配。“如果新增一个相机，开发驱动，时间同步、图像大小、帧率稳定问题，这些都要重新搞一遍，”
各家使用的算力平台不同，也需要做适配，“同样的算法模型，在华为MDC上运行和在Orin上运行也是不同的。 ”
除了算法模型外，不同的计算平台的底层软件也是不同的，底层软件不同，上层的中间件、通信框架和算法等，也都要做相应的适配。“华为MDC给不同厂商的底层软件可能是不同的，不同的域控厂家集成Orin时集成电路不同，对应的适配环境也有区别，要基于环境开发集成调测台架和发版环境，其实也很花时间，”上述专家说。
Momenta相关人员也告诉九章智驾：“定制化程度高的主要原因是每家的车型、传感器的配置、芯片都不一样，算法接口不统一，数据和技术流通受阻。”
3.1.2 产品功能定义不同
不同功能的切换，涉及到状态机的定义和判断。状态机的数量、定义、更新频率以及切换策略等，都有完整的控制逻辑，这些是由车企产品团队负责定义。
不同车企对智驾功能有不同的理解，状态机的定义也不同，在实际功能开发过程中也不太一样。
Momenta相关人员告诉九章智驾，每家客户的功能需求也有差异，如果缺乏良好设计，就会造成大量重复工作。
造成上述两个现象的原因，福瑞泰克CTO沈骏强认为和汽车行业的历史有关，他说：“和IT行业相比，汽车行业还是比较封闭的，各家都有一套标准，按照自己的想法定义系统，要求供应商按照自己定义的系统开发零部件。”
3.2更省事的标准化方案是否行得通？
既然车企的差异化如此之大，那么Tier 1是否有更省事的方法，那就是建议或推动车企和其他合作伙伴采用一套标准化解决方案呢？
这取决于Tier 1自身的影响力。
国际Tier 1巨头依靠自身的供应链管理能力和自身影响力，对上游（如其他传感器供应商）和下游（车企的需求定义）的话语权要强得多，能减少不少定制化开发的工作量。
“我们对于主机厂的电子电气架构有很大的话语权，对其他接口不一致的硬件，我们也可以推动他们去改，”一位在某国际Tier 1巨头任职软件管理的专家说。
话语权依靠公司本身巨大的体量支持，这对于L4公司是很难的。
“电子电气架构和状态机的定义，虽然我们也会建议主机厂去修改，有些能改，不过大多数都是不能改的。”一位国内自动驾驶软件公司从业者说。
要想提高话语权，L4公司还需要通过量产项目不断积累经验，才能赢得车企的信任，否则也很难推广自己的标准化方案，“就算我们想去推标准方案，客户也得相信才行”，上述从业者说。
3.3如何提高软件的可迁移性？
那么，既然现阶段推进标准化方案比较困难，那么怎么才能提高软件的可迁移性呢？
其实，车企在传感器和芯片的选型上也正在走向趋同，这个趋势对于提升软件可迁移性是非常有利的，轻舟智航侯聪说：“在城市复杂场景下，方案其实在趋同，无论传感器选型还是芯片选型，都没有太多的选择，都倾向于使用目前验证过的硬件组合。”
除了上述趋势外，Tier 1也采取了很多积极主动的措施，他们的思路是，既然不能要求上下游去按照自己的方案去改，那就修炼“内功”，让自己可以更灵活地适配上下游。
行业普遍认为，优化软件架构，对硬件进行“抽象”，可以提升软件的可迁移性。
当前很多公司的软件架构优化得并不好，一位自动驾驶工程师说：“软件设计领域一直有‘先定架构后开发’，还是‘先开发，然后迭代出一个更好的架构’的争论。每一家公司都说自己是‘先定架构后开发’的，因为如果不这样说，会显得决策层很low，但现实往往是‘时间紧，任务重’‘你先给我出个版本，以后有时间再去优化’，架子没搭起来就开始考虑客户的量产交付了。”
这位自动驾驶工程师认为，通过做好硬件抽象可以解决这个问题：“硬件抽象可以类比于模型的Inference框架，只需要开发一套算法，通过这个框架，可以在不同的硬件平台上跑。”
