01

1957年10月4日，前苏联成功发射第一颗人造地球卫星“斯普特尼克一号”，引发美国朝野震动，很多人认为苏联的科技发展已经全面领先美国。为了应对这一局面，四个月后，总统艾森豪威尔批准组建了国防部高等研究计划局，简称DARPA (Defense Advanced Research Projects Agency)。

DARPA很像一个国家设立的风险投资机构，专门投资管理一些高风险、高收益、前瞻性的基础科学研究。在此后大半个世纪里，DARPA促成了数百个重大科研项目，其中最突出的包括：互联网、半导体、全球定位系统 (GPS)、隐形飞机等，对今天的科技发展有着深远的影响。

今天炙手可热的无人驾驶技术，也是DARPA掀起的创新浪潮的一个缩影。

2001年，深陷阿富汗战争中的美军发现，他们面对的敌人与曾经预想中的完全不一样，给美军带来伤亡最大的不是飞机导弹，而是制造粗劣毫不起眼的路边炸弹。手握各种高精尖武器的美军处处掣肘，最后推动国会通过了一项法案：到2015年，军方三分之一的车辆必须进行无人驾驶，以此减少人员伤亡。而推动相关技术发展的重任，再一次落在了DARPA头上。

由于此前军方资助的无人车项目已进行了十多年，但只造出了几辆笨重难用的样车，令人大失所望，这一次，DARPA决定另辟蹊径——举办一项奖金为100万美元的无人驾驶挑战赛 (Grand Challenge)，吸引外部力量投入无人驾驶技术的研究。

从2004年开始，DARPA先后共赞助了三次公路赛事，吸引了来自计算机公司、汽车制造商和大学研究机构的数十个团队。第一届比赛，没有任何一支队伍完成预设路线，来自卡耐基梅隆大学的赛车行驶最远，也只跑了十几公里；但之后第二届便有5辆赛车在沙漠中完成了212公里的赛程，之后的第三届在城市举行，依然有团队完成比赛。

2005年来自斯坦福团队的赛车Stanley夺冠

这场挑战赛吸引了大量关注，使得以往只存在于实验室的无人驾驶技术进入公众视野，并最终并催生出一个上万亿的产业，后来炙手可热的无人驾驶头部企业如Waymo、Cruise、Aurora、Zoox等，都从那时候进入了发展快车道。

数十年来，能够自主行驶、让驾驶员解脱双手的汽车，一直是科技人员的梦想。无人驾驶一旦实现，漫长单调而又令人疲惫的旅途，转变为有效的工作或休闲时间，无疑将释放出巨大的想象空间。

2014年10月，埃隆·马斯克在接受彭博采访时讲道：“从现在起五六年内，我们就能造出真正的自动化驾驶汽车，那时你就可以直接上车睡觉，醒来时就到目的地了。”

乐观过头的不止马斯克。2020年曾被认为是无人驾驶汽车的一个重要时间点。英国《卫报》在2015年预测，到2020年，你将成为一个“永久后座司机”。从传统汽车公司通用、丰田到谷歌的Waymo，都曾宣布将在2020年推出无人驾驶汽车。

但这一切都没有发生。

站在2024年的今天，无人驾驶似乎已接近浪潮之巅，技术突破屡见报端，初创公司层出不穷，但真正能够解放驾驶员的汽车却迟迟没有问世。

那么拨开无人驾驶技术的重重迷雾，它背后的技术本质是什么？这项将彻底改变人类出行乃至生活方式的技术，究竟已近在咫尺还是依然遥不可及？

02

人们今天所熟知的从L0到L5的自动驾驶分级，来源于美国SAE(美国汽车工程师学会)。

理论上讲，只有L3级及以上才能称之为自动驾驶。这个级别不论是驾驶安全风险还是技术攻克难度都是真正的分水岭，这也是目前车企正在攻克的一个级别。

而L4、L5的区别在于特定场景还是全场景应用，比如百度的L4级量产级Apollo Go就是在北京的特定区域开放试乘体验；而到了L5，才可以称为完全的无人驾驶。

人们理想中的自动驾驶汽车，应该是坐上车，告诉汽车要去哪里，然后就可以离开驾驶位，甚至睡一觉，醒来已经到目的地。

假如以人类驾驶员为参照，一辆能够自主行驶的汽车，应该是什么样子的？

在DARPA第二届挑战赛中夺冠的，是斯坦福大学团队的“Stanley”，一辆基于大众途锐改装成的越野车。与传统汽车相比，这辆车上加装了这些自动驾驶硬件：

- 5个单线激光雷达，负责车辆前方25米范围内近距离路面探测；1个彩色摄像头，用于35米范围中远程道路感知；2个毫米波雷达，覆盖车辆前方200米区域。这个三位一体的系统为Stanely提供了环境感知能力。

- GPS信号接收器和惯性测量单元(IMU)，一起构成Stanley的定位系统，用来估计车辆的位置和速度。

- 由6台奔腾M电脑组成的计算阵列，1个千兆位以太网交换机组成的网络系统，是车辆的“大脑”。

Stnaley现收藏于美国国家博物馆

相比于今天，近20年前很多技术还比较粗糙，但通过三次挑战赛，无人驾驶的技术路径已渐渐明晰，即：由摄像头、激光雷达、毫米波雷达等传感器，线控系统，计算机单元等构成的硬件系统，以及车辆定位、传感器融合、目标识别、路径规划、行为规划等算法构成的软件系统。

