文 | 硅谷101
無人駕駛， 真的能落地嗎？
人類研發(fā)無人駕駛，已經(jīng)消耗了無數(shù)的時間與資金。到了今天，事故頻發(fā)、燒錢無止境、進度緩慢，引發(fā)了眾多不解與質(zhì)疑：無人駕駛是否是一場騙局，甚至，行業(yè)已死？
這個行業(yè)，真的是我見過最分裂的行業(yè)之一，各個派系觀點各不相同、互相瞧不上、互相指責，神仙打架之后，又各干各的，各踩各的坑，各倒各的閉，各花各的錢。
結(jié)果就是，在2024年之前，無人駕駛走入了寒冬。
但這個寒冬，隨著馬斯克號稱“通過端到端AI技術(shù)“重構(gòu)了特斯拉的FSD，并宣布要進軍無人駕駛出租車（Robotaxi），似乎又出現(xiàn)了一些新的生機和希望。
端到端能否帶領我們走向真正的無人駕駛呢？自動駕駛中定義的L2與L4之間真的相隔甚遠嗎？如今無人駕駛技術(shù)發(fā)展到哪一步了？純視覺與多模態(tài)之爭，真的沒有盡頭嗎？
為了探究無人駕駛行業(yè)到底發(fā)展如何，我們歷時3個月，采訪了全球市場上最前沿的無人駕駛公司，包括Waymo，Cruise的前核心員工、前特斯拉FSD工程師、一二級市場投資人等多達十多位自動駕駛界的專業(yè)人士。
我們發(fā)現(xiàn)這個行業(yè)依然割裂，很多技術(shù)路線業(yè)內(nèi)并沒有達成共識。
這個系列文章我們將從感知、算法、產(chǎn)品、運營、經(jīng)濟、法律等多個角度，全方位一起來探討如今的自動駕駛技術(shù)的最前沿現(xiàn)狀。
本期文章我們先全面聊聊技術(shù)，下期會從運營與經(jīng)濟角度解析。
01 自動駕駛是什么？
我們先來做個概念區(qū)分：無人駕駛和自動駕駛的區(qū)別是什么？
根據(jù)智能化程度的不同，自動駕駛被分為L0到L5共6個等級：
L0為無自動化，L1指駕駛援助，L2指部分自動駕駛，L3指有條件自動駕駛，L4指高度自動駕駛，L5指完全自動駕駛，即真正的無人駕駛。
我們之后提到的Waymo和Cruise，以及侯曉迪做的無人卡車都屬于L4級別，特斯拉FSD屬于L2級別，但馬斯克號稱的特斯拉Robotaxi，卻是L4級別的。
所以目前在這個產(chǎn)業(yè)中，人們說無人駕駛，一般指的是L4的公司，因為現(xiàn)在還沒人能做到L5；而一般說自動駕駛，則是包括了所有級別，是更泛的一個稱呼。
我們再來看看自動駕駛產(chǎn)業(yè)是怎么開始的。
盡管早在100年前人類就開始探索無人駕駛，但公認現(xiàn)代自動駕駛正式起源于2004年美國軍方的DARPA挑戰(zhàn)賽。
經(jīng)過了幾年發(fā)展后，形成了感知（Perception）-規(guī)劃（Planning）-控制（Control）這樣的運行鏈路。其中感知模塊包含了感知（Perception）和預測（Prediction）。
感知層需要通過雷達、攝像頭等傳感器獲取前方路況，并預測物體的運動軌跡、實時生成一張周圍環(huán)境的地圖，也就是我們在車機上常見的鳥瞰圖，再將這些信息傳遞給規(guī)劃層，由系統(tǒng)根據(jù)算法來決定速度與方向，最終再下放到執(zhí)控制層，控制對應的油門、制動和轉(zhuǎn)向機。
后來隨著AI的興起，人們開始讓機器自己去學習如何開車，先讓算法到仿真的數(shù)字世界里開車，等仿真訓練到一定程度，就可以開始上路測試。
而最近這兩年，隨著特斯拉將“端到端”方案應用在FSD V12的版本中，感知-規(guī)劃-控制的運行鏈路也開始改變。
接下來我們著重來聊聊自動駕駛產(chǎn)業(yè)在感知這一層面的兩派技術(shù)路線：純視覺派與多模態(tài)融合派，這兩個派別在過去很多年一直在打架，各說各的好，我們來講講它們的恩怨情仇。
02 感知篇：純視覺Vs.多模態(tài)融合
目前汽車主流的感知方案分為兩種。
第一種是不少公司采用的多模態(tài)融合感知方案，會將激光雷達、毫米波雷達、超聲波傳感器、攝像頭、慣性測量單元等傳感器采集的信息進行匯總?cè)诤?，來判斷周圍環(huán)境。
回到我們上一章說到的DARPA挑戰(zhàn)賽，2004年第一屆中，雖然沒有任何一輛車完賽，但一位名叫David Hall的參賽者在比賽中意識到了激光雷達的重要性，在比賽結(jié)束后，他創(chuàng)辦的Velodyne開始從做音響轉(zhuǎn)向做激光雷達。
當時的激光雷達還是單線掃描，只能對一個方向測距，而David Hall發(fā)明了64線機械旋轉(zhuǎn)式激光雷達，可以360度掃描環(huán)境。
后來他帶著這臺旋轉(zhuǎn)式的激光雷達，參加2005年第二屆的DARPA挑戰(zhàn)賽。終于有臺頭頂著5個激光雷達的車完賽并取得了冠軍。
但這并不是David Hall的車……他的車輛中途因機械故障退賽了，不過他的表現(xiàn)確實讓大家意識到了，激光雷達、是個“外掛”。
到了2007年第三屆DARPA挑戰(zhàn)賽中，完賽的6只隊伍中，5只都用到了Velodyne的激光雷達。至此，激光雷達開始成為自動駕駛界的香餑餑，Velodyne也成為了車載激光雷達的龍頭企業(yè)。
張航
Cruise高級主任科學家：
現(xiàn)在不管是Cruise、Waymo，基于L4在做的一些解決方案，都是基于激光雷達為主了，它可以直接拿到位置信息，這樣的話對于算法本身的要求，就是相對會比較低一些，然后很多可以直接通過傳感器來拿到這些3D的信息，這樣對系統(tǒng)的魯棒性，還有對于安全性，一些長尾問題會比較輕松。
另一個技術(shù)派別就是以特斯拉為代表的純視覺方案了，只靠攝像頭采集環(huán)境信息，然后利用神經(jīng)網(wǎng)絡，將2D的視頻轉(zhuǎn)換成3D的地圖，其中就包含了周邊環(huán)境的障礙物、預測的軌跡、速度等信息。
