馭勢科技吳甘沙：智能駕駛6萬億美元市場，如何實現商業化破局？

在2016年，我們看到了無人駕駛的未來。

這不僅體現在社交媒體上討論的熱度、傳媒中超高的曝光率，而是在從政策法規的推進、從大公司到創新公司的布局、軟硬體技術和算法的進步中，一個可以看得見的未來畫卷，正在徐徐展開。

對無人駕駛的資本布局正在縱深化展開。

有傳統汽車廠商和各種解決方案提供商的聯手，有網際網路巨頭的加入，有投資機構們和創新公司們在整車解決方案、傳感設備、地圖等方面的試水。

當谷歌無人車項目正式更名為「Waymo」，並宣布與傳統車企合作，以及在不久前與lyft攜手；當百度開放自動駕駛平台「阿波羅」計劃，似乎為我們展開了無人駕駛走向商業化的重要進程。

但是無人駕駛仍然是一個存在質疑的領域。

去年特斯拉自動駕駛車輛的車禍引發了大眾對其安全性的質疑；美國加州禁止了Uber自動駕駛車輛的上路測試；國內的自動駕駛車輛路測也處於暫停狀態。

無人駕駛的商業化，尤其是對於眾多創業公司而言，究竟應該如何邁出關鍵性的一步？

馭勢科技給出了自己的答案。

「兩到三年內實現商業化落地的場景，我認為只有兩個，一個是高速公路的L2、L3級的自動駕駛，還有一個就是限定場景的、低速的無人駕駛。

」馭勢科技CEO吳甘沙說。

在今年年初CES2017的展台中，馭勢科技發布的針對城市空間的無人駕駛電動車引起了關注。

這是一款全新的交通品類：城市移動包廂。

在內部，座椅是環形排列的，沒有搭載常見的汽車方向盤和儀錶盤，所有傳感器都融入外形，車內外還具有多個螢幕，乘客與行人可以互動交流。

而在當時，吳甘沙表示，馭勢科技更大的野心在於，這是在未來兩年內實現量產無人駕駛汽車的解決方案。

幾天前，馭勢科技展示了自己在商業化進程方面的成績：率先在廣州白雲機場、杭州來福士購物中心等地開始了持續的技術驗證和試運營服務。

馭勢科技與白雲機場合作，投入了一輛無人駕駛車在航站樓與停車場之間提供擺渡服務，於3月31日-4月1日廣州舉辦「2017中國機場服務大會」期間，向中外旅客展示人工智慧與機場服務相結合的先進技術。

抵達旅客可以在停車場內「自動約車」，並搭乘無人駕駛車到指定的停車位。

無人駕駛車內設有4個座位，沒有方向盤、油門和剎車。

乘客提著行李上車，只需按一按鈕，車即可自行啟動，按照優化的路線前往目的地。

馭勢科技的無人駕駛車配備包括雷射雷達、雙目攝像頭等在內的多種先進傳感器，以及基於深度學習的人工智慧算法。

而在杭州來福士廣場，馭勢科技與凱德集團合作首次試水大型地下停車場的無人駕駛車自動擺渡服務模式。

此項應用中，消費者可以在電梯口呼叫車輛，系統將自動識別其停車位，進而將乘客送至停車位。

這種應用需要克服多重挑戰。

首先由於地下停車場無法獲得GPS信號，無人駕駛車需要依靠基於機器視覺的定位技術實現導航，難度極大。

其次，地庫道路相對狹窄，有密集的行人和社會車輛，對於無人車的感知能力和規劃決策能力有極高的要求。

在該項目之後，馭勢科技和凱德集團也計劃後續繼續拓展無人駕駛技術應用創新，挖掘更多的創新服務模式。

2016年，前英特爾中國研究院院長吳甘沙宣布，離開已經為之工作了16年的英特爾，成為馭勢科技的聯合創始人、CEO。

「我相信未來。

」在去年接受黑智的採訪時，他說。

彼時，他告訴黑智，他給自己樹立的目標是「真正成為世界第一家、能夠量產的無人駕駛平台提供商和服務商」，並且提出，作為創業公司，就是要在主流玩家之外做「邊緣創新」的思路。

