0
近年來，售價為10萬-20萬的汽車市場中，L2級及以上的智能駕駛量產方案正逐步成為標配，同時還在快速向10萬元及以下的A級車市場滲透。
泰合資本副總裁密葉舟預計，未來2-3年內，中國的智能駕駛的量產裝配率/搭載率會很快提升到30%以上，甚至可能達到50%。
隨著智能駕駛的量產普及，滲透率提高，主機廠與智能駕駛解決方案供應商之間的聯系變得越發緊密。
但另一方面，智能駕駛賽道終局未至，主機廠同樣蠢蠢欲動，欲將占據未來汽車最大價值的自動駕駛把控在自己手中。
主機廠與智能駕駛供應商之間在保有合作的一面之外，也可能會成為彼此的對手。
密葉舟猜測，未來在智能駕駛功能實現和商業化方面，主機廠與智能駕駛供應商之間大概率會是高度競合、相互交織的關系。
面對這種變化，智能駕駛解決方案供應商應當如何應對？一家優秀的供應商又應當具備哪些重要的素質與能力？
鑒于此，新智駕基于《2021年，智能駕駛的「一模」交卷年》一文，并在與業內數位高管的交流中，提煉出了成為智能駕駛"優等生"的幾個關鍵詞，希望能夠管中窺豹，以此給行業從業者們帶來些許思考。
工程化提升可靠性
正如前文所言，隨著智能駕駛商業化落地的快速滲透，整個行業已經從Demo時代走向了量產時代。
而橫亙在Demo與量產之間的其中一道障礙，就是技術的工程化。
事實上，對于工程化能力的具體所指，不同業內人士的理解似乎存在些許差異，但總的來說都離不開"可靠""穩定""全天候"這幾個核心字眼。
不同于Demo演示只需在某時間段內的特定場景中維持正常運行，量產交付級別的智能駕駛解決方案必須要在復雜路況下保證全天候、高可靠性的穩定工作。
而作為推進智能駕駛方案量產落地的必經步驟，工程化能力正是提升系統功能穩定性、可靠性的關竅之一。
綜合多方觀點，智能駕駛技術的工程化主要涉及產品端與算法端兩個層面：
1、產品端主要通過良好的設計、工藝、測試和質量管控做到高可靠性；
2、算法端則具體包括通過AI訓練、模型優化、測試等，提高算法的魯棒性，確保感知、定位、規劃、決策、控制等系統功能可在準全天候場景條件下正常運行。
"在測試過程中，如何做到高效，并且盡量用合理的成本完成盡可能多、盡可能快、盡可能模擬現實世界的測試，就是一個典型的工程化問題。"MINIEYE聯合創始人及高級副總裁楊廣舉例說道。
他指出，技術工程化在智能駕駛方案量產落地的過程中起著非常重要的支撐作用。
"因為如果沒有好的工程平臺，算法的研發迭代效率會非常低，算法研發人員的能力難以發揮出來，交付出去的產品也無法完成高規格的測試。如果這塊做不好，就算有再出色的算法研發人員，也只能推出小批量的Demo。"
同時，由于技術工程化要求企業必須具備優秀的全棧研發能力、系統架構能力以及經過實際量產項目打磨的經驗等，該環節也被視為智能駕駛量產落地過程中的高壁壘環節。
以技術算法見長的Robotaxi公司一向被認為"缺乏量產經驗和工程化落地能力"，在AutoX投資整車廠、小馬智行與圖森未來傳出造車的消息時，有人不禁猜測：這是否可以視作補全其工程化能力的嘗試？
新智駕就此詢問多方看法，多數觀點認為Robotaxi公司涉足整車更多地應該是偏向于商業化的考慮。
主線科技產品院院長張廣偉表示，從某個層面上講，"造車"之于Robotaxi公司，是可以提升其工程化和商業化的手段，但不等于"補全"。
而在楊廣的理解中，Robotaxi的工程化問題，一方面主要集中在增強算法的適應性，使其能在更多的場景中實現穩定和非托管的工作；另一方面則在于將軟硬件系統車規化：
"硬件車規，就是選用車規的物料和車規的設計和測試，使在復雜的車載環境下能夠高可靠工作；軟件車規，就是要有充足的冗余和功能安全設計，以及大規模的針對產品可靠性的HIL、SIL測試，保證產品出廠前的質量，并在裝車之后給算法提供一個穩定的平臺。做好這些之后，可能才是與車的結合。"
業內人士在談及產品端的工程化問題時，討論往往會涉及到"平衡好質量、成本與交付"這一要點。
