導讀：L4自動駕駛公司降維做L2前裝量產，前景如何？
近兩年來，L4自動駕駛公司做L2逐漸為一個趨勢，主要是過去這段時間內，Momenta實在是太火了。
2021年，Momenta完成兩輪融資，累計金額超10億美元，投資方也非常豪華，頭部車企有上汽、通用、豐田、奔馳等，還有博世這樣的國際Tier 1巨頭，也接連拿到多個智能駕駛量產項目，這可把苦苦掙扎于商業化落地的L4公司“饞哭了”。
5月18日，輕舟智航官宣進入前裝量產方向，還有幾家L4公司，雖然沒有官宣，也已經在密切地和車企接觸，據說有些還拿到了量產項目訂單。
世事就是如此讓人難以預料。
這邊廂，L2賽道，曾因為傳感器數據質量不好（缺少激光雷達）和算力不足（只有幾Tops），被L4 公司“看不上”，不過隨著近兩年硬件水平的迅猛發展，情況已大為改觀。一方面，新車型開始搭載激光雷達，攝像頭數量也越來越多；另一方面，隨著像Orin、地平線J5這樣的高算力芯片出現，算力已不再是瓶頸。近年來各車企也紛紛宣稱，要用L4的技術架構和“硬件預埋”去實現L2+的功能。
那邊廂，RobOTAxi公司商業化遇阻，技術、成本、政策都限制了規模的擴張，規模不足不僅不能獲取足夠多的數據，也限制了成本進一步下降。
有Momenta“珠玉在前”，于是這些L4玩家準備進軍L2市場，一方面通過商業化獲得營收，另一方面也能獲取更多數據。
這些從L4“降維”的玩家和堅持做L2“升維”的玩家相比，其優勢和短板是什么？整個自動駕駛軟件行業現在又遇到了什么問題？如何解決敏感的數據問題？會不會在車企自研成功后被“卸磨殺驢”？行業終局究竟會是怎樣？
帶著這些疑問，九章智駕采訪了元戎啟行CEO周光、福瑞泰克CTO沈駿強、輕舟智航CTO侯聰、Momenta等一些行業內專家。
談到對L4公司做L2的思考時，輕舟智航CTO侯聰說道：“像Robotaxi這種開放道路L4場景，離最終商業化落地還有一定的距離，所以L4公司也一直在??探索落地場景。隨著這些年乘用車電動化、智能化的趨勢越來越清晰，ADAS也開始往更復雜的城區道路場景發展，現在城區NOA的場景其實和L4已經非常接近了。
“硬件上也取得了很大的進展，從??發展角度來看，L2和L4在趨同，這意味著L4公司去做傳統L2業務，??盡管可能在某些開發路線或功能定義上會有些差異，但在城區NOA場景下，功能相同點比差異點會更多一些，背后的??研發體系、組織架構和測試開發方式也是??高度重合的。”
除了上述原因外，還有一個原因是，Robotaxi的場景和L2的場景相同，算法復用成本低。“Robotaxi是城市道路，包含高速場景，這部分場景和L2場景是相同的，也是我們熟悉和擅長的，雖然適配有難度，但場景不變，適配工作量不會很大，”元戎啟行CEO周光介紹道。
綜上可以發現，L2的硬件的快速突破，加上L4和L2的場景趨同、數據可復用，也是L4公司進軍L2的重要考慮因素之一。
一、L4公司的優勢
一位自動駕駛測試專家說：“L4公司的算法能力肯定更強，特別是規控算法。”業內也普遍認為這些L4公司的算法能力更強一些，畢竟L4的場景要比L2的場景復雜得多。
在降維做L2場景時，除了算法能力強，L4公司還有以下優勢：
01 數據閉環能力更強
L4的場景中遇到的問題，比L2要復雜得多，這也要求L4公司要更好地利用數據閉環，挖掘長尾場景，迭代算法能力。
此外，在幾年前，L4公司在認知和思維上也領先L2公司，L2公司創始人中硬件背景的較多，軟件思維較弱，缺少數據思維，而L4公司的創始人普遍是算法背景，數據思維強大，從一開始就注重數據閉環，有先發優勢。
一位算法專家也認為：“L4公司的優勢，是通過數據迭代深度學習算法的能力，這一點，比那些基于規則的算法公司的能力要強很多。在未來數據量爆炸時候，L4公司的算法表現會更快地和友商拉開差距。”
輕舟智航侯聰說：“L4公司在數據閉環和數據鏈路上投入的資源更多一些，而L2公司則較少，這是L4公司的優勢。輕舟打造的仿真系統，對于數據的使用則更加高效，可以更多地‘榨取’數據價值。”
02 系統流暢性更好
當前量產和在開發的L2+算法架構中，普遍是通過狀態機的切換來確定當前的智能駕駛功能是L2及以下功能（如ACC、AEB、LKA等）還是L2+功能（如高速NOA），在行駛過程中，系統需持續監測當前車輛的狀態和周邊環境，來決定當前的狀態機，所以中間會涉及到不同系統之間的持續性切換。