侯聪也认为应该通过“硬件抽象+参数配置”的方式来适配不同的平台，他说：“拿操作系统举个例子，为了能够让自己接入更多硬件，需要对系统大量的功能模块进行抽象实现，如线程等这些概念就是对硬件抽象后形成的。
我们会对基本的算法模块、基本的功能定义，做一些抽象。这样在适配不同车型时，就变成了参数配置。”
除了优化架构外，还有一个方法，就是通过和上下游接口统一，形成行业共识或行业标准，从而降低适配成本。
一些行业联盟正在牵头制定标准化软硬件接口的定义，沈骏强介绍说：“一些行业联盟也在逐渐形成，比如欧洲的AUTOSAR联盟，中国汽车基础软件生态委员会（AUTOSEMO）联盟和中汽协软件定义汽车（SDV）工作组。这些行业联盟，特别是SDV工作组，在各个层面进行标准的软硬件接口的定义。基于这些标准接口，再加上SOA架构（面向服务的架构），复制成本高的问题会慢慢改善。
“SOA架构其实最早是计算机行业里‘面向对象’的概念，强调的是保留一个数据接口，把内部的功能实现后，封装起来，基于这样的数据接口，形成可以被行业普遍认同和广泛接受的标准。目前福瑞泰克面向新的E/E架构下SOA分布式中间件开发架构，通过搭积木式的方案推出平台化的软件模块，增强了平台的可拓展性以及提升用户体验。”
相信随着软件架构的优化和软硬件接口的逐渐统一，可迁移性会逐渐提高，从而真的实现“软硬件解耦”。
四、敏感问题：数据驱动如何实现
除了上面提到的复制性差、迁移成本高的问题外，还有一个很关键也很敏感的问题，那就是数据。
数据的价值就无需赘述了，所有自动驾驶公司都称自己是数据驱动，如Momenta宣称自己是“基于数据驱动的飞轮技术洞察，以及量产自动驾驶和完全无人驾驶相结合的‘两条腿’产品战略”，L4公司参与到L2中来，一方面也是看到L2海量数据的价值。
那么，现在就面临一个问题：车企愿不愿意分享数据给这些自动驾驶公司？
这就涉及到自动驾驶数据归属权的问题了。
在量产车辆行驶过程中，传感器采集的数据、车辆的行为数据和底层数据，虽然目前国内法规还没有明确界定数据的归属权，不过2018年，欧盟已经通过相关法律认定，判定自动驾驶数据归属于车企，相信国内在制定相关法规时，也会参考欧盟。目前行业里也默认数据属于车企。
不过现状是，车企也已经意识到数据的重要性了，尤其对于国营车企，他们甚至为了数据安全，不惜花重金自建私有云，对这些企业而言，数据问题一定程度上具有政治敏感性，如果处理不好就容易出问题，这是原则，是底线。
那么，既然车企这么“宝贝”这些数据，Tier 1能否从车企处获得想要的数据呢？车企是否愿意“无私”地分享数据给Tier 1？Tier 1和车企又是什么样的合作模式呢？
对此，行业普遍认为“数据所有权”和“数据使用权”分离是当前的主流做法。
一方面，车企虽然拥有量产车辆回传数据的所有权，但是这些数据中，有价值的数据会被淹没在大量无用数据中，要高效准确地进行数据挖掘才能最大化地发挥数据价值。目前很多车企并不具备这样的技术实力，相当于空有一座金矿而自己又不会挖矿;另一方面，Tier 1虽然有这个技术实力，也希望利用这些数据去迭代自己的算法，但苦于没有数据所有权，最后，车企还要依赖Tier 1利用这些数据持续迭代算法功能，OTA到量产车上。
双方都有意愿最大化地把数据利用起来，于是一拍即合，达成了一个默契：数据所有权还归车企所有，但是开放数据使用权给Tier 1。这基本已成为行业的通用做法，一位Tier 1工程师甚至提到，如果车企特别‘宝贝’数据而不愿意分享使用权，他们会认为合作价值不高而放弃合作。
不过这就出现了一个问题，比如一家Tier 1有不止一家车企客户，如果A车企有30万辆车，B车企有10万辆，假设这两家车企都同意把数据开放给这家Tier 1使用，或者是A车企车上配置的传感器、芯片配置更高从而数据质量更好，那么，A车企是不愿意Tier 1把用他们的数据训练出来的算法卖给B车企的，即希望"你用我的数据迭代的算法只能为我服务"。但在实践中又如何管控呢？