相比激光雷達方案直接生成3D地圖，純視覺多了一道2D轉(zhuǎn)3D的過程，在張航看來，純靠“視頻”這種缺乏3D信息的訓練數(shù)據(jù)，會給安全性帶來一定挑戰(zhàn)。
張航
Cruise高級主任科學家：
它需要大量的訓練數(shù)據(jù)去學出缺乏3D的信息，這樣的話缺乏監(jiān)管，因為沒有一個參照物，很難去拿到一個現(xiàn)實中的一個ground truth（真值數(shù)據(jù)），如果完全通過這種半監(jiān)督的學習方法，想要達到系統(tǒng)的一個安全性，我覺得是比較難的。我覺得特斯拉主要目的還是控制成本，包括修改一些換擋的機制，都是為了節(jié)約一些零部件方面成本。
但在特斯拉的前AI工程師于振華看來，選擇純視覺并不只是節(jié)約成本那么簡單。
Chapter 2.1 多即是亂？
于振華
前特斯拉AI工程師：
其實特斯拉原來的自動駕駛系統(tǒng)是有毫米波雷達，傳感器融合其實是一個很復雜的算法，就是它做出來了并不一定好。
我當時有一輛車，是最后一批有毫米波雷達的車。在2023年的時候，我的車進行了一次保養(yǎng)，服務工程師就自動把我的雷達給去除了。這一件事情的結(jié)論是什么呢？去掉毫米外雷達不是為了成本，因為我的車已經(jīng)有毫米波雷達在那放著了。根源的原因是純視覺已經(jīng)勝過毫米波雷達了。所以特斯拉是在做減法，把一些他認為不需要的冗余的事情去掉，或者說累贅的事情去掉。
于振華認為，如果融合算法做不好，或者通過純視覺就已經(jīng)能達到足夠好的效果了，那更多傳感器反而成為累贅。
接受我們采訪的很多L4從業(yè)者也同意，信息并不是越多越好，反之，傳感器收集到的太多額外的無效信息會加劇算法的負擔。
那么馬斯克一直倡導的光靠攝像頭這一種傳感器，到底行不行呢？
Chapter 2.2 少即是多？
馬斯克說，既然人類僅通過兩只眼睛就能開車，那么汽車也可以僅憑圖像信息來實現(xiàn)自動駕駛，但業(yè)內(nèi)對于純視覺派的擔心一直是，視覺欺騙，在過去這確實帶來了不少事故。
比如特斯拉將白色卡車識別為天空、把月亮識別為黃燈，又或者理想將廣告牌上內(nèi)容識別為汽車，導致高速急剎追尾等事故。
這些案例是否意味著，少了深度信息的純視覺方案，存在先天性不足呢？
于振華前特斯拉AI工程師：多個信息流確實能提供更多的信息，但是你要解答一個問題，難道攝像頭本身的信息不夠嗎？還是算法挖掘信息的算法能力不足？比如說緊急剎車、在城市道路的時候有頓挫感，其實根源就是它對周圍物體的速度估計、它的角度估計不足，如果是這個原因，那確實激光雷達要比攝像頭好很多，因為它能夠給你提供更直接的信息，就是攝像頭本身其實也給你信息了，只不過我們的算法不足夠好，能夠挖掘出這樣的信息。
于振華不認為視覺欺騙的根本原因是攝像頭的信息不足夠，而是算法不足以處理或挖掘攝像頭給的信息。他認為，特別是在特斯拉FSD V12算法的推出后，更證明了當算法得到了巨大優(yōu)化，攝像頭信息的挖掘和處理就得到了顯著進步。
于振華前特斯拉AI工程師：今天的FSD V12它不是完美的，有很多的問題，但是我到目前為止沒有發(fā)現(xiàn)，哪一個問題是由于傳感器不足。當然在V12之前確實很多是由于傳感器不足，但是今天V12是沒有這個問題。
但是，L4的從業(yè)人員就有不同的觀點了。他們認為攝像頭就是有天然劣勢的。
張航Cruise 高級主任科學家：我個人覺得是有難度的，我覺得不一定是算法本身的問題。首先這個攝像頭本身它不像人眼這么復雜，每個攝像頭它有一些參數(shù)，它有它的局限性。然后就是算法本身的話，人不需要知道200米范圍內(nèi)所有的車的動向都在哪里，我只需要知道哪幾輛車、哪幾個行人可能影響到我的車的行為，我只關注在這幾個點上就夠了，我也不需要很大的算力，可能短期不能夠通過算法來達到這個高度，我覺得激光雷達才作為是一個方式的補充吧。
從事L4研究的張航認為攝像頭無法與人眼媲美，主要原因在于攝像頭的焦距和像素是固定的，而人眼的精度非常高而且可以自動變焦。同時人類跳躍式的思考模式，短期內(nèi)無法應用在計算機上，所以使用激光雷達才能補充攝像頭的缺陷。
但市面上也有其它的看法，認為除了視覺信息，其他傳感器也會帶來干擾信息。
比如說，激光雷達也存在自己的缺陷，由于是通過激光測距，在面對一些反射物體、雨雪天氣，或者其他車發(fā)射的激光時，會對激光雷達帶來干擾，最終造成幻覺效應。
劉冰雁
Kargo軟件負責人：
我是非常堅定的純視覺派，這個世界的道路都是給人和視覺設計的，也就是說除了視覺之外，你采集的信息你可以認為都是干擾，當然你可以采集，但是那些信息提供的干擾，和它提供的真正價值，到底是什么樣的分布？我覺得在視覺越做越好的情況下，可能反而是完全相反的。
如果能做好多傳感器融合算法，讓激光雷達與圖像信息互相驗證，或許會讓系統(tǒng)的安全性進一步提升。
侯曉迪提出了一個形象的比喻：兩個同等水平的學霸在考試時，最終一定是使用計算器的學霸更輕松，只是經(jīng)濟基礎決定了買不買得起計算器而已。
選擇純視覺還是以激光雷達為主的多模態(tài)融合方案，這個辯論已經(jīng)持續(xù)了數(shù)年，并且似乎短期內(nèi)不會有答案?；蛘邔σ恍﹦?chuàng)業(yè)公司來說，什么路線根本也沒那么重要，而成本和經(jīng)濟賬才是最重要的。
侯曉迪
前圖森未來創(chuàng)始人兼CEO，Bot.auto創(chuàng)始人：
我曾經(jīng)被認為是視覺派的，是因為當時買不到激光雷達，所以逼著我們不得不去在視覺上多去找解決方案。
我也不反對激光雷達，激光雷達什么時候便宜了，我第一個去排隊?，F(xiàn)在激光雷達確實便宜了，所以我也在排隊買激光雷達，對我來講就是，抓住耗子的都是好貓。只要這個設備的成本足夠低，只要這個設備能從信息論意義上，給我們提供足夠有價值的信息，我們就該去用它。