現在，他的商業化思路應該是更為清晰和明確了。

「自動駕駛，是一個6萬億美元規模的市場。

」吳甘沙說，「通用場景下的無人駕駛還需要5年甚至10年的時間，而在無人駕駛商業化方面，我們也有更深的體會。

」

CES2017展台上的馭勢科技無人駕駛車

以下為吳甘沙口述，經黑智（VR-2014）編輯整理：

自動駕駛：6萬億美元市場的構成

智能駕駛是一個未來的符號。

之所以美好，是因為它是一個6萬億美元規模的市場。

之所以說它是6萬億美元，實際上它是6個萬億美元市場組成的。

首先，是萬億美元的汽車市場。

一年全球光賣車就有7000億美金，它和周邊帶動的產業加起來，大約能達到2萬億美金左右。

根據2017年4月最新發布的《汽車產業中長期發展規劃》，我國汽車產量仍將保持平穩增長。

根據《規劃》，預計2020年將達到3000萬輛左右、2025年將達到3500萬輛左右。

到2020年，汽車DA（駕駛輔助）、PA（部分自動駕駛）、CA（有條件自動駕駛）系統新車裝配率超過50%，網聯式駕駛輔助系統裝配率達到10%，滿足智慧交通城市建設需求。

到2025年，汽車DA、PA、CA新車裝配率達80%，其中PA、CA級新車裝配率達25%，高度和完全自動駕駛汽車開始進入市場。

這也就是說，到2020年的時候，你在高速上開車的時候，左右看一看，可能兩邊的車輛都在使用L2、或者L3級的自動駕駛功能。

第二個萬億美元市場是出行。

我們現在可以看到，滴滴的峰值日單量可以達到2100萬單；ofo短短一兩年的時間裡也達到日單2000萬的規模；阿里巴巴每天產生訂單3000-5000萬單；美團點評一天是1800萬單……出行市場，是一個非常剛性，而且是高頻的需求。

