Robotaxi 已经满街跑，智能驾驶还在试点高速 L3？
原创 应堃 DataHermit
第 41 篇原创
所以，以华为 “鸿蒙智行” 为首的国内 “智能驾驶” 汽车的发展，真的棋差一招？
可是，怎么能忽略萝卜快跑 “在武汉” 这个定语呢？“无人驾驶” 出租车（Robotaxi）就是一系列的 “限定词” 之下的 “无人驾驶”：依赖高精地图和激光雷达，有严格的城市区域限定，有安全 “兜底” 措施。
1
同一目标下的不同路线
L5 等级的 “无人驾驶” 是 “自动驾驶” 的终极目标：不限定驾驶区域，车辆可以作为驾驶的责任方。
目前技术共识是：利用机器学习（Machine Learning-based）来模拟人类对驾驶场景的理解和判断，作出驾驶决策。想要让机器学习独立完成对全链路的一致性掌控，那全局 “端到端” ，是更好的解决方案。
但是，是逐步减少驾驶规则代码，从模块 “端到端” 过渡到全局 “端到端”？还是直接 “端到端”？这里分化出两条路线：
“渐进式” 路线：新能源汽车的 “智能驾驶” 。参与方以整车厂商为主。
“跃进式” 路线： “无人驾驶” 出租车 Robo-taxi。参与方以 Tier1 级别的 “自动驾驶” 方案提供商为主。
本质上来说，两条线路都以自身更具备优势的 “运行范围” 和 “能力等级” 为始，做能力补齐，无限逼近 “无人驾驶”。（“端到端” 的技术优势是什么？技术细节参考前文：）
2
提供更多的“训练数据”
“端到端” 架构下的三要素：训练数据、算力、算法。其中，足够的 “训练数据” 是一切的前提。马斯克曾经在财报会中提到训练 “无人驾驶” 模型所需的数据：“100 万个视频训练，勉强够用；200 万个，稍好一些；300 万个，就会感到 “嚯！”；到了 1000 万个，就变得难以置信了。”
“训练数据” 的积累，需要足够的在跑智驾车辆和智驾里程。国外，特斯拉是怎么积累 “训练数据” 的？（技术细节参考前文： 第 6 章）
国内，无论是智驾里程、亦或者在跑智驾车数量，跟特斯拉都存在量级差距。仅凭借在量产车上的 “训练数据” 的积累，明显不足。“无人驾驶” 出租车是一个提供 “训练数据” 的重要来源。
3
商业化闭环
“无人驾驶”出租车，无论对于整车厂商，还是 “自动驾驶” 方案提供商，都是商业化、规模化的增长机会。
① 对于整车厂商，需要量产车的其他应用场景。
Cathie Wood “木头姐” 在《Big 2024》里预测，未来 5-10 年，全球每年出售 “无人驾驶” 出租车数量约为 7400 万辆。而 2023 年 全球汽车销量为 9272 万辆。无论预测精确与否，这都是庞大的增量市场。
② 对于 “自动驾驶” 方案提供商，需要技术在某个产品上实现商业化的闭环。
2024 年，特斯拉预计将为自己已成体系的训练数据、算力、算法闭环，再投资 100 亿美元。惊人的投入，需要技术尽快获得收益。Cathie Wood 预测，到 2030 年，自动驾驶出租车的整个生态系统将创造 8-10 万亿美元的收入， “自动驾驶” 方案提供商将获得其中的一半。
对于国内而言，这也是一个极具诱惑的增量市场：
4
安全问题
Robotaxi ”跃进式“ 路线必然意味着更高概率的安全事件。
先看看国外的前车之鉴：
2023 年，通用旗下的无人驾驶公司 Cruise 因 2023 年 10 月的一起重大交通事故的持续发酵，使得公司期权在一个季度内暴跌 51.40%。Cruise 事故中，Robotaxi 发生碰撞之后却启动了“靠边停车”程序，导致拖拽行人达 6 米，最终致人死亡。公司几乎颠覆。（细节参考前文：）
事件发生之前，Cruise 是通用旗下的明星项目。而今，一年之后，Cruise 才获得在美国加利福尼亚州的无人驾驶机器人出租车测试权限（允许测试车辆 ≤ 5 ）。
国内，安全问题也是红线。
“无人驾驶” 出租车是怎么规避安全风险的？
配备高精地图、激光雷达，严格限制驾驶区域。实在判断不了的场景，”立即停车等待接管员控制车辆“ 应该是最好的处理方案。Cruise 的经验告诉我们，”靠边停车“ 不靠谱。
这大概就是武汉的 ”萝卜快跑“ 总是被吐槽 ”憨萝卜“ 的原因吧。一遇到问题就原地停车，管它后面喇叭震天。但其实，人家这个程序是挺正确的 。
风险提示：
本文仅做探讨，不构成任何投资建议。
原标题：《Robotaxi 已经满街跑，智能驾驶还在试点高速 L3？》