一位自動駕駛公司項目管理專家認為：“如果L2和L2+的系統是幾家供應商合作開發，那么狀態機切換其實是雙方合作完成，甚至是三方合作完成，無論是邏輯的合理性，還是運作的流暢性，都是不足的。而如果L2和L2+的系統全都交給一家L4公司來做，整套系統能夠運轉得更加流暢。”
03 性能天花板更高
L4系統的架構相比于傳統L2的架構，更能適應城區的復雜工況，性能的天花板也更高。
元戎啟行周光說：“L4公司做L2，有兩種做法：第一種是依靠獨立的團隊和獨立的代碼，實現L2的具體細分功能，不過這會讓L4的技術積累用不太上；第二種，就是降低L4級軟件系統對傳感器和算力的需求，把L4軟件系統塞到 L2的硬件里面。不過第二種做法也是很難的，因為L4自動駕駛系統算力和功耗都很高，要放在車規級算力平臺上，只有對算力和功耗優化特別好的公司才能做到。
“這樣做雖然難，但是有很多好處，最大的好處是L4架構，其性能天花板和L2系統是不一樣的。主機廠能夠以一套L2的硬件成本，讓用戶可以以同樣的價格，買到更加優質的服務，這就是元戎啟行的優勢。”
二、L4公司工程能力的短板
誠然，L4公司在算法能力、數據閉環能力、系統流暢性和技術架構上限上占據了一些優勢，但是也并不是全然沒有短板，他們的集成能力和供應鏈管理相對較弱，不過最突出的短板還是工程能力。
2.1 工程能力的定義
行業內普遍認為L4公司量產經驗少，工程能力較弱。那么，大家所謂的“工程能力”具體是指什么？
筆者查閱了很多資料，也和很多位行業專家交流，總結下來，在智能駕駛行業內，大家提到的“工程能力”，具體是指以下三點：
2.1.1 滿足車規級要求，如安全性、穩定性、可靠性等；
2.1.2 能夠滿足功耗成本等目標；
2.1.3 滿足1和2的基礎上最優化算法功能和用戶體驗。
在這方面，不少L4自動駕駛公司是算法優先，追求算法的先進性，靠打榜或者發Paper來證明自己多牛，對算力功耗等考慮的較少；而L2公司則是工程優先，面向量產，要解決的問題也要繁瑣得多，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。
一位細分賽道自動駕駛公司技術副總裁提到“工程化的理解”時說道，在技術驗證階段，一般會為了達到某些性能指標而不惜一切代價堆資源，“一顆orin不行上兩顆，兩顆不行上四顆”，而不用考慮方案的可量產性；但在考慮商業化落地時不能這么干，激光雷達的感知距離就那么長，芯片的算力就那么大，硬件肯定會不停地迭代，但落地預期在那擺著，來不及等新硬件出來，能做的只能是將現有資源的性能“吃干榨凈”，將其價值充分發揮出來。
元戎啟行周光也承認這一點：“??整體來說，L4自動駕駛公司，工程能力會偏弱一些，傳統L2起家的公司工程能力??會強一些。”
這一點，可以從很多L4自動駕駛工程師的光鮮的職業履歷上找到原因，他們普遍名校畢業后，加入知名的互聯網公司或明星自動駕駛公司，在此之前和車幾乎沒打過交道。他們自認為是“摘星星的人”，對于工程化的“臟苦累”的活，是有點瞧不上的，也不屑于去做。曾有人向九章智駕吐槽：“很多算法工程師，真的只懂算法，但車是一個工程，是一個產品，畢竟車能上路跑起來，不是只靠算法。”
2.2 L4公司或將被工程能力拖累？
那么，工程能力的重要性具體體現在哪些方面呢？
一位資深從業者曾舉過一個例子說明工程能力的重要性，他說：“純視覺AEB功能，雖然看起來簡單，但卻是所有ADAS功能里（??除城區NOA外）最難實現的。”
“純視覺AEB最難解決的問題是誤識別。當前面沒有東西而出現‘幽靈剎車’時，用戶體驗是極差的，甚至會導致被后車追尾。”
“誤識別主要因為感知算法不能做到100%準確，為了優化體驗，就??需要在后面‘打補丁’，加一些判斷條件。比如在拐彎或者一些特殊場景下，加一些場景判斷，把容易產生誤識別的場景識別出來，剔除出去，從而避免誤剎車現象。”
“舉個例子，拐彎的時候，路邊站著個人，這個人在圖像上（自車坐標系下）是從左到右運動的，算法判斷這個人有橫向速度，跟自車行駛軌跡要重合了，就要剎車，??但實際上他是靜止的，是不能剎車的，就需要把這個場景排除掉。這些場景需要通過大量的路試去積累經驗和Know-how，這就是工程能力的體現。”
一位CTO認為算法和技術遠沒有想象中的重要，甚至可能50%的分量都不到，其他則需要依靠工程經驗。
在進一步解釋工程經驗的重要性，他說：“首先是系統穩定性，大規模量產時，和幾百輛車時出現的問題是不一樣的。如果樣本數量不夠，很多問題根本并不會出現。
