數(shù)據(jù)、傳感器、打車服務，哪個才是未來無人車制勝關鍵？
A16Z曾經(jīng)兩次對科技發(fā)展趨勢做出驚人的（標題黨）論斷，第一次，是管理合伙人馬克?安德里森在2011年所寫的“Software is eating the world”，第二次，是2014年Benidict Evans在公司科技峰會上分享的“Mobile is Eating the World”…… 最近，Evans在自己的博客上發(fā)了一篇題為“Winner-takes all effects in autonomous cars”，從商業(yè)角度分析了無人車行業(yè)的發(fā)展趨勢。傳感器、駕駛技術(shù)、路線優(yōu)化、按需服務、數(shù)據(jù)等層面，哪一個才是能給無人車公司帶來規(guī)模效應、實現(xiàn)贏家通吃的法寶？ 本文來自他的博客，量子位編譯并添加小標題。 現(xiàn)在，得有好幾十家公司嘗試著要拿下無人車技術(shù)，OEM車廠、傳統(tǒng)供應商、主流科技大佬以及新創(chuàng)公司都不甘落后――很顯然，并非所有人都能成功，但它們之中，有成功機會的大有人在。 這讓人開始思考：無人車領域的“贏者通吃”會是什么樣、在哪個部位實現(xiàn)，以及通過什么途徑實現(xiàn)。 在無人車領域，還會不會像智能手機和電腦操作系統(tǒng)上一樣，出現(xiàn)“網(wǎng)絡效應”，讓一兩家頂尖大公司擠掉剩下所有人？是否會存在讓五家、十家公司持續(xù)競爭下去的空間？哪一層級的勝利會對其他層級產(chǎn)生杠桿效應？ 這些直接指向未來汽車行業(yè)權(quán)力平衡的問題值得好好討論。汽車制造商能夠從幾十家公司“成箱”購買自動駕駛技術(shù)（或是自己搞出來），和Uber Waymo兩家獨大，隨心所欲、肆無忌憚地制定游戲規(guī)則，這完全就是兩個世界。 微軟和英特爾扼住了電腦世界的咽喉，谷歌撓到了智能手機的腳心――無人車行業(yè)的關鍵點又會出現(xiàn)在哪個部位呢？ 硬件：沒有網(wǎng)絡效應 首先有一件事似乎非常清楚：對于自助系統(tǒng)和電動系統(tǒng)而言，硬件和傳感器將成為通用商品。后兩者，比如LED顯示屏，涉及大量的技術(shù)和工程細節(jié)，但在選擇上你卻沒必要隨大流。這里存在很強的制造商規(guī)模效應，但是不存在網(wǎng)絡效應。 我們拿激光雷達舉個例子。 這玩意從5萬刀的“旋轉(zhuǎn)全家桶”，到幾百刀或更便宜的小型固態(tài)激光雷達，啥樣都有，當然會有贏家從中出現(xiàn)，但不會有網(wǎng)絡效應存在。 因為拿下激光雷達這塊戰(zhàn)場不會對其他戰(zhàn)場產(chǎn)生作用（除非你能壟斷），就像“造出最好的圖像傳感器然后把它們賣給iPhone”對索尼的智能手機業(yè)務沒什么幫助一樣。 電池、發(fā)動機、以及它們的控制系統(tǒng)，就像現(xiàn)在電子行業(yè)的RAM一樣，都是商品――再次重申，這個領域涉及大量技術(shù)、會有規(guī)模效應，也許還會有一些優(yōu)勝者，但不會有更廣闊的影響力。 按需服務：不一定行得通 另一方面，對于第三方軟件開發(fā)者的生態(tài)系統(tǒng)而言，要走效仿過去電腦和智能手機的路徑可能不是那么容易。 當年，Win懟翻了Mac，蘋果iOS和Android懟翻了Win Phone，因為在所有東西之上形成了一個開發(fā)者的良性循環(huán)――但在汽車這件事上，你不會根據(jù)能跑動多少app來決定買什么車。它們可能接入的都是Uber、Lyft或是滴滴，屏幕上掛的都是Netflix，而不是你手機上裝的那些東西。 相反，需要關心的地方并不在汽車內(nèi)部，而是在更高的層面――在能讓無人車安全上路的軟件上，在全城尺度下的調(diào)配和路徑優(yōu)化上（這意味著我們將所有無人車看作一個系統(tǒng)，而不是各自為戰(zhàn)），在那些將會以此為生、按需服務的“機器人出租車隊”上。 很顯著，按需服務軟件存在網(wǎng)絡效應，但這點在無人車行業(yè)卻要復雜得多。按需的無人出租車隊將會動態(tài)地對自己的車輛進行預先部署，也有很大可能，所有其余的無人車都要實時配合它們的路線，以追求最大效率。 