关于「无人驾驶」，一位投资大佬给出了四大预判

在贺雄松看来，自动驾驶行业共有两轮投资热潮：

第一轮兴起于2015年左右，2018、2019 年到达顶点 ，衰弱于2019年。

根据美国智库布鲁金斯学会报告数据显示：仅在2014年-2017年间，自动驾驶汽车领域投资总额超过800亿元。

此后，创投机构整体投资节奏放缓，投资者们也意识到L4级及以上自动驾驶商业化落地周期过长，自动驾驶初创公司融资频次开始降低。

在资本寒冬的2019年，Roadstar.ai、Drive.ai等自动驾驶明星公司相继倒下。

随着特斯拉等造车新势力产量提升，以及资金退出方式多元便捷，2020年成为重新点燃资本对自动驾驶投资热情的关键一年。

更为重要的是，自动驾驶商业化进程明显加快，自动驾驶公司们已在特定场景或是开放道路中尝试商业化运营可能。

今年，图森未来成功登陆IPO，北京市高级别自动驾驶示范区给予京东、美团、新石器无人配送车相应路权，亦成为自动驾驶技术落地的积极信号。

在此背景下，贺雄松对自动驾驶商用车场景及"最后 1 公里"无人配送前景趋势进行预测分析。

预判 1：开放高速载人落地仍需等待 10 年以上

自动驾驶各应用场景不同，技术要求不同，落地时间也因此不同。

当前，自动驾驶在封闭低速场景的应用主要集中在矿山、港口、末端配送等三个领域。

相对而言，矿山的整体落地环境最为友好。

矿山多在偏远地区且人烟稀少，相对简单的运营环境对自动驾驶技术容错率较高，无人矿卡在此拥有更多路权，运营商可根据需求自行规划行驶路线。

相关数据显示：国内矿山自动驾驶市场规模超千亿，露天煤矿的土石方运输是最适于自动驾驶推广应用的场景，其市场空间超过450亿元/年。

在此背景下，踏歌智行、慧拓智能、易控智驾、希迪智驾、跃薪智能等自动驾驶公司齐聚于此。

辰韬资本预计，国内无人矿卡将在2022-2023年将开始实现商业化应用。

港口方面，由于其道路结构化程度较高，运营环境相对简单，因此自动驾驶卡车的港口路权相对较多，这也为自动驾驶商业化运营带来可能。

过去几年，斯年智驾、西井科技、飞步科技等自动驾驶公司将目光聚焦此处，其中，斯年智驾近期拿下全球首个港口无人驾驶商业化付费订单。

在开放道路中，根据道路环境的不同可分为Robotaxi和干线物流。

Robotaxi需要在城市道路、高速道路中穿行，其最高行驶速度可达120km/h。

复杂的运营环境、较长的刹车距离对Robotaxi的预判、传感器、制动距离提出更高要求。

贺雄松认为，目前Robotaxi在应对以上挑战时仍显乏力，短期内较难落地。不过，或许可以通过环境降维以降低技术难度。

具体而言，首先将Robotaxi的行驶速度由120km/h降低为50、40km/h；其次，挑选相对简单的道路供Robotaxi试运营，通过技术迭代逐渐扩大应用场景。

同样地，干线运输的完全无人化运营时间仍未可知。相较于Robotaxi，无人卡车的制动距离更长，事故危害性更大，容错率极低，这也对技术提出更高要求。

然而一旦干线运输真正实现全无人运营，其省油、安全、低成本的特点或将创造比Robotaxi更广阔的市场空间。

基于以上特点，贺雄松判断封闭低速载物场景需要 2-3 年才可以落地，高速载物场景需要 5-8 年，而开放高速载人需要 10 年以上。

预判 2：无人配送批量应用将在未来三年爆发

去年12月24日，提供末端无人配送服务公司Nuro获得加州第一张商业运营牌照，成为全球首家商业化运营的无人驾驶公司。

获得商业运营牌照后，Nuro获准在加州圣马特奥县和圣克拉拉县开启商业化运营，日常配送食品、饮料、药品和其他产品。

针对国内无人配送场景，贺雄松的看法似乎与Nuro一致。他认为，商超零售场景与无人配送最为匹配。

目前，国内典型无人配送共有三大场景：快递、外卖与商超零售。

快递的即时性要求不高，等待时间较长但数量很大；外卖的即时性要求高，等待时间短，但环境很复杂。另外，并非每个商家都配套停车设施，因此取件和配件存在不确定性。

而商超零售的即时性要求比外卖低，配送路线更固定，同时商超零售的线上业务已有成熟的仓库和配送人员，配送的基础设施更为齐全。

因此，无人配送非常适合在商超零售场景中应用。

目前，国内无人配送企业主要分为三类：

• 互联网科技公司，如阿里、京东、美团等；

• 初创公司，如白犀牛、新石器、一清创新等；

• 主机厂及Tier 1背书的公司，如毫末智行、东风悦享。

辰韬资本发布的《末端无人配送赛道研究报告》认为，城市配送"最后一公里"，是物流配送业成本最高的环节。

当前，因车型、传感器方案等成本不同，无人配送车的整车成本在20万至50万元不等。再算入保险、车辆运维、现场安全运维、后台远程监控/操作人员费用、云平台服务费用等成本，无人配送车的成本将进一步增加。

