從活下來到活得久，馭勢自動駕駛生存論

新聞 11-10

從活下來到活得久，馭勢自動駕駛生存論

打開今日頭條，查看更多精彩圖片

吳甘沙對於馭勢的生存定位路線異常清晰，從活下來到活得久，從數據積累到商業落地，有自己的一套生意經。

從最高標準（開放道路L4）進行技術研發，左邊藉助高產量、低利潤的乘用車，積累大量數據，右邊以L4級自動駕駛技術及數據積累為基礎，降維到當下「高頻、剛需、可量產」的高利潤細分市場，實現商用化。右邊高利潤路線，能夠支撐左邊在低利潤，但賺數據的場景中長期走下去。

右邊為了活下去，左邊為了走向未來。

當下的自動駕駛商業化路徑

在吳甘沙看來，自動駕駛領域，只瞄準垂直細分市場很難有活下來的企業，除非滿足以下四個條件：

高頻、剛需、可量產；
高勢能、強口碑，保證自動駕駛汽車安全；
客戶對技術敏感，對成本不敏感，願意做早期的嘗試者，比如機場。
具備行業壁壘，擁有無法被取代的能力。

「高頻、剛需、可量產」是馭勢進行商業化落地的一大考量，吳甘沙多次提及，並將物流作為「活下去」的重要落地場景。目前馭勢已同海航物流集團美蘭機場、世界客貨運頭部國際機場以及工廠開展合作。

今年八月，資料顯示Waymo的估值高達1750億美元，其中無人計程車業務估值800億美元、用於載貨的無人駕駛商用車業務估值900億美元，軟體授權服務則在70億美元左右。吳甘沙向雷鋒網新智駕表示，這也意味著，物流車可為自動駕駛帶來更大的價值。據統計，中國每年社會物流成本約為12萬億元。

自動駕駛物流分為多種場景，例如高速貨運、港口碼頭物流、同城物流或最後一公里。馭勢自動駕駛物流應用場景目前已覆蓋到機場內、工廠內外、物流園區。在吳甘沙看來，上述物流場景更具優勢：

一、沒有法律法規限制，

二、場景為限定場景，而非任意開放場景。

三、可對環境進行增強，例如自動駕駛汽車在機場裡面運行時，可增加電子圍欄，使得自動駕駛汽車只能在約定場景下運行。

而當下幹線物流、同城物流或末端配送，基本都是開放道路場景，自動駕駛物流面向開放道路場景，除需實現更穩健的自動駕駛技術外，還需考慮路權問題。目前行業內已達成共識，中間同城配送最難，大多數自動駕駛公司將其放置最後攻堅階段。而物流行業內真正的痛點則在於高速物流及末端配送，成本及人力消耗較大。

同多數自動駕駛公司一樣，馭勢自動駕駛物流車多基於原卡車基礎進行改裝，未來馭勢將同國內主機廠合作量產一種「拖車頭」，即沒有駕駛室，僅一個拖拉機頭，但可以應用與於多個場景，例如港口物流中，一個拖車頭可進行多次利用，提高效率，而當前的集卡多是一個車頭拖一個繼集裝箱。

在吳甘沙看來，對於自動駕駛公司來說，高利潤的物流領域是支撐其活下去的一大業務，但其數量有限。例如，一個機場僅需500-1000台。而乘用車領域需求量大，雖利潤低，卻是自動駕駛公司走向未來的一大通道。

定位Tier 0.5模式，與數據共生

吳甘沙將馭勢定義為Tier0.5，車腦＋雲腦、大數據是這條路上的關鍵詞。

傳統上的Tier 1，即僅為主機廠提供一整套自動駕駛解決方案。Tier 0.5即與自動駕駛汽車全生命周期同行，從前期的技術研發，與主機廠協同創新，完成知識產權的共享。在整個生命周期中，雙方聯合運營，同時共享數據。吳甘沙提到，數據共享為自動駕駛助力，聯合運營讓自動駕駛服務變得更好。

在商業模式方面，主機廠逐步從從傳統一次性銷售模式轉化為提供運營與服務的角色。這為自動駕駛解決方案供應商提供了更多發揮的餘地。馭勢利用大數據、私有雲支持合作方提供服務。

業內已達成共識，自動駕駛汽車的軟體需要海量測試數據的「餵養」。「如果在數據上能快速積累，中國的智能駕駛一定可以趕上至超過谷歌。畢竟，中國有著世界上最複雜也是最豐富的交通場景」。吳甘沙對於數據的積累從馭勢自動駕駛商業化路線上凸顯。

馭勢自動駕駛目前已有多種數據來源，吳甘沙向雷鋒網新智駕透露，目前搭載馭勢自動駕駛系統車輛已超過100台，涉及最後3公里場景，開放道路L4多個場景，包括馭勢自有測試車/運營車，客戶測試車/運營車。馭勢和主機廠合作，實現其自動代客泊車和 L3自動駕駛上路，並在實車上進行影子模式測試，通過不斷模仿學習對演算法進行驗證提升自動駕駛技術。

「影子模式是為了未來」，吳甘沙提到，「110億英里，谷歌82000台汽車需要跑11年，如果有1000萬台裝了相關係統，一台車只要開1110英里，就可以實現110億英里的數據。」

在數據方面，馭勢同車廠合作獲取數據的訪問權。針對不對外開放數據的主機廠，馭勢為其提供數據管理的私有雲，幫助車廠管理其數據，所有權仍屬於主機廠。

一個完整的無人駕駛的技術公司，應該包括「車腦」＋「雲腦」，兩者缺一不可，這也是馭勢的核心競爭力。

所謂「雲端」，包括運營、數據、模擬、地圖。吳甘沙對其非常重視，「這些東西不可能外包給某一家公司去做」。

智能駕駛運營服務平台—馭勢司南^TM，基於一個安全可靠的車聯網架構，構建了各種雲端應用與服務，包括對自動駕駛汽車提供的多車協同、調度、車路協同、遠程控制等服務。例如車隊的調度，即運維方面，包括智能駕駛系統遠程預測性的實時性運維；
馭勢自主研發了一款遠程遙控系統—馭勢鷹眼^TM，結合增強現實技術，採用多角度、全方位呈現方式，向操作員提供車輛信息，即遠程干預車輛，包括實時遠程監控干預，及自動代泊車時出現車輛無法自主解決的情況進行遠程接管。
數據管理平台—馭勢洛書^TM，進行數據收集、存儲、管理、分析、標註、訓練及可視化，並將採集到的數據上傳至雲端。這是馭勢自主研發出私有雲產品，主要為車廠服務，提供數據管理平台。
馭勢已自主研發模擬平台—馭勢玲瓏^TM，包含照片真實度模擬器、半物理模擬系統和實車測試的「虛擬障礙物注入」系統等，對感測器例如相機、激光雷達、GPS等進行模擬模擬，並支持多個無人駕駛系統同時接入，為AI演算法訓練提供支持。目前該平台已和國際汽車品牌展開合作。
模擬測試包含模擬決策及模仿學習兩步驟。模仿學習即模仿人類駕駛，這是學習過程；模擬決策即決策過程，模擬決策可同人類決策進行比較，並將顯著不同的數據提取分析，判斷並修正演算法。吳甘沙表示，這比簡單統計里程更有效，因為大量數據都是無效里程。目前馭勢正在同多家所大學共同研發如何排出模仿學習中雜訊等行為的干擾。
高清地圖，目前馭勢正在同兩家圖商合作進行道路數據採集。