大衛(wèi)
《大小馬聊科技》主播：
中國的自動駕駛?cè)芸斓鼐桶堰@些硬件，比如說激光雷達、毫米波雷達，做成了白菜價。在這種狀態(tài)下是不是還要像特斯拉那樣做純視覺？其實很多公司現(xiàn)在就在猶豫了，那我是1000多塊錢買一個固態(tài)激光雷達，還是我用純視覺，但是對算力上會造成很大的浪費。
于振華
前特斯拉AI工程師：
我覺得 1000塊錢太貴了，特斯拉連雨量傳感器都不舍得用。
王辰晟
前特斯拉采購總監(jiān)：
但是我覺得隨著供應鏈的規(guī)模的上升，成本的大幅下降，在激光雷達能做到和攝像頭相似的價格的時候，特別是在端到端的這樣一個應用場景下，是不是純視覺還是一個唯一的路徑？
Chapter 2.3 幡然悔悟？
有意思的是，隨著激光雷達價格大幅下降，業(yè)內(nèi)開始對特斯拉即將發(fā)布的無人駕駛出租車，是否會用上激光雷達產(chǎn)生了分歧。
比如張航就認為，由于Robotaxi沒有人類干預，而且出了事需要企業(yè)負責，特斯拉可能會選擇更保守的路線，會用上曾經(jīng)瞧不起的激光雷達。
張航
Cruise 高級主任科學家：
特別是它需要去為企業(yè)事故負責的時候，它需要更加的保守，我覺得它可能需要一個額外的傳感器。從這個角度看的話，Tesla可能會采取一些，它之前鄙視的技術(shù)，只要這個東西有用，能達到它L4的目的，它會逐漸去采用的。
最近我們也發(fā)現(xiàn)特斯拉在做這個L4、L5的一些方面也在考慮，他也在跟這個激光雷達的一些廠商也在聊一些合作，所以說可能就是大家殊途同歸。
今年激光雷達制造商Luminar發(fā)布了第一季度的財報，顯示特斯拉的訂單達到了10%，成為了其最大客戶。而于振華卻不以為然，認為這并不是什么新鮮事。
于振華
前特斯拉AI工程師：
首先它肯定不是為了以后量產(chǎn)車上使用激光雷達，因為Luminar第一季度總收入好像是2000萬美元，10%就是200萬，也不夠裝幾個激光雷達。其實特斯拉的工程車、測試車上裝激光雷達，也不是什么秘密了，那個激光雷達就是用來采集訓練神經(jīng)網(wǎng)絡的ground truth（真值數(shù)據(jù)），因為人工無法標注那個物體距離你有幾米，必須要用專門的傳感器來標注。
但是Lumina為什么在第一季度披露這件事，我其實也非常疑惑，因為馬斯克也當時就回應了，說我們在V12了之后，我們不需要真值數(shù)據(jù)了，因為端到端了，占用網(wǎng)絡是V11時代的事情，我可能是覺得這里面有一些誤解，就是從財報上或者財務規(guī)則上。
雖然目前不確定特斯拉即將推出的Robotaxi是否會搭載激光雷達，但有一點可以確定的是，以目前特斯拉的感知配置，安全性還不足以達到L4、或者能運營Robotaxi的程度。
劉冰雁
Kargo軟件負責人：
我非常確定現(xiàn)有的特斯拉的這幾個車型，都有非常明確的盲區(qū)，就是視覺不可達的盲區(qū)，而這個盲區(qū)就造成，如果他想實現(xiàn)最終的，不管是L4、L5的自動駕駛，他的下一款車一定需要解決這個盲區(qū)問題。
特斯拉最新的端到端技術(shù)更新，以及10月將公布的Robotaxi細節(jié)猜測，我們會在第三和第四章節(jié)再詳細拆解。接下來我們先探討感知上的另外一個重要的技術(shù)：高精地圖。
Chapter 2.4 歷久彌新？
除了激光雷達外，高精地圖也是自動駕駛感知端中的成本大頭。
高精地圖就是提前采集道路信息，降低感知模塊繪制3D地圖的壓力，并提高準確性。
說來也巧，最早推行高精地圖的人，正是2005年第二屆DARPA挑戰(zhàn)賽的冠軍——那個頭頂了5臺激光雷達的車主，Sebastian Thrun。
在2004年DARPA挑戰(zhàn)賽時，谷歌正在籌備“街景”項目，谷歌創(chuàng)始人Larry Page親自到了比賽現(xiàn)場去物色人才，在2005年比賽結(jié)束后，Page找上了Sebastian Thrun，邀請他加入谷歌，并將繪制地圖的工作交給了他。
在這個過程中，Thrun和Page突然意識到，如果有一種能精確記錄所有車道線、路標、信號燈等道路信息的地圖，那將對無人駕駛帶來巨大的幫助，這也奠定了高精地圖在無人駕駛項目中的重要地位。
但是，制作高精地圖非常昂貴，自動駕駛公司采集高精地圖的平均成本大約為每公里5000美元，如果要覆蓋全美660萬公里的道路，光是采集成本都達到了33億美元。
再加上地圖頻繁的維護成本，最終消耗將是無法想象的天文數(shù)字。
現(xiàn)在已經(jīng)有不少車企，紛紛宣傳舍棄高精地圖的無圖方案，轉(zhuǎn)而由車輛在本地構(gòu)建環(huán)境地圖。
我們匿名采訪的一位自動駕駛工程師對此表示，這些對比宣傳更多的是出于商業(yè)模式的考量，對于做Robotaxi生意的企業(yè)，用上高精地圖能增加安全性，而對于車企來說，舍棄高精地圖能有效降低成本，所以并不意味著舍棄高精地圖技術(shù)水平就會更高。
匿名受訪者
L4工程師：
華為還有理想，他們的解決方案是量產(chǎn)車，你的客戶可能是來自各種城市，你要在任何城市都能開。
那現(xiàn)在主流的這個高精地圖，它的這個主要的門檻在于，它需要有一個地圖采集的過程，這個地圖采集的過程實際上是相對來說比較花時間、人力成本的，然后他也需要專業(yè)的這個地圖采集設備。
所以如果是做這個量產(chǎn)車的生意的話，你不可能說我專門有一個地圖采集車，我把全中國都給你跑遍了，這個是不現(xiàn)實的。
像特斯拉、華為、理想等L2的公司拋棄高精地圖，是因為無法覆蓋每一條大街小巷。
