自动驾驶距离终局还有多远｜数字时氪TO B下午茶第四期沙龙实录

2022 年 3 月 24 日 36氪

智动驾驶TOB下午茶活动实录。

文｜王耐

来源｜数字时氪（ID：digital36kr）

2022年3月21日晚19:00-21:00， 36氪旗下数字化产业研究及服务平台数字时氪第四期TO B下午茶在线上举办，以“智动驾驶”为主题，聚焦自动驾驶领域，探讨其在高速干线、矿区、港口等多元场景的拓展和商业化试点运营，从而深入探讨自动驾驶行业所蕴含的发展机遇。

这些多元场景的落地，给未来提供了无限的畅想，但这一切都离不开自动驾驶技术的探索、突破和商业化落地。随着自动驾驶背后技术的逐渐成熟，无论是汽车产业链的价值分配格局，还是智能机器人的成型发展，抑或是农业、环卫等行业的自动化进程，都会因之而变化、随之而转型。

在此次活动中，36氪分析师张麟作为主持人，也将与来自各个领域的代表企业共同探讨自动驾驶赛道当前现状、不同细分场景下的公司定位以及未来的发展机遇，从而挖掘探讨自动驾驶行业中所蕴含的新的发展机遇。

分享嘉宾：

北京慧拓无限科技有限公司联合创始人、首席战略官王健

北醒（北京）光子科技有限公司合伙人胡佐金

苏州挚途科技有限公司 CMO 仇春

北京斯年智驾科技有限公司产品总监包旭超

主持人：

36氪分析师张麟

36氪分析师 Ben

核心观点节选：

从最开始2016年做矿山无人驾驶的时候，需要公司去做很多的科普和客户说服。但从2019年开始，会有客户主动找上来，对矿山无人驾驶的认可也会高很多，这种变化已经从原来的市场侧传导到了供给侧。2019年之前，在开展矿山自动驾驶业务的过程中，慧拓需要面向客户开展一定量的科普和说服工作；而近三年，客户方的需求一方面有量的增长，另一方面自发性也越来越明显，很多客户是主动联系慧拓来进行矿山无人化和智能化改造，开展矿山无人驾驶项目的，客户对矿山无人驾驶的认可度也有明显的上升。在采矿业企业需求和国家政策的驱动下，矿山无人驾驶的市场导向已从市场侧转变为了供给侧。

商用车和乘用车在自动驾驶上最大的不同就在于，商用车是生产工具，它并不是一个消费品，所以它最主要的目的是服务于生产场景，进行降本和增效。

激光雷达作为自动驾驶核心部件，这几年在乘用车上的应用也是发展很快的。刚才提到20多家企业在车型上搭载激光雷达，有几个核心推动力。一是更高级别的自动驾驶对激光雷达的需求是更强烈的。二是软硬件解耦的趋势使得配置激光雷达可以为将来更高级别的自动驾驶预留硬件条件。

实现高性能的车，我认为需要有两个方面结合，一是更高价位，比如它在传感器上有更高的配置上、有更高的冗余度、搭载数量更多，二是高级别自动驾驶，他对激光雷达的性能上也有更高的要求，比如有更高的分辨率、更远的探测距离、更稳定的性能等。

首先落地的场景应该是封闭场景的商用车，然后是公开道路的乘用车，再然后是公开道路的乘用车。因为涉及到自动驾驶，安全问题是备受关注的一个问题。而商用车的货物运输，相对于乘用车来讲，是安全角度下更容易落地的一个场景。

自动驾驶的成熟是一个循序发展的结果，并且是由封闭式走向开放式，从有限的场景走向开放的场景。场景越来越多元，结合的数据量也越来越大。目前最难的部分就是乘用车全开放，这涉及到驾驶员的习惯、开车风格。同时还需要面对路况不同的道路场景，这就需要通过数据和技术的积累、沉淀而形成一个系统化的突破了。

关心到底是用无人驾驶还是有人驾驶。关心的是两件事，安全和效果，但是这两者又是矛盾的。可能上，越安全，效率越低，效率越高，就越不安全。所以无人驾驶的技术线一直是要在安全和效率之间做一个折中。

我们关心的并不只是让一个车从 A 点运行到 B 点，而是说它如何以一个最优解完成整个生产任务。无论是A点到B点，还是A点到N点，这都只是你的场景。但矿厂关心的是，既要安全又要高效，两者缺一不可。如果说某个技术只能满足其一的话，那这个技术就是一个实验室技术，永远落不了地。运输过程是否采用“无人驾驶”，虽然能够在一定程度上反映矿山智能化程度，但与“安全”和“效率”相比，矿方明显更看重的是“保障安全”和“提高效率”。在生产场景中，“安全”与“效率”常常是矛盾的，矿方在这二者之中更看重的是“安全”，矿山的少人化与无人化也是保障安全的路径之一。现阶段，多数矿山的无人驾驶的落地是在综合考虑“安全”与“效率”，在两者之间找到平衡的基础上实现的。

