1. 从CES 2018看自动驾驶的“技术狂欢”与“现实温差”2018年1月拉斯维加斯的CES国际消费电子展再次成为全球科技的风向标。那一年如果你走进任何一个大型展馆几乎都会被“自动驾驶”的浪潮淹没。从传统汽车巨头丰田、福特、奔驰到科技新贵英伟达、英特尔、高通再到一众中国面孔如百度、小马智行几乎每家都在展示自己的自动驾驶解决方案。激光雷达阵列在聚光灯下旋转屏幕上实时渲染着车辆对周围环境的“上帝视角”感知概念车在模拟城市中自如穿梭。媒体头条充斥着“L4级自动驾驶即将到来”、“某某公司宣布XX年量产”的豪言壮语。一时间CES 2018仿佛成了自动驾驶技术从实验室走向商业化的“成人礼”一个技术成熟、产业爆发的“转折点”似乎触手可及。然而作为一名从那时起就密切关注并参与相关技术落地的从业者我当时的感受却复杂得多。展会上的炫目演示与现实中技术面临的挑战形成了巨大“温差”。这种“温差”并非否定技术的进步恰恰相反CES 2018集中展示了传感器、计算平台、算法等核心模块的惊人进展。英伟达发布了算力惊人的DRIVE Xavier芯片为复杂环境下的实时决策提供了硬件基础激光雷达厂商们争相展示更小、更便宜、性能更强的产品预示着量产成本的下降。这些无疑是坚实的基石。但问题在于从“技术演示”到“可靠、安全、可盈利的商业产品”中间横亘着一条远比想象中更宽的鸿沟。展会上的demo往往是在精心划定、高度可控的封闭或半封闭环境中完成的而真实的城市道路充满了“长尾问题”——那些发生概率极低但种类无限多的极端场景才是自动驾驶商业化的真正“拦路虎”。因此当业界欢呼“转折点”时我们更需要冷静地审视转折的究竟是什么是技术展示能力的转折还是商业落地能力的转折答案显然是前者。CES 2018更像是一个“技术信心”的转折点它向世界宣告了自动驾驶技术路径的可行性和巨大潜力但商业化的道路依然笼罩在重重迷雾之中。2. 技术模块的“军备竞赛”与尚未打通的数据闭环回顾CES 2018各大厂商的展示可以清晰地归纳为几个核心技术模块的“军备竞赛”每个模块都取得了长足进步但模块间的协同与最终的“系统可靠性”才是关键。2.1 感知系统的“多传感器融合”成为共识在2018年之前关于自动驾驶感知路径还有不少争论比如特斯拉坚持的“纯视觉路线”与大多数厂商采用的“激光雷达视觉毫米波雷达”的多传感器融合路线。CES 2018上后一种路线成为了绝对主流。这背后是产业对安全冗余的深刻认知。纯视觉方案高度依赖算法和数据的完美性在逆光、暴雨、黑夜等极端条件下存在先天不足。而多传感器融合能利用不同传感器的特性进行互补激光雷达提供精确的三维距离和形状信息不受光照影响摄像头能识别颜色、纹理和交通标志毫米波雷达则在雨雾天气和测速测距上表现稳定。当时展台上你能看到各种形态的传感器套件。例如Velodyne展示了其量产级的VLS-128激光雷达虽然价格依然高昂但证明了车规级高性能激光雷达的可行性。初创公司如禾赛、速腾聚创也崭露头角推出了更具成本潜力的方案。然而融合本身就是一个巨大的技术挑战。这不仅仅是硬件堆砌更是算法层面的深度融合。如何将不同坐标系、不同频率、不同精度和不同失效模式的数据流实时、可靠地整合成一个对周围环境唯一、准确、一致的描述即“感知结果”是当时乃至现在都在持续攻关的难题。展会上的演示车或许做到了但那是在已知的、简单的场景下。现实中一个飘过的塑料袋、路面积水对激光的反射、隧道口的明暗交替都可能引发融合算法的误判。因此CES 2018标志着多传感器融合硬件方案的成熟但与之匹配的、能应对海量“长尾场景”的融合算法其成熟度远未达到商业化要求。2.2 计算平台的“算力爆炸”与“功耗墙”另一个耀眼的主角是计算平台或称“自动驾驶大脑”。