“李想们”为什么要卖这么多车？
今年，越来越多的新势力开始预言智能化的终局：只有少数玩家存活。
4月，小鹏汽车CEO何小鹏预言十年后，全球汽车市场中将仅剩八家公司，中高端车型的生死线规模为300万辆，中低端车型则需要500万辆……
6月，华为常务董事、终端BG CEO、智能汽车解决方案BU CEO余承东发表了类似的观点：五到十年的周期下，只会有少数车企能活下来，“市场上的主力玩家不会太多”……
现实似乎也正在逐渐“接近”这样的预言。
燃油车时代，丰田汽车1000万辆的成绩已能够问鼎全球车企销量榜首位置，最畅销的“单品”Rav4、卡罗拉销量都在100万辆。
电动车时代，特斯拉以年销2000万辆为目标，Model Y今年Q1的全球销量已达到26.72万辆。理想汽车L7单一车系的日销量峰值在6月首次超过1000辆，2025年160万辆的目标已超过吉利汽车2022年的总销量。
若以此计算，全球8000万辆的乘用车市场确实容不下几家如此规模的车企。
终局预言，到底是新势力们屁股决定脑袋的“危言耸听”，还是智能化技术发展的必然趋势？
01
寡头游戏
你相信光吗？
相信自动驾驶的可实现性，是相信智能汽车生死线规模将远超燃油车的前提条件。
新势力们是相信的。
5月底，理想汽车智能驾驶副总裁郎咸朋发布朋友圈称：自动驾驶的实现路径已经很清晰，问题在于愿不愿意真正接受和从事dirty work，并在很长的时间里没有回报，而且承受来自内外部和自己内心的巨大压力。
6月16日，特斯拉CEO马斯克再次表示将很快实现自动驾驶，并说道：“特斯拉的价值主要建立在自动驾驶的基础上，这是我们市值的主要驱动力。”当天特斯拉上涨了3%，达到八个多月来的最高水平。
“自动驾驶实际上就是操作系统。操作系统完善之前，智能汽车还不能算足够智能，无法取代手机成为新一代计算终端。” 自动驾驶技术专家Brian向《电动汽车观察家》表示：
“自动驾驶系统本身是软件，软件的特性是具有垄断性。车必须根据成本定价在10万、20万、50万等不同级别。但高水平的软件可以和低水平软件产品卖同样的价格，所以水平低的自动驾驶系统没有办法通过低价保留市场份额。
现在还没有开始搞自研，或者还在犹豫搞不搞的企业，可能已经错过入场的窗口期了。因为现在搞首先很难追上前面的玩家。而且当一个玩家真正走出来时，其他玩家甚至是比较领先的玩家也失去了竞争力。
“IOS之外，只会有一个安卓。”
何小鹏判断，至2027年，新一代智能汽车在中国市场的渗透率将达到35%以上。余承东则说：“不论现在成绩如何，都不代表未来能活下去。”
02
走错路，L4级公司成先烈
回头来看，自动驾驶具备可实现性，恰恰是从L4级自动驾驶公司（下称L4级公司）们的“死掉”开始的。
今年1月底，L4级公司的全球领军企业Waymo也进入了母公司Alphabet的裁员名单，80名被裁人员占员工总数的4%，涉及不少一线高管。而在此之前，已有福特、大众合资的Argo AI停止运营并关闭公司，通用Cruise放弃Robotaxi商业化运营目标，Aurora股价跌至1美元，图森未来裁员近半，小马智行、文远知行切入辅助驾驶里领域。
资本寒冬和商业化难题被普遍认为是L4级公司“关停并转”的主要原因。但在郎咸朋和Brian看来，根本原因是自动驾驶开启了新的技术赛道，而赛道上已没有L4级公司的位置。
“2016年特斯拉开始做自动驾驶的时候，L4级方案是以局部最优解为方向。”Brian认为：“当时特斯拉的竞争压力不大，所以没必要去跟Waymo卷功能，而是从AP（L2）、NOA（L2+）去一点点的，向着全局最优的完全自动驾驶目标去做。”