对于生产场景，我们关心的不仅仅是让车从 A 点运行到 B 点，而是让无人驾驶的商用车以一个最优解完成整个生产任务，A点到B点，A点到N点，都是场景的需求，而生产活动本身的核心诉求则是“安全”和“效率”，二者缺一不可。对于生产活动来说，技术在实现无人化保障人身安全，同时实现“无人效率＞有人效率”之前，技术仍属于试验改进阶段，要在不断的迭代优化中逐步扩大落地范围，进行应用推广。

对于激光雷达来讲，主要关注几个点，一是关注数量。先有数量级的提升，这个技术验证的程度才会得到提高，然后才能实现真正广泛的量产应用。二是关注产品的适配性，包括对不同客户、不同场景、不同需求的适配，这是产品的核心竞争力。

而且面对路线之争，先发者的策略跟追赶者的策略是不一样的。比如特斯拉的核心优势在于起步很早，所以在很多数据或者算法模型积累上是要更完善的。因为时间这个东西是很难去追赶的，而激光雷达在某种程度上是给追赶者提供了一个捷径。

就激光雷达的发展来讲，比如刚才提到的矿山或者是港口的场景，它并不要求雷达在全视野范围内更精准，而要求在特定场景、特定范围内的精度、远度和准度。体积更小、性能更高、成本更低是未来激光雷达的发展趋势，而这可能会依靠未来关键收发模块的芯片化，甚至实现调频连续波的技术沿革。

自动驾驶的过程，它更多是一个循序渐进的发展，而不是一蹴而就的。硬软件和智能解决方案是不可分开的，所以我们一直说这是一个系统解决方案。没有了硬件，软件无法单独跑。只有硬件没有算法，也没法进行一个数据的融合。

如果自动驾驶舱外数据、OTA系统升级、与算法自研、基础软件集成、计算平台移植、仿真和道路测试等到最后量产是一个全栈工程化的闭环的话，首先在研发环节就有一道防线，然后到交付的时候会有第二道防线，这种闭环是可以提高自动驾驶的安全系数的。自动驾驶的愿景是零事故零伤亡，这也是最早提出的愿景。

之前比如缺芯问题引起的价格攀升，甚至最后可能超过了原来价格的十几倍，芯片成本的抬升对于整个供应链来讲冲击还是比较大的。其实是关于激光雷达未来搭载芯片的趋势是轻量化、小型化、低成本化，这是一个必然的路径，而且芯片在具体场景应用上还需要不断对技术方案进行论证、阐释和调试。

关于芯片的核心问题是算法，比如出现芯片卡脖子的问题，如果比如国产芯片如果无法完全适应场景需求，一块不行可以上两块，芯片跟更多还是为产品服务的。目前公司也在往国产替代的方向上去走，比如整个计算平台、融合定位的板卡、传感器驱动接口等都会应用到自研的硬件平台上，为国产平台做更多的预留。比如现阶段国产芯片无法满足全部的性能要求，那就先满足一部分。如果未来国产芯片的性能提升上来了，这对公司的算法空间其实也是会有更多的想象空间的。面对缺芯的问题，需要的是去拥抱变化，通过供应链的合理配货去尽可能降低芯片卡脖子问题对于公司产品的风险问题。

激光雷达的细分领域的技术路线分支，可以从两个角度来看，一是分析技术硬件，二是分析企业经营。从技术上来看，激光雷达有两大块，一是接收和发射，这也决定了雷达本身的性能极限；二是扫描方式，这决定了一些外在的参数。理解过程中，很容易将两者混合在一起考虑，其实两者之间是有区分的。从企业经营来看，市场定位、推广因素也是不同雷达厂商的区分所在。但个人来讲，未来激光雷达会越来越趋同，无论是芯片化也好，还是收发原理也好，都会走向一个逐渐趋同的状态。

现在也有一些技术路线，希望通过增强路端的智能化程度，比如L4的路、L2L3的车。个人来看，这似乎是两种不同的驱动力。不过从整个大交通的角度来讲，车端和路端是需要同时发力的。

以下为沙龙讨论实录，经36氪编辑整理：

主持人（张麟）： 我是36氪分析师张麟，也是此次会议的主持人。我旁边这位也是36氪分析师Ben老师。欢迎大家参加此次会议，参加此次会议的成员还有北京慧拓无限科技有限公司联合创始人、首席战略官王健、北醒（北京）光子科技有限公司合伙人胡佐金、苏州挚途科技有限公司CMO仇春、北京斯年智驾科技有限公司产品总监包旭超。

自动驾驶无论是在现在，还是在未来可预期范围内，都会是一个比较火热的赛道。在开场前和Ben老师也简单聊到关于自动驾驶的产业情况和发展变化，Ben老师给我的答案是，高开中走。然后大家也都感受得到，从一个很高高在上甚至神坛的位置，市场对其有无限期许，到现在逐渐走到一个更为冷静、清晰、客观的发展路线。面对这种发展变化，各位在自己的细分领域，或者说细分赛道有一些什么实际的感受么，或者说对这种发展态势有没有一些看法？

胡佐金： 北醒（北京）光子科技是属于激光雷达赛道这个细分赛道的。这两年这个赛道非常火热。早些年做激光雷达并不是很新鲜的事物，但这两年被市场关注也是因为整个自动驾驶赛道逐步火热。其中有很多的标志性案例，比如到今天为止，全球已经有超过 21 家车企宣布将在自己的车型上应用激光雷达，其实这是一个非常好的信号。这在三年前是一个很难想象的成果，所以这个行业近两年确实处于一个非常高速的发展状态。