英伟达在CES 2018上重磅推出的DRIVE Xavier系统级芯片拥有高达30 TOPS万亿次运算/秒的算力而功耗仅为30瓦。这个数字在当时是颠覆性的它让在车载环境下进行复杂的深度学习模型推理如目标检测、语义分割、路径预测成为可能。英特尔旗下的Mobileye则继续强化其基于视觉的EyeQ系列芯片并开始推广其REM道路经验管理高精地图众包方案。高通也携其骁龙汽车平台入场瞄准了智能座舱与辅助驾驶的融合。这场算力竞赛的背后是处理海量感知数据并进行实时决策的刚性需求。一辆自动驾驶汽车每秒产生的数据量可达数个GB需要实时处理以识别车辆、行人、信号灯并预测他们的行为。Xavier这样的芯片提供了必要的“马力”。但算力提升的同时“功耗墙”和“成本墙”也随之而来。高算力意味着高发热和复杂的散热设计这对车规级的可靠性和寿命提出了严峻挑战。同时高昂的芯片成本早期自动驾驶计算平台成本可达数万美元直接阻碍了量产车的普及。CES 2018展示了算力的可能性但也预示了未来几年产业必须面对的挑战如何设计出算力、功耗、成本、可靠性四者平衡的“量产级”计算平台这个问题的答案直到几年后一些针对量产车型优化的、算力在数十到上百TOPS的域控制器出现才逐渐清晰。2.3 高精地图与V2X被热议的“基础设施”除了车端的“智能”CES 2018上关于“路端”和“云端”协同的讨论也非常热烈主要体现在高精地图和V2X车联网技术上。高精地图被视为自动驾驶的“安全冗余”和“先验知识库”它提供了车道线、交通标志、坡度曲率等远超人类驾驶感知范围的静态信息。Here、百度、高德等地图供应商都在展示其高精地图的采集和更新能力。而V2X技术包括车与车V2V、车与路V2I、车与云V2N等则被描绘成解决视觉盲区、提升交通效率的“神器”例如通过V2V通信车辆可以提前知晓前车急刹或交叉路口盲区来车。然而这些技术的商业化路径同样模糊。高精地图面临采集成本高、更新频率慢传统测绘方式无法适应道路的日常变化、法规限制某些国家对其精度有法规限制以及众包更新带来的数据一致性和权威性问题。V2X则更依赖于大规模的基础设施建设如路侧单元RSU的部署和所有车辆搭载统一通信模块的渗透率这是一个典型的“先有鸡还是先有蛋”的生态困境。在CES 2018上它们更多是作为未来愿景被展示离规模化商用所需的成熟度、标准统一和商业模式还有很长的路要走。这恰恰反映了当时自动驾驶商业化思考的一个侧面过于聚焦单车智能的突破而对需要社会协同的系统性工程估计不足。3. 商业模式的迷雾RoboTaxi、量产车与“渐进式”路径之争技术的展示令人兴奋但“如何赚钱”这个根本问题在CES 2018上并没有清晰的答案。当时主要浮现出几条潜在的商业化路径每一条都伴随着巨大的不确定性。3.1 RoboTaxi自动驾驶出租车的宏大叙事与高昂成本以Waymo当时已从谷歌独立、通用Cruise以及众多中国初创公司为代表的阵营高举RoboTaxi的大旗。他们的逻辑是直接瞄准L4级完全自动驾驶在特定区域如凤凰城、旧金山提供无人驾驶出行服务颠覆传统的出租车和网约车行业。这套叙事在资本市场很有吸引力因为它描绘了一个万亿级别的市场蓝图。在CES上这些公司会展示其最新的测试车辆和运营数据。但这条路径的商业化难点是赤裸裸的。首先就是成本。一辆搭载了全套顶级传感器多个激光雷达、多个摄像头、毫米波雷达和强大计算平台的RoboTaxi原型车成本可能高达数十万甚至上百万美元远超普通车辆。尽管大家都预期成本会随着量产而下降但下降的曲线和速度无人能精准预测。其次是安全与监管。如何向监管机构证明自动驾驶系统比人类司机更安全发生事故后责任如何界定这些法律和伦理问题在当时几乎无解。再者是运营区域的限制。