而Waymo、Cruise這樣做Robotaxi的L4公司選擇繼續(xù)使用高精地圖，因為他們發(fā)現(xiàn)，只需要覆蓋一些關鍵的城市，就能拿下足夠的市場了。
所以，是否使用高精地圖成為了Robotaxi公司的經(jīng)濟賬問題，而不是技術(shù)問題。
Minfa Wang
前Waymo高級機器學習工程師：
如果你單看Robotaxi的商業(yè)模式，把美國Robotaxi的需求來劃分，你會發(fā)現(xiàn)前五大的城市，它已經(jīng)占有了全美一半的商業(yè)體量，你不需要讓它在全美任何一個地方都能跑，其實你就已經(jīng)有一個相當大的一個市場了
類似的，我們采訪的另一位做L4自動駕駛卡車的嘉賓也分享到，他們?nèi)绻獢U大運營線路，也就是擴充高精地圖的覆蓋范圍，得先衡量這條線路是否賺錢，否則只是賠本賺吆喝。
這么一圈聊下來，在感知端上，業(yè)內(nèi)也沒有統(tǒng)一的看法，就像侯曉迪說的一樣，抓到耗子就是好貓。
接下來，我們重點聊聊大家最近非常關注的自動駕駛算法層面的最近進展，特別是特斯拉近來大肆宣揚的“端到端”，到底是什么技術(shù)呢？它真會改變自動駕駛的行業(yè)方向嗎？
03 算法篇：端到端是自動駕駛的未來嗎？
Chapter 3.1 何為傳統(tǒng)？
傳統(tǒng)的自動駕駛的運行鏈路是先感知、預測，再規(guī)劃，最后控制。
感知模塊要先通過攝像頭、雷達等傳感器，識別道路，把這些信息翻譯成機器能看到的語言，傳遞給預測模塊。
預測模型就會判斷其他車輛、行人的行駛軌跡，再把這些信息傳遞給規(guī)劃模塊，去找出風險最低的一條路，最后再將控制信號傳遞給操控系統(tǒng)。
這時的算法主要靠“規(guī)則庫”（Rule base）來驅(qū)動，工程師需要不斷寫入各種規(guī)則，比如遇到行人得減速、遇到紅燈要停車等等，為了考慮到各種情況，規(guī)則庫就得盡可能覆蓋到各種可能，相應的，代碼也非常非常長了。
這樣的算法有哪些難點呢？
最大的問題就在于，系統(tǒng)被劃分成了不同的模塊，但模塊之間的信息傳輸會有所損失，如果下游無法拿到全面的信息，預測和規(guī)劃的難度就會增加。
舉個淺顯易懂的例子，大家都聽過多人傳話游戲吧？10個人，從頭到尾傳遞一句話，但經(jīng)常這段話經(jīng)過多人傳遞的過程，細節(jié)就會被丟失或篡改，以至于到達最后一個人那里的時候意思就大相徑庭了。
類似的，在傳統(tǒng)的Rule-based模式下，如果上一層模塊做得不夠好，會影響到下一層的表現(xiàn)。
另一個缺點是，規(guī)則都是由人工設計定義的，但有限的規(guī)則無法覆蓋無限可能的現(xiàn)實情況，一些不常見且被容易被忽略的問題，機器難以拿出對應的解決方法，這被稱為“長尾問題”（long tail case），也叫“極端情況”（corner case），這就會導致規(guī)?；涞氐某杀痉浅８摺?/p>
于振華
前特斯拉AI工程師：
還有一個就是，在分兩個模塊的時候，我認為這個技術(shù)是很難規(guī)模化的，為什么呢？你每次要在一個現(xiàn)實的復雜場景中新加一個任務，那么你就要新加一些接口，你就要去改變感知、改變控制規(guī)劃。
比如說特斯拉，前幾年NHTSA（美國交通安全管理局）要求特斯拉能夠檢測到緊急車輛，比如說消防車、救護車之類的，在感知上你就要求要檢測這個，然后控制規(guī)劃也要做這個，這只是一個任務，可能會成百上千這樣的任務，你要去規(guī)?；?，所以說在華為你們知道有幾千個工程師？大概是6000個工程師，因為你會有這么多不斷涌現(xiàn)的新的任務出現(xiàn)，環(huán)境越復雜任務越多，我認為這不是一個可規(guī)模化的模式。
大衛(wèi)
《大小馬聊科技》主播：
那這種方法還是比較老套，雖然說看起來，如果做Robotaxi行業(yè)是比較靈的一個方法論，但是它不能滿足乘用車、幾百上千萬臺車將來在全世界的路面上行駛。
那有什么辦法能解決這些問題呢？這時候就得聊聊“端到端”（End To End）了。
Chapter 3.2 新超級明星
在自動駕駛領域內(nèi)，目前主流的“端到端”定義是：傳感器收集到的信息，不加任何處理傳遞給基于神經(jīng)網(wǎng)絡的大模型，并直接輸出控制結(jié)果。
也就是說，不再需要人為編寫各種規(guī)則，讓算法跟著投喂的數(shù)據(jù)，自己學會如何開車。
于振華
前特斯拉AI工程師：
因為我們?nèi)祟愰_車，我們腦子里并不是去判斷某輛車的速度和角度的，你就是通過一個復雜環(huán)境來下意識地來做出你的決策。
“讓算法更像人，因為人就是這樣運轉(zhuǎn)的”這樣的思考邏輯，正是馬斯克帶領特斯拉的前進方針，也不奇怪，為什么“端到端”技術(shù)在自動駕駛里并不新，但是卻被特斯拉第一個做出來。
雖然2023年底，特斯拉才第一次將用上了“端到端”的FSD V12推出，但在自動駕駛界，“端到端”并不是什么新鮮事。其實早在2016年，英偉達就有論文提出了“端到端”。
而現(xiàn)在，“端到端”也分為兩種，一種是把部分模塊替換成神經(jīng)網(wǎng)絡，這種分模塊的“端到端”，只是一種過度形式，并不是完全體，因為各個模塊之間要傳遞信息，依然要定義各種接口，造成數(shù)據(jù)損失。
在主流觀點中，只有將多個模塊融為了一個整體，去掉了感知層、預測層、規(guī)劃層這樣的定義，才算純正的“端到端”。
2023年，CVPR的最佳論文《Planning-oriented Autonomous Driving》就提出，過去的“端到端”要么只運行在部分模塊上，要么需要在系統(tǒng)中插入一些組件。
而這篇論文提出了UniAD的模型架構(gòu)，是首次將所有的感知、預測、規(guī)劃模塊，都整合到了一個基于Transformer的端到端網(wǎng)絡框架下。
