現(xiàn)在，得有好幾十家公司嘗試著要拿下無人車技術(shù)，OEM車廠、傳統(tǒng)供應(yīng)商、主流科技大佬以及新創(chuàng)公司都不甘落后——很顯然，并非所有人都能成功，但它們之中，有成功機(jī)會(huì)的大有人在。
這讓人開始思考：無人車領(lǐng)域的“贏者通吃”會(huì)是什么樣、在哪個(gè)部位實(shí)現(xiàn)，以及通過什么途徑實(shí)現(xiàn)。
在無人車領(lǐng)域，還會(huì)不會(huì)像智能手機(jī)和PC操作系統(tǒng)上一樣，出現(xiàn)“網(wǎng)絡(luò)效應(yīng)”，讓一兩家頂尖大公司擠掉剩下所有人?
是否會(huì)存在讓五家、十家公司持續(xù)競爭下去的空間?
哪一層級(jí)的勝利會(huì)對(duì)其他層級(jí)產(chǎn)生杠桿效應(yīng)?
這些直接指向未來汽車行業(yè)權(quán)力平衡的問題值得好好討論。汽車制造商能夠從幾十家公司“成箱”購買自動(dòng)駕駛技術(shù)(或是自己搞出來)，和Uber Waymo兩家獨(dú)大，隨心所欲、肆無忌憚地制定游戲規(guī)則，這完全就是兩個(gè)世界。
微軟和英特爾扼住了PC世界的咽喉，谷歌撓到了智能手機(jī)的腳心——無人車行業(yè)的關(guān)鍵點(diǎn)又會(huì)出現(xiàn)在哪個(gè)部位呢?
硬件：沒有網(wǎng)絡(luò)效應(yīng)
首先有一件事似乎非常清楚：對(duì)于自助系統(tǒng)和電動(dòng)系統(tǒng)而言，硬件和傳感器將成為通用商品。后兩者，比如LED顯示屏，涉及大量的技術(shù)和工程細(xì)節(jié)，但在選擇上你卻沒必要隨大流。這里存在很強(qiáng)的制造商規(guī)模效應(yīng)，但是不存在網(wǎng)絡(luò)效應(yīng)。
我們拿激光雷達(dá)舉個(gè)例子。
這玩意從5萬刀的“旋轉(zhuǎn)全家桶”，到幾百刀或更便宜的小型固態(tài)激光雷達(dá)，啥樣都有，當(dāng)然會(huì)有贏家從中出現(xiàn)，但不會(huì)有網(wǎng)絡(luò)效應(yīng)存在。
因?yàn)槟孟录す饫走_(dá)這塊戰(zhàn)場不會(huì)對(duì)其他戰(zhàn)場產(chǎn)生作用(除非你能壟斷)，就像“造出最好的圖像傳感器然后把它們賣給蘋果”對(duì)索尼的智能手機(jī)業(yè)務(wù)沒什么幫助一樣。
電池、發(fā)動(dòng)機(jī)、以及它們的控制系統(tǒng)，就像現(xiàn)在電子行業(yè)的RAM一樣，都是商品——再次重申，這個(gè)領(lǐng)域涉及大量技術(shù)、會(huì)有規(guī)模效應(yīng)，也許還會(huì)有一些優(yōu)勝者，但不會(huì)有更廣闊的影響力。
按需服務(wù)：不一定行得通
另一方面，對(duì)于第三方軟件開發(fā)者的生態(tài)系統(tǒng)而言，要走效仿過去PC和智能手機(jī)的路徑可能不是那么容易。
當(dāng)年，Windows懟翻了Mac，iOS和Android懟翻了Windows Phone，因?yàn)樵谒袞|西之上形成了一個(gè)開發(fā)者的良性循環(huán)——但在汽車這件事上，你不會(huì)根據(jù)能跑動(dòng)多少app來決定買什么車。它們可能接入的都是Uber、Lyft或是滴滴，屏幕上掛的都是Netflix，而不是你手機(jī)上裝的那些東西。