早期的RoboTaxi只能在经过高精地图充分测绘、天气良好、交通规则相对简单的限定区域ODD内运行其服务范围和适用性大打折扣。因此RoboTaxi更像一个需要长期巨额投入的“科技梦想”其商业闭环的验证周期会非常漫长。3.2 前装量产车的“渐进式”渗透与功能定义难题另一条路径是以特斯拉、传统主机厂及其供应商如博世、大陆为代表的“渐进式”路线。他们从L2/L3级高级辅助驾驶ADAS功能入手如自适应巡航、车道保持、自动变道等通过OTA空中升级逐步释放更高级的功能最终向完全自动驾驶演进。这条路径的优势是能快速将技术变现搭载在量产车上卖给消费者同时积累真实的用户行驶数据。但在CES 2018的时间点上这条路径同样困惑重重。首先是技术上的“L3困境”。L3级有条件自动驾驶要求车辆在特定条件下负责全部驾驶任务但需要驾驶员在系统请求时接管。这个“接管”的过程被证明是极其危险的因为长时间不参与驾驶的驾驶员会注意力涣散很难在几秒内迅速恢复情境意识并安全接管。因此很多厂商在尝试后要么退回更明确的L2驾驶员全程负责监控要么直接挑战L4全权负责。其次是功能定义和用户体验。应该向消费者提供什么样的自动驾驶功能是强调“放手”的便利性还是强调“安全冗余”的辅助性过度宣传可能导致用户滥用引发事故宣传不足又无法体现产品价值。最后同样是成本问题。将一套高性能的传感器和计算平台塞进家用车的价格体系内并让消费者买单在2018年是一个巨大的挑战。3.3 物流与货运看似清晰的场景与隐藏的复杂度相比乘用车在封闭或半封闭场景下的商用物流和货运被很多人视为自动驾驶更易落地的“突破口”。比如港口、矿区、物流园区的自动驾驶卡车或者最后一公里的无人配送小车。这些场景通常道路环境结构化、速度较低、交通参与者类型简单。在CES上一些初创公司也展示了相关的解决方案。这个方向确实更具可行性但其商业化也非一帆风顺。首先它面临强烈的现有利益格局。替换现有的司机和车辆涉及就业、资产重置等社会和经济问题。其次技术适配成本高。港口吊机、矿区挖掘机的作业流程需要与自动驾驶卡车深度协同这需要定制化的系统集成实施周期长、成本高。最后即便是封闭场景也存在大量的“非标”情况比如临时堆放物、不规则作业区等对感知和规划算法依然是考验。因此这条路径虽然前景明确但也是一个需要深耕细分行业、逐个解决具体问题的“慢生意”无法像RoboTaxi那样带来爆发性的市场想象。4. 六年后的回望CES 2018“转折”了什么站在今天回望CES 2018与其说是自动驾驶商业化的转折点不如说是行业“祛魅”与“分化”的起点。它并没有带来一条立刻明朗的商业化大道反而让后续几年产业面临的真实困境变得更加清晰。4.1 技术从“展示期”进入“深水区”CES 2018之后行业迅速意识到解决百分之九十的常见场景相对容易但解决最后百分之十的“长尾问题”却需要付出百分之九十的努力。行业焦点从追求单个模块的性能指标转向关注系统的整体可靠性、安全冗余和成本控制。大家开始更务实地讨论“功能安全”ISO 26262和“预期功能安全”SOTIF的标准如何落地如何设计有效的仿真测试和真实路测体系来覆盖海量极端场景。激光雷达确实走向了量产和成本下降但与之相伴的是技术路线的分化机械式、半固态、纯固态以及行业对“是否必须依赖激光雷达”的重新思考特斯拉的纯视觉方案在大量数据驱动下展现了强大潜力。计算芯片的竞争也愈发激烈除了英伟达高通、华为、地平线等玩家纷纷推出更具竞争力的方案算力单位从TOPS走向了数百TOPS但如何高效利用算力即“算力利用率”成为了新的核心指标。4.2 商业路径的收敛与务实狂热的资本在随后几年逐渐降温特别是当一些明星公司上市后表现不佳以及RoboTaxi商业化时间表一再推迟之后。