相比傳統(tǒng)Rule-based（規(guī)則驅(qū)動）的執(zhí)行鏈路，“端到端”不再需要算法工程師去反復完善規(guī)則庫，所以才有了馬斯克發(fā)布FSD V12時，宣稱得“其代碼從30萬行縮減到了2000行”。
雖然自動駕駛中的“端到端”技術(shù)不是特斯拉發(fā)明的，但特斯拉確實是第一家公司把神經(jīng)網(wǎng)絡“端到端”技術(shù)做出來并推向主流市場的。
Chapter 3.3 “端到端”優(yōu)勢
2023年11月，特斯發(fā)布了FSD V12第一個測試版本，但僅向選定的員工開放。到了2024年初，特斯拉開始將FSD V12版本開放給美國所有特斯拉車主，每位車主都有1個月的免費試用權(quán)限。
FSD V12推出后，一時間掀起了軒然大波，從用戶體驗上，我們看到大部分的輿論都認為比之前的特斯拉FSD功能進步非常大，甚至很多人都認為，這是自動駕駛界的“ChatGPT Moment”。
大衛(wèi)
《大小馬聊科技》主播：
真正讓我覺得進步的就是規(guī)劃，比如說過環(huán)島，因為這個過環(huán)島其實是在傳統(tǒng)的 planning方向上面是挺難做的，因為你前面的車要加塞，你還要出環(huán)島，這中間如何設置這種優(yōu)先級？
你即使設置優(yōu)先級，那你跟前車和旁邊的車保持多少的距離才能出去，這是一個其實挺復雜的邏輯，但是這個在新版的FSD上表現(xiàn)確實讓我覺得很驚艷，這是給我一個很大的驚喜。
不少體驗過FSD V12的人表示，這個通過人類駕駛數(shù)據(jù)來學習的系統(tǒng)，駕駛風格非常像人，不再有機械式算法帶來的頓挫感。
但與此同時，也有嘉賓在體驗后認為，F(xiàn)SD V12還沒有好到讓人非用不可，與L4之間還存在一定差距。
莫傑麟（Justin）
某家族辦公室首席投資官：
但是它沒有好到GPT4的那個時刻，就沒有好到說這個東西讓我必須得用，或者說我立馬就要用，能夠適合在我的很多的場景里面去用。
Minfa Wang
前Waymo高級機器學習工程師：
高速路相對它的表現(xiàn)還是比較好的，但在街道上我覺得基本上每開5英里左右，我覺得就需要人工接管一次。
尤其是在那種我們叫unprotected left turn（無保護左轉(zhuǎn)），它還是比較容易做一些，讓我覺得不是很安全的行為，如果你MPI（接管里程數(shù)）只有5的話，那么顯然離L4的自動駕駛還有一定的距離。
我自己也體驗了一下FSD 12.4.4的版本，和Waymo這類L4的車輛比起來，目前的特斯拉FSD依然在某些時候會嚇我一跳，或者有時候表現(xiàn)出莫名其妙的行為。
比如在一個右轉(zhuǎn)彎時，由于它的轉(zhuǎn)彎半徑太大，差點撞到對向來車，我不得不手動接管。
從表現(xiàn)上來看，“端到端”的FSD V12依然還有進步的空間，而從工程、運營和管理角度來看，“端到端”的優(yōu)勢有三點：
第一，能讓系統(tǒng)整體更簡潔。去掉規(guī)則庫后，只需要不斷補充訓練案例，即可進一步提升模型表現(xiàn)，維護和升級成本也將大幅降低。
第二，節(jié)省人力成本。由于“端到端”不再依賴繁雜的規(guī)則庫，因此不必配備龐大的開發(fā)團隊，甚至不再依賴專家。
第三，能實現(xiàn)更大范圍的推廣。大家可以看到目前L4的公司只能在限定地區(qū)運行，拋開法規(guī)牌照的限制，是因為非“端到端”方案，需要針對具體地區(qū)做優(yōu)化，而“端到端”各路況都能應對，更像一個“通用”的司機，這也是為什么特斯拉FSD V12被比作ChatGPT的原因之一。
既然“端到端”有如此多的優(yōu)勢，它能解決目前自動駕駛面臨的技術(shù)問題嗎？
Chapter 3.4 黑盒模型
我們采訪的不少嘉賓認為，在現(xiàn)階段下，進一步發(fā)展端到端的路線是自動領域內(nèi)公認的趨勢，但依然存在不少問題。
張航
Cruise 高級主任科學家：
這個方向我覺得是一個正確的方向，我們不可能通過一直在以打補丁的方式，來做出一個規(guī)?；腖4方案，只不過是目前我覺得要快速地達到一個L4的方案，也不可能完全通過端到端的方案，所以現(xiàn)在是一個矛盾的一個時間點。
為什么目前的端到端距離L4還有一定差距，這就要從它的不確定性說起了。
端到端就像一個黑盒子，這就會帶來較多的不確定性。
比如工程師無法驗證，輸入的數(shù)據(jù)案例是否已經(jīng)被模型學會；或者遇到bug時，無法定位到底是哪個環(huán)節(jié)出了問題；又或者新加入的數(shù)據(jù)，是否會導致已學到的知識被遺忘或覆蓋，這種情況被稱為Catastrophic Forgetting（災難性遺忘）。
比如特斯拉FSD 12.4.2的版本，內(nèi)部早就做出來了，結(jié)果大規(guī)模推送卻花了很長時間，馬斯克就解釋到，因為投喂的數(shù)據(jù)中有很多人工接管的視頻，反而讓模型的水平出現(xiàn)了倒退。
由于端到端的本質(zhì)是模仿，如果遇到的情況恰好在訓練數(shù)據(jù)中有相識的案例，那就會表現(xiàn)的非常好，但如果超出了已有的參考案例，則會表現(xiàn)更差，也就是說，端到端對訓練數(shù)據(jù)的數(shù)量和案例豐富性要求非常高。
張航
Cruise高級主任科學家：
就是在交通路口紅燈的時候，一定不闖紅燈，就這么一個簡單的規(guī)則，如果是heuristic-based（啟發(fā)式的算法），我們可以很簡單的就是一條 if else，就可以達到這樣一個效果。
但是如果是一個完全端到端的模型，它是完全全靠學習的，最后他要學的這樣一條路的話其實是非常難的。所以就是我覺得短時間內(nèi)端到端對L4，還是有很大的差距，我覺得這個算法是不成熟。