王健： 大家好，我是来自慧拓的王健。这个行业近几年变化是很大的，从最开始2016 年做矿山无人驾驶的时候，需要公司去做很多的科普和客户说服。但从2019年开始，会有客户主动找上来，对矿山无人驾驶的认可也会高很多，这种变化已经从原来的市场侧传导到了供给侧。在矿山类型工业场景下，做无人驾驶不再是天方夜谭，它已经逐渐开始从实验室走到实际的现实场景中了。在短短差不多三四年的时间，就发生了很大的变化。

主持人： 您刚刚提到在矿山场景下的自动驾驶落地，除了一些公司的主动推进或者说政策的带动，现在其实市场需求对其也是有带动性的。

王建： 对，现在有很强烈的市场刚需，加上政府的支持，两个因素一张一弛实现了更好的配合。现在无论是国营还是民营，都对矿山自动驾驶有自发的需求。因为人力管理难、招人成本问题，还有开采难度等都是推动矿山自动驾驶发展的内在因素。再加上外部的绿色矿山、智慧矿山等的政府要求，内外部因素加在一起，使得矿山的自动驾驶成为一个很受关注的场景赛道。

包旭超： 斯年智驾主要是做港口的，和矿山场景也是比较像的一个赛道。目前在商用车封闭场景的无人驾驶，有很强的内需和外因驱动。而且港口和矿商都是属于比较传统行业，碳排放也是比较高的，所以首先推动电动化。刚需主要在于，港口驾驶集卡一般需要B照以上专业驾驶的司机，但现在每年这类司机的流失率大概在百分之十几到二十这个区间。所以对于自动化设备的转型的需求还是比较大的。近一年到两年开始，对港口自动驾驶的需求也是出现了一个快速的增长。

仇春： 挚途目前主要专注在商用车的自动驾驶。商用车和乘用车在自动驾驶上最大的不同就在于，商用车是生产工具，它并不是一个消费品，所以它最主要的目是进行降本和增效。现在物流口A/B照司机是存在缺口的。尤其在疫情之下可以很深刻地感受到，一个司机出货时间其实是拉长了，而且工作条件也比较辛苦。早些年，800公里以下司机差不多一个人，800到1200公里大概需要2个人，到1200公里以上大概就需要三个人了。随着出行历程的增加，人工成本也会出现相应的递增。所以在干线物流的自动驾驶场景下，还是要能够降本增效，解决实际的物流痛点，这也使得商用车的自动驾驶转型更为迫切一点。不说大车，即使是普通车型，也是会有耗油量的，而且只有跑完之后他们才会拿到钱，所以之前就需要进行一些垫付，而且跑物流的司机工作环境是很艰苦的。一个数据是，物流司机年平均收入大概是10.7万元，提升收入水平会带来人工成本的增加。所以招工问题、人力成本提升以及车辆和人员之间的智慧调度等多种因素共同催生了干线物流上自动驾驶的需求。

2021年社会物流总费用14.6万亿元，费用占到了GDP的14.6%。欧美市场的物流成本占GDP的 9%。这就需要更多的智慧高效的运输解决方案来满足市场需求、解决行业痛点。当然方案的最大一个前提是我要安全运营，不能疲劳驾驶。所以对于疲劳预警、自适应等方面的一些自动驾驶功能，也是市场的一个需求所在。

主持人： 除了专业人员，普通大众对于乘用车的自动驾驶应用更为关注。前段时间美国交通部的新法规，提出自动驾驶可以不用搭载实体方向盘了，在业内引起了不小的轰动。所以向请教一下，各位对于乘用车的自动驾驶有什么看法呢？目前乘用车的自动驾驶处于一个发展状态呢？

胡佐金： 激光雷达作为自动驾驶核心部件，这几年在乘用车上的应用是发展很快的。刚才提到20多家企业在车型上搭载激光雷达，有几个核心推动力。一是更高级别的自动驾驶对激光雷达的需求是更强烈的。二是软硬件解耦的趋势使得配置激光雷达可以为将来更高级别的自动驾驶预留硬件条件。大众讨论中会提到关于电动车的使用年限问题，车企也意识到了这个问题。只有延长产品的生命周期，消费者的购买意愿才会提升。所以现在很多车企硬件先行配置，然后再去不断迭代自己的软件系统，给客户一种更好的消费和使用体验。

主持人： 目前商用车和乘用车无论是在落地速度，或是未来的增长曲线，两者是有区别的么？对于一些高性能车辆，比如跑车，它在自动驾驶里会用到感知层的方案。想问一下，比如激光雷达的应用在更高性能的乘用车和普通乘用车之间会有比较大的区别么？