行业开始摒弃“一步登天”的幻想走向更加务实的融合。渐进式路线成为绝对主流。几乎所有主流车企都将高级别自动驾驶功能如导航辅助驾驶作为新车的卖点但宣传口径上变得更加谨慎强调“辅助”而非“自动”。RoboTaxi并未消失而是进入了小范围、收费化的商业运营试点阶段如Waymo在旧金山、百度在北京在积累运营经验的同时持续优化成本和体验。物流自动驾驶则在特定赛道如干线物流、港口取得了实质性的商业合同和车队部署。商业模式的探索从“颠覆”走向了“赋能”从“取代司机”走向了“提升安全与效率”。4.3 生态合作成为主旋律CES 2018上还是各家秀肌肉的舞台但之后几年单打独斗越来越难。自动驾驶是一个过于复杂的系统涉及芯片、传感器、算法、地图、云平台、整车制造、保险、法规等多个环节。主机厂、科技公司、供应商之间展开了错综复杂的合作与联盟。主机厂收购或投资自动驾驶初创公司以获取技术科技公司寻求与主机厂合作以获得量产落地和数据芯片厂商与算法公司深度绑定以优化软硬件协同。这种生态化的竞争与合作取代了简单的技术比拼成为行业发展的新常态。所以CES 2018的“转折”意义在于它用一场极致的技术盛宴完成了对自动驾驶行业的全民启蒙和资本动员同时也将最难啃的商业化、安全、成本等硬骨头清晰地摆在了整个行业面前。它不是一个商业成功的起点而是一个让行业从仰望星空转向脚踏实地的关键节点。那些在展会光芒散去后依然能坚持在仿真测试、数据闭环、成本控制、安全验证这些“苦活累活”上深耕的企业才真正走到了今天。自动驾驶的商业之路从来不是一场由某个展会定义的冲刺而是一场考验技术耐力、商业智慧和生态协作的马拉松。CES 2018只是这场马拉松中一个让人印象深刻、群情激昂的补给站它提供了能量也让大家更看清了前方道路的漫长与崎岖。 CES 2018自动驾驶技术回顾：从多传感器融合到商业化路径的思考
1. 从CES 2018看自动驾驶的“技术狂欢”与“现实温差”2018年1月拉斯维加斯的CES国际消费电子展再次成为全球科技的风向标。那一年如果你走进任何一个大型展馆几乎都会被“自动驾驶”的浪潮淹没。从传统汽车巨头丰田、福特、奔驰到科技新贵英伟达、英特尔、高通再到一众中国面孔如百度、小马智行几乎每家都在展示自己的自动驾驶解决方案。激光雷达阵列在聚光灯下旋转屏幕上实时渲染着车辆对周围环境的“上帝视角”感知概念车在模拟城市中自如穿梭。媒体头条充斥着“L4级自动驾驶即将到来”、“某某公司宣布XX年量产”的豪言壮语。一时间CES 2018仿佛成了自动驾驶技术从实验室走向商业化的“成人礼”一个技术成熟、产业爆发的“转折点”似乎触手可及。然而作为一名从那时起就密切关注并参与相关技术落地的从业者我当时的感受却复杂得多。展会上的炫目演示与现实中技术面临的挑战形成了巨大“温差”。这种“温差”并非否定技术的进步恰恰相反CES 2018集中展示了传感器、计算平台、算法等核心模块的惊人进展。英伟达发布了算力惊人的DRIVE Xavier芯片为复杂环境下的实时决策提供了硬件基础激光雷达厂商们争相展示更小、更便宜、性能更强的产品预示着量产成本的下降。这些无疑是坚实的基石。但问题在于从“技术演示”到“可靠、安全、可盈利的商业产品”中间横亘着一条远比想象中更宽的鸿沟。展会上的demo往往是在精心划定、高度可控的封闭或半封闭环境中完成的而真实的城市道路充满了“长尾问题”——那些发生概率极低但种类无限多的极端场景才是自动驾驶商业化的真正“拦路虎”。因此当业界欢呼“转折点”时我们更需要冷静地审视转折的究竟是什么是技术展示能力的转折还是商业落地能力的转折答案显然是前者。