劉冰雁
Kargo軟件負責人：
你沒有一些硬性規(guī)則，就是所有的、你設置的這種不能做的事情，他都可以嘗試去做一下。于是就會就是在模擬里邊，也出現(xiàn)了很多一頭撞過去的現(xiàn)象。
同時，端到端帶來的不可解釋性，也是一些人擔心的問題。
所謂的不可解釋性，就是改變其算法模型中的任意一個權(quán)重、結(jié)點或?qū)訑?shù)，都會讓模型的表現(xiàn)產(chǎn)生難以預測的影響，即使是模型的設計者和訓練者，也無法知道中間的推理過程。
與之相對的，是可解釋性，比如在Rule-based的模式下，工程師已經(jīng)寫入了“當檢測到塑料袋飄過時可以繼續(xù)行駛”的規(guī)則，那我們就不用擔心遇到這種情況會突然來個急剎車。
劉冰雁
Kargo軟件負責人：
大家看到V12里，他在屏幕上的顯示也好了很多，但他所謂的端到端，這個顯示從哪兒來的？如果這個顯示來自于，原來的這個模型，那牽扯的一個問題就是，我們實際上在這個模型里邊已經(jīng)加了一層，人為定義的接口，使得你從可以從這個模型中的某一個位置，提取出這個信息。
另一種我覺得是更恐怖的事情，就是這個顯示是完全走了另外的一個路徑，那也意味著車上顯示前面有一輛卡車，不代表控制的模型真的認為前面有一輛卡車，如果這一點被破壞了，那將是非常非?？植赖模憧吹斤@示它前面有一輛車，但你不確定它不會撞上去。
他是否是真正的端到端，我實際有點懷疑，或者說我也許不是懷疑，但是這里邊可能有別的危險性。
王辰晟
前特斯拉采購總監(jiān)：
那對于像自動駕駛這個，對于安全系數(shù)要求這么高的行業(yè)來說，端到端模型帶來的這個不可解釋性，是不是硬幣的另外一面？
由于目前特斯拉還未公布FSD V12的技術(shù)，我們并不知道FSD是否采用了多模塊的策略，但我們發(fā)現(xiàn)，已經(jīng)有車主遇到了畫面顯示與實際行為不符的案例。
比如車輛構(gòu)建的鳥瞰圖顯示前方有人，卻沒有表現(xiàn)出任何剎車的痕跡，而是繼續(xù)行駛過去，所幸只是感知端的誤檢，沒有發(fā)生事故。
這個案例雖然可以看出在端到端算法下，上層錯誤不會影響下層決策的優(yōu)勢，但也表現(xiàn)了規(guī)劃層偶爾會不認可感知層的結(jié)果，印證了劉冰雁的擔憂。
不可解釋性是否會成為阻礙端到端發(fā)展的一大難題呢？接下來就是我們看到的第三個沖突。
于振華
前特斯拉AI工程師：
我認為是這樣的，AI一個很嚴重的問題，就是它的理論性是遠遠滯后的。
AI沒有告訴你這個一定行、一定不行。所以說它是一個實驗性的學科，它不算科學，就需要一個大量的驗證。
V12是全面碾壓V11，所以這是結(jié)果說話的一個問題。那難道你還去會想，端到端有這個不可解釋性那一頓什么什么，因為它全面碾壓，那就是一個非常無腦的，你就應該往下走。
于振華認為，AI作為實驗性的學科，只要結(jié)果達到了預期，就能證明方向正確，應該繼續(xù)推進。而侯曉迪表示，V12表現(xiàn)大幅領先于V11，只是因為V11的基礎太差，其表現(xiàn)距離真正的無人駕駛還比較遠。
王辰晟
前特斯拉采購總監(jiān)：
如果真的是Full Self Driving，以L5來去限制的話，它一定要過監(jiān)管部門，他們需要有一個可解釋性或者可預測性。
再加上對于，世界上有這么多的城市，就在美國來說，它每個城市，它可能都會有不一樣的法律法規(guī)。這個車無論從硬件軟件上，需不需要去去適應當?shù)氐姆煞ㄒ?guī)，變成了這個能不能規(guī)?；囊粋€很大的問題。
端到端不能通過人為定義規(guī)則，來對模型進行微調(diào)，所以能否適應不同法規(guī)，成了端到端規(guī)模化的挑戰(zhàn)。
同樣影響規(guī)模化的因素，在于端到端對數(shù)據(jù)量和傳感器更敏感。
Chapter 3.5 前途未卜
劉冰雁
Kargo軟件負責人：
端到端有一個非常嚴酷的問題，就是它對傳感器會更敏感，也就是說當你換了傳感器或者換了傳感器的分布的時候，你這個模型可以說得完全重頭訓。
從另一個角度來說，工程上不可接受，或者說我們無法想象之后全世界路上跑的都是同一款車。
一旦更改了傳感器分布，會讓模型失效，得重新開始訓練，為了訓練又得采集大量數(shù)據(jù)，必然會帶來巨大的成本。
美國財經(jīng)媒體CNBC報道稱，到2023年初，為了訓練特斯拉FSD，就用到了1000多萬段特斯拉車主的駕駛視頻。
而且這1000多萬段訓練數(shù)據(jù)可不是隨便用的，必須是駕駛水平比較高的人類司機，否則只會讓模型的水平越來越差。
所以訓練端到端模型不光要求數(shù)據(jù)多，還得經(jīng)過復雜的篩選，這個過程中又得消耗大量人力。對于賣車多的特斯拉可能不在話下，但對于其他公司來說，數(shù)據(jù)來源卻成了大問題。
大衛(wèi)
《大小馬聊科技》主播：
很多主機廠因為盲目的追求特斯拉那套方法論，然后導致有點被忽悠瘸了，就是這套東西確實不適合90%的主機廠。
那是否意味著，其他廠商真的無法進入端到端的領域呢？
雖然英偉達和特斯拉都是通過純視覺來驅(qū)動端到端算法運行，但端到端實際上也可以接受多模態(tài)輸入。
目前常用的毫米波雷達、激光雷達、超聲波雷達等傳感器，在車輛上的位置相對固定，特別是激光雷達，基本都在車頂上，所以采用多模態(tài)接入的端到端，就能利用不同車型采集的數(shù)據(jù)，來訓練模型，而且留給主機廠的設計空間也會更大。
又這么一圈聊下來，每種算法都各有千秋，哪種方式能帶我們徹底走向全無人駕駛的未來依然不明朗。
張航
Cruise高級主任科學家：
我不覺得在當下有任何一個算法能，又簡單又規(guī)?；?，然后又能達到L4標準，我覺得這個算法本身是不存在的，這個領域是一個大家一起去推動的。我是非常樂觀，大家會殊途同歸，雖然大家會稍稍有一點點不同的偏差。