“其次是成本，目前很多L4公司更多側重算法開發，對成本考慮較少。”
“第三是安全性，這里面涉及到功能安全、信息安全等，??L4公司考慮較少。”
按照上述說法，工程能力與工程經驗是強相關的，一位資深項目管理專家也表達了類似的看法：“在汽車行業，工程能力更多取決于自身過去經驗的積累，短時間很難去彌補，只能靠量產項目去堆。”
不過，元戎啟行周光則認為過往L2的工程經驗未必能完全復用到L2+上去，他的理由是：“傳統L2是由很多獨立功能構成，而城區NOA都在往L4技術架構發展了，L4是中心化架構，用一套軟件算法解決所有問題，軟件架構大不相同。”
雖然，隨著技術架構的變化，工程能力未必能夠完全遷移，但是工程能力的重要性是毋庸置疑的。
2.3 L4公司也在補工程能力短板
不過，L4公司工程能力弱，并不代表他們在工程能力方面就沒有積累，就像一位行業專家說的“L4的公司不一定沒有工程能力，工程能力和L幾沒關系”。
很多L4公司都向九章智駕表示，在過往的項目中“一直非常重視工程化”，在把算法往嵌入式平臺上遷移時，也積累了不少工程能力和工程經驗，輕舟智航侯聰介紹說：
“一方面，當一些L4公司還在使用多核工控機的時候，輕舟已經著眼于未來，基于可量產的計算平臺去做算法開發，在相對低算力平臺的倒逼下，我們在研發過程中不得不關注工程化和性能問題。”
“另一方面，工程化過程中需要的工具鏈和流程，輕舟也很早就開發完成了。現在我們有一整套性能優化工具鏈和流程，可以快速將軟件遷移到嵌入式平臺上去。”
在安全性方面，輕舟也有很多積累，侯聰介紹道：“我們也針對安全做了很多冗余設計，比如硬件冗余和軟件冗余。硬件上有兩套傳感器，域控制器部分，有主計算單元和備份計算單元，還有個單獨的控制器，可以在單點失效或多點失效下保證車輛安全，如靠邊停車或剎停等。”
“這些是L4的做法，對于L2++來說會做一些調整，但整體思路是高度一致的。為了保證安全，內部也有工程質量團隊，對工程質量高標準嚴要求，使系統更安全、更穩定。”
雖然L2做不到L4那么多的硬件冗余，但也說明像輕舟這樣的L4公司已經在考慮功能安全了，在這方面也有一定的積累。
元戎啟行對于工程化也有一些積累，據周光介紹：“元戎很早就把L4算法架構放在低功耗的量產芯片上跑，也在按照ISO26262功能安全要求開發自動駕駛系統，ASPICE也在認證過程中。”
看上去L4公司在工程化上也在補工程能力的短板，相信后續可以慢慢通過量產項目積累的經驗去不斷加強。
三、挑戰：定制化程度高，不同項目間軟件如何復用？
在采訪L4公司過程中，筆者發現一些L4公司人員對“降維”進入L2賽道持高度樂觀的態度。當然，在進入一個新領域時，適度的樂觀是必要的，正如距離產生美。
不過當近距離觀察當前L2面臨的現狀和問題時，一旦關掉美顏濾鏡后，再去看自動駕駛量產軟件開發的前景，也許會發現并不如想象中那么“美好”。
很多行業高管在和九章智駕交流時都提到，現在行業極度缺人，尤其是開發崗位。究其原因，在適配不同車企、不同車型平臺的項目時，軟件的定制化程度太高，可復制性很差，“每拿到一個車廠量產項目，都要鋪一堆人去做，現在都不太敢拿項目了，怕項目拿到后，人招不上來，影響交付” ，一位L2軟件公司高管曾對九章智駕訴苦道。
如果定制化很高，軟件復用性差的問題遲遲不能解決的話，那么令L4公司所向往的“降維”故事，也許就不那么“性感”了，甚至有人開玩笑說，“某自動駕駛公司可能會淪為一個軟件外包公司。”
在進一步討論這個問題的解決方案之前，我們先來探討下軟件可復制性差的背后原因。
3.1 為什么需要高度定制化？
在和行業專家交流時，不少人認為，其實真正算法層的適配成本并不高，反而在其他方面的定制化，要耗費大量的人力和物力，具體可以把原因匯總為：
3.1.1 電子電氣架構不同
不同的車企，有不同的電子電氣架構，所配置的傳感器、域控制器和執行器也不同，稍有不同，就涉及到很多開發工作量，如通訊信號匹配、傳感器適配、計算平臺的適配、集成調試等。
最復雜的是匹配通訊信號。要做好整個智駕功能的閉環，就需要把信號從傳感器到域控制器，再到最后的執行器，所有信號全部做好適配，開發工作量巨大。“在一個平臺上能很方便地獲取某個信號，到了另外一個平臺上，可能要花很多周折才能獲取，”一位專家介紹說。
同樣，每新增一個傳感器，也需要做大量適配。“如果新增一個相機，開發驅動，時間同步、圖像大小、幀率穩定問題，這些都要重新搞一遍，”
各家使用的算力平臺不同，也需要做適配，“同樣的算法模型，在華為MDC上運行和在Orin上運行也是不同的。 ”
