【PNP閱讀】數據、感測器、打車服務，哪個纔是未來無人車制勝關鍵？

本文作者Benedict Evans，是矽谷風投公司Andreessen Horowitz（A16Z）合夥人，主要負責「搞清楚現狀及將要發生的事情」。

A16Z曾經兩次對科技發展趨勢做出驚人的（標題黨）論斷，第一次，是管理合夥人馬克·安德里森在2011年所寫的「Software is eating the world」，第二次，是2014年Benidict Evans在公司科技峯會上分享的「Mobile is Eating the World」……

最近，Evans在自己的博客上發了一篇題為「Winner-takes all effects in autonomous cars」，從商業角度分析了無人車行業的發展趨勢。感測器、駕駛技術、路線優化、按需服務、數據等層面，哪一個纔是能給無人車公司帶來規模效應、實現贏家通喫的法寶？

本文來自他的博客，量子位報道，唐旭編譯並添加小標題。

以下內容約 4880 字

讀完大概 10 分鐘

現在，得有好幾十家公司嘗試著要拿下無人車技術，OEM車廠、傳統供應商、主流科技大佬以及新創公司都不甘落後——很顯然，並非所有人都能成功，但它們之中，有成功機會的大有人在。

這讓人開始思考：無人車領域的「贏者通喫」會是什麼樣、在哪個部位實現，以及通過什麼途徑實現。

在無人車領域，還會不會像智能手機和PC操作系統上一樣，出現「網路效應」，讓一兩家頂尖大公司擠掉剩下所有人？

是否會存在讓五家、十家公司持續競爭下去的空間？

哪一層級的勝利會對其他層級產生槓桿效應？

這些直接指向未來汽車行業權力平衡的問題值得好好討論。汽車製造商能夠從幾十家公司「成箱」購買自動駕駛技術（或是自己搞出來），和Uber Waymo兩家獨大，隨心所欲、肆無忌憚地制定遊戲規則，這完全就是兩個世界。

微軟和英特爾扼住了PC世界的咽喉，谷歌撓到了智能手機的腳心——無人車行業的關鍵點又會出現在哪個部位呢？

硬體：沒有網路效應

首先有一件事似乎非常清楚：對於自助系統和電動系統而言，硬體和感測器將成為通用商品。後兩者，比如LED顯示屏，涉及大量的技術和工程細節，但在選擇上你卻沒必要隨大流。這裡存在很強的製造商規模效應，但是不存在網路效應。

我們拿激光雷達舉個例子。

這玩意從5萬刀的「旋轉全家桶」，到幾百刀或更便宜的小型固態激光雷達，啥樣都有，當然會有贏家從中出現，但不會有網路效應存在。

因為拿下激光雷達這塊戰場不會對其他戰場產生作用（除非你能壟斷），就像「造出最好的圖像感測器然後把它們賣給蘋果」對索尼的智能手機業務沒什麼幫助一樣。

電池、發動機以及它們的控制系統，就像現在電子行業的RAM一樣，都是商品——再次重申，這個領域涉及大量技術、會有規模效應，也許還會有一些優勝者，但不會有更廣闊的影響力。

按需服務：不一定行得通

另一方面，對於第三方軟體開發者的生態系統而言，要走效仿過去PC和智能手機的路徑可能不是那麼容易。

當年，Windows懟翻了Mac，iOS和Android懟翻了Windows Phone，因為在所有東西之上形成了一個開發者的良性循環——但在汽車這件事上，你不會根據能跑動多少app來決定買什麼車。它們可能接入的都是Uber、Lyft或是滴滴，屏幕上掛的都是Netflix，而不是你手機上裝的那些東西。

相反，需要關注的地方並不在汽車內部，而是在更高的層面——在能讓無人車安全上路的軟體上，在全城尺度下的調配和路徑優化上（這意味著我們將所有無人車看作一個系統，而不是各自為戰），在那些將會以此為生、按需服務的「機器人計程車隊」上。

很明顯，按需服務軟體存在網路效應，但這點在無人車行業卻要複雜得多。按需的無人計程車隊將會動態地對自己的車輛進行預先部署，也有很大可能，所有其餘的無人車都要實時配合它們的路線，以追求最大效率。

這種優化可能需要跨越不同車隊，來避免一些類似「所有無人車同時選擇來相同路線」的情況出現。反過來，這還能和動態定價以及所有不同種類的道路收費方式相結合——在繁忙時段，為了更快到達目的地你可能需要花更多錢，或者，你也可以依據價格來選擇到達時間。

從技術角度而言，這三層（駕駛、路線及優化、按需）是在極大程度上獨立的——在這樣的假想下，你可以在一輛通用製造的無人車上安裝一個Lyft的App，讓預裝的Waymo自動駕駛軟體開著它，載著別人去兜兜風。

當然，有些人希望不同的層級之間會產生槓桿效應，或者想把它們捆綁在一起，比如特斯拉計劃禁止乘客在其無人車上使用自家產品以外的按需服務。但反過來這事就行不通了，Uber不會堅持讓你只使用他家的自動駕駛系統。