Chapter 3.6 無計可施
不論是哪種算法，最終都要面對的是長尾問題。
在傳統(tǒng)Rule-based（規(guī)則驅(qū)動）模型下，編寫規(guī)則庫（rule base）需要龐大的團隊耗費大量精力，還很難做到面面俱到，那有了端到端后，長尾問題能得到解決嗎？
Minfa Wang
前Waymo高級機器學習工程師：
他解決了常規(guī)的的案例，但是長尾的問題我覺得依舊會存在。
Minfa認為，自動駕駛系統(tǒng)的容錯率很低，如果要將一個黑盒系統(tǒng)用在L4上，必須引入其他安全機制，但這樣又回到了Rule-based模式下的成本問題。
自動駕駛算法會先到仿真系統(tǒng)里練習，那仿真訓練可以解決一定的長尾問題嗎？
張航
Cruise高級主任科學家：
目前還沒有一個很好的方案能通過，生成的模擬數(shù)據(jù)，能夠?qū)ξ覀兊默F(xiàn)實中的道路表現(xiàn)有真正有很大的幫助。
Minfa Wang
前Waymo高級機器學習工程師：
像自動駕駛或者機器人的領域里邊，環(huán)境是非常非常復雜的，你要仿真的話，仿真的不只是你自己，這個車會未來怎么動，主要困難的是，當你自己的車的軌跡發(fā)生變化的時候，你會影響周圍的所有的車和人的行為也發(fā)生變化。
如何能夠很好的仿真，然后并且能夠不出現(xiàn) distribution shift（分布偏移），我覺得依舊是一個開放性話題。
既然虛擬的場景無法完全模擬出現(xiàn)實的種種可能，那是否意味著，目前業(yè)內(nèi)沒有辦法解決長尾問題，只能靠漫長地積累經(jīng)驗呢？
匿名受訪者
L4工程師：
某種程度上是吧，但你也不用做到，就是特別完美，對吧？人類也不完美，你只要做得比人好就行。人也有他的事故率，你只要做比這個好就夠了。
侯曉迪
前圖森未來創(chuàng)始人兼CEO，Bot.auto創(chuàng)始人：
我覺得長尾問題其實也是一個偽命題，就這個很高興你們提出來這個事情。
在我看來長尾問題，比如說我見到鱷魚怎么處理？我見著大象怎么處理？我見著一個固定翼飛機停在高速公路上，我怎么處理？
實際上對于很多長尾問題，我們是讓它包裹成一大類問題的，見到我沒見過的物體，怎么處理？如果你把它包裹成了一個更總體的的一類問題的話，它是很好處理的。
比如說我們曾經(jīng)就見到有固定翼飛機停在高速公路上，那我們的處理方案很簡單，停車呀對吧？
長尾問題到底是不是偽命題，或者它是不是需要解決的問題？這個話題可能大家都有自己的答案。而長尾問題對應的是，L4甚至L5何時才能大范圍鋪開，所以接下來，我們就來看看L2與L4的激烈沖突。
04 特斯拉Robotaxi能成嗎：L2與L4的沖突
Chapter 4.1 “成不了”
我們在馬斯克宣布推遲發(fā)布Robotaxi之前就詢問了各位嘉賓的看法，大家對此的看法非常統(tǒng)一，那就是今年特斯拉的無人出租車是不可能上線的。
大家觀點如此統(tǒng)一的最大原因，就在于目前特斯拉已有的車型，達不到L4標準的無人出租車。
劉冰雁
Kargo軟件負責人：
我非常確定現(xiàn)有的特斯拉的這幾個車型，都有非常明確的盲區(qū)，如果他想實現(xiàn)最終的，不管是L4、 L5的自動駕駛，他的下一款車，一定需要解決這個盲區(qū)問題。而解決這盲區(qū)問題又回到我們現(xiàn)剛才說的，它一定要調(diào)整相機傳感器的位置，而傳調(diào)整這些位置立刻帶來的結(jié)果就是，就是之前這個模型會完全失效。
就是現(xiàn)有的車從視覺攝像頭架構(gòu)的角度來說，是不可能達到，可以完全無人接管的FSD的。從這個角度來說，它必須有一款新的硬件出現(xiàn)。
張航
Cruise高級主任科學家：
從傳感器角度，它需要引入一些冗余，這個可能之前L2是不需要的。
在業(yè)內(nèi)人士不看好的情況下，是什么原因讓馬斯克對推出Robotaxi如此有信心呢？
于振華
前特斯拉AI工程師：
我認為主要還是這個FSD V12的幾個技術(shù)突破，作為馬斯克他的這個性格，他看到FSD V12今天這一刻，在他的這個計劃里面，他就覺得Robotaxi應該必須擺上日程了。
所以，F(xiàn)SD V12能讓特斯拉走向L4，承擔起Robotaxi的重任嗎？和目前已有的Waymo或Cruise比起來差距有多大呢？
在采訪侯曉迪這個問題時，他的回答讓我們看到了行業(yè)內(nèi)的另外一派觀點：那就是L2和L4的差距非常遠。
Chapter 4.2 “差很遠”
侯曉迪
前圖森未來創(chuàng)始人兼CEO，Bot.auto創(chuàng)始人：
首先特斯拉做的不是無人駕駛，我們今天談的是去掉人、并且由軟件開發(fā)公司承擔責任的方案，才叫無人駕駛，咱們不要虛假宣傳， FSD叫輔助駕駛，它不是無人駕駛，所以做的不是一個東西。
目前被廣泛應用在車企上的都是L2輔助駕駛，比如特斯拉、小米、華為、小鵬等等，而像Waymo、Cruise、百度等做無人出租車的企業(yè)，則采用的是L4高度自動駕駛，拋開書面的概念定義，這兩者之間的本質(zhì)區(qū)別就在于，誰來承擔責任。
侯曉迪
前圖森未來創(chuàng)始人兼CEO，Bot.auto創(chuàng)始人：
去掉人并且由軟件開發(fā)公司承擔責任的方案才叫無人駕駛。講一笑話，如果特斯拉撞死人了怎么辦？對Elon Musk來講，its not their business（這不關他的事）。
所以，如果特斯拉想做無人出租車，就必須做到自己承擔責任。那輔助駕駛和自動駕駛之間，從技術(shù)上又有哪些區(qū)別呢？
侯曉迪
前圖森未來創(chuàng)始人兼CEO，Bot.auto創(chuàng)始人：