相反，需要關(guān)注的地方并不在汽車內(nèi)部，而是在更高的層面——在能讓無人車安全上路的軟件上，在全城尺度下的調(diào)配和路徑優(yōu)化上(這意味著我們將所有無人車看作一個(gè)系統(tǒng)，而不是各自為戰(zhàn))，在那些將會(huì)以此為生、按需服務(wù)的“機(jī)器人出租車隊(duì)”上。
很明顯，按需服務(wù)軟件存在網(wǎng)絡(luò)效應(yīng)，但這點(diǎn)在無人車行業(yè)卻要復(fù)雜得多。按需的無人出租車隊(duì)將會(huì)動(dòng)態(tài)地對(duì)自己的車輛進(jìn)行預(yù)先部署，也有很大可能，所有其余的無人車都要實(shí)時(shí)配合它們的路線，以追求最大效率。
這種優(yōu)化可能需要跨越不同車隊(duì)，來避免一些類似“所有無人車同時(shí)選擇來相同路線”的情況出現(xiàn)。反過來，這還能和動(dòng)態(tài)定價(jià)以及所有不同種類的道路收費(fèi)方式相結(jié)合——在繁忙時(shí)段，為了更快到達(dá)目的地你可能需要花更多錢，或者，你也可以依據(jù)價(jià)格來選擇到達(dá)時(shí)間。
從技術(shù)角度而言，這三層(駕駛、路線及優(yōu)化、按需)是在極大程度上獨(dú)立的——在這樣的假想下，你可以在一輛通用制造的無人車上安裝一個(gè)Lyft的App，讓預(yù)裝的Waymo自動(dòng)駕駛軟件開著它，載著別人去兜兜風(fēng)。
當(dāng)然，有些人希望不同的層級(jí)之間會(huì)產(chǎn)生杠桿效應(yīng)，或者想把它們捆綁在一起，比如特斯拉計(jì)劃禁止乘客在其無人車上使用自家產(chǎn)品以外的按需服務(wù)。但反過來這事就行不通了，Uber不會(huì)堅(jiān)持讓你只使用他家的自動(dòng)駕駛系統(tǒng)。
盡管微軟讓W(xué)indows同Office之間產(chǎn)生了相互作用力，但二者都很強(qiáng)，同時(shí)也都用自身的網(wǎng)絡(luò)效應(yīng)贏下了各自的市場。
往后，如果一家小型的OEM堅(jiān)持讓你使用它的小型無人出租車服務(wù)，這事就像是蘋果在1995年堅(jiān)持讓你買AppleWorks辦公軟件，而不讓用微軟的Office。
這個(gè)案例可以很好地說明，假如所有的無人車都能跨城協(xié)調(diào)，或者在某些路口實(shí)現(xiàn)車與車之間的溝通，那你將會(huì)需要?jiǎng)?chuàng)造一些能夠共通的層次(雖然我一直看好的是分散式系統(tǒng))。
數(shù)據(jù)：網(wǎng)絡(luò)效應(yīng)的關(guān)鍵
其實(shí)上面這些都是在瞎猜，就像在1900年預(yù)測交通擁堵會(huì)是什么場面一樣。
而我們唯一能討論關(guān)鍵網(wǎng)絡(luò)效應(yīng)會(huì)是什么樣子的領(lǐng)域，其實(shí)在于無人車本身。這件事關(guān)乎硬件、傳感器以及軟件，但更多是關(guān)于數(shù)據(jù)。
對(duì)于無人車而言，有兩種數(shù)據(jù)比較重要——地圖和駕駛數(shù)據(jù)。
先來說說地圖。
我們的大腦其實(shí)在不斷地處理數(shù)據(jù)，并且構(gòu)建周圍世界的3D模型，這件事是實(shí)時(shí)的、無意識(shí)的，這樣我們穿過一片森林時(shí)才不會(huì)被樹根絆倒或是被樹枝撞到頭。而對(duì)于無人車，這一過程被稱為SLAM(同步本地化及繪圖)——我們將周圍環(huán)境繪制成地圖并將自己在其中定位。