L4级公司是以实现局部路段的自动驾驶功能为目标，在硬件上采用高像素摄像头、360°激光雷达、高精地图，软件上采用“独立并行模型”架构设计模式，按照不同任务需求，设计不同的人工智能模型，多个独立的模型并行组合解决问题，能够快速实现自动驾驶功能，而且由于以手写规则为主，所以易于溯源调整。
但如小鹏汽车自动驾驶中心感知首席工程师Patrick Liu在CVPR2023上的演讲所言：“使用分而治之方法的优点是它允许开发人员以最少的努力快速工作。然而，缺点是这种方法通常会导致性能上限为80%。”
L4级公司也很快触达了80%的性能天花板，规则驱动下解决长尾问题变得很难。但与此同时，数据驱动的人工智能开始大幅取得进展。
以往的数学理论表明，随着参数增多、模型增大，过拟合导致模型的误差会先下降后上升，这使得找到精度最高误差最小的点成为模型调整的目标。
直到2018-2019年，双下降（Double Descent）现象的发现打破了原有的人工智能发展格局。研究者发现如果继续不设上限的增大模型，模型误差会在升高后第二次降低，并且误差下降会随着模型的不断增大而降低。而且大模型的通用性极大提高，通过“预训练+下游任务微调”的方式，结束了一个场景一个模型的AI手工作坊时代。
就此，人工智能进入了“力大砖飞”的暴力美学大模型时代。“模型越大，准确率越高”的规律在自动驾驶领域也得到了验证。
L2级时负责进行大量检测、基本跟踪、场景跟踪、关键点检测的MobileNet、EfficientNe等轻量级网络；L2+级需要时空融合，多传感器融合，预测能力的LSTM、BEV、Transformer算法；再到解决城市内异常路况、大量动态目标博弈所需的GPT、蒙特卡洛树搜索等大模型，参数规模一路走高，而且性能天花板尚未见到尽头。
摘得CVPR2023最佳论文奖的《以路径规划为导向的自动驾驶》（英文：Planning-oriented Autonomous Driving；简称UniAD）。首次将感知、预测、规划等三大类主任务、六小类子任务（目标检测、目标跟踪、场景建图、轨迹预测、栅格预测和路径规划）整合到统一的端到端网络框架下，实现了全栈关键任务驾驶通用模型。在nuScenes 真实场景数据集下，所有任务均达到领域最佳性能（State-of-the-art），尤其是预测和规划效果远超之前最好方案。
“由于车辆数量和运营范围的限制，注定L4级公司没法高度依赖数据驱动，只能更依赖规则驱动。而近年来AI的主要技术突破都集中在数据驱动上，规则驱动的技术方案一定程度陷入了瓶颈，并无大的进展。”Brian表示。
郎咸朋直言：“L4科技公司做不出自动驾驶，只有Tesla可以。认知层面、产品层面、组织层面，两者都有巨大差距。”
03
门槛升级，城市NOA重新起跑
L4级公司先被挤出赛道，自己卖车的车企们要留在赛道内也很难，因为城市场景是真正的“无人区”。
近两年，高速NOA开始全面落地。高工智能汽车研究院数据显示，2022年，中国前装市场NOA搭载量突破20万辆。今年1-2月前装NOA交付已达4.61万辆，同比增长42.72%，渗透率（占全部L2级辅助驾驶）从去年同期的4.35%提升至5.90%。
快速普及的原因之一，或许是很多L4级公司裁员。
“LCA（自动变道）、高速NOA中很多技术可以直接从L4（Robotaxi）的方案中借鉴。车企中自身的算法、产品从业者大多出自L4级公司，所以车企不需要完全从头研发，而可以通过借鉴L4级的技术来实现功能。”Brian表示，例如L4方案对高精地图熟练应用，感知、预测、规控都高度依赖于此。
“而以城市NOA为标志的自动驾驶下半场的准入门槛要求很高。”Brian表示：
一方面（城市场景需要应用的）无图方案，业内缺乏相关经验可供借鉴；另一方面还需要玩家在之前有所积累。“积累不够的公司可能掉队，或是逐渐发现投入产出比不够经济而主动放弃，导致玩家逐渐收敛到积累比较好，实力比较强的几个玩家。”