但是，現在網約車再往下走，遇到了一些瓶頸。

這個瓶頸並不僅是網約車新政的約束，而是它本質上的問題。

第一個問題，是「人貴」。

網約車司機的人力成本在上升，到現在，滴滴的快車、專車，反而比計程車還貴。

第二個問題，就是「人缺」。

當數以千萬的司機已經被召集到這個平台上的時候，再往下，你會發現沒有更多的司機了。

有人說，我們可以用共享汽車、共享單車來解決這兩個問題，確實，它們能夠解決一些這兩個瓶頸，但是同時它們本身也是有問題的。

首先是資源使用率偏低，其次，管理成本也是很大的一個問題。

我認為，只有通過無人駕駛，去實現按需出行，能夠解決這個問題。

無人駕駛車輛首先不需要駕駛員，解決「人貴」問題；其次，它可以無限複製，不存在勞動力短缺的問題；第三，它很自覺，沒有路怒，不發脾氣，而且，不會犯錯。

如果這個市場能夠起來，我們相信，一天它要衝到幾億單，也是沒有問題的。

第三個萬億美元市場是物流。

國內的物流成本是很高的，根據《2015年全國物流運行情況通報》數據顯示，2015年社會物流總費用為10.8萬億元，占GDP的比率為16.0%。

如果說通過無人駕駛來去做主幹線上的物流。

如果通過無人駕駛來去做末端的投遞，那麼這些成本都可以節省下來，這也意味著我們的商品價格會隨之下降。

第四個萬億美元市場是商業地產。

這可能需要大家腦補一下。

未來的汽車，交通工具的屬性會越來越低，而商業空間的屬性會越來越高。

在這麼一個空間裡邊，你可以布置不同的場景，當每一輛車、每一條路都變成商業地產的時候，其商業模式創新的空間就會變得非常巨大。

第五個是能源市場。

在未來，利用風力、家家戶戶的太陽能電池板，都可以成為發電場所，所以這會是一個典型的分布式能源網際網路。

而電動車，將會發揮越來越大的作用。

傳統意義上的汽車是兩台沙發加四個輪子，現在我們可以對它重新定義：它是一個大型的移動終端，它是一個商業空間，它還是一個儲能單元。

電池可以自動充電，還可以換電。

第六，智能駕駛帶來的社會效應，又會形成一個萬億美金市場。

在美國，一年因為智能駕駛帶來的社會效益可以達到1.3萬億美金，相當於GDP的8%。

1600億來自節能的節省，5600億來自交通事故的減少，4200億來自生產力的提升。

未來，城市的格局，也會因此而發生變化。

在我自己看來，沒有第二項人工智慧技術，或者甚至說，其他方面的技術，能夠達到如此之大的市場規模和社會影響力。

馭勢科技白雲機場試運營項目

智能駕駛的實現路徑和時間表

我覺得現在智能駕駛要實現規模化和商業化，還有五個較大的障礙。

第一是法律、法規政策限制。

法律、法規政策這方面，包括自動駕駛的基礎法律、公共道路的測試規範，以及國家對於自動駕駛的性能指南和測試標準等。

在國內，我認為它們要趨於完備還需要3-5年的時間。

第二是基礎設施還不健全。

基礎設施涉及到的問題，包括高精度定位覆蓋，這在中國的一些大城市已經可以達到厘米級覆蓋，它要發展起來我覺得大約還需要1年的時間就夠了；高精度地圖的覆蓋，可能還需要3年左右；還有V to X通訊的覆蓋，未來它的終極解決方案應該是基於5G，而5G大概是在2019-2020年開始商業化部署。

第三，技術還不夠成熟。

在開放城市環境下，實現無人駕駛需要5-10年。

谷歌已經做到駕駛五千英里才需要一次人干預，就是說一年才需要一次人干預，但是離商業化還有很長的距離。

而L2、L3級的自動駕駛要實現大規模普及，要需要三年的時間。

第四，成本偏高。

無人駕駛我們常說，成本最貴的部分就是雷射雷達，它的成本從今天的7.5萬美金降到幾百美金可能是需要三到五年的時間。

那麼，我們做的低速無人駕駛電動車的價格，要降到10萬-20萬的區間，可能就需要三年。

10萬-20萬的價格是什麼意義？就是說今天的一輛車，再加上一個司機一年的工資。

降到這個區間就意味著，它的大規模商業化已經可以出發了。

還有就是CV-X高精度定位等服務成為免費的服務大概也要用到3+年的時間。

第五，社會接受度也是一個有待去驗證的問題。

如果要商業化，那麼，你一定要去選擇這個時間表上合適的這些點。

馭勢科技和商業地產跨界合作

通用場景無人駕駛的挑戰

我們要實現自動駕駛商業化，其實要回答兩個問題：第一個就是，為什麼通用場景的無人駕駛還差一些火候？另外一個就是，自動駕駛商業化應該通過一個什麼樣的方法落地。

通用場景的無人駕駛，現在面臨技術上的三個挑戰。

第一個就如何去處理真實的複雜場景。

傳統上很多做自動駕駛的企業，都會在一個比較理想的環境裡面去做一些測試。

但是真正要部署，會面對如何處理這個真實場景複雜程度的問題。

在真實場景中的無人駕駛，要學會判斷態勢；要評估道路、其他參與方的動機或是行為，用強化學習（reinforcement learning）來模仿「老司機」，在與環境的互動中尋找更好的方法。

但這還有待驗證。

第二，人工智慧的魯棒性。

魯棒性一方面是通過代碼來實現，另一方面是通過數據。

代碼可以通過許多覆蓋的測試來實現，但是數據很難做覆蓋測試，關鍵是數據會影響它的行為，因為數據上面跑了很多隨機算法和機器學習。

有了隨機算法和機器學習，它的行為就變得不確定了。

關於這個我可以說一下，現在大數據驅動的機器學習非常火，但其中給還有一些「命門」存在。

一個是訓練集的偏差，一個是開放動態環境裡的所有狀態無法窮舉，還有就是大數據驅動機器學習尤其是深度學習的「黑盒子」問題。

我們未來希望能夠把今天的各種各樣的機器學習的算法都融合起來，不僅需要深度學習，還需要強化學習，不斷地去適應環境；然後，我們還需要邏輯的推理，將遷移學習引進來，還要掌握基於貝葉斯的因果推理。