笔者在和车企的工程师交流后发现，车企的心态是比较矛盾的：既希望Tier 1能把其他车企的新特性和corner case同步到自己家，又不希望Tier 1把用自己家的数据训练的算法开放给其他车企使用。
由于这种矛盾心理的存在，车企们的做法也比较多元化，尽管还没有形成共识，不过可以根据车企技术能力的高低大致分成两类：
如果车企的开发能力很强，那就把自动驾驶数据放到车企指定的云上，后续的数据挖掘、模型训练等算法迭代流程都是车企用Tier 1提供的开发工具链来操作，这样就能保证：1.数据只能自己用；2.训练出的算法，也只能给该车企自己用。
如果车企自身的开发能力不强，就可能没有那么多约束和要求，就会把数据挖掘和算法迭代全交给Tier 1来负责，不过这样就很难限制“A车企的数据迭代的算法只能给A使用”了。
不过为了能够有差异化的功能体验，也会有话语权大的车企要求 “功能优先发布权”，即Tier 1的某个新功能要在自家车型上OTA优先发布，而其他车企的车型要稍晚一些发布，这有点类似于前几年的Mobileye的芯片在某款车型上首发一样。
五、风险：传统车企自研成功后会不会“卸磨杀驴”？
不过即使Tier 1可以从车厂拿到数据的使用权，也不代表就可以高枕无忧了，因为还面临一个巨大的风险，那就是“车企自研”。
头部造车新势力如蔚小理，坚定地以特斯拉为榜样，走全栈自研路线，而传统车企里，不仅长城、吉利这些民营车企在自研方面大力投入，国营车企，如上汽、一汽也投入了很多资源。
那么这些Tier 1的客户是谁呢？
目前Tier 1合作的客户还是以自研能力没那么强的车企为主，甚至某Tier 1市场部人员曾对九章智驾直言：“我们的客户，就是不要‘灵魂’的车企”。
不少车企工程师在和九章智驾交流时，纷纷透露内部是“两条腿走路”：一方面和外部供应商合作，不过只是阶段性的，是为了销量，是“眼前的苟且”；一方面大力投入自研，甚至不惜重金去采购“白盒”算法，同时在和供应商合作的时候，也能边做边学，这是为了“诗和远方”，一旦“师傅领进门”，车企的自研能力成熟后，肯定就不需要这些“师傅”了。
5.1传统车企自研自动驾驶能否成功
不过，笔者有一个疑问：传统车企自研，能成功吗？
诚然，传统车企自研遇到的阻力和问题并不少。
首先是人才，因为薪酬不够高、团队里缺少技术牛人，传统车企很难招到合适的人，有些技术团队的领导不懂技术，又想掌控，于是出现“外行领导内行”，让研发效率大打折扣。
此外，组织架构也会影响自研效率，比如虽然行泊一体是趋势，但很多传统车企因为行泊是两个部门负责，推进起来也很困难。
不过，更深层次的原因，还是企业文化或者“基因”。自研成功的新势力车企都是有互联网基因的，而传统车企还是生产导向型的企业文化，注重流程，太注重流程就会影响自研的效率，在这一点上，为了自研，要做大量的内部变革，才能形成新的企业文化和组织形式，这个过程很痛苦，也很艰难。
不过车企有钱，有时候为了加快自研进度，或者为了向上面“交差”，也会买现成的白盒方案，基于白盒方案去开发。那么实际上这个方法是否可行呢？
笔者就这个问题和行业专家交流看法时，一些专家持悲观态度，“白盒买了，没人会用啊，被忽悠了”“算法迭代很快，买的白盒算法很快就过时了”。
5.2传统车企有没有必要自研
诚然，传统主机厂自研，存着诸多人才、制度和企业文化上的阻力，不过相比于讨论“传统车企能否自研成功”这个话题，Tier 1更愿意从行业分工、差异化体验等角度来讨论另一个话题，那就是——传统车企到底有没有必要自研？
他们的逻辑是，车企依靠销量生存，做的一切也都是为了销量，为了车能够卖得好，就必须要自己的产品有竞争力，尤其需要在用户体验上有足够的差异化体验。在消费者高度看重的智能驾驶功能方面，表现不能太“拉胯”。只要Tier 1的能力始终领先车企一步，就不用太担心。而德勤在主题为“汽车工程迈入软件领航的新时代”的报告中也显示，供应商在应对产品开发趋势方面领先主机厂一步。
