雷鋒網「新智造」按：本文作者星河研究院分析師吳極，關注人工智慧、物聯網、機器人等前沿科技領域，希望通過專業洞察助推產業發展。在上篇文章
《星河研究院：在自動駕駛領域到底是做青蛙還是做天鵝？（上）》
中吳極分享了關於無人駕駛技術硬體設備方面的研究，本文中則是關於軟體技術及未來的探討。新智造已獲取授權。新智造作為雷鋒網旗下欄目，關注智慧時代的創新與創造，目標是找到哪個領域還有值得創業和投資的機會。
自動駕駛是目前汽車產業乃至科技行業中受關注度最高的技術之一，此前A16Z的合夥人Frank Chen便在一場活動中講到了對自動駕駛技術產業鏈，以及對未來在自動駕駛技術影響下的社會與經濟等多方面變化的看法。借著他的觀點，星河研究院吳極又增加了一部分內容與分析，我們今天就來探討一下，自動駕駛領域的軟體技術及未來，準備好了嗎？
自動駕駛汽車在軟體方面的需求
除了上述對硬體的需求外，自動駕駛技術更離不開軟體方面的突破。高精度地圖是實現自動駕駛的基礎資源，而機器學習與工程演算法則是使高精度地圖、感測器與V2X設施所獲得的資料真正實現價值的手段。
1. 高精度預計算地圖，壟斷 vs 競爭
現在每個人出行都會用穀歌地圖、蘋果地圖、百度地圖及高德等產品，並且他們都有一個不錯的準確度令我們在城市中可以便捷的通行。但令人類用戶滿意的地圖精度距離滿足自動駕駛汽車的需求還很遠，因為他缺乏了路面上有幾條車道、車道的邊緣位置、隔離帶與路障位置等極為具體的資訊。
因此給自動駕駛汽車開發其專用的高精度地圖便成為了必不可少的任務。國內外較大的地圖提供商目前都已經在高清地圖領域展開了積極的行動，意圖儘快的佔領自動駕駛汽車用地圖市場更多的份額。
高清地圖服務商一般先要使用類似于谷歌街景車的技術，用車頂上的高清相機、雷達等設備把周圍環境全部掃描記錄，再通過演算法優化最終得到釐米級別的地圖資料。
HERE生產高清地圖的策略與Google類似，這兩家公司目前都是一次性採集一整個街區的資料。HERE通過車頂安裝的四個廣角的24 兆圖元攝像頭、旋轉式的雷射雷達、陀螺儀以及GPS 系統，依靠自有演算法能夠生成高清地圖。按照Here的預期，用於自動駕駛高清地圖服務預計將在2020年能夠上線。
國內的高德地圖也已經在推進地圖資料的高精度化，在未來高德希望能夠利用高精地圖資料支撐自動駕駛的發展，自動駕駛再產生新的資料，經過科學自動化的處理，變得更新更准，更能被機器電腦使用和學習的資料，最終形成高精地圖資料的生產閉環。地圖行業及自動駕駛領域的巨頭百度也早有佈局，目前高精度地圖已經是百度最重要的戰略性業務之一。
A16Z的合夥人擔心高精度地圖會存在壟斷的機會，因為他認為在自動駕駛時代人們將不得不完全依賴于這些成本高昂地圖，且這個目前沒有法律所管轄的領域也急需監督。
星河研究院認為從我國情況來看這種擔心有些多餘，在國內資本充足的現狀下，多家地圖企業相互競爭才是比較現實的情況，而其高昂的成本多半要先由風險投資商承擔，再到後期尋找合適的變現模式。目前高德已經宣佈其高精度地圖對自動駕駛汽車免費開放，而預計隨著競爭的加劇，為了市場份額而爭相免費的情況將不可避免。
2. 機器學習 vs 工程演算法
演算法是支撐自動駕駛技術最關鍵的部分，目前主流自動駕駛公司都採用了機器學習與人工智慧演算法來實現。
而海量的資料是機器學習以及人工智慧演算法的基礎，通過此前提到的感測器、V2X設施和高精度地圖資訊所獲得的資料，以及收集到的駕駛行為、駕駛經驗、駕駛規則、案例和周邊環境的資料資訊，不斷優化的演算法能夠識別並最終規劃路線、操縱駕駛。
現在面臨的主要問題是相比於模型計算，真實行駛場景中的演算法需要的資料過多且計算量超出了現有能力。目前已經有了不少對機器學習進行簡化的嘗試，例如OpenAI的Universe這一專案，未來這一問題或許能夠通過近似簡化以及計算能力的提高得到解決。
同時在機械以及路徑規劃方面較為優秀的工程演算法也不應該被棄之不顧。這兩者最主要的區別是工程演算法依靠固定的邏輯及規則運行，而機器學習能夠結合歷史經驗與資料計算出最優結果。
Boston Dynamics令人驚歎的機器人的演算法中並沒有使用機器學習技術，但依然擁有了令人印象深刻的成果。因此即使工程演算法在執行效率上與基於深度學習演算法的Alpha-Go並不在一個水準，但將兩者的優點相結合依然能夠有效的提升機器學習的最終效果。
3. 演算法通用化 vs 當地語系化
當地語系化是一個電腦科學的術語，意味著軟體將會依據其周圍的環境條件選擇合適的執行策略。