除了算法模型外，不同的計算平臺的底層軟件也是不同的，底層軟件不同，上層的中間件、通信框架和算法等，也都要做相應的適配。“華為MDC給不同廠商的底層軟件可能是不同的，不同的域控廠家集成Orin時集成電路不同，對應的適配環境也有區別，要基于環境開發集成調測臺架和發版環境，其實也很花時間，”上述專家說。
Momenta相關人員也告訴九章智駕：“定制化程度高的主要原因是每家的車型、傳感器的配置、芯片都不一樣，算法接口不統一，數據和技術流通受阻。”
3.1.2 產品功能定義不同
不同功能的切換，涉及到狀態機的定義和判斷。狀態機的數量、定義、更新頻率以及切換策略等，都有完整的控制邏輯，這些是由車企產品團隊負責定義。
不同車企對智駕功能有不同的理解，狀態機的定義也不同，在實際功能開發過程中也不太一樣。
Momenta相關人員告訴九章智駕，每家客戶的功能需求也有差異，如果缺乏良好設計，就會造成大量重復工作。
造成上述兩個現象的原因，福瑞泰克CTO沈駿強認為和汽車行業的歷史有關，他說：“和IT行業相比，汽車行業還是比較封閉的，各家都有一套標準，按照自己的想法定義系統，要求供應商按照自己定義的系統開發零部件。”
3.2 更省事的標準化方案是否行得通？
既然車企的差異化如此之大，那么Tier 1是否有更省事的方法，那就是建議或推動車企和其他合作伙伴采用一套標準化解決方案呢？
這取決于Tier 1自身的影響力。
國際Tier 1巨頭依靠自身的供應鏈管理能力和自身影響力，對上游（如其他傳感器供應商）和下游（車企的需求定義）的話語權要強得多，能減少不少定制化開發的工作量。
“我們對于主機廠的電子電氣架構有很大的話語權，對其他接口不一致的硬件，我們也可以推動他們去改，”一位在某國際Tier 1巨頭任職軟件管理的專家說。
話語權依靠公司本身巨大的體量支持，這對于L4公司是很難的。
“電子電氣架構和狀態機的定義，雖然我們也會建議主機廠去修改，有些能改，不過大多數都是不能改的。”一位國內自動駕駛軟件公司從業者說。
要想提高話語權，L4公司還需要通過量產項目不斷積累經驗，才能贏得車企的信任，否則也很難推廣自己的標準化方案，“就算我們想去推標準方案，客戶也得相信才行”，上述從業者說。
3.3 如何提高軟件的可遷移性？
那么，既然現階段推進標準化方案比較困難，那么怎么才能提高軟件的可遷移性呢？
其實，車企在傳感器和芯片的選型上也正在走向趨同，這個趨勢對于提升軟件可遷移性是非常有利的，輕舟智航侯聰說：“在城市復雜場景下，方案其實在趨同，無論傳感器選型還是芯片選型，都沒有太多的選擇，都傾向于使用目前驗證過的硬件組合。”
除了上述趨勢外，Tier 1也采取了很多積極主動的措施，他們的思路是，既然不能要求上下游去按照自己的方案去改，那就修煉“內功”，讓自己可以更靈活地適配上下游。
行業普遍認為，優化軟件架構，對硬件進行“抽象”，可以提升軟件的可遷移性。
當前很多公司的軟件架構優化得并不好，一位自動駕駛工程師說：“軟件設計領域一直有‘先定架構后開發’，還是‘先開發，然后迭代出一個更好的架構’的爭論。每一家公司都說自己是‘先定架構后開發’的，因為如果不這樣說，會顯得決策層很low，但現實往往是‘時間緊，任務重’‘你先給我出個版本，以后有時間再去優化’，架子沒搭起來就開始考慮客戶的量產交付了。”
這位自動駕駛工程師認為，通過做好硬件抽象可以解決這個問題：“硬件抽象可以類比于模型的Inference框架，只需要開發一套算法，通過這個框架，可以在不同的硬件平臺上跑。”
侯聰也認為應該通過“硬件抽象+參數配置”的方式來適配不同的平臺，他說：“拿操作系統舉個例子，為了能夠讓自己接入更多硬件，需要對系統大量的功能模塊進行抽象實現，如線程等這些概念就是對硬件抽象后形成的。
我們會對基本的算法模塊、基本的功能定義，做一些抽象。這樣在適配不同車型時，就變成了參數配置。”
除了優化架構外，還有一個方法，就是通過和上下游接口統一，形成行業共識或行業標準，從而降低適配成本。
一些行業聯盟正在牽頭制定標準化軟硬件接口的定義，沈駿強介紹說：“一些行業聯盟??也在逐漸形成，比如歐洲的AUTOSAR聯盟，中國汽車基礎軟件生態委員會（AUTOSEMO）聯盟和中汽協軟件定義汽車（SDV）工作組。??這些行業聯盟，特別是SDV工作組，在各個層面進行標準的軟硬件接口的??定義。??基于這些標準接口，再加上SOA架構（面向服務的架構），復制成本高的問題會慢慢改善。