對(duì)于無人車而言，這顯然是一項(xiàng)基本要求——無人車需要搞清楚自己在什么位置，周圍有什么特征(行車道、路口、路牙、交通信號(hào)燈等等)，它們還要搞明白其他無人車在哪以及它們跑得多快。
在一條真實(shí)的道路上實(shí)時(shí)完成這件事仍然是非常困難的。人類駕駛時(shí)的確會(huì)用到視覺(以及聽覺)，但僅憑周圍圖像來抽象出一幅足夠精確地3D模型，對(duì)于機(jī)器來說仍然是個(gè)難以解決的問題：機(jī)器學(xué)習(xí)增大了這件事實(shí)現(xiàn)的可能性，但目前沒人能做到實(shí)際駕駛需要的精確程度。
因此我們走捷徑。
這也是為什么所有的自動(dòng)駕駛項(xiàng)目都在將視覺與360度的激光雷達(dá)相結(jié)合：每個(gè)傳感器都有自己的局限范圍，但將它們結(jié)合在一起(傳感器融合)你就能得到一幅完整的圖像。
在未來的某一天，單憑圖像來構(gòu)造一個(gè)周圍世界的模型將會(huì)成為可能，但使用更多的傳感器將會(huì)讓你更快地達(dá)到自己的目標(biāo)，即便是你要考慮它們尚需改善的成本和外形問題。
激光雷達(dá)就是一條捷徑。
有了它之后，你通常要用機(jī)器學(xué)習(xí)來理解里面的東西，比如某些汽車的形狀，或是騎車的人。但這件事看上去不會(huì)有網(wǎng)絡(luò)效應(yīng)：就算沒有車隊(duì)，你自己也能得到足夠的騎車人照片來訓(xùn)練系統(tǒng)。
如果激光雷達(dá)是通往SLAM的一條捷徑，另一條、也是更有趣的一條則是使用預(yù)先建好的地圖，或者更準(zhǔn)確一點(diǎn)說，“高清3D模型”。
你事先對(duì)道路進(jìn)行調(diào)查，從容地處理所有的數(shù)據(jù)，建立一個(gè)道路的模型，然后將它放進(jìn)一臺(tái)即將開上路的車?yán)?，這樣，無人車就不需要在65英里的時(shí)速下實(shí)時(shí)處理所有的數(shù)據(jù)或是發(fā)現(xiàn)交通信號(hào)燈，在任何時(shí)候，它都可以通過一些地標(biāo)來將自己在地圖中進(jìn)行定位。
這種地圖是具有網(wǎng)絡(luò)效應(yīng)的。
任意一輛無人車開上一條預(yù)先繪制了地圖的道路上時(shí)，既是在將地圖和道路進(jìn)行比對(duì)，也是在對(duì)地圖進(jìn)行更新：每輛無人車都可以是一輛數(shù)據(jù)搜集車。
如果你已經(jīng)賣出了50萬輛無人車，而另一個(gè)人只賣出了1萬輛，你的地圖就會(huì)被更新得更為頻繁，也會(huì)更為精確，因此你的無人車也就越不容易被某些沒見過的東西搞懵。
你賣的車越多，你的車就越好——這毫無疑問就是網(wǎng)絡(luò)效應(yīng)。
不過這件事的風(fēng)險(xiǎn)在于，從長期來看，既然汽車能不靠激光雷達(dá)來進(jìn)行SLAM，它們同樣也可以不靠預(yù)制的地圖來完成這件事——畢竟，人類就能做到。這種情況是否會(huì)發(fā)生、將在什么時(shí)候發(fā)生，現(xiàn)在依然不清楚，但等它成為現(xiàn)實(shí)時(shí)，無人車早就量產(chǎn)好久了。
因此，地圖是在數(shù)據(jù)中的第一種網(wǎng)絡(luò)效應(yīng)。
而第二種則在于理解了周圍環(huán)境之后，無人車的決策。