儘管微軟讓Windows同Office之間產生了相互作用力，但二者都很強，同時也都用自身的網路效應贏下了各自的市場。

往後，如果一家小型的OEM堅持讓你使用它的小型無人計程車服務，這事就像是蘋果在1995年堅持讓你買AppleWorks辦公軟體，而不讓用微軟的Office。

這個案例可以很好地說明，假如所有的無人車都能跨城協調，或者在某些路口實現車與車之間的溝通，那你將會需要創造一些能夠共通的層次（雖然我一直看好的是分散式系統）。

數據：網路效應的關鍵

其實上面這些都是在瞎猜，就像在1900年預測交通擁堵會是什麼場面一樣。

而我們唯一能討論關鍵網路效應會是什麼樣子的領域，其實在於無人車本身。這件事關乎硬體、感測器以及軟體，但更多是關於數據。

對於無人車而言，有兩種數據比較重要——地圖和駕駛數據。

先來說說地圖。

我們的大腦其實在不斷地處理數據，並且構建周圍世界的3D模型，這件事是實時的、無意識的，這樣我們穿過一片森林時纔不會被樹根絆倒或是被樹枝撞到頭。而對於無人車，這一過程被稱為SLAM（同步本地化及繪圖）——我們將周圍環境繪製成地圖並將自己在其中定位。

對於無人車而言，這顯然是一項基本要求——無人車需要搞清楚自己在什麼位置，周圍有什麼特徵（行車道、路口、路牙、交通信號燈等等），它們還要搞明白其他無人車在哪以及它們跑得多快。

在一條真實的道路上實時完成這件事仍然是非常困難的。人類駕駛時的確會用到視覺（以及聽覺），但僅憑周圍圖像來抽象出一幅足夠精確地3D模型，對於機器來說仍然是個難以解決的問題：機器學習增大了這件事實現的可能性，但目前沒人能做到實際駕駛需要的精確程度。

因此我們走捷徑。

這也是為什麼所有的自動駕駛項目都在將視覺與360度的激光雷達相結合：每個感測器都有自己的侷限範圍，但將它們結合在一起（感測器融合）你就能得到一幅完整的圖像。

在未來的某一天，單憑圖像來構造一個周圍世界的模型將會成為可能，但使用更多的感測器將會讓你更快地達到自己的目標，即便是你要考慮它們尚需改善的成本和外形問題。

激光雷達就是一條捷徑。

有了它之後，你通常要用機器學習來理解裡面的東西，比如某些汽車的形狀，或是騎車的人。但這件事看上去不會有網路效應：就算沒有車隊，你自己也能得到足夠的騎車人照片來訓練系統。

如果激光雷達是通往SLAM的一條捷徑，另一條、也是更有趣的一條則是使用預先建好的地圖，或者更準確一點說，「高清3D模型」。

你事先對道路進行調查，從容地處理所有的數據，建立一個道路的模型，然後將它放進一臺即將開上路的車裡，這樣，無人車就不需要在65英里的時速下實時處理所有的數據或是發現交通信號燈，在任何時候，它都可以通過一些地標來將自己在地圖中進行定位。

這種地圖是具有網路效應的。

任意一輛無人車開上一條預先繪製了地圖的道路上時，既是在將地圖和道路進行比對，也是在對地圖進行更新：每輛無人車都可以是一輛數據蒐集車。

如果你已經賣出了50萬輛無人車，而另一個人只賣出了1萬輛，你的地圖就會被更新得更為頻繁，也會更為精確，因此你的無人車也就越不容易被某些沒見過的東西搞懵。

你賣的車越多，你的車就越好——這毫無疑問就是網路效應。

不過這件事的風險在於，從長期來看，既然汽車能不靠激光雷達來進行SLAM，它們同樣也可以不靠預製的地圖來完成這件事——畢竟，人類就能做到。這種情況是否會發生、將在什麼時候發生，現在依然不清楚，但等它成為現實時，無人車早就量產好久了。

因此，地圖是在數據中的第一種網路效應。

而第二種則在於理解了周圍環境之後，無人車的決策。

在一條空曠的道路行駛，或者是在一條滿是無人車的道路上行駛，是一個問題；但「看見」之後，弄明白路上的其他人類將要做什麼以及要如何來應對，這完全是另一個問題。

支撐自動駕駛成為現實的突破之一，是機器學習能夠很好地應付這件事：不需要編寫那些複雜的解釋規則，機器學習使用數據。要知道，數據越多越好，關於現實世界中人類司機行為和反應的數據收集得越多，你的軟體就會越好地理解現況並規劃下一步動作。

這就像地圖一樣，你賣的車越多，你的車就越好——這無疑是網路效應。

模擬是駕駛數據的另一項用途。這點應該能解決「如果x發生了，我們的自動駕駛軟體將會如何應對」這個問題。進行這項工作的一種途徑是造一臺無人車，然後讓它繞真城市自己行駛，來看看它對其他任意司機的隨機行為將會作何反應。但問題在於，這不是個可控的實驗——你不可能完全重現原來的場景，來看看問題都解決了沒有。