胡佐金： 能够批量上车的激光雷达本身肯定是需要符合车规级要求的，这个不同的车型没有区别。高性能的车在定义上有两个点，一个是高价位。因为激光雷达目前相较于其他传感器而言成本还是比较高的，所以搭载激光雷达的车在价格定位上大概在30万，甚至更高到五六十万这样一个区间。第二点是高级别自动驾驶。高级别自动驾驶并不只是做一个ADAS辅助驾驶的应用，而是希望可以做到自动驾驶。目前这方面比较突出的类似于Robotaxi或者将来可能会部署L4 级私人驾驶的乘用车。因为这些车辆对于探测距离、对于小目标物的探测、对于全场景的适配是有更高性能的软硬件要求的。实现高性能的车，我认为需要有两个方面结合，一是更高价位，比如它在传感器上有更高的配置上、有更高的冗余度、搭载数量更多，二是高级别自动驾驶，它对激光雷达的性能上也有更高的要求，比如有更高的分辨率、更远的探测距离、更稳定的性能等。

主持人： 自动驾驶的落地步骤会遵循先在商用车上进行大规模技术验证、技术迭代，然后逐步向乘用车的场景拓展这样一个发展趋势么？各位是怎么理解自动驾驶的发展路径问题呢？

包旭超： 从个人的角度来看，首先落地的场景应该是封闭场景的商用车，然后是公开道路的乘用车，再然后是公开道路的乘用车。因为涉及到自动驾驶，安全问题是备受关注的一个问题。而商用车的货物运输，相对于乘用车来讲，是安全角度下更容易落地的一个场景。

仇春： 之前一直从事乘用车相关解决方案的工作，从2012年左右，就开始布局乘用车的智能解决方案，也可以理解为 L2的智能驾驶辅助。我是比较同意刚才提到的商用车先落地的趋势的。因为商用车是一个生产工具，场景更多是封闭式的，它是能够优先于更开放的作业场景的。而且自动驾驶公司的边界是在不断变化、不断拓展的，更多的是一种循序渐进式的发展。比如早几年大家对于自动驾驶公司印象是做核心算法的，比如谷歌。到了现在，出现了威马、小鹏、蔚来等更多种类型的企业，还比如出现像威马和百度在自动泊车上的合作等。

整体来讲，自动驾驶的成熟是一个循序发展的结果，并且是由封闭式走向开放式，从有限的场景走向开放的场景。场景越来越多元，结合的数据量也越来越大。目前最难的部分就是乘用车全开放，这涉及到驾驶员的习惯、开车风格。同时还需要面对路况不同的道路场景，这就需要通过数据和技术的积累、沉淀而形成一个系统化的突破了。

主持人： 矿区的自动驾驶和港口的自动驾驶有什么区别呢？

王健： 相对于港口，矿区的自动驾驶面对的道路更多是非铺装路面，比如黄土里面。而且矿区的自动驾驶适合业务作业紧密关联的。面对也不单单的只是说一些行为防碰撞、检测车道线、红绿灯，它的主要的目的还是把土以最便宜、最高效的方式运走。矿主关心的并不是有人或者无人的产品形态，他买的是服务，而不是一种有形的产品形态。

关心到底是用无人驾驶还是有人驾驶。关心的是两件事，安全和效果，但是这两者又是矛盾的。可能上，越安全，效率越低，效率越高，就越不安全。所以无人驾驶的技术线一直是要在安全和效率之间做一个折中。做生产场景的自动驾驶，先要保证车上是没有人的，然后保证本质安全，最后再实现从无人到超人，实现效率百分之一、百分之二的提升。每个场景比如矿山、港口的无人驾驶技术都是不一样的，在不同的场景下，应该适配不同的激光雷达、算力、调度系统。即便这些元素每个场景都有，但大家都不太一样。

主持人： 也就说在矿上，我们关心的并不只是让一个车从 A 点运行到 B 点，而是说它如何以一个最优解完成整个生产任务。

王健： 对。无论是A点到B点，还是A点到N点，这都只是你的场景。但矿厂关心的是，既要安全又要高效，两者缺一不可。如果说某个技术只能满足其一的话，那这个技术就是一个实验室技术，永远落不了地。

主持人： 自动驾驶的发展趋势会是从L1、L2、L3、L4逐渐迭代，还是会有另一种路径，就是主攻L4 甚至 L5 这种级别的完全自动驾驶。爬楼梯式和专注高端式发展，这两种趋势在市场上是并存的呢？

Ben： 其实关于自动驾驶，到底是一个完全的渐进的过程，或者是将L4 和 L3之间划一个很大的鸿沟的一种非渐进而一步到位，这之间争论已经有很长时间了。不过现在可能它更多的不完全是一种争议，而是关联到不同的场景。有的场景可能需要真的一步到位，但是有的场景可能必须要一步一步地积累数据，这两者之间很难完全下一个定论。

胡佐金： 在路径选择上，不同的客户也选择不同的路径。比如有些企业更多关注的是技术的积累，有些企业更关注产品的落地同时迭代技术，只要能落地的场景就先做。这个路径是多头并发的，有的公司仰望星空，有的公司脚踏实地，企业之间也会有很多的联动。对于激光雷达公司来讲，主要关注几个点，一是关注数量。先有数量级的提升，这个技术验证的程度才会得到提高，然后才能实现真正广泛的量产应用。二是关注产品的适配性，包括对不同客户、不同场景、不同需求的适配，这是产品的核心竞争力。