特斯拉给出了一个技术积累、进阶的样本。
FSD Beta版之前，以及目前的Autopilot上，特斯拉采用“多任务共享网络”的技术架构。
通过网络底层的Backbone（主干网络），Neck（颈）提取具有通用性质的视觉特征，在不同任务（例如：车辆、行人、自行车检测，车道线分割，可通行区域分割，红绿灯、标志牌检测，视觉深度估计，异形障碍物检测等等）中共用。在节省大量重复近似特征提取计算的同事，又可以在主干参数不变或较少变化的情况下，相对独立优化各个Head的性能以满足自动驾驶的需求。
之后便是马斯克所说的，用软件2.0的方式完全重写FSD，得到今年人们耳熟能详的“BEV”。
自动驾驶系统自始至终要解决的核心感知问题是准确判断“可行使空间”，通常以BEV（鸟瞰图）的方式来体现。
IPM方法得出的BEV
采用纯视觉方案的特斯拉之前通过IPM（逆透视变换。通过数学方法，将路面上的点头引导一个俯视向下看的相机上)的方法，将图像平面的感知结果反投影会自车BEV坐标系中。但当地面不满足平面假说，且多相机视野关联受到各种复杂环境影响的时候，这类方法就会变得越来越难以维护。
2020年10月 FSD Beta发布，其使用Cross Attention（交叉注意力多尺度视觉Transformer）的算法，在神经网络模型内部进行图像平面到BEV的空间变换。
不仅可以使用感知输出直接进行决策规划，而且增强了某个或几个相机短时间遮挡、丢失的鲁棒性，使跨多个相机的近处大目标的尺寸估计和追踪都变得更加准确、稳定。
2021年，通过加入时序队列，特斯拉FSD获得了处理连续时空序列数据的能力，从而能够正确处理闪烁的交通灯，分辨临停和静止车辆，根据历史信息预测交通参与者可能的运行轨迹，记忆路过的交通标识、车道线行驶方向。
乌克兰黑客通过破解FSD功能在基辅市中心开启了FSD功能，证明了FSD可以在首次到达一个新的城市的情况进行驾驶。
当这样的短期记忆和BEV相结合，使FSD获得了实时局部建图的能力，从而能不依赖高精地图在城市中进行驾驶。
小鹏汽车的积累与特斯拉相类。
Patrick在演讲中表示：小鹏AI团队在2021年初开始试验XNet架构，此后经历了多次迭代才达到目前的形式。XNet利用卷积神经网络（CNN）主干来生成图像特征，同时通过Cross Attention将多摄像头特征转置到BEV空间中。之后，将过去几帧的BEV特征与自我姿势（在空间和时间上）融合，以从融合特征中解码动态和静态元素。
小鹏汽车XNet
“BEV主要是一个思维的转换，是增强视觉感知的新的技术范式，实现并不难。主要的难度在于 【本文来自易车号作者电动汽车观察家，版权归作者所有,任何形式转载请联系作者。内容仅代表作者观点，与易车无关】
绛旓細杞︿紒涓嚜韬殑绠楁硶銆佷骇鍝佷粠涓氳呭ぇ澶氬嚭鑷狶4绾у叕鍙,鎵浠ヨ溅浼佷笉闇瑕佸畬鍏ㄤ粠澶寸爺鍙,鑰屽彲浠ラ氳繃鍊熼壌L4绾х殑鎶鏈潵瀹炵幇鍔熻兘銆傗滲rian琛ㄧず,渚嬪L4鏂规瀵归珮绮惧湴鍥剧啛缁冨簲鐢,鎰熺煡銆侀娴嬨佽鎺ч兘楂樺害渚濊禆浜庢銆 鈥滆屼互鍩庡競NOA涓烘爣蹇楃殑鑷姩椹鹃┒涓嬪崐鍦虹殑鍑嗗叆闂ㄦ瑕佹眰寰堥珮銆傗滲rian琛ㄧず: 涓鏂归潰(鍩庡競鍦烘櫙闇瑕佸簲鐢ㄧ殑)鏃犲浘鏂规,涓氬唴缂轰箯...
绛旓細鐞嗘兂姹借溅鍒涘浜烘潕鎯虫浘琛ㄧず,瓒呭ぇ灞忓箷鐨凥UD銆佺┖姘旀偓鏋躲侀儴鍒嗘牳蹇冭姱鐗囩瓑閮ㄥ垎鎶鏈皢鑷爺,鈥滃洜涓哄畠鑳藉甫鏉ュ樊寮傚寲,鏋佸ぇ鎻愬崌浜у搧鍔涒銆 鏈鏂版秷鎭樉绀,鐞嗘兂姹借溅姝ｅ湪鑷爺鏅洪┚SoC鍜岃溅瑙勭骇MCU鑺墖銆備粠澶氫釜娓犻亾鐨勬嫑鑱樹俊鎭彲鐭,鐞嗘兂姹借溅鏈夊湪鎷涜仒鑺墖鏋舵瀯宸ョ▼甯堝拰鏁板瓧IC璁捐宸ョ▼甯堛傝繖浼间箮瀵瑰簲浜2022骞寸殑浼犻椈,鍗庝负娑堣垂鑰呬笟鍔″拰闃块噷AliOS...