這種優(yōu)化可能需要跨越不同車隊，來避免一些相似“所有無人車同時選擇來相同路線”的情況出現(xiàn)。反過來，這還能和動態(tài)定價以及所有不同種類的道路收費方式相結(jié)合――在繁忙時段，為了更快到達目的地你可能需要花更多錢，或者，你也可以依據(jù)價格來選擇到達時間。 從技術(shù)角度而言，這三層（駕駛、路線及優(yōu)化、按需）是在極大程度上獨立的――在這樣的假想下，你可以在一輛通用制造的無人車上安裝一個Lyft的App，讓預裝的Waymo自動駕駛軟件開著它，載著別人去兜兜風。 當然，有些人希望不同的層級之間會產(chǎn)生杠桿效應，或者想把它們捆綁在一起，比如特斯拉計劃禁止乘客在其無人車上運用自家產(chǎn)品以外的按需服務。但反過來這事就行不通了，Uber不會堅持讓你只運用他家的自動駕駛系統(tǒng)。 盡管微軟讓Win同Office之間產(chǎn)生了相互作用力，但二者都很強，同時也都用自身的網(wǎng)絡效應贏下了各自的市場。 往后，如果一家小型的OEM堅持讓你運用它的小型無人出租車服務，這事就像是iPhone在1995年堅持讓你買AppleWorks辦公軟件，而不讓用微軟的Office。這個案例可以很好地說明，假如所有的無人車都能跨城協(xié)調(diào)，或者在某些路口實現(xiàn)車與車之間的溝通，那你將會需要創(chuàng)造一些能夠共通的層次（雖然我一直看好的是分散式系統(tǒng)）。 數(shù)據(jù)：網(wǎng)絡效應的關鍵 其實上面這些都是在瞎猜，就像在1900年預測交通擁堵會是什么場面一樣。而我們唯一能討論關鍵網(wǎng)絡效應會是什么樣子的領域，其實在于無人車本身。這件事關乎硬件、傳感器以及軟件，但更多是關于數(shù)據(jù)。對于無人車而言，有兩種數(shù)據(jù)比較重要――地圖和駕駛數(shù)據(jù)。 先來說說地圖。 我們的大腦其實在不斷地處理數(shù)據(jù)，并且構(gòu)建周圍世界的3D模型，這件事是實時的、無意識的，這樣我們穿過一片森林時才不會被樹根絆倒或是被樹枝撞到頭。而對于無人車，這一過程被稱為SLAM（同步本地化及繪圖）――我們將周圍環(huán)境繪制成地圖并將自己在其中定位。 對于無人車而言，這顯然是一項基本要求――無人車需要搞清楚自己在什么位置，周圍有什么特征（行車道、路口、路牙、交通信號燈等等），它們還要搞明白其他無人車在哪以及它們跑得多快。 在一條真實的道路上實時完成這件事依舊是非常困難的。人類駕駛時的確會用到視覺（以及聽覺），但僅憑周圍圖像來抽象出一幅足夠精確地3D模型，對于機器來說依舊是個難以搞定的問題：機器學習增大了這件事實現(xiàn)的可能性，但現(xiàn)在沒人能做到實際駕駛需要的精確程度。 因此我們走捷徑。 這也是為什么所有的自動駕駛項目都在將視覺與360度的激光雷達相結(jié)合：每個傳感器都有自己的局限范圍，但將它們結(jié)合在一起（傳感器融合）你就能得到一幅完整的圖像。 在未來的某一天，單憑圖像來構(gòu)造一個周圍世界的模型將會成為可能，但運用更多的傳感器將會讓你更快地達到自己的目標，即便是你要考慮它們尚需改善的成本和外形問題。 激光雷達就是一條捷徑。 有了它之后，你通常要用機器學習來理解里面的東西，比如某些汽車的形狀，或是騎車的人。但這件事看上去不會有網(wǎng)絡效應：就算沒有車隊，你自己也能得到足夠的騎車人照片來訓練系統(tǒng)。 如果激光雷達是通往SLAM的一條捷徑，另一條、也是更有趣的一條則是運用預先建好的地圖，或者更準確一點說，“高清3D模型”。 你事先對道路進行調(diào)查，從容地處理所有的數(shù)據(jù)，建立一個道路的模型，然后將它放進一臺即將開上路的車里，這樣，無人車就不需要在65英里的時速下實時處理所有的數(shù)據(jù)或是發(fā)現(xiàn)交通信號燈，在任何時候，它都可以通過一些地標來將自己在地圖中進行定位。 這種地圖是具有網(wǎng)絡效應的。 任意一輛無人車開上一條預先繪制了地圖的道路上時，既是在將地圖和道路進行比對，也是在對地圖進行更新：每輛無人車都可以是一輛數(shù)據(jù)搜集車。 