而當智能駕駛解決方案來到了量產上車這一步，如何在車企的個性化定制需求與技術方案的通用性之間取得平衡，也成了量產落地過程中必然要面臨的問題。
"量產落地"，一方面意味著要獲得足夠大的市場，另一方面則必須"有利可圖"，畢竟沒有人愿意做吃力還不賺錢的工作。
通常來說，越是深入定制的產品，越能滿足不同場景、不同使用者的個性化需求，但這往往也意味著方案供應商成本的大幅上漲；而通用程度較高的方案，則能夠通過規模效應攤薄研發成本。
飛步科技市場負責人指出，智能駕駛順利落地的關鍵在于規模化運營的實現，"只有規模化、常態化、可持續的運營，才能幫助客戶與行業真正降本增效"。
表面上看，通用性與市場規模的正相關性更強，但實質上能夠真正擴大市場規模的，是能夠與多樣化的市場需求相適配的產品。
正如張廣偉所說，個性化是市場的需求。
元戎啟行合伙人、副總裁劉軒也提到，不同主機廠往往會希望自己的車具備一定的特色，而不是彼此間只有一個車標的差異，所以他們會對智能駕駛系統提出不同的要求，比如有的更注重駕駛感，有的則更注重舒適性，由此誕生出一些定制化的需求。
而只有能夠實現個性化定制的解決方案，才能兼顧到不同場景、不同使用者的多樣化需求，滿足不同主機廠的品牌差異化訴求，并借此擴大市場的基本面，為規模化奠定基礎。
至于智能駕駛解決方案的通用性，則在一定程度上代表了供應商的獲利空間能有多大。
通用性強，則意味著技術共用的部分多，解決方案的可復制性強，能夠同時適配不同廠商的需求，繼而通過規模效應降低研發投入，實現降本增效。
與此同時，產品架構的統一性高，也有利于加強產品質量的統一管理，確保穩定性、可靠性和可控性。
但兩者之間的矛盾在于，通用性過強有時便意味著差異化無法體現，個性化定制過于深入有時則意味著無利潤可賺。
如何在兩者間取得平衡成為關鍵。
多位受訪者認為，通用性與個性化其實并不矛盾，要在兩者之間取得平衡完全可行：由于智能駕駛系統的基礎技術本身就是通用的，在統一的架構下，通過接口、參數等調整，可以與個性化的需求相適配。
只是，具體的平衡方式還需要綜合考慮產品的開發思路和戰略。
搭建完整的數據閉環
如果說工程化是著眼于現時產品落地的能力，那么數據更關乎智能駕駛方案供應商們在未來的贏面。
盡管不像硬件一樣看得見摸得著，但無論是輔助駕駛、自動駕駛，還是智能座艙，這些賦予汽車智能屬性的功能都離不開數據的驅動。
于智能駕駛而言，數據以各種形式貫穿于研發、生產、測試、運營等生命周期。
從中長期的發展角度看，突破L3級以上的高階智能駕駛功能，并提升其安全性、客戶體驗、ODD范圍的差異等，都主要仰仗于數據的反哺。
數據，是驅動智能駕駛向前發展的重要"燃料"。
密葉舟認為，在未來，自動駕駛真正的勝負點在于數據的獲取、分析和積累能力。
無論是走跨越式路線，還是走漸進式路線，收集長尾場景數據、訓練算法模型等涉及數據獲取、技術迭代的能力，于車企或智能駕駛供應商而言均具有重要意義。
但與主機廠不同的地方在于，由于自身并不擁有或只擁有很少的測試運營車輛，大部分智能駕駛方案供應商——尤其是那些通過L2級及以下智能駕駛量產方案積累數據，以期往上突破高等級智能駕駛的供應商們——必然要面臨智能駕駛相關數據的歸屬和使用權限問題。
對他們來說，數據的收集僅僅是第一步，要想通過量產車型獲取數據、迭代算法并構建自身的競爭優勢，就必須擁有數據閉環的搭建能力。
具體來看，要搭建數據閉環：智能駕駛產品方案的大規模量產落地是基礎，與主機廠就數據所有權和使用權達成一致是前提，數據安全體系符合國家監管要求是必要條件，具備數據收集、傳輸、清洗、存儲與分析處理的完整能力則是關鍵中的關鍵。
而只有形成了這一閉環，才能充分發揮數據之于智能駕駛的"燃料"作用。
密葉舟相信，在已經擁有大量量產訂單和交付能力的頭部智能駕駛解決方案供應商中，誰能以更快速度形成自己的技術能力閉環、并與主機廠就數據合作模式達成一致，誰就將在未來高階智能駕駛解決方案的競爭中處于絕對的優勢地位。