贺雄松认为，无人配送批量应用将在未来三年迎来爆发。

首先，随着未来三年无人配送车批量生产，其整车成本将降低至10万元以内。

无人配送车的技术迭代也将取消车辆运维、现场安全运维、后台远程监控/操作人员等费用，成本将大大降低。

其次，无人配送市场规模达千亿级，美团、京东、阿里巴巴等互联网科技公司已经将无人配送车实际应用。

如阿里巴巴在全国数十家高校投放小蛮驴，为师生配送快递包裹；京东、美团多次在疫情期间为医院、社区运输医疗生活物资。

而当前各公司逐步在多种场景开启无人配送，或可视作无人配送在批量应用的前夜。

第三，随着过去几年企业在无人配送业的多种尝试，其商业模式已初步成型，技术也可支撑部分场景需求。

尽管国外的无人配送车已先行落地，但贺雄松认为国内的无人配送行业或将更容易实现盈亏平衡。

究其原因，在于国内的城市人员密度更大，接单效率也将更高。在未来中外无人配送车的硬件成本相差无几的情况下，国内大批量的无人配送订单将更快为企业实现盈亏平衡。

而实现这一点的关键，在于技术能否解决无人配送车的安全问题。

预判 3 ：激光雷达的竞争是半固态的竞争

在贺雄松看来，激光雷达本质上并不存在技术方案的路线之争，不同的技术路线满足不同阶段的市场需求。

当前纯固态激光雷达主要分为flash 和 OPA 方案，后者在国际上的发展已基本停滞。

在众多企业的研发下，flash 方案的探测距离已提升至 100 米，但这仍不适用于对探测距离要求数百米的高速公路场景。

贺雄松认为，纯固态激光雷达的探索范围是否能更远仍然未知，一昧押注纯固态激光雷达或将面临风险。

据中金研究预测，纯固态激光雷达方案距离技术成熟以及大规模量产仍需要5年以上时间。

半固态激光雷达目前已经搭载于量产车型之中，在中短期内或将成为市场的主流选择。

在未来的市场竞争之中，各公司的半固态激光雷达解决方案是否能满足市场需要，将影响公司的产品销量。

目前，头部公司在半固态激光雷达的各个技术路线都有研发，头部公司也将拥有更多的生存机会。

此前， 车规级激光雷达主要面向自动驾驶汽车。自今年起，车规级激光雷达开始前装于乘用车，一个前装市场正在缓缓打开。

蔚来ET7、智己汽车、上汽MARVEL R、上汽R汽车ES33、小鹏P5、极狐阿尔法 S 华为HI版等具备一定自动驾驶功能的智能汽车面世，正式开启激光雷达前装量产元年。

随着智能汽车的自动驾驶等级提高，激光雷达在传感器中的作用也将从辅助走向主导。

咨询机构Yole的一项数据显示：2020年全球大约有20万颗激光雷达用于智能驾驶，相关销售额大约为9500万美元；至2025年，全球有望340万颗激光雷达用于智能驾驶，相关销售额大约为15.35亿美元。

因此，在巨大市场爆发之前，激光雷达公司应快速对接产品实际需求，进而快速迭代产品。

预判 4：造车新势力目前无法达到L3级自动驾驶

特斯拉、小鹏、蔚来、理想目前都只是辅助驾驶，离L3级自动驾驶仍有一定距离。

根据今年4月SAE联合ISO合作发布的最新版本的分级标准定义，SAEL1-L2级被命名为驾驶员支持系统（Driver Support Systems），SAEL3-L5级所用术语为自动驾驶系统（Automated Driving Systems）。

L3和L4自动驾驶功能可以在系统运转时监视和强制执行其ODD限制，并防止使用或操作超出其规定的ODD。

ODD即运行设计域（Operational Design Domain），随着自动驾驶级别的提高， ODD也将适应更多的道路及环境。如果在不符合ODD的条件下运行，则必须由驾驶员接管。

根据《汽车驾驶自动化分级（报批稿）》显示，L3级的动态驾驶接管任务的对象为驾驶员和系统动态接管，而L2级仅为驾驶员接管。

因此，小鹏在宣传NGP辅助驾驶功能时经常强调其属于"辅助驾驶"范畴，绝非"替代"用户。

目前，国内三大造车新势力已构建各自的壁垒：如蔚来的品牌塑造，小鹏的自研算法，理想的产品定义等。

另外，造车新势力也面临着不同挑战。

如蔚来针对大城市的停车位较少，难以安装充电桩这一情况推出车电分离模式，受到用户的欢迎。

但假如以后的快充技术超预期发展，长时间充电将不再困扰用户，或将对蔚来的换电模式产生影响。

一定程度上，特斯拉的发展阶段可为造车新势力提供参考。如果将特斯拉的发展阶段拆解，可分为三个阶段：

• 通过用 Mobileye 芯片快速推出辅助驾驶功能，形成软硬一体的解决方案；

• 放弃Mobileye的解决方案，不断迭代算法；

• 算法成型之后，为了提高运行效率，降低功耗，进而为算法定制芯片。

目前，各造车新势力之间的算法发展情况不尽相同，算法成熟的公司较少。此时为算法定制芯片意义不大。

曾有消息传出特斯拉或将加入激光雷达阵营，在贺雄松看来这对于特斯拉的益处较少。

首先，加入激光雷达意味着特斯拉此前积累的数据不再有效，需要耗费大量时间重新训练模型，可能训练后的模型仍达不到现有水平。

其次，特斯拉无法收集中国的数据，也不能将数据传送至美国。因此，特斯拉在美国研究的算法可能不十分适配中国特色的路况。

从 AI 角度看，错判率和误判率是此消彼长的。