换句话说，并不是车企的自研体系建起来了，算法能跑通了，就可以把量产车辆上切换成自研方案了，而是要做到在体验上能够媲美切换之前Tier 1的水平，否则切换后功能表现会有落差，可能会引起用户投诉，甚至带来安全风险。
元戎启行周光给笔者举了一个例子：“如果其他车企的智能驾驶做到100分的水平，那么你至少要做到90分才可以。如果自研只能做到70分，还要去切换的话，就会影响车的销量，动了车企根基。”
事实上，特斯拉在切换自研的自动驾驶算法后，AEB功能曾缺席了好几个月。同样的遭遇，在国内某头部造车新势力身上也发生过。
不过这个逻辑，车企未必会同意，或者说那些认为车企没必要自研的Tier 1们，可能低估了车企自研的决心。
在一次和赵福全公开对话时，蔚来汽车的李斌提到自研自动驾驶的逻辑：“越是涉及产品及时迭代、改进和反馈的部分，就越应该由车企自己来做。因为整车企业比供应商离用户更近，当用户反馈意见之后，车企可以及时改进并回应。如果要通过供应商才能处理，就等于增加了一个环节，会变得很麻烦和低效。”所以蔚来选择自动驾驶全栈自研，用李斌的话说是“自动驾驶系统，除了芯片外，其余都是自己研发的。”
这些造车新势力之所以坚定的选择自研，一方面是为了更好的用户体验，他们想把自动驾驶打造成自己的核心竞争力；还有一方面就是软件付费的商业模式，国产版特斯拉 Model 3标准续航版本售价为27.99 万元（不含补贴），驾驶辅助软件FSD一次性付费购买价格高达64000元，占车辆售价的23%，且随着FSD功能的不断强大，购买价格也在不断提升中，蔚来、小鹏等也有类似的软件付费购买业务。
不仅造车新势力，传统车企们也意识到了这一点，上汽集团董事长陈虹曾在股东大会上，公开拒绝采用华为全栈自动驾驶技术，称“灵魂要握在自己手里”，上汽集团总裁王晓秋也曾公开说过“任何一家汽车公司不做自动驾驶，就是死”。
看上去，很多车企已经把自动驾驶上升到了“灵魂”和“生死”的高度，可见他们对自动驾驶的重视程度。
一位自动驾驶Tier 1公司创始人也是类似的观点，按照他的说法，可以站在车企的角度，把所有业务按照两个维度分成4部分，一个维度是车企实现的技术难度大小，另一个维度是对用户的价值高低，该价值高低取决于车企能够形成多少差异化的竞争优势。
第一部分，技术难度大，差异化价值也高，车企会优先选择自研或者收购，比如自动驾驶系统。
第二部分，技术难度小，差异化价值高，该部分车企会选择自研，比如智能座舱的车载信息娱乐系统。
第三部分，技术难度不大，差异化价值也不高，比如底层驱动软件等，可以大量通过外包等方式交给合作伙伴。
第四部分，技术难度高，差异化价值不高，比如操作系统、中间件、芯片等，车企就没必要自研了。”
按照上述的分类，有能力的车企都会选择自研自动驾驶。
不过，自研需要雄厚的资金和巨大的体量来支持，也许并不是所有的车企都适合自研，尤其是那些“家底不那么厚实”的车企。
也有人认为，比如主机厂掌握适度自研能力是合理的，但是没必要全栈自研，只需要掌握如控制算法等即可，这些功能对舒适性、操控等影响较大，至于其他如感知等算法则选择和外部供应商合作。一方面，这些算法研发难度大，研发投入也大，经济账算不过来，另一方面，这些功能对于终端用户的差异化体验贡献也相对较弱。
其实车企不管是自研还是外部合作，一方面在探索自己的能力边界，另一方面也是在找和外部合作伙伴的最佳合作模式。背后隐藏的诉求，无非是希望在自动驾驶时代，能够获得更高的话语权，得到“安全感”。
5.3车企自研方面的动作及进展
也正因为重视自动驾驶，传统车企在自研方面做出了很多努力。