未來無人駕駛的智能，還需要很多不需要大數據的能力。

第三就是，如何為智能駕駛系統給出一個可預期的置信度。

去年特斯拉5月出了一場車禍，可他們給自己辯解，這個車開了1.3億英里才一次事故，美國的平均水平是9千萬英里，這都比平均水平好的多得多，還有什麼可質疑的？但是學過統計學的都知道，這是不成立的，為什麼？數據樣本太少，不具備統計的顯著性，如果第二天再出一次事故，就變成1.3億除以2，成了6500萬英里，所以一定要有足夠的數據才能證明是否安全。

要多少數據呢？蘭德公司做的一個數學模型顯示，大概要開100億英里，才能夠有95%的置信度。

我如果沒辦法在實際的道路上開那麼久，我得想辦法在虛擬的環境當中開那麼多。

虛擬環境其實就需要仿真器。

我們最早的仿真器可以去測試我們的規劃、角色，但是它不足以去驗證我們計算機視覺的算法。

現在我們也在跟一些公司和科研機構在合作，希望能夠基於大數據快速建模，以及有照片級的真實度，能夠去測試計算機視覺的算法。

通過這樣的一種模擬仿真器，就能夠更好地去進行百億英里的訓練，而且這個訓練當中，你可以把強化學習升成性對抗網絡放進去，打造智能駕駛的AlphaGo。

自動駕駛商業化的可行性戰略

關於商業化落地方面，兩到三年內落地的可能性，只有兩個：一個是高速公路的L2、L3級的自動駕駛，還有一個就是限定場景的、低速的無人駕駛。

現在L2的自動駕駛技術其實並不成熟。

對於創業公司來說，這一塊還是一個很長很長的落地周期。

我們採取的策略，就是「和」。

「和」的含義，其實類似於傳統的零和遊戲，我們現在希望把它變成生態繁榮，我們願意跟上下游包括主機廠商和供應商，來做一些原始碼、智慧財產權和數據的共享。

很多人以為我們這個是百度阿波羅計劃推出來之後才做的。

其實，我們很早就開始和多家車廠開始這樣的合作。

我們短期內不要求有商業化的考量，我們更多希望的是，使得整個生態能夠繁榮起來。

在限定場景、增強環境的低速的無人駕駛這塊，主要是針對場地車、場內車，比如像園區、景區、度假村、主題公園、機場等場景。

我們認為，到2020年，這個市場將達到100-200億規模。

到2020年的時候，我們有沒有可能轉化5%-10%，變成無人駕駛，前提就在於車的價格是否能做到10-20萬元之間。

出行的最後三公里，是我一直非常看好的。

我們也認為，只有通過軟硬體的全棧，才有可能控制產品的質量和體驗，才能夠實現商業化的落地，而我們恰恰是一個全棧的公司，從這個車的設計、製造，到傳感器，到智能化的算法，到硬體，基本上全面覆蓋。

如果說我們的策略剛才是「和」，那麼現在就是「和而不同」的「不同」。

也就是說，我們會選擇一個跟主流車廠關注的市場不同的一個邊緣市場。

在這裡面，現在還沒有生態，我們把生態創造出來，把整個的價值鏈創造出來，通過快速的商業化疊代，把這個運維體系商業壁壘建立起來。

最後我要做的總結就是，AI要落地，一定要做好幾個轉換。

第一就是從技術驅動到客戶驅動的轉換，第二個就是從技術創新到價值創造的轉換。

規模化、商業化的落地，就是要創造兩個價值。

一個叫客戶價值，客戶為什麼願意買你的東西，因為對他來說是有價值的，人力成本降低了，效率提升。

還有一個就是商業價值，對我們公司來說，我們不是靠VC活著它，我們自己有造血機制，我們需要具有自己的商業價值。

落地的大法，我自己總結的，就是7條：

算法決定上限，系統決定下線

場景牽引

需求決定配置

成本決定價值

快速部署

跨越演示到部署的死亡之路

開啟創新，建立商業閉環