绛旓細鍐烽潤涓涓嬶紝鎴戜滑鍒嗘瀽鍒嗘瀽锛岃兘璁╃悊鎯冲姝ら珮璋冪殑鍘熷洜鏄暐锛搴旇鏄柊鑳芥簮杞︽斂绛栫殑寤舵湡銆傞櫎浜嗕緷闈犳斂绛 杩橀渶瑕10涓囦富鍔涜溅鍨 纭疄锛岀悊鎯冲埗瀹2025骞160涓囩殑閿鍞洰鏍囷紝鏄湪鍥藉寤舵湡浜嗘柊鑳芥簮杞﹀瀷浼樻儬鏀跨瓥涔嬪悗锛屾斂绛栧緢鏄庣‘锛岃繖涓闃舵锛岀户缁収椤炬柊鑳芥簮杞︼紝鏈熼檺鍒2027骞达紝2024骞村拰2025骞达紝鍏ㄩ鍏嶉櫎鏂拌兘婧愯溅璐疆绋庯紝鏈楂...
绛旓細6. 鐞嗘兂姹借溅澶氶」璐㈠姟鏁版嵁鍒涘巻鍙叉ф柊楂樿儗鍚庯紝涓昏鏄敱浜庡己鍔蹭氦浠橀噺鐨勫甫鍔銆傛嵁姝ゅ墠鍏竷鐨勯攢閲忔暟鎹紝浠婂勾绗竴瀛ｅ害鐞嗘兂姹借溅绱浜や粯鏂拌溅52,584杈嗭紝鍚屾瘮澧為暱65.8%锛屽埛鏂颁簡瀛ｅ害浜や粯璁板綍銆傚姞涔嬬悊鎯矻绯诲垪杞﹀瀷璐＄尞鐨勫钩鍧囧敭浠蜂笂鍗囷紝鐢辨浣垮緱鐞嗘兂姹借溅绗竴瀛ｅ害鐨勮溅杈嗛攢鍞敹鍏ラ珮杈183.3浜垮厓锛岀浉杈冧簬鍘诲勾鍚屾湡鐨93.1浜垮厓...
绛旓細鏉庢兂鏈夎儐鍦ㄨ垎璁哄満鍩熷唴,鍙ｆ皵寮虹‖鍦版煎ぉ鎬煎湴,鏍稿績鍘熷洜寰堢畝鍗,鐞嗘兂姹借溅鍦ㄨ闆ㄨ叆椋庣殑涓浗甯傚満,浜ゅ嚭浜嗗彲鍦堝彲鐐圭殑鎴愮哗鍗曘 浠庢妧鏈矾绾夸笂鐪,澧炵▼浠庝簲骞村墠鐨勮繃琛楄侀紶,鍙樻垚浜嗙幇鍦ㄢ滃浗涔嬮噸鍣ㄢ濄 2022 骞,鍏ㄥ浗澧炵▼寮忕數鍔ㄦ苯杞︾殑閿閲忎负 25 涓囧彴,鍚屾瘮澧為暱 1.3 鍊,鍦ㄦ柊鑳芥簮姹借溅鎬婚攢閲忎腑鍗犳瘮 3.6% 銆傛牴鎹腑姹藉崗鐨勯娴,鍒...
绛旓細娌℃湁涓浗杞︺佹病鏈夋柊鑳芥簮銆佹病鏈夊灏慚PV绔炲搧,杩欐槸MEGA鍑虹幇鐨勬牴鏈師鍥犮傝岀悊鎯崇粰鍑虹殑绛旀鏄,MEGA浣滀负鐞嗘兂棣栨绾數杞﹀瀷,涓旀槸涓娆綧PV,灏嗛噰鐢ㄧ函鐢靛舰寮,鑰屼笉鏄互寰鐨勫绋嬫贩鍔ㄧ粨鏋勩傝繖灏辨槸MEGA浣滀负鐞嗘兂棣栨绾數杞﹀瀷,涓旀槸涓娆綧PV鐨勭敤鎰忔墍鍦ㄣ傝櫧鐒惰繖娆鏉庢兂娌℃湁鍠婂嚭鈥淴XX涓囦互鍐呮渶濂解濈殑鍙ｅ彿,浣嗕粬鏈鍚庤繕鏄浜嗕竴鍙:銆屾杩...