“SOA架構其實最早是計算機行業里‘面向對象’的概念，強調的是保留一個數據接口，把內部的功能實現后，封裝起來，基于這樣的數據接口，形成可以被行業普遍認同和廣泛接受的標準。目前福瑞泰克面向新的E/E架構下SOA分布式中間件開發架構，通過搭積木式的方案推出平臺化的軟件模塊，增強了平臺的可拓展性以及提升用戶體驗。”
相信隨著軟件架構的優化和軟硬件接口的逐漸統一，可遷移性會逐漸提高，從而真的實現“軟硬件解耦”。
四、敏感問題：數據驅動如何實現
除了上面提到的復制性差、遷移成本高的問題外，還有一個很關鍵也很敏感的問題，那就是數據。
數據的價值就無需贅述了，所有自動駕駛公司都稱自己是數據驅動，如Momenta宣稱自己是“基于數據驅動的飛輪技術洞察，以及量產自動駕駛和完全無人駕駛相結合的‘兩條腿’產品戰略”，L4公司參與到L2中來，一方面也是看到L2海量數據的價值。
那么，現在就面臨一個問題：車企愿不愿意分享數據給這些自動駕駛公司？
這就涉及到自動駕駛數據歸屬權的問題了。
在量產車輛行駛過程中，傳感器采集的數據、車輛的行為數據和底層數據，雖然目前國內法規還沒有明確界定數據的歸屬權，不過2018年，歐盟已經通過相關法律認定，判定自動駕駛數據歸屬于車企，相信國內在制定相關法規時，也會參考歐盟。目前行業里也默認數據屬于車企。
不過現狀是，車企也已經意識到數據的重要性了，尤其對于國營車企，他們甚至為了數據安全，不惜花重金自建私有云，對這些企業而言，數據問題一定程度上具有政治敏感性，如果處理不好就容易出問題，這是原則，是底線。
那么，既然車企這么“寶貝”這些數據，Tier 1能否從車企處獲得想要的數據呢？車企是否愿意“無私”地分享數據給Tier 1？Tier 1和車企又是什么樣的合作模式呢？
對此，行業普遍認為“數據所有權”和“數據使用權”分離是當前的主流做法。
一方面，車企雖然擁有量產車輛回傳數據的所有權，但是這些數據中，有價值的數據會被淹沒在大量無用數據中，要高效準確地進行數據挖掘才能最大化地發揮數據價值。目前很多車企并不具備這樣的技術實力，相當于空有一座金礦而自己又不會挖礦;另一方面，Tier 1雖然有這個技術實力，也希望利用這些數據去迭代自己的算法，但苦于沒有數據所有權，最后，車企還要依賴Tier 1利用這些數據持續迭代算法功能，OTA到量產車上。
雙方都有意愿最大化地把數據利用起來，于是一拍即合，達成了一個默契：數據所有權還歸車企所有，但是開放數據使用權給Tier 1。這基本已成為行業的通用做法，一位Tier 1工程師甚至提到，如果車企特別‘寶貝’數據而不愿意分享使用權，他們會認為合作價值不高而放棄合作。
不過這就出現了一個問題，比如一家Tier 1有不止一家車企客戶，如果A車企有30萬輛車，B車企有10萬輛，假設這兩家車企都同意把數據開放給這家Tier 1使用，或者是A車企車上配置的傳感器、芯片配置更高從而數據質量更好，那么，A車企是不愿意Tier 1把用他們的數據訓練出來的算法賣給B車企的，即希望"你用我的數據迭代的算法只能我服務"。但在實踐中又如何管控呢？
筆者在和車企的工程師交流后發現，車企的心態是比較矛盾的：既希望Tier 1能把其他車企的新特性和corner case同步到自己家，又不希望Tier 1把用自己家的數據訓練的算法開放給其他車企使用。
由于這種矛盾心理的存在，車企們的做法也比較多元化，盡管還沒有形成共識，不過可以根據車企技術能力的高低大致分成兩類：
如果車企的開發能力很強，那就把自動駕駛數據放到車企指定的云上，后續的數據挖掘、模型訓練等算法迭代流程都是車企用Tier 1提供的開發工具鏈來操作，這樣就能保證：1.數據只能自己用；2.訓練出的算法，也只能給該車企自己用。
如果車企自身的開發能力不強，就可能沒有那么多約束和要求，就會把數據挖掘和算法迭代全交給Tier 1來負責，不過這樣就很難限制“A車企的數據迭代的算法只能給A使用”了。
不過為了能夠有差異化的功能體驗，也會有話語權大的車企要求 “功能優先發布權”，即Tier 1的某個新功能要在自家車型上OTA優先發布，而其他車企的車型要稍晚一些發布，這有點類似于前幾年的Mobileye的芯片在某款車型上首發一樣。
五、風險：傳統車企自研成功后會不會“卸磨殺驢”？
不過即使Tier 1可以從車廠拿到數據的使用權，也不代表就可以高枕無憂了，因為還面臨一個巨大的風險，那就是“車企自研”。