如果你已經(jīng)賣出了50萬輛無人車，而另一個人只賣出了1萬輛，你的地圖就會被更新得更為頻繁，也會更為精確，因此你的無人車也就越不容易被某些沒見過的東西搞懵。 你賣的車越多，你的車就越好――這毫無疑問就是網(wǎng)絡效應。 不過這件事的風險在于，從長期來看，既然汽車能不靠激光雷達來進行SLAM，它們同樣也可以不靠預制的地圖來完成這件事――畢竟，人類就能做到。這種情況是否會發(fā)生、將在什么時候發(fā)生，現(xiàn)在依然不清楚，但等它成為現(xiàn)實時，無人車早就量產(chǎn)好久了。 因此，地圖是在數(shù)據(jù)中的第一種網(wǎng)絡效應。 而第二種則在于理解了周圍環(huán)境之后，無人車的決策。 在一條空曠的道路行駛，或者是在一條滿是無人車的道路上行駛，是一個問題；但“看見”之后，弄明白路上的其他人類將要做什么以及要如何來應對，這完全是另一個問題。 支 撐自動駕駛成為現(xiàn)實的突破之一，是機器學習能夠很好地應付這件事：不需要編寫那些復雜的解釋規(guī)則，機器學習運用數(shù)據(jù)。要知道，數(shù)據(jù)越多越好，關于現(xiàn)實世界中人類司機行為和反應的數(shù)據(jù)收集得越多，你的軟件就會越好地理解現(xiàn)況并規(guī)劃下一步動作。 這就像地圖一樣，你賣的車越多，你的車就越好――這無疑是網(wǎng)絡效應。 模擬是駕駛數(shù)據(jù)的另一項用途。這點應該能搞定“如果x發(fā)生了，我們的自動駕駛軟件將會如何應對”這個問題。進行這項工作的一種途徑是造一臺無人車，然后讓它繞真城市自己行駛，來看看它對其他任意司機的隨機行為將會作何反應。但問題在于，這不是個可控的實驗――你不可能完全重現(xiàn)原來的場景，來看看問題都搞定了沒有。 因此我們就得寄希望于模擬了――你把你的無人車軟件放進GTA里（大概就這意思），然后進行任何你想要進行的測驗。有些事它干不了（比如“激光雷達會探測到卡車嗎”），某些模擬場景是循環(huán)的，但它的確能告訴你系統(tǒng)會對某些特定場景作何反應，然后你就可以從你的真實駕駛數(shù)據(jù)中收集這些情況。 因此這是一種直接的網(wǎng)絡效應：你擁有越多的駕駛數(shù)據(jù)，你就能讓你的模擬越精確，進而你就能讓自己的軟件變得越好。 當然，從規(guī)模上講，模擬的優(yōu)勢顯然非常清楚，比如在你能負擔得起的計算資源上，在參與工作的人數(shù)上，以及在大型計算項目所需的專業(yè)知識量上。Waymo作為Google的兄弟公司，就擁有一種優(yōu)勢：2016年，它每周報告25000“真實”自動駕駛英里數(shù)，同時進行了10億英里的模擬。 可以說，特斯拉在地圖和駕駛數(shù)據(jù)上都處于領先位置：在2016年晚些時候，他們家那些裝載了Autopilot系統(tǒng)的新車全都掛上了8個攝像頭，實現(xiàn)了幾乎360度的視野，同時輔以兩個前向雷達。所有這些傳感器都會同時收集地圖和駕駛員行為數(shù)據(jù)，反饋回特斯拉。因為只有前向的雷達，特斯拉將只能單獨地靠圖像來構(gòu)建絕大部分的地圖，但就如我之前所言，我們不知道如何精確地完成這項工作。 這意味著特斯拉在收集著大量可讀的數(shù)據(jù)（或者說至少是足夠生產(chǎn)一套完整搞定方案的數(shù)據(jù)）。 當然，你不僅要收集數(shù)據(jù)，還要搞定實際開車的問題，因此特斯拉現(xiàn)在正在計算機視覺的發(fā)展速度上做一場逆勢豪賭。 為了節(jié)約時間，特斯拉沒有等待便宜好用的激光雷達，而是選擇了用計算機視覺軟件來搞定更為困難的問題，這也可能會花費更長的時間。以及，如果自動駕駛所需的所有其他軟件――那些為無人車做決策的部分――花的時間夠長的話，便宜好用的激光雷達可能會在無人車上路之前出現(xiàn)，這樣的話特斯拉就尷尬了。我們拭目以待。 因此，網(wǎng)絡效應――“贏者通吃”效應在于數(shù)據(jù)中：包括駕駛數(shù)據(jù)以及地圖。 這引申出兩個問題：誰會得到數(shù)據(jù)，你又需要多少數(shù)據(jù)？ 數(shù)據(jù)的所有權(quán)是一個有趣的權(quán)力和價值鏈問題。