在团队搭建方面，传统车企除了体系内自建自动驾驶团队外，有些还选择在体系外搭建了团队，比如上汽的零束、长城的毫末、吉利的亿咖通。这些体系外的独立公司，既可以摆脱传统车企体制的束缚，在吸引人才和企业文化建设上，也能够更加灵活和开放，更有利于自动驾驶技术自研。
除自研外，车企通过投资和业务合作等方式进行布局的脚步也一直没有停下。
长安、一汽等传统车企纷纷与百度、华为、地平线新等企业以投资、建立合资公司等方式进行合作。
上汽去年两次投资Momenta，搭载Momenta泊车、高速、城区等场景的自动辅助驾驶功能的首款车型智己L7也预计将于近期开始交付。
广汽也不例外，今年3月，独家投资了禾多科技，搭载禾多科技行车、泊车功能车型也将于2022年上市。此外，广汽还成为华为智能汽车“HUAWEI Inside”模式的合作方之一，双方将于2023年推出合作开发的车型。
一位传统车企工程师曾说：“目前技术基础薄弱，还要依靠供应商帮助，跟着供应商做一个项目，再加上供参考学习的白盒方案，慢慢地建立起自研能力。”
这位工程师还提到，等到自研能力成熟了，量产方案切换时，也会稳妥优先，“一开始先在某款销量不大的车型上试点，等成功了再慢慢拓展。”
按照这位车企工程师的思路，虽然车企切自研短期内会付出一定的代价，不过只要自研能力建立起来了，长期来看功能迭代一定会慢慢跟上，这就需要车企在“短期利益”和“长期利益”中间做一个权衡。
为更好地实现自研，传统车企选择供应商的方式也在发生变化——他们开始摈弃过去“所有自动驾驶软硬件全部打包给一家Tier 1来解决”的“交钥匙方案”，逐渐走向“精细化管理”，即把系统软硬件按照功能拆分得很细，分开招标定点，以此来加强自己的掌控力，也能借此机会向供应商近距离学习，可以逐步接触更核心的部分。
六、行业终局是什么？
笔者在和很多从业者在私下交流的时候，都会聊到一个话题，自动驾驶的行业终局是什么。思考终局能够让我们更好地“以终为始”地做决策。
上述讨论的“主机厂有没有必要自研”，取决于车企的价值判断，这也决定了主机厂自研的投入力度和持久度，也很大程度上影响了行业终局。
一位自动驾驶Tier 1公司的副总裁告诉九章智驾，行业终局会形成三种格局。
第一种，特斯拉模式，全栈自研，从软件到芯片，垂直一体化。
第二种，类似于PC行业芯片（英特尔）+操作系统（微软），可能会出现自动驾驶芯片厂商和操作系统厂商为主导、OEM只做简单开发的格局。
不过自动驾驶系统要想成为操作系统，一方面，算法要实现和下层硬件的解耦，另一方面，算法要和上层应用也要隔离，比如，把和用户体验强相关的、能够体现差异化的定义接口开放给车企，这样方便车企根据用户需求来进行定义。
第三种，和现状差不多，以主机厂为主，和上游合作伙伴做行业分工。
“这三种格局，有可能并存，或者哪一种胜出，现在还没有完全定论。不过按目前演进的路线，第一种和第二种的概率会更大一些，”上述副总裁说。
目前看下来，蔚小理等头部造车新势力坚定地走特斯拉全栈自研模式，长城、吉利、一汽、上汽、广汽等传统车企，也在往这条路上走，还有车企打算自己做芯片。该模式难度高，投入大，风险也高，如果能成功，那么产品竞争力和收益也是最大的。
从终局看，最终只会有几家头部的车企在该模式下能跑出来，毕竟不管是自研自动驾驶系统还是芯片，都是需要重资金和人才投入的，这样的投入恐怕只有头部的车企才能养活得起，也只有头部的车企，才有足够的销量去分摊成本、形成竞争优势，否则反而成了累赘。
第二种，对于资金没那么雄厚、体量没那么大的车企来说，是个“高性价比”的选择，在控制投入的前提下，还能共享产出。以某几个头部自动驾驶软件公司和芯片厂商为核心，形成一个开放的生态圈，既能让芯片形成规模效应，也能共享算法解决方案和自动驾驶数据，以此来抗衡特斯拉模式。