在一條空曠的道路行駛，或者是在一條滿是無人車的道路上行駛，是一個(gè)問題;但“看見”之后，弄明白路上的其他人類將要做什么以及要如何來應(yīng)對(duì)，這完全是另一個(gè)問題。
支撐自動(dòng)駕駛成為現(xiàn)實(shí)的突破之一，是機(jī)器學(xué)習(xí)能夠很好地應(yīng)付這件事：不需要編寫那些復(fù)雜的解釋規(guī)則，機(jī)器學(xué)習(xí)使用數(shù)據(jù)。要知道，數(shù)據(jù)越多越好，關(guān)于現(xiàn)實(shí)世界中人類司機(jī)行為和反應(yīng)的數(shù)據(jù)收集得越多，你的軟件就會(huì)越好地理解現(xiàn)況并規(guī)劃下一步動(dòng)作。
這就像地圖一樣，你賣的車越多，你的車就越好——這無疑是網(wǎng)絡(luò)效應(yīng)。
模擬是駕駛數(shù)據(jù)的另一項(xiàng)用途。這點(diǎn)應(yīng)該能解決“如果x發(fā)生了，我們的自動(dòng)駕駛軟件將會(huì)如何應(yīng)對(duì)”這個(gè)問題。進(jìn)行這項(xiàng)工作的一種途徑是造一臺(tái)無人車，然后讓它繞真城市自己行駛，來看看它對(duì)其他任意司機(jī)的隨機(jī)行為將會(huì)作何反應(yīng)。但問題在于，這不是個(gè)可控的實(shí)驗(yàn)——你不可能完全重現(xiàn)原來的場景，來看看問題都解決了沒有。
因此我們就得寄希望于模擬了——你把你的無人車軟件放進(jìn)GTA里(大概就這意思)，然后進(jìn)行任何你想要進(jìn)行的測試。有些事它干不了(比如“激光雷達(dá)會(huì)探測到卡車嗎”)，某些模擬場景是循環(huán)的，但它的確能告訴你系統(tǒng)會(huì)對(duì)某些特定場景作何反應(yīng)，然后你就可以從你的真實(shí)駕駛數(shù)據(jù)中收集這些情況。
因此這是一種直接的網(wǎng)絡(luò)效應(yīng)：你擁有越多的駕駛數(shù)據(jù)，你就能讓你的模擬越精確，進(jìn)而你就能讓自己的軟件變得越好。
當(dāng)然，從規(guī)模上講，模擬的優(yōu)勢顯然非常清楚，比如在你能負(fù)擔(dān)得起的計(jì)算資源上，在參與工作的人數(shù)上，以及在大型計(jì)算項(xiàng)目所需的專業(yè)知識(shí)量上。Waymo作為Google的兄弟公司，就擁有一種優(yōu)勢：2016年，它每周報(bào)告25000“真實(shí)”自動(dòng)駕駛英里數(shù)，同時(shí)進(jìn)行了10億英里的模擬。
可以說，特斯拉在地圖和駕駛數(shù)據(jù)上都處于領(lǐng)先位置：在2016年晚些時(shí)候，他們家那些裝載了Autopilot系統(tǒng)的新車全都掛上了8個(gè)攝像頭，實(shí)現(xiàn)了幾乎360度的視野，同時(shí)輔以兩個(gè)前向雷達(dá)。所有這些傳感器都會(huì)同時(shí)收集地圖和駕駛員行為數(shù)據(jù)，反饋回特斯拉。因?yàn)橹挥星跋虻睦走_(dá)，特斯拉將只能單獨(dú)地靠圖像來構(gòu)建絕大部分的地圖，但就如我之前所言，我們不知道如何精確地完成這項(xiàng)工作。
這意味著特斯拉在收集著大量可讀的數(shù)據(jù)(或者說至少是足夠生產(chǎn)一套完整解決方案的數(shù)據(jù))。