顯然特斯拉在嘗試自己搞定所有的重要技術(shù)問題并將它們用在自己的汽車上，因此特斯拉也會擁有數(shù)據(jù)。但一些OEM會說，汽車是他們的，客戶關系是他們的，因此，數(shù)據(jù)也應該是他們的，數(shù)據(jù)如何運用的決定權(quán)應該在他們手里，而不是交給任何技術(shù)合作伙伴。 從傳感器供應商的角度而言，這或許是種站得住腳的態(tài)度：我不確定把GPU、攝像頭和激光雷達當做商品來賣，同時又試圖保有數(shù)據(jù)這種事是可持續(xù)的。但因為工作需要，那些制造無人車零件的公司需要得到數(shù)據(jù)。如果你不把數(shù)據(jù)循環(huán)回技術(shù)，后者就無法提升。 這意味著OEM將為供應商創(chuàng)造網(wǎng)絡價值，但自己什么都得不到。這和電腦或AndriodOEM的地位是一樣的：它們通過同意在自己的產(chǎn)品中運用軟件來創(chuàng)造網(wǎng)絡效應，這讓它們能賣出產(chǎn)品，但它們的產(chǎn)品就變成了“半商品”，同時網(wǎng)絡效應還會流向科技公司，對于科技公司來說，這是一個良性循環(huán)，多數(shù)價值都會流向供應商而不是OEM。這也是為什么多數(shù)汽車OEM都想自力更生的原因：它們不想像康柏一樣GG。 這把我引向了終極問題：你真正需要的數(shù)據(jù)到底有多少？當你向其中投入更多數(shù)據(jù)時，系統(tǒng)能不能持續(xù)變強？或者說，這件事上有沒有S曲線――在某個節(jié)點之后，再加入更多數(shù)據(jù)會出現(xiàn)收益遞減嗎？ 也就是說，網(wǎng)絡效應有多強？ 對于地圖而言，這是個很顯著的問題。多大的車輛密度、多高的頻率才能讓你的地圖變得更好？這又會轉(zhuǎn)變?yōu)樽畹投嗌俚氖袌龇蓊~？市場給參與者留了多大的空間？十家公司行嗎，或者兩家？一打二級OEM結(jié)盟然后共享數(shù)據(jù)能行嗎？送貨車能賣自己的數(shù)據(jù)嗎，就像它們今天賣其他種類的地圖數(shù)據(jù)一樣？ 這依舊和消費軟件生態(tài)系統(tǒng)不一樣――RIM和諾基亞沒法插手黑莓和S60的用戶基礎，但你卻可以在地圖上這么干。這會是進入的一個障礙，還是進入的一個條件？ 這個問題同樣適用于駕駛數(shù)據(jù)，而且事實上，適用于所有的機器學習項目：在哪個點，當你加入更多數(shù)據(jù)時會出現(xiàn)收益遞減；在哪一點，曲線又會變平？多少人能得到那么大的數(shù)據(jù)量？ 舉個例子，對于通用目的的研究而言，提升看上去是無限的。但對于無人車而言，確切得說，這件事應該是有天花板的――如果一輛無人車能夠在那不勒斯毫無壓力地開上一年，還需要做多大的提升？在特定的某一年你將能有效地把它完成。 因此，網(wǎng)絡效應意味著如果你擁有更多的用戶，你的產(chǎn)品就會變得更好，但在你的產(chǎn)品變得“足夠好”之前，你需要多少用戶？在你的無人車變成市場上最好的之前，你需要賣掉多少輛車？多少公司可能達到這個水平？同時，機器學習本身也在快速地發(fā)生著變化――說不準哪天，實現(xiàn)自動駕駛所需的數(shù)據(jù)量會驟減。 小結(jié) 上面所說的這些都基于一個假設，就是未來的自主駕駛系統(tǒng)會有好壞之分。但“比較差”的無人車意味著什么？會讓你比較容易出車禍，還是只是無人車會更容易懵比然后停在路邊等人類支援？手動控制裝置會蹦出來嗎？汽車會鼓勵你這么干嗎？ 問題的答案，我猜，是L5級別的自動駕駛將會是L4的進化，并且每輛車都會有手動控制系統(tǒng)，但它們會用得越來越少。 隨著手動控制越來越?jīng)]人用，L5級別自動駕駛將會正式登上舞臺。這可能將會依照場景來逐步實現(xiàn)，我們可能會在德國首先實現(xiàn)L5，然后是那不勒斯、莫斯科……這將意味著在全自動駕駛實現(xiàn)之前，收集上來的數(shù)據(jù)在網(wǎng)絡規(guī)模下被利用得非常好。
該文章被收錄于：
蘋果手機無服務 ? https://www.chinafix.com/zt/23715-1.html
iphone x攝像頭打不開 ? https://www.chinafix.com/zt/25338-1.html