无人驾驶行业的未来是“赢家通吃”，还是5-10家公司互相竞争？

编者按：无人车是对未来影响巨大的新兴技术，目前有几十家公司都在窥伺这个庞大的市场。那么究竟未来的市场格局会如何走向？会不会出现赢家通吃的局面？真正具备杠杆作用的因素有是什么？A16Z的合伙人Ben Evans给出了他的分析。

目前有好几十家公司正在试图研发无人车的技术，其中包括了OEM、其传统的供应商、现有的主流技术公司以及初创企业。显然，这些公司不会个个都能取得成功，但有机会的不在少数，这不禁让人猜测，赢家通吃的效应会在哪里发生？这会产生哪一种的影响力？会不会出现那种排名前一、两位的公司榨干剩余者的网络效应，就像智能手机或者PC操作系统身上发生过的事情一样？还是说这里能容纳5到10家公司无限地相互竞争下去？而在那个堆栈里面又是哪一层的胜利会给其它层赋予力量呢？

这类问题很重要，因为它们指明了未来汽车业势力均衡的方向。就像他们今天购买ABS（自动防滑刹车系统）一样，一个汽车制造商可以从5、6家公司中购买商品化的“自动化套件”（或者自行生产）的世界，将会与Waymo和Uber（也许）是唯一真正选项，并且可以按照自己选择设定商业模式（就像Google为Android设定的那样）的世界非常不同。微软和英特尔在PC世界以及Google在智能手机找到了咽喉点——无人车领域的咽喉地带又在哪里呢？

作为开始，无人驾驶领域的硬件和传感器，可能再加上电子部分将会商品化，这一点似乎是相当明确的。这些领域包含了大量的科学和工程（以及大量要做的工作），可以说，就像LCD屏幕那样，但为什么就因为别人都用这个你就不能用另一个呢？这是没有理由的。这里存在着庞大的制造规模效应，但并没有网络效应（注：网络效应的特点是大家都用所以我也只能用）。比方说激光雷达就会从造价50000美元的“旋转的肯德基全家桶”变成一个小型的固态电子设备，成本也会降到几百美元或者更低，这个细分领域将会出现赢家，但不会有网络效应，因为获胜的激光雷达品牌对于无人车技术栈的其他层不会产生影响（除非你形成了垄断），制造最好的图像传感器（并且把它卖给苹果）以外的任何事情对索尼的智能手机业务都有帮助。同样地，电池（以及发动机和电池/发动机控制）也很可能像今天的RAM一样成为商品——再次地，规模，大量的科学可能再加上每个类别里面都会出现一些赢家，但不会有更大的影响力。

另一方面，无人车这块可能不会有相当于PC或智能手机市场看到的第三方软件开发者生态体系。因为开发者采用自己而不是别人所形成的良性循环，Windows碾压了Mac然后iOS和Android压垮了Windows Phone，但是你不会根据车上面跑多少应用来决定购买什么车（当然了，前提是你还想拥有一辆车）。它们全都会跑Uber、Lyft和滴滴，嵌入了Netflix在屏幕上，但任何任何应用都会出现在你的手机（或者手表、眼镜上）。

我们的目光不要直接放在车上面，相反，要上那个栈的更上层去看——看那些让车在路上行走而不是撞上任何东西的无人控制软件，看看城市范围内的最优化以及路由（这意味着我们可能会把所有汽车当作一个系统进行自动化，而不是个体），看看基于堆栈下面的所有基础而运转的按需出行的“机器的士”车队。按需的网络效应是不言自明的，但加入自动化之后会变得复杂很多（这会将按需出行的成本降低4/3甚至更多）。按需机器的士车队会动态预定位好自己的车，所有这些车可能还包括别的车都会为了实现效率最大化而实时协调自己的路线，比方说整支车队会避免同时选择相同路线的情况出现。这反过来不仅会跟高峰定价结合起来，而且还会考虑到各种道路定价的差异——在交通繁忙期间你可以付更多的钱以争取更快抵达目的地，或者根据价格选择另一种到达时间。