頭部造車新勢力如蔚小理，堅定地以特斯拉為榜樣，走全棧自研路線，而傳統車企里，不僅長城、吉利這些民營車企在自研方面大力投入，國營車企，如上汽、一汽也投入了很多資源。
那么這些Tier 1的客戶是誰呢？
目前Tier 1合作的客戶還是以自研能力沒那么強的車企為主，甚至某Tier 1市場部人員曾對九章智駕直言：“我們的客戶，就是不要‘靈魂’的車企”。
不少車企工程師在和九章智駕交流時，紛紛透露內部是“兩條腿走路”：一方面和外部供應商合作，不過只是階段性的，是為了銷量，是“眼前的茍且”；一方面大力投入自研，甚至不惜重金去采購“白盒”算法，同時在和供應商合作的時候，也能邊做邊學，這是為了“詩和遠方”，一旦“師傅領進門”，車企的自研能力成熟后，肯定就不需要這些“師傅”了。
5.1 傳統車企自研自動駕駛能否成功
不過，筆者有一個疑問：傳統車企自研，能成功嗎？誠然，傳統車企自研遇到的阻力和問題并不少。
首先是人才，因為薪酬不夠高、團隊里缺少技術牛人，傳統車企很難招到合適的人，有些技術團隊的領導不懂技術，又想掌控，于是出現“外行領導內行”，讓研發效率大打折扣。
此外，組織架構也會影響自研效率，比如雖然行泊一體是趨勢，但很多傳統車企因為行泊是兩個部門負責，推進起來也很困難。
不過，更深層次的原因，還是企業文化或者“基因”。自研成功的新勢力車企都是有互聯網基因的，而傳統車企還是生產導向型的企業文化，注重流程，太注重流程就會影響自研的效率，在這一點上，為了自研，要做大量的內部變革，才能形成新的企業文化和組織形式，這個過程很痛苦，也很艱難。
不過車企有錢，有時候為了加快自研進度，或者為了向上面“交差”，也會買現成的白盒方案，基于白盒方案去開發。那么實際上這個方法是否可行呢？
筆者就這個問題和行業專家交流看法時，一些專家持悲觀態度，“白盒買了，沒人會用啊，被忽悠了”“算法迭代很快，買的白盒算法很快就過時了”。
5.2 傳統車企有沒有必要自研
誠然，傳統主機廠自研，存著諸多人才、制度和企業文化上的阻力，不過相比于討論“傳統車企能否自研成功”這個話題，Tier 1更愿意從行業分工、差異化體驗等角度來討論另一個話題，那就是——傳統車企到底有沒有必要自研？
他們的邏輯是，車企依靠銷量生存，做的一切也都是為了銷量，為了車能夠賣得好，就必須要自己的產品有競爭力，尤其需要在用戶體驗上有足夠的差異化體驗。在消費者高度看重的智能駕駛功能方面，表現不能太“拉胯”。只要Tier 1的能力始終領先車企一步，就不用太擔心。而德勤在主題為“汽車工程邁入軟件領航的新時代”的報告中也顯示，供應商在應對產品開發趨勢方面領先主機廠一步。
換句話說，并不是車企的自研體系建起來了，算法能跑通了，就可以把量產車輛上切換成自研方案了，而是要做到在體驗上能夠媲美切換之前Tier 1的水平，否則切換后功能表現會有落差，可能會引起用戶投訴，甚至帶來安全風險。
元戎啟行周光給筆者舉了一個例子：“如果其他車企的智能駕駛做到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，還要去切換的話，就會影響車的銷量，動了車企根基。”
事實上，特斯拉在切換自研的自動駕駛算法后，AEB功能曾缺席了好幾個月。同樣的遭遇，在國內某頭部造車新勢力身上也發生過。
不過這個邏輯，車企未必會同意，或者說那些認為車企沒必要自研的Tier 1們，可能低估了車企自研的決心。
在一次和趙福全公開對話時，蔚來汽車的李斌提到自研自動駕駛的邏輯：“越是涉及產品及時迭代、改進和反饋的部分，就越應該由車企自己來做。因為整車企業比供應商離用戶更近，當用戶反饋意見之后，車企可以及時改進并回應。如果要通過供應商才能處理，就等于增加了一個環節，會變得很麻煩和低效。”所以蔚來選擇自動駕駛全棧自研，用李斌的話說是“自動駕駛系統，除了芯片外，其余都是自己研發的。”
這些造車新勢力之所以堅定的選擇自研，一方面是為了更好的用戶體驗，他們想把自動駕駛打造成自己的核心競爭力；還有一方面就是軟件付費的商業模式，國產版特斯拉 Model 3標準續航版本售價為27.99 萬元（不含補貼），駕駛輔助軟件FSD一次性付費購買價格高達64000元，占車輛售價的23%，且隨著FSD功能的不斷強大，購買價格也在不斷提升中，蔚來、小鵬等也有類似的軟件付費購買業務。
不僅造車新勢力，傳統車企們也意識到了這一點，上汽集團董事長陳虹曾在股東大會上，公開拒絕采用華為全棧自動駕駛技術，稱“靈魂要握在自己手里”，上汽集團總裁王曉秋也曾公開說過“任何一家汽車公司不做自動駕駛，就是死”。
