图片来源：图虫创意
投稿来源：航通社
刚开幕的上海车展有很多亮点，只是被特斯拉车主闹场抢了风头。“拥抱变化”的今年车展全面转向电动、智能和自动驾驶，各家厂商都有新发布，之后也都有媒体问答环节。
“云观展”的社长看了几家车企的 QA 实录，感觉收获最大的，是百度王云鹏接受采访的那篇。（点“阅读原文”可以跳转阅读）
虽然已经做了 8 年自动驾驶的百度，跟其它新人相比没那么有“话题性”了，但问答中提到的几个点都特别有针对性，比如激光雷达、量产、试驾体验和“弯道超车”问题。
造车 8 年的百度，少了很多“话题性”
之所以说王云鹏的媒体问答“好看”，主要是跟第一次上台的华为和大疆这些对比而言。因为那几家是初次官宣，肯定会有很多媒体问题集中于具体产品和路线图。
但是百度已经通过此前的多次活动陆续发布了不少信息，这次来车展，王云鹏说的几乎是纯战略。也许因为百度已经闷头做了 8 年车，它并不会再有让很多媒体追着问问题的那种“话题性”。
从财报看，百度造车下了血本，投入逐年增多。在结果出来之前，看上去特别像把钱扔进无底洞。李彦宏早前对彭博社说：
“我们都低估了自动驾驶研发的投入……百度去年已经投入了 200 亿造车。”
百度一年来的股价走势
相比之下，如果因为种种原因中断了持续投入，前期投入就只能大部分葬送掉，就像可怜的 FF。（实际上后来看，FF 美国团队也不算是所谓“PPT 造车”，只是不幸遇上了不靠谱的老板。）
更不用说，可能因为百度主要是花自己的钱搞自动驾驶，所以又不会像其它初创公司一样借着融资机会做一轮宣传，无意中又错失了一些曝光机会……
统计数据显示，2020 年自动驾驶市场披露融资总金额 436.3 亿元，同比大幅增长 136.9%。2021 年仅前两月已有投融资事件 24 起，披露总金额 176.4 亿元。最近的一条新闻是研究卡车 L4 级自动驾驶的图森 IPO。
直到最近，百度这些投入的效果才逐步体现出来。比如在被很多媒体引用过的 Navigant Research 做的自动驾驶竞争力榜单里，百度 2017 年开始上榜，2018 年从第三级 Challengers（挑战者）升到第二级 Competitors（竞争者），19-20 年都是最高级别的 Leaders（领导者）。
去年 3 月的最新一份榜单，从“战略”和“执行力”两个维度衡量，同属 Leaders 行列的包括谷歌母公司 Alphabet 旗下的 Waymo，福特，通用的 Cruise 和百度 Apollo。踩在即将进入 Leaders 的门槛上的有英特尔 Mobileye 和现代汽车。
Navigant 不算是那种“野鸡”机构，它的评语风格就像易立竞一样残酷。这次特斯拉名次跌的厉害，几乎要跌出榜单，理由是“特斯拉继续做出高调的承诺，但是其系统性能仍然不一致，其产品与承诺所说的不匹配。”
一些高调的名字甚至没有进入 Navigant 的排行榜，比如苹果，因为“没有提供任何商业化计划的明确观点”。优步因致命的碰撞事故焦头烂额，而 Lyft 近几个月在技术和商业化方面都还没有太大突破。
所以，王云鹏的这段谈话受到的关注没那么大，也许是因为其它家的首秀，无论如何也应该得到比较大的声量吧。
看他怎么对新来者“见招拆招”也让人觉得刺激。比如下面这几句话，随便拎出来都具备热搜体质：
在探索纯视觉之前用激光雷达，是“能力不够，堆料来凑”；
下一代 Robotaxi 会“跟市面上所有其他友商明显区分开来，肉眼可见的代际差别”；
足够自信的自动驾驶“应该可以欢迎友商在内的所有人试乘”；
追求弯道超车的厂商“短时间超车的可能性不大，翻车的可能性不小”。