主持人： 同样都是一种机器学习，渐进式和专注式的发展路径在研发难度、难点、关键点上有什么不同么？

Ben： 算法本质还是会有区别。如果对标整个自动驾驶的一个大的路径来看，无论是算法对算力的需求，还是感知层和执行层所需的设备和技术都会有一定区别，这其实是一个整体的区别。L4和L3之间，个人觉得如果对乘用车来说，其实完全是两种技术架构。如果从商用车和乘用车会有一定相关性的角度来说，乘用车、商用车这一部分可能也会将其分为两种不同的产线来管理。

主持人： 自动驾驶本质上是一种机器学习，一种人工智能的学习。您刚刚提到，无论是在硬件指标，还是算法性能，两者都是存在区别的。两者的区别点主要在于说性能更高、芯片算力更大、雷达探测更精准、更远、成像更清晰这方面的区别么？

胡佐金： 如果从激光雷达的角度来讲，比较直接的一点，就是激光雷达数量上的不同。比如L2 级基本上就不用配激光雷达，大家更多的是做一些辅助驾驶。现在 L3 级，它主要会关注前向的激光雷达配置。L4级可能会配备多达6颗激光雷达，再加上车身的补盲雷达，基本上整个激光雷达数量配置会超过 10 颗。所以，这两者是有一个较为明显的硬件配置上的差异的。

主持人： 目前在国内激光雷达的整个部署有一个相对爆发式的增长。但比如向特斯拉的自动驾驶系统，坚持纯视觉的技术路径，因为激光雷达价格还是较高的。您从自身从业的角度来说，如何看待这样一种态势或者说选择呢？

胡佐金： 这其实也是一个路线之争问题。而且面对路线之争，先发者的策略跟追赶者的策略是不一样的。比如特斯拉的核心优势在于起步很早，所以在很多数据或者算法模型积累上是要更完善的。而且随着销量的增多，每辆车都是一个数据采集器，所以它在数据上的积累对于后发企业而言是很难快速超越的。对本土的初创企业们，数据门槛就会成为一个核心障碍。因为时间积累这个东西是很难去追赶的。

我认为激光雷达在某种程度上是给追赶者提供了一个捷径。因为它的成像、发光的原理很大程度上克服了视觉上的一些固有的缺陷，比如隧道、夜晚等黑暗场景下视觉性能的下降。还比如一些很小的目标物的检测，激光雷达的检测对于数据的依赖程度是更低的。所以实际上，它是缩短了追赶者和先发者之间的存在的差距。国内的很多车企，也通过配置激光雷达这种硬件上，来提升和缩短软件实力上的差距。不过，硬件上的很多坑是在发展过程中绕不开的，它需要大量的资金和时间去填。就激光雷达的发展来讲，比如刚才提到的矿山或者是港口的场景，它并不要求雷达在全视野范围内更精准，而要求在特定场景、特定范围内的精度、远度和准度。体积更小、性能更高等一些方面是未来激光雷达的发展趋势，而这可能会依靠未来关键收发模块的芯片化，甚至实现调频连续波的技术沿革。

主持人： 咱们已经聊到了很多关于激光雷达，或者说自动驾驶传感的问题。想问一下，目前在港口领域自动驾驶感知，主要用的是一些激光雷达，还是会采取一些其他的感应措施呢？

包旭超： 在港口领域的自动驾驶感知，主要也是以激光雷达为主。因为港口里集装箱、作业设备是金属材质的，毫米波雷达在港口场景其实不太适用。除此之外，还会补充一些摄像头来做车道线识别，因为港口作业涉及到很多标识，这部分可以用视觉来警醒补充。因为港口是一个 7*24 小时全年无休的状态，而且会遇到很多的极端环境，这也会相应配备更高级别的激光雷达来适应环境。

就像刚才提到的，对于特定场景的商用车，最重要的是降本增效。而且港口需要面对多个路段、多个车辆的调度配置问题，如果配置不好，一方面是消耗了能源，一方面是浪费了时间，所以场景内的路径规划和车辆调度是很重要的。

主持人： 在这样一个协同的环境中，车端和路端，哪一侧投入会更大呢？或者如何均衡两者的投入呢？

包旭超： 从目前接触到的车路协同方案来说，如果是一个较大型的码头，它可能要投入超过50 到 60 辆车。整个基建，包括车路协同和单车智能的成本其实基本上是相当了。因为现在单车路协同这一块，成本还是偏高的。

仇春： 目前就商用自动驾驶来讲，大部分场景目前的技术是可以解决的。但目前很难解决的部分是那20%的长尾效应。而长尾的制约主要在于一些极端天气、极端路况等一些极端场景，因为这些场景的适应需要大量、长期的数据采集和测试。所以自动驾驶的过程，它更多是一个循序渐进的发展，而不是一蹴而就的。硬软件和智能解决方案是不可分开的，所以我们一直说这是一个系统解决方案。没有了硬件，软件无法单独跑。只有硬件没有算法，也没法进行一个数据的融合。

再说到数据问题，跑干线是会积累大量的数据，这对未来形成“智能运力的平台、为终端客户提供智能物流解决方案，然后反过来支持研发”这个数据闭环是有帮助的。比如说特斯拉，他之所以有这么强大的数据，它的先发优势是不可忽视的。