每個城市都有不同的駕駛習慣，所以未來自動駕駛汽車如何處理好當地語系化問題成為了其實際應用前必須突破的障礙。如果演算法不能夠做到當地語系化，那麼在班加羅爾適用的自動駕駛安全措施很明顯將會在波士頓造成嚴重的交通擁堵，其他城市亦然。
但我們無法為每一個不同駕駛習慣的地區都編寫特定的演算法，因此能夠實現當地語系化的自我調整綜合演算法成為了關鍵，這種自我調整演算法要做到能夠通過學習社會習俗及典型的當地人類行為來使自動駕駛汽車獲得更好的表現。
自動駕駛技術在普及過程中，以及完全實現後將會對社會造成的影響
出行是人們生活中最基本的需求之一，因此隨著自動駕駛技術的逐布實現，我們的生活也將產生巨大的變革，而涉及到出行行業的汽車製造、出行服務商、保險、市政等等環節都會發生巨大的變革。
1. 傳統汽車廠商 vs 互聯網公司
汽車產業是一個龐大的鏈條，涉及到了上下游無數的零配件製造與配送體系，其影響範圍僅次於房地產業。老牌汽車廠商們擁有的全套汽車製造基礎設備，豐富的汽車設計、製造經驗以及熟練的流水線運行管理經驗都是其相對於跨界造車的科技創新企業的優勢。
並且傳統汽車廠商已經認識到未來汽車產業的創新發展主要是基於軟體基礎之上的，因此他們積極的在矽谷設立辦公室，高薪雇傭IT技術人員。例如福特汽車就在矽谷設立了自動駕駛研究與創新中心，而寶馬此前更是另闢蹊徑選擇了與百度進行自動駕駛的技術合作。
但科技創新企業的機會也依然很大。通過靈活超前的設計理念以及優秀的軟體發展能力，一大批的初創科技型造車企業湧現，蔚來汽車下線的超跑打破了全球最快電動車速度記錄且已經在實際道路開展自動駕駛路試，行業領頭羊特斯拉更是宣稱其2018年將具備年產50萬輛汽車的規模，且這些汽車都可以選配最新的輔助駕駛功能。
國內廠商在自動駕駛領域也構成了一極，科技創新類公司中，車和家同蔚來汽車一樣也在實驗自動駕駛技術並希望將其儘快量產，百度等軟體公司在自動駕駛演算法及硬體上也有著很高的技術壁壘，傳統主機廠商中上汽、北汽、長安都對自動駕駛技術有著大額的投入，且長安作為第一家進行實車展示的主機廠商其自動駕駛汽車已經有超過1萬公里的測試里程。中國作為世界上深度學習論文發表數量最多的國家，其自動駕駛技術十分值得市場的期待。
2. 購買汽車 vs 購買服務
如果作為消費者的我們把從汽車製造商購買汽車的習慣，轉變為向類似Uber和Lyft這樣的出行公司購買交通服務，這將會令汽車製造商從以往的B2C模式轉型為B2B公司，即製造商向出行公司提供設備，而出行公司向消費者提供服務。
可以預見汽車工業的發展會更類似於航空業，消費者不會關心駕駛何種汽車出行，只需要在服務平臺發佈需求並等待接單即可。
需要注意的是隨著商業模式的變化，是否未來自動駕駛汽車也會和飛機一樣千篇一律毫無特點，以便於出行服務公司壓縮成本節省開支呢？這一現象或許將會對汽車製造行業產生較大的負面影響。
3. 汽車保險，保汽車 vs 保硬體
在如今每25起交通事故中，有24起都是因為人為錯誤而發生的，比如說超速、分心駕駛、醉駕、闖紅燈等。因此現在的汽車保險價格，由司機所在的城市人口、居住地和購買車輛的車型、價值等資料精算得出，但未來隨著自動駕駛技術的到來，事故率顯然要趨近於0，因此保險行業的變革勢不可免。
也許未來保險的精算會基於汽車所處城市、汽車製造商是誰，或者擁有汽車或租賃汽車的人的身份來判定，而保險的模式也不一定會局限在年費這一單一場景下。但保險價格的最終計算方法目前還是無法推測，因為雖然事故率會趨近於0，但一旦發生事故，車上昂貴的雷射雷達系統、地圖分析電腦和其他硬體設備的維修或更換將會耗費超過以往數倍的資金，因此保險公司將會面臨怎樣維修成本目前來看無法確定。
處於混合駕駛情況下的保險業將更加混亂，畢竟自動駕駛車輛與人工駕駛車輛混合存在的階段不可避免，屆時責任認定都會成為很複雜的問題。
4. 上下班，通勤 vs 步行
有一個論點是未來通勤時間將會比現在更長，原因是通勤時間已經不再是生活的支出成本。當所有汽車都具備自動駕駛功能的時候，交通指示燈和事故都不復存在，而我們可以利用通勤的時間在車上做任何事情。
但自動駕駛汽車和汽車服務運營商的存在也將釋放很多諸如停車場、修車店等在內的城市空間，這些空間會增加人們的居住場所或工作場所，因此人們或許將會住在距離工作地點很近的地方，而不像今天一樣需要長距離通勤。
一些業內人士預測自動駕駛的時代將會在2020—2040年到來，我們將會在有生之年看到這一奇妙的世界，對於大眾來說從現在就做好準備迎接未來是當下最好的選擇。