看上去，很多車企已經把自動駕駛上升到了“靈魂”和“生死”的高度，可見他們對自動駕駛的重視程度。
一位自動駕駛Tier 1公司創始人也是類似的觀點，按照他的說法，可以站在車企的角度，把所有業務按照兩個維度分成4部分，一個維度??是車企實現的技術難度大小，另一個維度是對用戶的價值高低，該價值高低取決于車企能夠形成多少差異化的競爭優勢。
第一部分，技術難度大，差異化價值也高，車企會優先選擇自研或者收購，比如自動駕駛系統。
第二部分，??技術難度小，??差異化價值高，該部分??車企會選擇自研，比如智能座艙的車載信息娛樂系統。
第三部分，技術難度不大，差異化價值也不高，比如底層驅動軟件等，可以大量通過外包等方式交給合作伙伴。
第四部分，技術難度高，差異化價值不高，??比如操作系統、中間件、芯片等，車企就沒必要自研了。”
按照上述的分類，有能力的車企都會選擇自研自動駕駛。
不過，自研需要雄厚的資金和巨大的體量來支持，也許并不是所有的車企都適合自研，尤其是那些“家底不那么厚實”的車企。
也有人認為，比如主機廠掌握適度自研能力是合理的，但是沒必要全棧自研，只需要掌握如控制算法等即可，這些功能對舒適性、操控等影響較大，至于其他如感知等算法則選擇和外部供應商合作。一方面，這些算法研發難度大，研發投入也大，經濟賬算不過來，另一方面，這些功能對于終端用戶的差異化體驗貢獻也相對較弱。
其實車企不管是自研還是外部合作，一方面在探索自己的能力邊界，另一方面也是在找和外部合作伙伴的最佳合作模式。背后隱藏的訴求，無非是希望在自動駕駛時代，能夠獲得更高的話語權，得到“安全感”。
5.3 車企自研方面的動作及進展
也正因為重視自動駕駛，傳統車企在自研方面做出了很多努力。
在團隊搭建方面，傳統車企除了體系內自建自動駕駛團隊外，有些還選擇在體系外搭建了團隊，比如上汽的零束、長城的毫末、吉利的億咖通。這些體系外的獨立公司，既可以擺脫傳統車企體制的束縛，在吸引人才和企業文化建設上，也能夠更加靈活和開放，更有利于自動駕駛技術自研。
除自研外，車企通過投資和業務合作等方式進行布局的腳步也一直沒有停下。
長安、一汽等傳統車企紛紛與百度、華為、地平線新等企業以投資、建立合資公司等方式進行合作。
上汽去年兩次投資Momenta，搭載Momenta泊車、高速、城區等場景的自動輔助駕駛功能的首款車型智己L7也預計將于近期開始交付。
廣汽也不例外，今年3月，獨家投資了禾多科技，搭載禾多科技行車、泊車功能車型也將于2022年上市。此外，廣汽還成為華為智能汽車“HUAWEI Inside”模式的合作方之一，雙方將于2023年推出合作開發的車型。
一位傳統車企工程師曾說：“目前技術基礎薄弱，還要依靠供應商幫助，跟著供應商做一個項目，再加上供參考學習的白盒方案，慢慢地建立起自研能力。”
這位工程師還提到，等到自研能力成熟了，量產方案切換時，也會穩妥優先，“一開始先在某款銷量不大的車型上試點，等成功了再慢慢拓展。”
按照這位車企工程師的思路，雖然車企切自研短期內會付出一定的代價，不過只要自研能力建立起來了，長期來看功能迭代一定會慢慢跟上，這就需要車企在“短期利益”和“長期利益”中間做一個權衡。
為更好地實現自研，傳統車企選擇供應商的方式也在發生變化——他們開始擯棄過去“所有自動駕駛軟硬件全部打包給一家Tier 1來解決”的“交鑰匙方案”，逐漸走向“精細化管理”，即把系統軟硬件按照功能拆分得很細，分開招標定點，以此來加強自己的掌控力，也能借此機會向供應商近距離學習，可以逐步接觸更核心的部分。
六、行業終局是什么？
筆者在和很多從業者在私下交流的時候，都會聊到一個話題，自動駕駛的行業終局是什么。思考終局能夠讓我們更好地“以終為始”地做決策。
上述討論的“主機廠有沒有必要自研”，取決于車企的價值判斷，這也決定了主機廠自研的投入力度和持久度，也很大程度上影響了行業終局。
一位自動駕駛Tier 1公司的副總裁告訴九章智駕，行業終局會形成三種格局。
第一種，特斯拉模式，全棧自研，從軟件到芯片，垂直一體化。
第二種，類似于PC行業芯片（英特爾）+操作系統（微軟），可能會出現自動駕駛芯片廠商??和操作系統廠商為主導、OEM只做簡單開發的格局。
不過自動駕駛系統要想成為操作系統，一方面，算法要實現和下層硬件的解耦，另一方面，算法要和上層應用也要隔離，比如，把和用戶體驗強相關的、能夠體現差異化的定義接口開放給車企，這樣方便車企根據用戶需求來進行定義。