當(dāng)然，你不僅要收集數(shù)據(jù)，還要解決實(shí)際開車的問題，因此特斯拉現(xiàn)在正在計(jì)算機(jī)視覺的發(fā)展速度上做一場逆勢豪賭。
為了節(jié)約時(shí)間，特斯拉沒有等待便宜好用的激光雷達(dá)，而是選擇了用計(jì)算機(jī)視覺軟件來解決更為困難的問題，這也可能會(huì)花費(fèi)更長的時(shí)間。以及，如果自動(dòng)駕駛所需的所有其他軟件——那些為無人車做決策的部分——花的時(shí)間夠長的話，便宜好用的激光雷達(dá)可能會(huì)在無人車上路之前出現(xiàn)，這樣的話特斯拉就尷尬了。我們拭目以待。
因此，網(wǎng)絡(luò)效應(yīng)——“贏者通吃”效應(yīng)在于數(shù)據(jù)中：包括駕駛數(shù)據(jù)以及地圖。
這引申出兩個(gè)問題：誰會(huì)得到數(shù)據(jù)，你又需要多少數(shù)據(jù)?
數(shù)據(jù)的所有權(quán)是一個(gè)有趣的權(quán)力和價(jià)值鏈問題。顯然特斯拉在嘗試自己解決所有的重要技術(shù)問題并將它們用在自己的汽車上，因此特斯拉也會(huì)擁有數(shù)據(jù)。但一些OEM會(huì)說，汽車是他們的，客戶關(guān)系是他們的，因此，數(shù)據(jù)也應(yīng)該是他們的，數(shù)據(jù)如何使用的決定權(quán)應(yīng)該在他們手里，而不是交給任何技術(shù)合作伙伴。
從傳感器供應(yīng)商的角度而言，這或許是種站得住腳的態(tài)度：我不確定把GPU、攝像頭和激光雷達(dá)當(dāng)做商品來賣，同時(shí)又試圖保有數(shù)據(jù)這種事是可持續(xù)的。但因?yàn)楣ぷ餍枰?，那些制造無人車零件的公司需要得到數(shù)據(jù)。如果你不把數(shù)據(jù)循環(huán)回技術(shù)，后者就無法提升。
這意味著OEM將為供應(yīng)商創(chuàng)造網(wǎng)絡(luò)價(jià)值，但自己什么都得不到。這和PC或安卓OEM的地位是一樣的：它們通過同意在自己的產(chǎn)品中使用軟件來創(chuàng)造網(wǎng)絡(luò)效應(yīng)，這讓它們能賣出產(chǎn)品，但它們的產(chǎn)品就變成了“半商品”，同時(shí)網(wǎng)絡(luò)效應(yīng)還會(huì)流向科技公司，對(duì)于科技公司來說，這是一個(gè)良性循環(huán)，多數(shù)價(jià)值都會(huì)流向供應(yīng)商而不是OEM。這也是為什么多數(shù)汽車OEM都想自力更生的原因：它們不想像康柏一樣GG。
這把我引向了終極問題：你真正需要的數(shù)據(jù)到底有多少?當(dāng)你向其中投入更多數(shù)據(jù)時(shí)，系統(tǒng)能不能持續(xù)變強(qiáng)?或者說，這件事上有沒有S曲線——在某個(gè)節(jié)點(diǎn)之后，再加入更多數(shù)據(jù)會(huì)出現(xiàn)收益遞減嗎?
也就是說，網(wǎng)絡(luò)效應(yīng)有多強(qiáng)?
對(duì)于地圖而言，這是個(gè)很明顯的問題。多大的車輛密度、多高的頻率才能讓你的地圖變得更好?這又會(huì)轉(zhuǎn)變?yōu)樽畹投嗌俚氖袌龇蓊~?市場給參與者留了多大的空間?十家公司行嗎，或者兩家?一打二級(jí)OEM結(jié)盟然后共享數(shù)據(jù)能行嗎?送貨車能賣自己的數(shù)據(jù)嗎，就像它們今天賣其他種類的地圖數(shù)據(jù)一樣?