不少人认为，在独立的自动驾驶软件公司这个赛道，最后很可能只有几家头部的公司才能活下来，其他的大概率会被并购，就像小米收购DeepMotion（深度科技）一样。
李斌在对话赵福全时，也提到自动驾驶行业终局，他认为最终也会形成几个联盟，不过和上述的“强Tier 1+弱OEM”不同，他认为车企之间会相互联盟，每个公司独立运营，但加入某个联盟来共享资源，比如传感器布局、算力平台、基础算法、算法数据等，既合作又竞争。
其实车企之间“强OEM+弱OEM”的“抱团”的趋势也已经在发生了，2019年，大众集团和福特对外宣称共同投资Argo AI公司，共同分摊Argo AI研发自动驾驶汽车技术的费用。
2018年，本田通过投资7.5亿美元，获得通用汽车收购的Cruise 5.7%的股权，并在自动驾驶领域和通用继续加深合作，于2021年和通用、Cruise一起合作开发出了无人驾驶车辆平台Origin。
至于上述提到的第三种维持行业现状的路线，更像是个演变进程中的过渡状态，目前传统界限分明、分工明确的Tier 1、Tier 2，也已经开始慢慢模糊，开始出现Tier 0.5和Tier 1.5这样的角色。Tier 1也在不断调整自己的角色定位，“对福瑞泰克来讲，新型Tier 1作为主机厂最紧密的合作伙伴，对整个系统开发负责，我们也会更多站在用户的角度去思考功能的定义和开发，不仅提供最终产品的供应，更重要的是帮助客户一起完成产品的定义和论证，供应商的管理。”沈骏强说。
市场风向在不断调整，车企的关注点也在不断调整，而且往往是在两个极端之间摇摆。
五六年前，车企对智能化的关注点还更多是在智能座舱上，2016年号称“全球首款量产互联网汽车”的荣威RX5发布，一上市中控大屏就惊艳了市场，而那时候智能驾驶领域还在被Mobileye垄断市场，车企都还在用EyeQ系列芯片。
不过市场变化很快，随着智能座舱的同质化，和特斯拉智能驾驶功能FSD的火爆，让用户购车时更多关注智能驾驶功能上了，智能驾驶又成为了车企关注的焦点。
对软件的态度也是如此。传统模式下的产业链分工，车企几乎不做软件开发，由Tier 1将软件封装在ECU里软硬件一起交付，对软件的重要性认识也不够，一位自动驾驶公司创始人说：“四五年前，在和车企交流时提到软件定义汽车，车企觉得‘软件没你说的这么重要’‘还是踏踏实实搞硬件’‘消费者不关心软件’，在提到特斯拉时，也是用鄙视和调侃的语气。”
随着这几年“软件定义汽车”的大火，风向完全逆转了过来，车企都在大规模招聘软件人才，组建软件研发团队。
在产业链分工上也是如此，从传统的Tier 1、Tier 2的分工模式，形势完全逆转，车企纷纷模仿特斯拉做全栈自研，甚至芯片也要自己造，就像手机行业里的苹果的封闭生态一样。
不过，并不是所有的车企都能成为特斯拉，就像不是所有的手机厂商都能成为苹果一样。最后行业的终局，一定会出现类似于手机行业里安卓那样的开放生态，车企借助上游合作伙伴的力量，一起抗衡苹果模式的车企。
最终两个生态相互竞争，互为补充，持续共存，这是自动驾驶行业最有可能的终局。
参考资料：
1.赵福全对话李斌（下）：解读汽车产业价值转移https://auto.ifeng.com/pinglun/20210119/1526989.shtml
注：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！
注：加微信时务必备注您的真实姓名、公司、岗位
以及投稿意向等信息，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，需有特别牛逼的独家观点才行。多谢理解与支持。
推荐阅读：
◆当候选人说“看好自动驾驶产业的前景”时，我会心存警惕——九章智驾创业一周年回顾（上）
◆数据收集得不够多、算法迭代得不够快，就“没人喜欢我”————九章智驾创业一周年回顾（下）