问题是，这几句很可能都是实话，特别是不能追求弯道超车这一点，最可能接近行业的真实情况。
激光雷达 vs 纯视觉方案
这次车展华为大出风头，主要是因为它预先公开的一段路测视频。在恶劣的中国城市道路环境下的测试确实让不少人觉得惊艳，但仔细一想，也会想到一些问题。
比如说，视频中所呈现的道路环境是否是一段专门训练过的示范路段；比如说，道路环境是否部署了 V2X 基础设施，是否用高精度地图做了预先优化；比如说，如果量产车跟视频演示车不完全一致，那么没达到量产程度的测试部件和功能占比多少。
而最大的问题是，演示车辆和实际上市销售的阿尔法 S 华为 HI 版都运用了造价高昂的激光雷达。这当然是为了今后进一步降低激光雷达造价而做的一次尝试，但现在雷达价格仍居高不下，一下子把整车售价提到了 40 万元水平。
对于定价争议，北汽和华为方面均认为与竞品相比，定价“合理”，“保证产品价格竞争力在行业里保持最优的状态”。然而极狐系列原本的定位是性价比车型为主，这次一下子提到比 Model Y 和宝马 IX3 都要高，也不太能让人接受。有汽车分析师认为，这一系列车型现阶段合适的定价是 15 万元区间。
在采访中，王云鹏有针对性地说到了激光雷达问题。百度自动驾驶之前被划在“激光雷达阵营”，但在这次车展上着重展示的，反而是侧重量产的自主泊车（AVP）、城市复杂道路的领航辅助驾驶（ANP）方案等等。特别是，ANP 是“国内独家”的纯视觉自动驾驶方案。他说：
“可能有些不够谦虚，百度应该是最懂如何使用激光雷达的公司。”
这很容易让人想到一句话：明明可以靠颜值（激光雷达）吃饭，却偏偏要靠能力（纯视觉）。
这自然也是有本钱的巨头的一种“特权”——小孩子才做选择，大人是“我全都要”。因为激光雷达应用到量产车的成本高居不下，所以百度才开辟了一条新路线开始研究纯视觉，当然它也有这个多线作战的本钱。
另一个研究纯视觉出名的厂商则是特斯拉，这与马斯克的个人性格有关。马斯克曾经放出豪言说“Anyone rely on Lidar is doomed（任何依赖激光雷达的厂家已死）”，被认为是符合他一贯坚守的“第一性原理”——既然人可以只靠一双眼睛，而不是发射激光就能开车，那么车也可以只靠摄像头来看清周围环境。
相对的，百度这样决策的“核心问题还是成本和质量”，“不能因为有激光雷达就得多卖 10 万块”。近期上市的量产 L4 级车辆威马 W6 定价区间为 17-26 万。
在残酷的生存环境下，国内企业天生就会认真考虑商业化问题，而不是纯粹的思考技术问题。前述 Navigant 的榜单在考虑战略时，商业化能力也有很高的权重，所以未来更多的国内企业也有可能上榜和“霸榜”。
王云鹏也提到，在激光雷达降成本方面百度也没有停止探索，正与合作伙伴一起“打磨一款面向车规量产，而且成本比较低的激光雷达”。毕竟，在 robotaxi 上跑了很长时间的激光雷达也一样有降低造价，以便更大规模投放的需要。
总之，两条技术路线互为备份，让度娘这边自动驾驶的基础更牢固；而激光雷达要想真正降价，也不能单靠研发，而需要长时间的实际商用和更多厂商加入竞争。
Robotaxi 和量产车
很多第三方分析认为，华为放出的测试视频实际上达到了 L4 标准，但应用时会相对保守，以 L2 的名义对外发布。这种将功能和技术逐步降维释放到量产车上的做法，也是国内多数有技术积累的厂商共同的选择。
而说到技术和数据的积累，闷头搞了 8 年的百度绝对有发言权。纯视觉的 AVP 和 ANP 都是这种降维释放思路的产物。
具备先发优势的百度量产车上路后产生了海量数据，论数据量应该也是行业内的前排水平。数据用于反哺系统调优，产生新的能力再不断释放。这个路径也会在其它厂家重演一次，但时间差可能是持续存在的。