這仍然和消費(fèi)軟件生態(tài)系統(tǒng)不一樣——RIM和諾基亞沒法插手黑莓和S60的用戶基礎(chǔ)，但你卻可以在地圖上這么干。這會(huì)是進(jìn)入的一個(gè)障礙，還是進(jìn)入的一個(gè)條件?
這個(gè)問題同樣適用于駕駛數(shù)據(jù)，而且事實(shí)上，適用于所有的機(jī)器學(xué)習(xí)項(xiàng)目：在哪個(gè)點(diǎn)，當(dāng)你加入更多數(shù)據(jù)時(shí)會(huì)出現(xiàn)收益遞減;在哪一點(diǎn)，曲線又會(huì)變平?多少人能得到那么大的數(shù)據(jù)量?
舉個(gè)例子，對(duì)于通用目的的研究而言，提升看上去是無限的。但對(duì)于無人車而言，確切得說，這件事應(yīng)該是有天花板的——如果一輛無人車能夠在那不勒斯毫無壓力地開上一年，還需要做多大的提升?在特定的某一年你將能有效地把它完成。
因此，網(wǎng)絡(luò)效應(yīng)意味著如果你擁有更多的用戶，你的產(chǎn)品就會(huì)變得更好，但在你的產(chǎn)品變得“足夠好”之前，你需要多少用戶?在你的無人車變成市場上最好的之前，你需要賣掉多少輛車?多少公司可能達(dá)到這個(gè)水平?同時(shí)，機(jī)器學(xué)習(xí)本身也在快速地發(fā)生著變化——說不準(zhǔn)哪天，實(shí)現(xiàn)自動(dòng)駕駛所需的數(shù)據(jù)量會(huì)驟減。
小結(jié)
上面所說的這些都基于一個(gè)假設(shè)，就是未來的自主駕駛系統(tǒng)會(huì)有好壞之分。但“比較差”的無人車意味著什么?會(huì)讓你比較容易出車禍，還是只是無人車會(huì)更容易懵比然后停在路邊等人類支援?手動(dòng)控制裝置會(huì)蹦出來嗎?汽車會(huì)鼓勵(lì)你這么干嗎?
問題的答案，我猜，是L5級(jí)別的自動(dòng)駕駛將會(huì)是L4的進(jìn)化，并且每輛車都會(huì)有手動(dòng)控制系統(tǒng)，但它們會(huì)用得越來越少。
隨著手動(dòng)控制越來越?jīng)]人用，L5級(jí)別自動(dòng)駕駛將會(huì)正式登上舞臺(tái)。這可能將會(huì)依照?qǐng)鼍皝碇鸩綄?shí)現(xiàn)，我們可能會(huì)在德國首先實(shí)現(xiàn)L5，然后是那不勒斯、莫斯科……這將意味著在全自動(dòng)駕駛實(shí)現(xiàn)之前，收集上來的數(shù)據(jù)在網(wǎng)絡(luò)規(guī)模下被利用得非常好。
第三十四屆CIO班招生
國際CIO認(rèn)證培訓(xùn)
首席數(shù)據(jù)官（CDO）認(rèn)證培訓(xùn)
責(zé)編：yulina
免責(zé)聲明：本網(wǎng)站（http://www.www.gypb.net/）內(nèi)容主要來自原創(chuàng)、合作媒體供稿和第三方投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請(qǐng)進(jìn)一步核實(shí)，并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。
本網(wǎng)站刊載的所有內(nèi)容（包括但不僅限文字、圖片、LOGO、音頻、視頻、軟件、程序等）版權(quán)歸原作者所有。任何單位或個(gè)人認(rèn)為本網(wǎng)站中的內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，請(qǐng)及時(shí)通知本站，予以刪除。
搶沙發(fā)