还想分享的一个点是关于用户心理问题。在2010年，自动驾驶最早还只是一种零部件上的开发，但当时也同样会对自动驾驶这件事有畅想。到后来吉利开始在车上配备雷达和摄像头，开始尝试辅助自动驾驶。到现在慢慢的，会将技术路线从L0分到L5。从内容营销的角度来讲，公众对于自动驾驶的感知力是在不断提升的，大家也开始会慢慢期待这件事成为现实。从L2到L4，很多技术是相同的。但刚才也有提到，他们之间技术的实践方式是不一样的。越高层的技术，需要的算力、算法、感知、决策、执行是更加丰富的。经过这么多年的发展到现在，也开始出现一种群雄并起的年代，大家都在做这个技术，都在自己的领域进行技术上的突破，但要实现一个技术的跃升，是需要时间的积累的，这也算是一个必经之路吧。

主持人： 顺着这个话题，还想问您的一个问题是，无论自动驾驶有多么的先进，它的事故发生率都是会一直存在的。而且干线物流上的卡车如果在高速公路上发生事故，事故后果可能是更严重的，您是怎么看待这个问题呢?

仇春： 这个是很好的一个问题，我相信做商用车自动驾驶的公司，安全问题是首要的。任何一个产业的发展，它都会存有一定的风险。只不过是技术开发的过程中，我们希望能把风险降到最低。所以在开发的过程中，应该是一个工程落地的闭环。也就是自动驾驶舱外数据、OTA系统升级、与整车的（底盘线控、算法全栈自研、基础软件集成、计算平台移植、场景库构建、仿真和道路测试）一体化开发；比如举个例子，如果开发环节不是一个闭环，算法上、通信上、中间数据上产生bug之后就会出现问题。如果从研发算法、融合决策、中间件、前装到最后量产是一个全栈自研的闭环的话，首先在研发环节就有一道防线，然后到交付的时候会有第二道防线，这种闭环是可以提高自动驾驶的安全系数的。自动驾驶的愿景是零事故零伤亡，这也是最早提出的愿景。在愿景的实践过程中，单起事故是无法衡量整个行业的风险性的。

包旭超： 在码头场景下，有非常多集装箱，而且金属材质的桥或者是船会对卫星信号造成遮挡。港口这种较为封闭环境的安全问题，更考验的是一种综合的感知能力，比如摄像头、激光SLAM建图对一些石墩、灯柱等做一些识别来提升定位的精度。而且港口内的车道的相对来说是比较窄的，比如车大概在2.8到2.9米，整个车道可能只有大概3米宽，所以港口环境对于车辆的定位精度和横向的控制都是要求非常高的。面对这样一种高要求，没办法完全靠高性能的硬件来解决问题，因为有些场景的信号可能被屏蔽掉了，这时就需要针对场景做更多定制化的算法模型和算法迭代。

主持人： 在港口这个场景里面，更关注的也是像效率，或者说效率的最大化吗？

包旭超： 港口最基础的问题还是安全。因为港口处于生产作业的一个环境，如果出现人员伤亡，可能会定性为一个生产事故。如果定性为生产事故，这对企业而言是一个非常大的问题，甚至会涉及刑事上的责任承担。所以首先是保证安全，然后才是效率的最大化。

主持人： 目前也会有一些做码头落地的自动驾驶公司，他们可能更倾向于做一个软硬件的打包，类似于一个技术服务的方式，您是怎么看待这种模式么？

包旭超： 首先从市场来看，目前的大港在买单意愿上是更高的，因为这些大客户更关注可能是未来的转型或者未来的布局。中小港相对而言，成本问题是一个需要跨过的坎，因为它需要在几年内消化这个数字化的成本。再回到我们自身，公司经营管理问题其实也是一种造血问题。中国大港数量是有限的，未来公司该如何发展也是我们在思考的问题。我觉得如果要转型，首先是要有好的产品和技术，其次是需要承担转型带来的资金压力。如果可行，做业务的转型或者说拓展是公司肯定会考虑的方向。

主持人： 斯年现在有做一些海外业务么？

包旭超： 今年刚和德国汉堡、沙特的港口做了一些交流，因为目前世界范围内无人驾驶都是很热的。尤其在疫情冲击下，无人驾驶对于港口场景的重要性更加显著，也是基于这个大背景，我们已经开始海外市场的布局。

主持人： 想问一下仇总，目前在国内做重卡的龙头相对而言是较少的，不知道挚途未来是够会将技术服务和硬件的这种工具集合起来销售，向造车这样一个方向发展？

仇春： 在这个行业节点，这是很多公司在战略会议上都会不断探讨的问题。不过，初创企业现在向造车转型还是比较困难的，这可能还需要公司长期做一个规划的。目前挚途的战略是一体两翼，一是要做一家致力于成为AI技术赋能汽车业的先行者和商用车自动驾驶商业化落地的领跑的自动驾驶公司，两翼就是怎么去支持这样一个战略。首先是会着重于干线物流这条线，其次是要为这条业务线提供一个智能运力平台的支撑。至于是否要造车，是需要对整车性的技术方案做一个验证的。这其中涉及的配合很多，可能需要上百人的人力来支持它的正常运行。而要不要造车，首先是要看市场有没有利润，其次是要看业务推进的发展进度，比如是发展的初期阶段，落地还是比较初步的，这可能转型就需要规划一个更为合适的时间。如果未来可以做到行业领先位置，通过和主机厂的合作可以达到一个支架系统的基本成熟度，比如L3的量产级别。当量产的数量级达到一定水平时，考虑转型或者业务的拓展是更为理性的一种选择吧。