正如激光雷达和纯视觉同步进行一样，robotaxi 和量产商用车也是同步进行，“我全都要”。王云鹏介绍说，除了已经上市的威马 W6，广汽等厂商的合作车型也会逐步推出，目标是“今年下半年开始，平均每个月都会有一款上市”。至于 robotaxi 的第五代车则会是“肉眼可见的代际差别，可能会又一次领跑行业”。
“我全都要”的好处显而易见，两条路线从不同角度出发，都要保障安全，这是对一辆车最根本的要求。在此基础上，robotaxi 更强调效率，目标是快速把人送到目的地；而量产车则强调驾乘体验，让乘客拥有一个新的“第三空间”。
在资源有限的时候，两个方向只能二选一，所以 Waymo 主攻出租车，特斯拉则专注于乘用车。但全都做就可以把“安全和效率”与“安全和体验”的好处结合起来，彼此互补。
除此之外，出租车和私家车的使用场景也不尽相同。出租车会在城市内部的路网持续跑动，积累的数据越来越与市内道路相关；私家车可能日常任务也是买菜，但偶尔也会用于长途旅行，在高速或无名小路上奔驰，即使在固定路线上跑动，也可能处于 robotaxi 不在运营的地方。
相比其它自动驾驶路测进度领先的国家，中国的路况更复杂，所以如王云鹏所说，
“在中国跑得好的方案在美国跑没问题，在美国跑好的方案很难适应中国路况。”
路测和路测不一样，解决方案之间也不一样。私家车积累的路测数据和结论，没准还更适用于卡车，而不是出租车。
开放试驾的自信
这一年来，滴滴、小米、华为、大疆先后官宣进入自动驾驶领域，或者在自动驾驶上的重要进展。在此之前，百度、小马智行、蔚来、戴姆勒等等已经积累了一定的路测里程和数据。
不过以北京为例，从测试里程、投放车辆、其中无人化测试车辆等指标来看，百度都把别家远远甩在身后。截至目前的路测进展差异，也导致百度是被实际体验过最多次的自动驾驶品牌。
就此，王云鹏在谈话中举了个例子：
“前一段时间，我去国家一个部委汇报结束时，邀请领导来试乘，但领导说已经坐过了，没有通知我们，自己在亦庄用手机叫车，说体验非常好，远超预期。这让我很受鼓舞，这不是获得了‘领导微服私访’的肯定，而是获得了一个普通用户的认可，更让我们坚定了，真正面向所有人的开放试乘才有意义。”
百度的多个测试活动在大城市的专用道路上举行，不论是家住附近还是慕名前往，能实际体验到的普通人始终有限。这时候可能就需要找一些“普通人”的代表来给大家汇报一下感受。
今年 4 月 16 日，撒贝宁在一个央视组局的圆桌对谈现场，体验了当天上市的威马 W6。而去年 9 月的百度世界大会上，央视另一位主播宝晓峰体验了当时最新的 robotaxi。
与此类似，很多直观的体验都由媒体自行体验而来，不论媒体是国内外，不论规模大小，不规定路线，也不论是否“暗访”。这种实际上面向普通人的开放试驾，意味着必须首要考虑安全因素。
之前，优步、特斯拉等厂商在美国有一些大大小小的事故，其中一些个案中，司机虽然有方向盘，实际属于 L2 级别，但对车机的信任，让他们像 L4 一样完全放弃了对方向盘的操控。
几天前，社长在微博看到一位特斯拉 Model Y 车主“体验了特斯拉的紧急自动制动”，在有人横穿马路的时候，没有主动踩刹车，而是等待汽车的辅助驾驶系统起效，自动刹停。尽管特斯拉官微转发时对此大为称赞，这种完全无视交通法规的做法还是让网民看得瞠目结舌。
虽然这可能也是 L4 级自动驾驶的终极目标，但冒着牺牲生命和危害交通安全的风险，去给这个目标贡献“实验数据”，未免还是过于大胆了一些。
这也说明，一旦从 PPT 和演示视频中降落到量产状态，进入每个家庭，面对自身条件各异的车主，对安全可靠性的要求就呈指数级提高。这也许会让我们对王云鹏邀请公众、媒体和“友商”试驾的自信有更深一层的认识。