因此我們就得寄希望於模擬了——你把你的無人車軟體放進GTA裏（大概就這意思），然後進行任何你想要進行的測試。有些事它幹不了（比如「激光雷達會探測到卡車嗎」），某些模擬場景是循環的，但它的確能告訴你係統會對某些特定場景作何反應，然後你就可以從你的真實駕駛數據中收集這些情況。

因此這是一種直接的網路效應：你擁有越多的駕駛數據，你就能讓你的模擬越精確，進而你就能讓自己的軟體變得越好。

當然，從規模上講，模擬的優勢顯然非常清楚，比如在你能負擔得起的計算資源上，在參與工作的人數上，以及在大型計算項目所需的專業知識量上。Waymo作為Google的兄弟公司，就擁有一種優勢：2016年，它每週報告25000「真實」自動駕駛英里數，同時進行了10億英里的模擬。

可以說，特斯拉在地圖和駕駛數據上都處於領先位置：在2016年晚些時候，他們家那些裝載了Autopilot系統的新車全都掛上了8個攝像頭，實現了幾乎360度的視野，同時輔以兩個前向雷達。所有這些感測器都會同時收集地圖和駕駛員行為數據，反饋回特斯拉。因為只有前向的雷達，特斯拉將只能單獨地靠圖像來構建絕大部分的地圖，但就如我之前所言，我們不知道如何精確地完成這項工作。

這意味著特斯拉在收集著大量可讀的數據（或者說至少是足夠生產一套完整解決方案的數據）。

當然，你不僅要收集數據，還要解決實際開車的問題，因此特斯拉現在正在計算機視覺的發展速度上做一場逆勢豪賭。

為了節約時間，特斯拉沒有等待便宜好用的激光雷達，而是選擇了用計算機視覺軟體來解決更為困難的問題，這也可能會花費更長的時間。以及，如果自動駕駛所需的所有其他軟體——那些為無人車做決策的部分——花的時間夠長的話，便宜好用的激光雷達可能會在無人車上路之前出現，這樣的話特斯拉就尷尬了。我們拭目以待。

因此，網路效應——「贏者通喫」效應在於數據中：包括駕駛數據以及地圖。

這引申出兩個問題：誰會得到數據，你又需要多少數據？

數據的所有權是一個有趣的權力和價值鏈問題。顯然特斯拉在嘗試自己解決所有的重要技術問題並將它們用在自己的汽車上，因此特斯拉也會擁有數據。但一些OEM會說，汽車是他們的，客戶關係是他們的，因此，數據也應該是他們的，數據如何使用的決定權應該在他們手裡，而不是交給任何技術合作夥伴。

從感測器供應商的角度而言，這或許是種站得住腳的態度：我不確定把GPU、攝像頭和激光雷達當做商品來賣，同時又試圖保有數據這種事是可持續的。但因為工作需要，那些製造無人車零件的公司需要得到數據。如果你不把數據循環回技術，後者就無法提升。

這意味著OEM將為供應商創造網路價值，但自己什麼都得不到。這和PC或安卓OEM的地位是一樣的：它們通過同意在自己的產品中使用軟體來創造網路效應，這讓它們能賣出產品，但它們的產品就變成了「半商品」，同時網路效應還會流向科技公司，對於科技公司來說，這是一個良性循環，多數價值都會流向供應商而不是OEM。這也是為什麼多數汽車OEM都想自力更生的原因：它們不想像康柏一樣GG。

這把我引向了終極問題：你真正需要的數據到底有多少？當你向其中投入更多數據時，系統能不能持續變強？或者說，這件事上有沒有S曲線——在某個節點之後，再加入更多數據會出現收益遞減嗎？

也就是說，網路效應有多強？

對於地圖而言，這是個很明顯的問題。多大的車輛密度、多高的頻率才能讓你的地圖變得更好？這又會轉變為最低多少的市場份額？市場給參與者留了多大的空間？十家公司行嗎，或者兩家？一打二級OEM結盟然後共享數據能行嗎？送貨車能賣自己的數據嗎，就像它們今天賣其他種類的地圖數據一樣？

這仍然和消費軟體生態系統不一樣——RIM和諾基亞沒法插手黑莓和S60的用戶基礎，但你卻可以在地圖上這麼幹。這會是進入的一個障礙，還是進入的一個條件？

這個問題同樣適用於駕駛數據，而且事實上，適用於所有的機器學習項目：在哪個點，當你加入更多數據時會出現收益遞減；在哪一點，曲線又會變平？多少人能得到那麼大的數據量？

舉個例子，對於通用目的的研究而言，提升看上去是無限的。但對於無人車而言，確切得說，這件事應該是有天花板的——如果一輛無人車能夠在那不勒斯毫無壓力地開上一年，還需要做多大的提升？在特定的某一年你將能有效地把它完成。

因此，網路效應意味著如果你擁有更多的用戶，你的產品就會變得更好，但在你的產品變得「足夠好」之前，你需要多少用戶？在你的無人車變成市場上最好的之前，你需要賣掉多少輛車？多少公司可能達到這個水平？同時，機器學習本身也在快速地發生著變化——說不準哪天，實現自動駕駛所需的數據量會驟減。

小結