CES 2018更像是一个“技术信心”的转折点它向世界宣告了自动驾驶技术路径的可行性和巨大潜力但商业化的道路依然笼罩在重重迷雾之中。2. 技术模块的“军备竞赛”与尚未打通的数据闭环回顾CES 2018各大厂商的展示可以清晰地归纳为几个核心技术模块的“军备竞赛”每个模块都取得了长足进步但模块间的协同与最终的“系统可靠性”才是关键。2.1 感知系统的“多传感器融合”成为共识在2018年之前关于自动驾驶感知路径还有不少争论比如特斯拉坚持的“纯视觉路线”与大多数厂商采用的“激光雷达视觉毫米波雷达”的多传感器融合路线。CES 2018上后一种路线成为了绝对主流。这背后是产业对安全冗余的深刻认知。纯视觉方案高度依赖算法和数据的完美性在逆光、暴雨、黑夜等极端条件下存在先天不足。而多传感器融合能利用不同传感器的特性进行互补激光雷达提供精确的三维距离和形状信息不受光照影响摄像头能识别颜色、纹理和交通标志毫米波雷达则在雨雾天气和测速测距上表现稳定。当时展台上你能看到各种形态的传感器套件。例如Velodyne展示了其量产级的VLS-128激光雷达虽然价格依然高昂但证明了车规级高性能激光雷达的可行性。初创公司如禾赛、速腾聚创也崭露头角推出了更具成本潜力的方案。然而融合本身就是一个巨大的技术挑战。这不仅仅是硬件堆砌更是算法层面的深度融合。如何将不同坐标系、不同频率、不同精度和不同失效模式的数据流实时、可靠地整合成一个对周围环境唯一、准确、一致的描述即“感知结果”是当时乃至现在都在持续攻关的难题。展会上的演示车或许做到了但那是在已知的、简单的场景下。现实中一个飘过的塑料袋、路面积水对激光的反射、隧道口的明暗交替都可能引发融合算法的误判。因此CES 2018标志着多传感器融合硬件方案的成熟但与之匹配的、能应对海量“长尾场景”的融合算法其成熟度远未达到商业化要求。2.2 计算平台的“算力爆炸”与“功耗墙”另一个耀眼的主角是计算平台或称“自动驾驶大脑”。英伟达在CES 2018上重磅推出的DRIVE Xavier系统级芯片拥有高达30 TOPS万亿次运算/秒的算力而功耗仅为30瓦。这个数字在当时是颠覆性的它让在车载环境下进行复杂的深度学习模型推理如目标检测、语义分割、路径预测成为可能。英特尔旗下的Mobileye则继续强化其基于视觉的EyeQ系列芯片并开始推广其REM道路经验管理高精地图众包方案。高通也携其骁龙汽车平台入场瞄准了智能座舱与辅助驾驶的融合。这场算力竞赛的背后是处理海量感知数据并进行实时决策的刚性需求。一辆自动驾驶汽车每秒产生的数据量可达数个GB需要实时处理以识别车辆、行人、信号灯并预测他们的行为。Xavier这样的芯片提供了必要的“马力”。但算力提升的同时“功耗墙”和“成本墙”也随之而来。高算力意味着高发热和复杂的散热设计这对车规级的可靠性和寿命提出了严峻挑战。同时高昂的芯片成本早期自动驾驶计算平台成本可达数万美元直接阻碍了量产车的普及。CES 2018展示了算力的可能性但也预示了未来几年产业必须面对的挑战如何设计出算力、功耗、成本、可靠性四者平衡的“量产级”计算平台这个问题的答案直到几年后一些针对量产车型优化的、算力在数十到上百TOPS的域控制器出现才逐渐清晰。2.3 高精地图与V2X被热议的“基础设施”除了车端的“智能”CES 2018上关于“路端”和“云端”协同的讨论也非常热烈主要体现在高精地图和V2X车联网技术上。高精地图被视为自动驾驶的“安全冗余”和“先验知识库”它提供了车道线、交通标志、坡度曲率等远超人类驾驶感知范围的静态信息。Here、百度、高德等地图供应商都在展示其高精地图的采集和更新能力。而V2X技术包括车与车V2V、车与路V2I、车与云V2N等则被描绘成解决视觉盲区、提升交通效率的“神器”例如通过V2V通信车辆可以提前知晓前车急刹或交叉路口盲区来车。