自动驾驶时代，“弯道超车”太难
为了实现让任何人试驾都不出问题的目标，王云鹏归纳总结出车企必经的 6 个阶段。
在开始的研发测试阶段，要先后经历封闭路段、开放的固定路线、区域内不固定路线点对点三个节点；它们分别对应 0 公里、几十辆测试车跑几十万公里、上百辆车测试 3-4 百万公里三个里程指标。
在后面的商业化运营阶段，要再先后经历无人化、商业化和规模化三个节点；它们需要更强大的 AI 基础设施作为保障，还需要 1000 万公里起步的道路测试，和至少 10 亿公里的仿真训练。这一切的目标则是为了“安全”，需要实现 99.99% 的成功率，确保上路无碰撞事故风险。
百度在上海车展期间宣布，Apollo L4 级自动驾驶路测里程已经突破 1000 万公里，在中国企业里面现在是唯一一家；仿真测试里程已经突破 10 亿公里；至于上文提到的高精度地图，也实现了覆盖“百城百万公里”和“分钟级更新”。
王云鹏推测，华为和滴滴的造车处于上述节点的第二个阶段，也就是固定路线阶段。根据公开资料推测它们的数据量，有一个例子是，华为的高精地图采集还在进行中，“今年能够把北上广深四个大城市采完，有可能今年会加两个城市。”
恰好，华为智能汽车解决方案部门总裁王军也做了一个媒体访谈。在被问到华为做道路测试的时间并不长，为什么很自信时，他说：
“一方面，数据非常重要。但是基于 Corner case 的核心数据才是最重要的，你只有把这个东西学习好了，同时找到了真正的处理方法，才能真正把这个事情做好。”
边角案例（Corner case）指的是测试过程中，各种操作参数超越正常范围以外的极端情形。怎样测试到这些绝大多数用户都无法遇到和重现的情形，考验着测试工程师的智慧。
但是，不只是自动驾驶领域，而是可以说眼下建基于大规模机器学习的几乎任何领域，人的理性和智慧都无法穷尽任何可能的意外情况，因此也不太能跟海量的数据集相比。
社长写过，有些 AI 研究团队曾经想办法让小数据集、低能耗甚至是离线的训练，也拟合出跟大数据集训练差不多的效果。但迄今为止，收效不佳。至于从“黑箱”中脱离出来，要明确机器学习的思路，理清算法逻辑的尝试，就更处在初级阶段。
所以，要谈起 Corner Case，恰好是数据对解决这些案例有极端的重要性。
王云鹏将数据对研发过程的驱动作用，总结为“采矿”和“炼金”。也就是，先要通过超大规模测试（开放道路+仿真），收集海量高价值数据，建立高效发现问题和验证问题的能力；然后要有处理和消化海量数据的能力，将数据转化为自动驾驶能力的提升。这个过程在时间上不可省略，单纯的“堆人”也不能解决问题。
有人说，自动驾驶不是汽车上装电脑，而是给电脑配上四个轮子。确实，思维范式的不同会让互联网企业和传统主机厂都加入战团，而且都认为自己有优势，都有自信。
但就此将造车企业划分为“旧势力”和“新势力”，其实是不科学的。因为时间推移，再新的势力也都会变成旧的。相比之下，最重要的恰好就是时间、金钱、人才等方面的持续投入和积累。
有一点让汽车不同于手机等电子产品，那就是对安全的要求。如社长说过的，同样叫“手机”的手持设备，可以不再以打电话为主要任务。但汽车永远必须注意安全、可靠、速度、能耗这些指标，作为交通工具的核心卖点始终没有丢失。如果有人说想要重演 iPhone 那种“弯道超车”，现在看还是很困难。
百度将自家 Apollo 定义为“自动驾驶平台级领军者”。既然这一行现在仍然是讲究先发优势的，那么它在行业内的领导地位也就相当牢固。而且它探索出的发展路径，也在被后来者不断验证。