眼下智能駕駛賽道賽事正酣，主機廠們也越發意識到未來自動駕駛才是汽車的核心競爭力所在：自動駕駛之于整車的關系，就如"靈魂"之于"軀殼"。
仍掙扎于智能化轉型的主機廠基于不同的財力、技術能力，在智能駕駛研發上衍生出了三種不同的走向：全自研、部分自研、全外購。
投資人密葉舟指出，只有極個別的主機廠如特斯拉會選擇全面自研，另外一些中小主機廠由于欠缺研發能力，可能會選擇將智能駕駛的全部軟硬件承包出去。
除此之外，大多數主機廠的選擇都是混合的：自研一部分功能，再向供應商采購一部分，最后還可能選擇一家Tier1負責全面整合，從而為整個系統功能的交付兜底。
至于這背后的原因也正如他所言，主機廠不希望智能駕駛的核心功能與能力被智能駕駛方案供應商們完全掌控，但又必須承認他們在開發效率、成本、數據積累等方面確實具備多樣性與規模化的優勢。
主機廠的這層顧慮以及由此衍生出來的商業合作偏好，使得其與供應商之間的關系走向變得越來越微妙：競爭與合作并存，可能彼此忌憚但又必須互相依賴。
要適應這種趨勢，未來智能駕駛供應商不僅技術上要實現集成化、模塊化并舉，在與主機廠的商業合作方式上，尤其要做到開放靈活、可調整。
華為、百度Apollo所推行的商業合作模式或許正好順應了整個行業的上下游關系走向。
表面上看，華為全家桶式的HI模式、百度Apollo的樂高式汽車智能化解決方案分別對應的是主機廠集成化、模塊化兩種截然不同的需求。
但事實上，在與主機廠的合作中，兩家均可基于客戶需求提供局部或全棧級別的解決方案。
在上汽表示很難接受單一一家供應商為其提供整體的智能駕駛解決方案后，華為方面隨即回應稱：HI模式不適用于所有車企，更多的車企還是采用華為提供的零部件解決方案。
百度Apollo在2020年底推出樂高式汽車智能化解決方案時，除了強調其開放、易組裝的"樂高式"屬性，同時也指出了其正通過"智駕、智圖、智艙、智云"四大產品系列構建出完整的汽車智能化方案。
不過，在楊廣看來，雙方的合作可能要視智能駕駛方案的功能級別而定。
他表示，L2及以下的功能，主機廠還是以購買整體的模塊和解決方案為主，并不參與部分功能的開發。在L2+之后，能力較強的車廠會嘗試自研部分模塊。
"目前典型的一種是規控自研，一方面更貼近產品功能，一方面與主機廠原來擅長的方向也比較匹配。"楊廣說道。
"這種合作模式中，智能駕駛方案商更聚焦核心的軟硬件功能，主要把握更偏向算法的基礎輔助駕駛和自動駕駛能力，車廠則把握偏應用的一端。"
結語
于汽車這一組件繁多、構成復雜的工業產品而言，由感知、規劃、決策、控制各核心環節構成的智能駕駛系統與之融合，所面對的問題可能比以往的任何一個系統組件都要復雜得多。
智能汽車的這一特性，要求供應商對整車功能的實現、設計、制造與驗證流程有充分認知，成為全能型的選手。
而在本文中，新智駕僅僅挑選了其中幾個較為重要的關鍵詞，對于智能駕駛"優等生"的面貌或許只窺得了一二。
更何況，在不同的發展階段，行業對供應商們的要求也不盡相同：產業初期，技術突破是關鍵；到了商業化的落地階段，產品化、商業化能力的差距或帶來新一輪的洗牌。
雖然目前輔助駕駛已處于規模化商業應用的階段，但于L3及以上的自動駕駛系統而言，前路依舊茫茫，未來或許還會出現更多未知的挑戰。
屆時的智能駕駛解決方案供應商們又要以何種模樣自處，仍待諸位挖掘與解答。
智能駕駛的缺位、錯位與歸位第三問
十年前，我國自主研發的無人車首次完成了數百公里高速駕駛實驗，輔助功能的樣機面世，為智能駕駛從實驗室走向市場奠定基礎。十年白駒過隙，智能駕駛的發展走過高峰，也熬過低谷，但商業化之路似乎仍充滿迷霧。
本周四，新智駕將發布《智能駕駛十年，理想的商業模式為何「難產」？》，試圖通過近 10 位行業人士的視角，對行業的商業落地現狀進行全方位的探析。
雷鋒網雷鋒網雷鋒網
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