然而这些技术的商业化路径同样模糊。高精地图面临采集成本高、更新频率慢传统测绘方式无法适应道路的日常变化、法规限制某些国家对其精度有法规限制以及众包更新带来的数据一致性和权威性问题。V2X则更依赖于大规模的基础设施建设如路侧单元RSU的部署和所有车辆搭载统一通信模块的渗透率这是一个典型的“先有鸡还是先有蛋”的生态困境。在CES 2018上它们更多是作为未来愿景被展示离规模化商用所需的成熟度、标准统一和商业模式还有很长的路要走。这恰恰反映了当时自动驾驶商业化思考的一个侧面过于聚焦单车智能的突破而对需要社会协同的系统性工程估计不足。3. 商业模式的迷雾RoboTaxi、量产车与“渐进式”路径之争技术的展示令人兴奋但“如何赚钱”这个根本问题在CES 2018上并没有清晰的答案。当时主要浮现出几条潜在的商业化路径每一条都伴随着巨大的不确定性。3.1 RoboTaxi自动驾驶出租车的宏大叙事与高昂成本以Waymo当时已从谷歌独立、通用Cruise以及众多中国初创公司为代表的阵营高举RoboTaxi的大旗。他们的逻辑是直接瞄准L4级完全自动驾驶在特定区域如凤凰城、旧金山提供无人驾驶出行服务颠覆传统的出租车和网约车行业。这套叙事在资本市场很有吸引力因为它描绘了一个万亿级别的市场蓝图。在CES上这些公司会展示其最新的测试车辆和运营数据。但这条路径的商业化难点是赤裸裸的。首先就是成本。一辆搭载了全套顶级传感器多个激光雷达、多个摄像头、毫米波雷达和强大计算平台的RoboTaxi原型车成本可能高达数十万甚至上百万美元远超普通车辆。尽管大家都预期成本会随着量产而下降但下降的曲线和速度无人能精准预测。其次是安全与监管。如何向监管机构证明自动驾驶系统比人类司机更安全发生事故后责任如何界定这些法律和伦理问题在当时几乎无解。再者是运营区域的限制。早期的RoboTaxi只能在经过高精地图充分测绘、天气良好、交通规则相对简单的限定区域ODD内运行其服务范围和适用性大打折扣。因此RoboTaxi更像一个需要长期巨额投入的“科技梦想”其商业闭环的验证周期会非常漫长。3.2 前装量产车的“渐进式”渗透与功能定义难题另一条路径是以特斯拉、传统主机厂及其供应商如博世、大陆为代表的“渐进式”路线。他们从L2/L3级高级辅助驾驶ADAS功能入手如自适应巡航、车道保持、自动变道等通过OTA空中升级逐步释放更高级的功能最终向完全自动驾驶演进。这条路径的优势是能快速将技术变现搭载在量产车上卖给消费者同时积累真实的用户行驶数据。但在CES 2018的时间点上这条路径同样困惑重重。首先是技术上的“L3困境”。L3级有条件自动驾驶要求车辆在特定条件下负责全部驾驶任务但需要驾驶员在系统请求时接管。这个“接管”的过程被证明是极其危险的因为长时间不参与驾驶的驾驶员会注意力涣散很难在几秒内迅速恢复情境意识并安全接管。因此很多厂商在尝试后要么退回更明确的L2驾驶员全程负责监控要么直接挑战L4全权负责。其次是功能定义和用户体验。应该向消费者提供什么样的自动驾驶功能是强调“放手”的便利性还是强调“安全冗余”的辅助性过度宣传可能导致用户滥用引发事故宣传不足又无法体现产品价值。最后同样是成本问题。将一套高性能的传感器和计算平台塞进家用车的价格体系内并让消费者买单在2018年是一个巨大的挑战。3.3 物流与货运看似清晰的场景与隐藏的复杂度相比乘用车在封闭或半封闭场景下的商用物流和货运被很多人视为自动驾驶更易落地的“突破口”。比如港口、矿区、物流园区的自动驾驶卡车或者最后一公里的无人配送小车。这些场景通常道路环境结构化、速度较低、交通参与者类型简单。