从技术的角度来看，有三层（驾驶、路由及优化，以及按需请求）基本上是独立的——理论上你可以在GM的无人车上安装Lyft app，让预装的Waymo自动驾驶模块开车载着人到处逛。显然，一些人希望有跨层的影响力，或者可能想进行捆绑——Tesla说自己计划禁止车主用自己的无人车采用非自家的任何其他按需服务。反过来就不行了——Uber就不会坚持要你只用它自己的无人驾驶系统。不过尽管微软在Office和Windows上相互利用了影响力，但这两个都是靠自己的网络效应赢得各自市场的：一家小型的OEM坚持要你使用其小规模的机器的士服务，就像是1995年的苹果坚持要买AppleWorks而不是微软Office一样。我猜测一个更加中立的办法也许是会占得上风。如果我们要对所有车辆进行跨城市的协调，或者甚至在路口进行车与车之间的通信时就更是如此——你将需要某种公共的层（尽管我一直都更偏好去中心化系统）。

但这一切都是猜测的成分颇多，就像在1900年的时候试图预测交通拥堵会是什么样子。有一个领域我们能够讨论关键的网络效应可能是什么样的，那就是无人化本身。这跟硬件、传感器以及软件有关，但主要是跟数据有关，对于无人化来说有两种数据是重要的——地图数据和驾驶数据。首先看看“地图”。

我们的大脑在不断处理传感器数据同时建立起周围世界的3D模型，这都是在实时且颇为下意识的情况下发生的，以至于当我们在森林中穿行时也不会被树根绊倒或者头撞到树枝（基本上不会）。在无人驾驶领域又被称为是SLAM（同步定位与地图构建）——我们映射周围环境并且定位自己在其中的位置。这显然是无人驾驶的基本要求——无人车需要弄清楚自己在道路的位置，周边有什么特征（车道、转弯、路边、交通灯等），它们还需要弄清楚路上还有哪些其他的车及其移动速度有多快。

在真正的道路上实时做这些事情仍然非常困难。人类驾驶利用了视觉（以及声音），但光靠图像（尤其是2D图像）把周围环境析取出一个足够精确的3D模型仍然是个未解难题：机器学习让这件事情变得可能，但还没有人把精度做到足够供驾驶使用。于是，我们开始走捷径。这就是为什么几乎所有的无人驾驶项目都将成像与360°LIDAR结合起来的原因：这些传感器每个都有自己的局限性，但把它们结合起来（“传感器融合”）你就能得到一幅完整的画面。仅靠成像建立周围世界的模型在未来某个时候当然是可能的，但利用更多的传感器能让你实现得快很多，即便考虑到你要等到成本和那些传感器的形态因子变得更加实际。也就是说，LIDAR是获得周围世界模型的一条捷径。一旦你获得了这一模型，你往往就会用机器学习来了解里面有什么东西——这个是车的样子，那个是自行车手的，但就这个而言似乎并没有网络效应（或者不是很强）：就算没有一支车队你也能拿到足够的自行车手图像。

如果LIDAR是实现SLAM的捷径之一，另一条更有趣的捷径则是采用预置地图，其实就是“高精度3D模型”。你预先对道路进行勘察，从容地处理好所有的数据，建立街道的模型然后把它放进任何一辆即将驶入道路的车里面。现在无人车不再需要在时速65英里的情况下实时处理所有的数据并识别转弯或交通灯了——相反，它已经知道去哪里寻找交通灯，它还可以将关键地标与模型进行比对以在任何时候都能定位自己在道路的位置。这样，你的车用摄像头和LIDAR通过跟预置地图进行比较而不是从零做起来弄清楚它在道路的什么位置，交通灯在哪里等，同时也用这些输入来实时识别周围的其他车辆。

地图就有网络效应。当任何一辆无人车沿着预先映射的道路行驶时，它既会将道路与地图进行对比同时也会更新地图：每一辆无人车也可以成为一辆勘察车。如果你卖出了50万辆无人车而别人只卖出1万辆，你的地图就会更新越多并且更精确，这样一来你的车就不那么容易碰到某个全新的、出乎意料的东西而感到疑惑。你卖的车越多，你所有的车就变得越好——这是绝对的网络效应。

这里的风险是，从长期来看，就像汽车不用LIDAR也能做SLAM是有可能的那样，不用预置地图来做到这些也是可能的——毕竟，人类就能这样。这会不会发生以及什么时候会发生还不清楚，但目前看来似乎要等到无人车上市销售之后很久才行，到了那个时候整个版图的其他部分看起来可能也已经很不一样了。

那么，地图就是在数据方面的第一个网络效应了——第二个来自于汽车理解了周围环境之后所做的事情。在空无一人的道路上行驶，还是的确是在到处都是其他无人车的道路上行驶，一旦你能看到的话，这是一个问题，但弄清楚道路上的其他人准备要干什么，为此你又要干什么，则完全是另一个问题了。