当商用车的自动驾驶的普及率达到一定比例，细分市场其实会有更多技术去支持转型的战略。作为一家初创公司，首先是要找到自己的市场定位，在这个产品策略上向下渗透、不断深耕，有一个量产成果之后，再会从一个细分市场向另一细分市场进行拓展

纵观手机的发展史和乘用车的发展史，会发现主流业务的竞争力和利润回报率是首要的，其次再是业务线的拓展。现在来看，自动驾驶无论是在港口、矿山、干线等都出现很多的初创公司，这样一个百花齐放的市场态势是有利于自动驾驶整个行业的跃升和进步的。

主持人： 还有一个观众提问，是关于芯片问题。问题是，芯片对激光雷达领域的发展趋势、技术发展速度有什么样的影响，或者说地位。目前的缺芯问题是否会对整个行业的发展速度造成影响？

胡佐金： 大家刚开始做激光雷达的产品时，都会使用相对更成熟的元器件、芯片。而且激光雷达配置芯片量大概是十几颗，它也会涵盖不同的方面。对于一些核心的芯片，确实像早期的一些巨头，比如美国、日本的一些企业是有先发优势的，这也是国内很多企业发展面临的瓶颈，尤其是技术上的瓶颈。之前比如缺芯问题引起的价格攀升，甚至最后可能超过了原来价格的十几倍，芯片成本的抬升对于整个供应链来讲冲击还是比较大的。其次激光雷达未来趋势是轻量化、小型化、低成本化，核心模组芯片化是一个必然的路径，而且芯片在具体场景应用上还需要不断对技术方案进行论证和测试。

主持人： 明白，目前国内的一些芯片厂商，现在在这个激光雷达这一块的芯片上有一些作为吗？

胡佐金： 有的，比如现在搭载国产的芯片大概占到70~80%。不过在有些核心芯片上，国内的芯片还是比较短缺的。

主持人： 比如L4这样的高阶自动驾驶方案，目前国内的方案相对比如英伟达等龙头的方案，在多大比例上可以实现国产替代呢？

包旭超： 行业内用英伟达平台的比例还是较高的，比如它有车规级，还有通用的，在驱动适配上做的还是比较好的。目前确实也出现了国产化这样的市场需求，比如我们这边和国内的一些计算平台也是有对接和了解的。这个差距的补足，还是需要上下游整个供应链、生态圈共同推动自动化的进程。

仇春： 从整体来讲，国内芯片行业是有发展的，但也确实面临一些核心技术上的掣肘，比如在AI等核心算法领域上。芯片短缺带来的影响也不单只是技术这一块，其实还有供应链的一些问题。相对于乘用车，商用车的芯片需求量是较少的。比如去年很多乘用车厂因为缺芯问题导致了生产的停滞状态。商用车这块领域，延迟交付的压力目前来讲是可控的。而且国产芯片化对于国内整个自动驾驶的发展来讲是利好的，因为芯片在硬件系统中的成本比例是很高的。

包旭超： 关于芯片的核心问题是算法，比如出现芯片卡脖子的问题，如果比如国产芯片如果无法完全适应场景需求，一块不行可以上两块，芯片更多还是为产品服务的。目前公司也在往国产替代的方向上去走，比如整个计算平台、融合定位的板卡、传感器驱动接口都会应用到自研的硬件平台上，为国产平台做更多的预留。比如现阶段国产芯片无法满足全部的性能要求，那就先满足一部分。如果未来国产芯片的性能提升上来了，这对公司的算法空间其实也是会有更多的想象空间的。面对缺芯的问题，需要的是去拥抱变化，通过供应链的合理配货去尽可能降低芯片卡脖子问题对于公司产品的风险问题。

然后这种态度上的事情说完了之后，其实还是回到我刚刚说的我们这边的核心，要明白清楚自己的核心是算法，那我的算法是我的核心，那无非如果国外的这种设备他卡了我的脖子或者他的芯片卡了我脖子，国内的性能不足以满足我，那我一块不行，我可以上两块。而且我们现在其实也是往这个方向在做，我们的整个计算平台加我们的这个融合定位的板卡，加我们所有的这些传感器的这种驱动的这些卡全部我们都会做到我们自己的一个自研的硬件平台上，然后我们可以多做一些国产平台这种预留。这样说首先在现阶段他可能一个满足不了性能要求，我升到两个。然后以后他如果两个的确这个性能都可以达到我要求，那是不是对我的算法又可以有更多的空间可以想象？所以这个是我们这边觉得对这样的事情的一个如何去拥抱这个变化，或者说是怎么去合理地去避免这个卡脖子对我们整个产品的一个风险的。

胡佐金： 国内的一些芯片厂商在近几年也是有很大的发展的。作为公司来讲，面对缺芯问题，首先也是先从供应链上尽可能降低风险，不断寻找国产替代的可能；然后就是包总刚才说到的做一些性能上的降级和战略上的配合。而且国内的芯片厂商在接受了更多的客户的反馈和问题之后，才能把产品做得更好，这对整个产业链来讲也是利好的。