绛旓細涓夈佹渶鍚庢槸鍥犱负杩欐杞︾壒鍒傚悎瀹剁敤锛屾弧瓒充簡瀹跺涵闇姹傦紝鎵浠鏉庢兂浼氬杩欐鐨勪骇鍝佹瘮杈冭嚜淇°傛渶鍚庢潕鎯充細杩欎箞鑷俊鐨勫師鍥犲氨鏄繖娆捐溅鐗瑰埆閫傚悎瀹剁敤锛屽浠婁拱杞︿竴鏃忎腑瀹跺涵鏄竴涓ぇ鐨勪富浣擄紝杩欐杞︽槸6浜哄骇锛屾弧瓒充竴瀹朵汉鐨勯渶姹傦紝杩橀厤缃殑鏈変笁涓ぇ灞忓箷锛岃兘澶熸弧瓒虫瘡涓搴垚鍛樼殑涓嶅悓闇姹傦紝杞︿笂杩樻湁鍐风儹鍙岀敤鍐扮锛岀湡鐨勬槸澶...
绛旓細鑰屼笖宸茬粡杩涜澶氭OTA鍗囩骇銆備笁銆鏉庢兂鐨勪釜浜洪瓍鍔涘強閫犺溅鎬佸害 鐩稿浜庡浗澶栫壒鏂媺鐨勯┈鏂厠鑷甫娴侀噺鏉ヨ锛屽浗鍐呴犺溅浼佷笟涓悊鎯姹借溅鐨勬潕鎯冲簲璇ョ畻鍥藉唴鐨勪郊浣艰咃紝鏉庢兂鐨勨樹骇鍝佺粡鐞嗏欑殑浜鸿鍦ㄨ涓氬唴鏄瘮杈冭鍙殑锛屽悓鏃跺湪瑙ｅ喅鐞嗘兂杞︿富鐨勯渶姹傚強浜嬫晠闂鐨勫鐞嗕笂鏄潪甯歌鐪熺殑銆傜悊鎯冲叕鍙哥殑缁忚惀鐞嗗康鏄惁鍊煎緱鍊熼壌锛熷湪鎴戠湅鏉ユ槸鍊煎緱...
绛旓細涓轰簡鍒涙柊鑰屽垱鏂扳濓紝姣曠珶鈥滃焹灏旀硶浠濇棦鏈夊ⅷ瀹堟垚瑙勭殑瀹堟棫锛屼篃鏈夋枱閰屽啀涓夌殑鍧氭寔銆傚綋鐒讹紝璇翠簡杩欎箞澶锛屽苟闈炴枟鑳嗏滄暀鏉庢兂濡備綍褰揅EO鈥濓紝鍙槸璇翠互灞呴珮涓翠笅鐨勮搴︾湅寰呰涓氬彂灞曪紝鎴栬骞朵笉鏄竴浠跺ソ浜嬨傘愭湰鏂囨潵鑷槗杞﹀彿浣滆姹借溅鎯呮姤锛岀増鏉冨綊浣滆呮墍鏈,浠讳綍褰㈠紡杞浇璇疯仈绯讳綔鑰呫傚唴瀹逛粎浠ｈ〃浣滆呰鐐癸紝涓庢槗杞︽棤鍏炽
绛旓細鍥犱负锛岀悊鎯虫壙鎷呬笉浜嗙墰鐨惞鐮寸殑鍚庢灉銆傛牴鎹笂闈㈢殑閫昏緫锛屽鏋滅悊鎯矻8銆丩7鐨勫煄甯傝緟鍔╅┚椹惰繜杩熶笉鑳借惤鍦帮紝閭ｄ簺鍚屾牱娌℃湁瀹炵幇鍩庡競杈呭姪椹鹃┒銆佷絾鏄瘮鐞嗘兂姹借溅鏇存湁鎬т环姣旂殑杞﹀瀷灏变細鐪熸鏋勬垚瀵瑰畠鐨勫▉鑳侊紝瀵圭悊鎯虫苯杞︾殑閿閲忓舰鎴愬弽鍣傛墍浠ワ紝灏界鐞嗘兂姣忓崠涓杈嗚溅锛屽氨瑕佲滃惈娉濊禋鎺夎溅涓8涓囧潡閽便備絾鏄紝涓轰簡鏀寔100搴у煄甯傝緟鍔...