????第三種，和現狀差不多，以主機廠為主，和上游合作伙伴做行業分工。
“這三種格局，有可能并存，或者哪一種勝出，現在還沒有完全定論。不過按目前演進的路線，第一種和第二種的概率會更大一些，”上述副總裁說。
目前看下來，蔚小理等頭部造車新勢力堅定地走特斯拉全棧自研模式，長城、吉利、一汽、上汽、廣汽等傳統車企，也在往這條路上走，還有車企打算自己做芯片。該模式難度高，投入大，風險也高，如果能成功，那么產品競爭力和收益也是最大的。
從終局看，最終只會有幾家頭部的車企在該模式下能跑出來，畢竟不管是自研自動駕駛系統還是芯片，都是需要重資金和人才投入的，這樣的投入恐怕只有頭部的車企才能養活得起，也只有頭部的車企，才有足夠的銷量去分攤成本、形成競爭優勢，否則反而成了累贅。
第二種，對于資金沒那么雄厚、體量沒那么大的車企來說，是個“高性價比”的選擇，在控制投入的前提下，還能共享產出。以某幾個頭部自動駕駛軟件公司和芯片廠商為核心，形成一個開放的生態圈，既能讓芯片形成規模效應，也能共享算法解決方案和自動駕駛數據，以此來抗衡特斯拉模式。
不少人認為，在獨立的自動駕駛軟件公司這個賽道，最后很可能只有幾家頭部的公司才能活下來，其他的大概率會被并購，就像小米收購DeepMotion（深度科技）一樣。
李斌在對話趙福全時，也提到自動駕駛行業終局，他認為最終也會形成幾個聯盟，不過和上述的“強Tier 1+弱OEM”不同，他認為車企之間會相互聯盟，每個公司獨立運營，但加入某個聯盟來共享資源，比如傳感器布局、算力平臺、基礎算法、算法數據等，既合作又競爭。
其實車企之間“強OEM+弱OEM”的“抱團”的趨勢也已經在發生了，2019年，大眾集團和福特對外宣稱共同投資Argo AI公司，共同分攤Argo AI研發自動駕駛汽車技術的費用。
2018年，本田通過投資7.5億美元，獲得通用汽車收購的Cruise 5.7%的股權，并在自動駕駛領域和通用繼續加深合作，于2021年和通用、Cruise一起合作開發出了無人駕駛車輛平臺Origin。
至于上述提到的第三種維持行業現狀的路線，更像是個演變進程中的過渡狀態，目前傳統界限分明、分工明確的Tier 1、Tier 2，也已經開始慢慢模糊，開始出現Tier 0.5和Tier 1.5這樣的角色。Tier 1也在不斷調整自己的角色定位，“??對福瑞泰克來講，新型Tier 1作為主機廠最緊密的合作伙伴，對整個系統開發負責，我們也會更多站在??用戶的角度去思考功能的定義和開發，不僅提供最終產品的供應，更重要的是幫助客戶一起完成產品的定義和論證，供應商的管理。”沈駿強說。
市場風向在不斷調整，車企的關注點也在不斷調整，而且往往是在兩個極端之間搖擺。
五六年前，車企對智能化的關注點還更多是在智能座艙上，2016年號稱“全球首款量產互聯網汽車”的榮威RX5發布，一上市中控大屏就驚艷了市場，而那時候智能駕駛領域還在被Mobileye壟斷市場，車企都還在用EyeQ系列芯片。
不過市場變化很快，隨著智能座艙的同質化，和特斯拉智能駕駛功能FSD的火爆，讓用戶購車時更多關注智能駕駛功能上了，智能駕駛又成為了車企關注的焦點。
對軟件的態度也是如此。傳統模式下的產業鏈分工，車企幾乎不做軟件開發，由Tier 1將軟件封裝在ECU里軟硬件一起交付，對軟件的重要性認識也不夠，一位自動駕駛公司創始人說：“四五年前，在和車企交流時提到軟件定義汽車，車企覺得‘軟件沒你說的這么重要’‘還是踏踏實實搞硬件’‘消費者不關心軟件’，在提到特斯拉時，也是用鄙視和調侃的語氣。”
隨著這幾年“軟件定義汽車”的大火，風向完全逆轉了過來，車企都在大規模招聘軟件人才，組建軟件研發團隊。
在產業鏈分工上也是如此，從傳統的Tier 1、Tier 2的分工模式，形勢完全逆轉，車企紛紛模仿特斯拉做全棧自研，甚至芯片也要自己造，就像手機行業里的蘋果的封閉生態一樣。
不過，并不是所有的車企都能成為特斯拉，就像不是所有的手機廠商都能成為蘋果一樣。最后行業的終局，一定會出現類似于手機行業里安卓那樣的開放生態，車企借助上游合作伙伴的力量，一起抗衡蘋果模式的車企。
最終兩個生態相互競爭，互為補充，持續共存，這是自動駕駛行業最有可能的終局。
參考資料：
1.趙福全對話李斌（下）：解讀汽車產業價值轉移
https://auto.ifeng.com/pinglun/20210119/1526989.shtml
來源：九章智駕 作者：許良