支持自动驾驶的突破之一是机器学习应该很擅长干这个：机器学习不像过去的技术，你不需要写复杂的规则去解释你是如何思考大家会怎么行事的，它会使用数据——而且越多越好。你能够收集的关于真正的司机（包括其他司机以及坐在勘察车的司机本人）在现实世界中如何行为和做出反应的数据越多，你的软件对周围发生的事情的理解就越好，规划下一步该做什么就会越好。就像地图一样，在正式推出前你的测试车像收集好了这些数据，但在推出后，你卖出的每一辆车都在收集这一数据并将其发送回家里。那么，就像地图一样，你卖出去的车越多，你所有的车都会越好——这绝对也是网络效应。

驾驶数据还可以有另一个二次使用，用于驾驶数据仿真。这是为了解决“如果发生了X，我们的无人车会作何反应？”的问题。做这个的办法之一是造一辆无人车让它一整天自行在城市里乱逛，看看它对其他司机身上发生的任何随机事件是怎么反应的。问题是这不是一个受控的实验——你没法向新软件重现一个场景来看看什么发生了改变以及你的问题是否得到了解决。因此，现在大量的努力都是投入到仿真方面的——你把你的无人车软件放进《侠盗猎车手》里面（几乎就是这样），然后针对任何你需要的情况对它进行测试。这未必需要捕捉到一些东西（“LIDAR会不会检测出那辆卡车？”），而且一些仿真场景将会是循环的，但它的确告诉了你自己的系统会对确定的情况作何反应，而你则可以从你的真实世界的驾驶数据中收集那些情况。那么这里就出现了一个间接的网络效应：你拥有的真实世界的驾驶数据越多，你的仿真就可以越精确，因此也就可以把你的软件做得越好。仿真显然也存在着规模优势，这体现在你能够拿出多少计算资源，投入多少人，以及在大型计算项目上拥有多少体系知识来做这件事情上。作为Google的一部分显然给Waymo带来了一项优势：它报告说每周的“真正”无人驾驶行驶里程可达25000英里，但在2016年累计模拟行驶里程已经达到了10亿英里（平均每周1900万英里）。

有人认为Tesla在地图和驾驶数据方面都处于领先：自2016年末以来，它的那些客户购买了“Autopilot（自动导航）”附件的新车都有8个摄像头，可生成接近360°的视场，再加上一个前向雷达（此外还有一组超声波传感器，但是识别范围很小，主要是用于停车）作为补充。所有这些都能收集地图和司机行为数据然后回传给Tesla，不过似乎Tesla最近才刚刚开始收集其中一些数据。关键是既然雷达只是指向前面，Tesla将被迫仅靠成像来建立周围世界大部分的模型，但就像我前面指出那样，我们还不知道如何精确地做到这一点。这意味着Tesla其实在收集着目前没人能够解读的数据（或者至少解读得足够好到可以形成完整解决方案）。当然，你还必须解决这个问题，这既是为了收集数据，也是为了能驾驶汽车，这样看来，Tesla正在进行一场逆向思维的豪赌，赌的是计算机视觉的进展速度会超出我们想象。因为不需要等LIDAR的廉价化/实用化，Tesla是节省了时间，但在没有LIDAR（把LIDAR放进所有的Tesla车上面几乎是不可能的）的情况下做无人驾驶意味着计算机视觉软件必须解决更困难的问题，而这个问题的解决可能需要的时间更久。如果无人驾驶软件的其他部分——那些决定汽车应该做什么事情的组件需要很长时间才能实现的话，LIDAR也许就会先于无人驾驶可行之前变得便宜且实用起来，从而导致Tesla抄的近路变得无关紧要。会不会这样呢？我们走着瞧。