L4無人駕駛要解決的核心問題是什么？是安全性，是冗余，是當一個系統(tǒng)的每一個模塊都有可能會失效的時候，這個系統(tǒng)還仍然能夠保障最底線的安全。這件事是L4最難和最關鍵的部分。在掙錢之前它要先解決安全性的問題，但是這件事情根本不是特斯拉的設計宗旨。
另外一位L4自動駕駛研究員也分別從硬件與軟件的角度，分析了L2和L4之間的區(qū)別。
張航
Cruise高級主任科學家：
L4 的解決方案，首先是我們有比較強的傳感器，這個可能很難在L2場景里面去用，起碼不會用這么高精度的激光雷達。
從算法角度可能L2公司更注重的是一些，更有效能把成本降得很低，然后不需要特別昂貴的傳感器，然后可能更少的計算就可以達到這樣一個效果。這些L2其實不需要考慮這種百萬分之一的案例。
那我們L4追求的是，一百萬英里以上才需要引入一次的人類遠程協(xié)助，就是達到追求的是這種百萬分之一的案例。
總結(jié)一下：L4的方案，采用的傳感器精度更高，芯片的算力會更充足，能應對的場景也更全面。
但L2的方案中，首要考慮的是成本問題，所以硬件水平會稍低一些，同時算法為了適應水平稍低的硬件，會更注重效率而非安全，這樣L2的接管頻率會比L4高很多。
那么，像特斯拉這樣做L2的公司，能否通過提升硬件與軟件，來達到L4的效果呢？
Chapter 4.3 “兩碼事”
侯曉迪
前圖森未來創(chuàng)始人兼CEO，Bot.auto創(chuàng)始人：
我不支持L2緩慢進化到L4、L5的路線，我覺得這件事情又是一個帶有很強這種外推屬性的偽命題。
假以時日，海豚能不能進化出文明來？我覺得有可能，但是我們要知道地球文明已經(jīng)容不下海豚去進化了，因為已經(jīng)有公司做出來了，我這個公司就是為了能夠最快速的把L4落地。我落了地以后就沒你什么事兒了，對吧？智人拿起標槍的時候就沒有海豚去產(chǎn)生文明什么事兒了。
在侯曉迪看來，目前已有的L4公司已經(jīng)筑起了技術(shù)壁壘，激烈競爭下，不會給到L2進化的機會，同時，也有人認為，這并不意味著L4的技術(shù)比L2更高級，只是大家針對的場景不同。
于振華
前特斯拉AI工程師：
如果說，真的L4比L2像大家所想象的，在技術(shù)上是絕對的高級、絕對的領先。那么我想請問為什么L4技術(shù)不能夠直接降級成了L2？
事實上是在過去的很多年里面，L4公司被由于他這個收入的壓力，他都在幫車廠去做L2，但是他不能夠簡單的降級，他基本上都要重新開發(fā)。
那我們也知道在美國，GM（通用汽車）是擁有Cruise L4公司，福特是擁有Argo AI，也是個L4公司，為什么GM不能使用Cruise的技術(shù)在它的量產(chǎn)車上？為什么福特不能使用Argo AI的L4技術(shù)在它量產(chǎn)車上？所以說L4并不是比L2絕對高級，在技術(shù)難度上，我不認為你做L4了，你就顯得非常高級。
為什么L4的技術(shù)不能直接降級成L2使用呢？張航對此解釋道，由于L4所采用的硬件規(guī)格更高，而L2的算法必須適應規(guī)格更低的傳感器和算力較少的處理器，才導致兩者的技術(shù)無法直接遷移。
就像一位建筑設計師，被沒收了電腦，只給他精度不高的尺子和紙筆，他也得重新適應新的畫圖方式。
張航
Cruise高級主任科學家：
就是你前面說的就是這個計算量的問題，L2的解決方案，不可能去支持，我們在一個車的后備箱里面放一個超級計算機，這是一個不現(xiàn)實的一個解決方案。
同時，張航對L2與L4的技術(shù)比較，也表現(xiàn)出了更開放的心態(tài)，L2鋪設的范圍更廣，需要面對的場景更多，只需要解決基本問題即可。而L4的覆蓋范圍有限，但更關注各種細節(jié)。所以兩者之間各有優(yōu)劣。
張航
Cruise高級主任科學家：
L4本身不能通過簡單的去把已有的系統(tǒng)做簡化，去掉冗余，去作為一個L2的解決方案，但反之亦然。L2做想做到L4的標準，這是一個很長的時間去磨練，你需要很長時間的數(shù)據(jù)收集，然后去積累經(jīng)驗。
但我覺得并不是說，我們的技術(shù)路線，或者技術(shù)深度會比L2高，我覺得這個不一定，L4可能很多并不是說很尖端的一些算法，但是就是通過一些，很細心的去設計去解決這些很細節(jié)的一些長尾問題。
你會支持哪個觀點呢？可以留言告訴我們。在我們的采訪中，這個問題在不同的人眼里，都會有自己的答案。
于振華
前特斯拉L2工程師：
我覺得就是在普通的大眾，甚至一些L4公司會給大家灌輸一個概念，就是L4技術(shù)優(yōu)于L3，然后優(yōu)于L2。我覺得這個是一個脫開它的限制場景，來誤導大眾，因為L4 的現(xiàn)在的Robotaxi，它是有很大限制場景的，必須在特定的這個地區(qū)，比如Waymo，它只能在一個地區(qū)一個地區(qū)的運行。
邵旭輝
Foothill Ventures管理合伙投資人：
我個人覺得就是還是會看好L4的公司，因為就是這個邏輯上來說，L4是可以降維打擊的，而L2的話，如果你只做這個，你是升不上去的，或者說非常非常難升上去。
匿名受訪者
L4工程師：
其實在技術(shù)棧上我覺得就沒有說一個特別難的一個門檻，就比如說某家公司，他今天可以宣稱，做L2的公司，那也許明天他加了一些新的技術(shù)，也可以去做L4，對吧？這完全看他應用采用什么技術(shù)，或者說有一些什么新的科技突破，對吧？
侯曉迪
前圖森未來創(chuàng)始人兼CEO，Bot.auto創(chuàng)始人：
輔助駕駛跟無人駕駛是兩個東西。
由于文章長度的原因，我們把自動駕駛的運營、商業(yè)化、以及宏觀經(jīng)濟對自動駕駛行業(yè)的影響，投資人如何看待特斯拉股價等等內(nèi)容放在了下期，很快就會上線，大家別忘了關注我們。
查看原圖 22K