在CES上一些初创公司也展示了相关的解决方案。这个方向确实更具可行性但其商业化也非一帆风顺。首先它面临强烈的现有利益格局。替换现有的司机和车辆涉及就业、资产重置等社会和经济问题。其次技术适配成本高。港口吊机、矿区挖掘机的作业流程需要与自动驾驶卡车深度协同这需要定制化的系统集成实施周期长、成本高。最后即便是封闭场景也存在大量的“非标”情况比如临时堆放物、不规则作业区等对感知和规划算法依然是考验。因此这条路径虽然前景明确但也是一个需要深耕细分行业、逐个解决具体问题的“慢生意”无法像RoboTaxi那样带来爆发性的市场想象。4. 六年后的回望CES 2018“转折”了什么站在今天回望CES 2018与其说是自动驾驶商业化的转折点不如说是行业“祛魅”与“分化”的起点。它并没有带来一条立刻明朗的商业化大道反而让后续几年产业面临的真实困境变得更加清晰。4.1 技术从“展示期”进入“深水区”CES 2018之后行业迅速意识到解决百分之九十的常见场景相对容易但解决最后百分之十的“长尾问题”却需要付出百分之九十的努力。行业焦点从追求单个模块的性能指标转向关注系统的整体可靠性、安全冗余和成本控制。大家开始更务实地讨论“功能安全”ISO 26262和“预期功能安全”SOTIF的标准如何落地如何设计有效的仿真测试和真实路测体系来覆盖海量极端场景。激光雷达确实走向了量产和成本下降但与之相伴的是技术路线的分化机械式、半固态、纯固态以及行业对“是否必须依赖激光雷达”的重新思考特斯拉的纯视觉方案在大量数据驱动下展现了强大潜力。计算芯片的竞争也愈发激烈除了英伟达高通、华为、地平线等玩家纷纷推出更具竞争力的方案算力单位从TOPS走向了数百TOPS但如何高效利用算力即“算力利用率”成为了新的核心指标。4.2 商业路径的收敛与务实狂热的资本在随后几年逐渐降温特别是当一些明星公司上市后表现不佳以及RoboTaxi商业化时间表一再推迟之后。行业开始摒弃“一步登天”的幻想走向更加务实的融合。渐进式路线成为绝对主流。几乎所有主流车企都将高级别自动驾驶功能如导航辅助驾驶作为新车的卖点但宣传口径上变得更加谨慎强调“辅助”而非“自动”。RoboTaxi并未消失而是进入了小范围、收费化的商业运营试点阶段如Waymo在旧金山、百度在北京在积累运营经验的同时持续优化成本和体验。物流自动驾驶则在特定赛道如干线物流、港口取得了实质性的商业合同和车队部署。商业模式的探索从“颠覆”走向了“赋能”从“取代司机”走向了“提升安全与效率”。4.3 生态合作成为主旋律CES 2018上还是各家秀肌肉的舞台但之后几年单打独斗越来越难。自动驾驶是一个过于复杂的系统涉及芯片、传感器、算法、地图、云平台、整车制造、保险、法规等多个环节。主机厂、科技公司、供应商之间展开了错综复杂的合作与联盟。主机厂收购或投资自动驾驶初创公司以获取技术科技公司寻求与主机厂合作以获得量产落地和数据芯片厂商与算法公司深度绑定以优化软硬件协同。这种生态化的竞争与合作取代了简单的技术比拼成为行业发展的新常态。所以CES 2018的“转折”意义在于它用一场极致的技术盛宴完成了对自动驾驶行业的全民启蒙和资本动员同时也将最难啃的商业化、安全、成本等硬骨头清晰地摆在了整个行业面前。它不是一个商业成功的起点而是一个让行业从仰望星空转向脚踏实地的关键节点。那些在展会光芒散去后依然能坚持在仿真测试、数据闭环、成本控制、安全验证这些“苦活累活”上深耕的企业才真正走到了今天。自动驾驶的商业之路从来不是一场由某个展会定义的冲刺而是一场考验技术耐力、商业智慧和生态协作的马拉松。CES 2018只是这场马拉松中一个让人印象深刻、群情激昂的补给站它提供了能量也让大家更看清了前方道路的漫长与崎岖。