那么，数据是有网络效应，也就是赢家通吃效应的：驾驶数据和地图数据都有。这就引出了两个问题：谁掌握了这些数据，你又需要多少数据？

数据的所有权是一种有趣的权力和价值链问题。显然Tesla打算自己开发所有的重要技术然后放进自己的车里，所以它也拥有数据。但一些OEM已经提出，车是自己的，客户关系也是自己的，所以拥有和分配的是他们的数据，不是任何技术合作伙伴的。对于传感器供应商来说这似乎是一个合理的定位：我不敢肯定自己卖GPU、摄像头或者LIDAR同时还向保留数据是否可持续。但执行制造无人驾驶部件的公司是需要拥有那些数据的，因为这是工作机制的要求。如果你不把数据反馈回来给技术它就不能进一步改进自己。这意味着OEM在给供应商创造了网络价值，但除了可以实现更好的自动化之外，自己却没有获得其中的任何价值，但那种更好的自动化会成为一种商品，任何使用它的OEM的所有产品都可以用。这就是PC或者Android OEM的定位：他们通过同意在自己的产品内使用该软件而制造出网络效应，这让他们可以卖出自己的产品，但他们的产品已经变成了接近于日用品，网络价值已经流到技术公司那里了。这是一个良性循环，大部分的价值都跑到了供应商而不是OEM那里。这当然就是为什么大多数汽车OEM想要自己做的原因：因为他们不想落得像Compaq那样的结局。

这就把我引向了最后一个问题：你究竟需要多少数据？你增加的数据越多，系统是不是多多少少都会无限地变得更好？还是说会形成一条S曲线——到了一定时候增加的数据越多会出现收益递减的规律？

也就是说——网络效应到底有多强劲？

对于地图来说，这个问题是相当清楚的。你的地图要好到支撑多大密度的车和多高的频率，这个转换成市场份额的最小要求又是多少？这个市场能够承受多少的参与者？可以有10家来做吗？还是两家？一堆的二级OEM能不能一起合作凑出所有的地图数据？送货卡车能不能像今天卖其他类型的地图数据那样卖自己的数据？再次地，这不像消费者软件生态体系——RIM和诺基亚没法共享黑莓和S60的用户群，但地图是可以池化的。这是一个准入门槛还是准入条件？

同样的问题也适用于驾驶数据，或者说其实包括所有的机器学习项目：随着你添加的数据越来越多到什么时候会出现收益递减？曲线到什么时候会开始放缓？那时候有多少人会获得这种规模的数据？就通用搜索而言，这种改进似乎是无穷无尽的——答案的相关性（几乎）可以一直改进下去。但对于自动驾驶来说，可以确定的是那里似乎是有天花板的——如果一辆车在那不勒斯开一年都没有遇到什么麻烦的话，那还有多少改进空间？到了一定时候你基本上就到顶了。网络效应意味着如果你的用户增多你的产品就会变得越来越好，但用户到了多少之后产品就基本没什么改进空间了呢？你需要卖出多少辆车才能达到那种程度呢？与此同时，机器学习本身也在迅速改变——你没法排除掉实现无人驾驶的数据量急剧下降的可能性。

最后，这一切的潜台词是那么一种更好或更糟的无人驾驶是否存在。但“更糟”的无人驾驶意味着什么呢？是指撞死的可能性降低，还是说车更有可能感到迷惑，然后自动开到路边联系上远程支持中心，让人类操作员接管？人工控制会冲破一堆聚苯乙烯包装突然出现吗（注：也许人工控制命令会让方向盘等像安全气囊那样的机制）？车会说些鼓励性的话吗？

我怀疑这个答案是L5级（全自动）会以L4级的演进出现——也就是每一辆车都会有人工控制，但会被用得越来越少，而明确的L5会分阶段出现，随着人工控制的慢慢减少，然后被藏起来，再到撤销掉——最终退化掉了。这可能是按照场景出现的——我们可能先在德国实现L5，然后再到那不勒斯或者莫斯科。这将意味着数据是以网络的级别来收集和使用的，最后才实现全自动。

现在我们还无法真正知道这些问题的答案。这个领域里面很少人会预期完全的“L5”级无人驾驶会在5年内出现，大多数倾向于认为还要用接近10年的时间。然而，他们指出了一系列对汽车业有着截然不同影响的结果。其中的一个极端是网络效应可能会相对较弱，会有5到10家公司提供可行的无人驾驶平台。这种情况下，汽车业会把无人驾驶当作部件来购买，其价格可能跟今天的ABS、安全气囊或者卫星导航差不多。它可能还会面临激进变化——无人意味着按需出行的成本至少要降低3/4，而这会让很多人重新考虑要不要买车，而向电动化的转变又会将车内活动件的数量减少到1/5至1/10的规模，这将完全改变工程设计动态、供应商群体以及准入门槛。但它不会被Android化。而另一个极端则是只有Waymo把这件事干成了，这样的话整个行业又会大不一样了。

原文链接：http://ben-evans.com/benedictevans/2017/8/20/winner-takes-all

编译组出品。编辑：郝鹏程