主持人： 在激光雷达的细分领域，是否也会有不同技术路线上的差别呢？

胡佐金： 理解这个问题，可以从两个角度来看，一是分析技术硬件，二是分析企业经营。从技术上来看，激光雷达有两大块，一是接收和发射，这也决定了雷达本身的性能极限；二是扫描方式，这决定了一些外在的参数。理解过程中，很容易将两者混合在一起考虑，其实两者之间是有区分的。从企业经营来看，市场定位、推广因素也是不同雷达厂商的区分所在。但个人来讲，未来激光雷达会越来越趋同，无论是芯片化也好，还是收发原理也好，都会走向一个逐渐趋同的状态。

主持人： 比如法雷奥的激光雷达方案已经在市场上已经量产好几年了，而且已经进行了两到三代的迭代。除了这样的竞争路线，未来还会有更多的竞争方案，大家觉得距离终局还有很长的距离，您是怎么看待这个问题的呢？

胡佐金： 法雷奥的ValeoSCALA是首款为自动驾驶量产的车规级激光雷达，它本身车规的激光雷达只有8线。但是随着自动驾驶级别越来越高，其实对于激光雷达的要求也是越来越高的，比如要有更高的分辨率、更多的点频、更远的探测距离。

主持人： 未来等到L3、L4逐渐普及之后，激光雷达的配置大概会是一个什么样的趋势呢？比如大概会有几颗、是否会有激光雷达和毫米波雷达的融合？

胡佐金： 就像一个人的感知，有鼻子、有眼睛、有耳朵一样，每个器官都有不同的优势。反观到自动驾驶这一块，目前的路径是多传感器融合。比如一些高级别的自动驾驶，无论是激光雷达还是毫米波雷达都有自己存在的空间，这是第一点。另一方面，是要关注你主要用激光雷达来做什么。比如L3级别的，它主要关注在一个前向的障碍物和目标物的探测，它一般来讲配置1-3颗，它主要是实现一个上下、左右的视场覆盖。像一些L4级别的，它不只要求前向，还要求360度的覆盖，在配置上可能还会增配一些补盲雷达，加在一起可能累计会超过10颗，这其实主要取决于不同自动驾驶级别的要求。

主持人： 你刚才提到的补盲雷达，我理解的可能的是，在一些很复杂的路口，会涉及到更多的传感信息。目前这种环境感知还是更依赖于车辆本身么，未来感知层面是否会放在路层上呢？

胡佐金： 具体执行层面，这也是业内不同的路线。比如L4级别，单车车内配置的传感器数量是非常多的，但本质而言，它的数量、成本以及车规的一些要求，对传感器本身的性能有一定限制。现在也有一些技术路线，希望通过增强路端的智能化程度，比如L4的路、L2L3的车。去年我们在山东省的一个封闭高速路上，也做了一些批量的部署。路侧这个部分政府端也在推动。个人来看，这似乎是两种不同的驱动力。不过从整个大交通的角度来讲，车端和路端是需要同时发力的。因为在路侧有一个先天的优势，比如说它不用考虑尺寸，不用太介意功耗。那么在这种情况之下，其实它的传感器本身的性能更容易做的高一点。但如果在车身本体上去做，因为要考虑它的尺寸、性能、功耗多方面的限制，性能上也会受到限制。

主持人： 现在有很多的港口也在做数字孪生系统，未来比如会在数字孪生系统和港口内的一些检测点，还有终端的一些车辆会打通，做一个控制闭环么？

包旭超： 这其实非常依赖港口本身的基建情况。在港口场景下，可能有些车辆需要做的是接受指令、然后执行。落地方案设计还是要基于港口本身的情况去做的。遇到一些困难的场景，算法上会做加法，比较简单的会做减法。

主持人： 目前来讲是大港和小港的场景不同点有哪些呢？

包旭超： 大港是更有自动化的驱动力，但在决策流程上也会更审慎一点。如果是小港，成本问题是要考虑进去的，但决策链相对来说更短一下。园区里面的规划上，目前也会将港口和附近的一些港口和工厂做连通。港口之间、港口与外部通道的连通也是公司会在未来两三年会主要关注的事情。

主持人： 从L3到L4，在自动化程度、人员配置、安全性能、效率上会发生什么变化么？

仇春： 零事故零伤亡的安全问题是首要需要考虑的。其次是增效问题，疫情期间很多卡车司机在路中一方面需要运货，另一方面还要适应不同地区的疫情防控政策，所以走向真正的道路一体化还是需要时间来积淀的。如果有大批搭载L4系统的车能够在路上合法合规的跑了，首先可能就减少了疫情场景下对司机运货上造成一些时间延迟等问题。无人配送、智慧物流现在也是一个整体的发展方向，但具体落地层面，肯定是需要一步一步迭代的。从消费心理学的角度来看，消费者对于一个新事物的接受也是需要时间的。

主持人： 无论是乘用车，还是商用车，降本增效，把人、把货物安全的送到目前地，是一个行业的共识。智慧物流、智慧运输也是大家对未来的一个期待和畅想，非常感谢各位今天的分享。