后人要做的，就是对这条技术路径的各个环节进行深度和细化的迭代，或者换句话说，尽管今天新技术层出不穷，元器件性能突飞猛进，但自动驾驶实现的底层思路并没有改变。

功能层面上，一辆能够自主驾驶的汽车必须具备这样几个部分：

感知层：无人驾驶汽车的眼睛

决策层：无人驾驶汽车的大脑

执行层：无人驾驶汽车的四肢

执行层面上，传统汽车领域有所应用，技术上并无太大难度，今天谈及无人驾驶，媒体上最火热的关键词无疑集中在感知和决策层面。

汽车的感知系统主要由摄像头、激光雷达、GPS定位、高精地图、惯性测量单元等组成，其中摄像头或雷达模仿人眼察看四周，GPS定位、高精地图帮助汽车确定自己的位置，惯性测量单元作为GPS定位的补充。

2020年11月，马斯克在Twitter上嘲讽小鹏汽车软件模仿特斯拉，随后何小鹏在微博上强硬回怼，两人隔着太平洋打了一场不大不小的嘴仗。两人争论的焦点之一是，应该用摄像头还是激光雷达充当汽车的眼睛？

特立独行的特斯拉采用的是摄像头方案，马斯克此前曾公然声称，只有傻瓜才会用激光雷达。摄像头的好处在于技术已经相对成熟，成本也低，但缺点是拍下来的只是二维图像，想要识别出这些2D信息，必须依赖于算法逻辑，通过深度学习神经网络对场景进行像素分割，实现对物体的识别。

而激光雷达（ Light Detection and Ranging，LIDAR）通过对外发射激光脉冲，来进行物体检测和测距，能够获取三维信息，看的更清晰，但缺点是受恶劣天气影响较大，此外激光雷达头上还压着一座大山——贵。最早的Google无人车上安装的激光雷达，成本高达7.5万美元。

不过工业化时代，成本问题最后很少会成为制约产业变革的真正问题。

除了特斯拉无动于衷外，其他车企的自动驾驶方案几乎都将搭载激光雷达。随着关键技术的突破和光电半导体成本的下降，激光雷达的体积和价格都在不断降低，华为发布的96线雷达，号称把激光雷达价格压缩到200美元，将来甚至可能进一步降低到100美元。

从功能上来说，两种方案都不完美，各有优缺点，都需要与其他传感器配合使用才能满足无人驾驶汽车需要，传感器融合才是未来无人驾驶发展的方向——这也是大多数车企努力的方向。

从技术角度来看，汽车的“眼睛”功能，不存在原理上的障碍，而随着时间的推移，成本问题终将得到解决。

高精地图与激光雷达面临的是相似的问题。

人类通过识别地标来熟悉环境和认路，而无人驾驶汽车靠的是GPS系统和高精地图的指引。传统的GPS定位能够为汽车提供大致的方位坐标，但精度依然不足以满足无人驾驶汽车的要求，而弥补的手段则是高精地图。

相比于传统数字地图，高精地图必须能够反应周围环境的微观特征如树木、人行道、车道线、路口、各种道路标志。这背后，是存储着海量数据并且实时动态更新的庞大数据库，这就意味着，更新高清地图耗费巨大资源，需要使用摄像机和激光雷达走遍目标区域的每个地方——而且将来还要持续更新，可想而知，耗资将高的惊人。

说白了，最大的问题仍然是成本问题。

但只要未来回报可期，资本并不会吝啬投入。无人驾驶技术的感知模块，并不存在技术上的根本障碍，随着资本涌入，企业投入海量资源，假以时日，落地实现只是时间问题。

三场赛事距今已10多年，无人驾驶整个产业链发展迅猛，技术成熟度早已今非昔比。各种传感器性能越来越强，成本越来越低，尽管如此，无人驾驶汽车的到来却一再推迟。

目前绝大多数车企为之努力的目标，仍然是L3，在这种水平下，汽车具备了一定的自主能力，但驾驶员仍然要时刻准备接手——这样的自动驾驶技术纵然一时引人目光，但显然不具备变革一个产业的能力。

无人驾驶初创公司Argo AI的CETO Bryan Salesky坦承：“目前这个行业都在研发能够随时随地畅通无阻的无人驾驶汽车，但从现状来看，大家对无人驾驶的期望过高，实际上还有很长一段路要走。”

问题是，这段“很长一段路”，究竟还有多长？是像智能手机时代一样倏然而至，还是类似可控核聚变技术一样永远要五十年后？

这个问题的答案很可能取决于，我们对无人驾驶的期待程度有多高。因为真正决定无人驾驶汽车未来的，是这些技术模块中最后一块拼图——无人驾驶的大脑。

03

2016年，谷歌团队开发的智能机器人AlphaGo，在围棋大战中击败世界围棋冠军李世石，轰动一时。

AlphaGo的核心工作原理是“深度学习”——通过多层神经网络和海量数据训练，使机器能够像人类一样具备分析学习能力。如今火热的无人驾驶技术，也都是基于深度学习的人工智能，可以说，人工智能的未来将决定无人驾驶汽车的未来。

回顾科技史，人工智能的发展曾几次浪潮涌起，最后却都无疾而终。我们现在所经历的这一波，始作俑者当追溯到2012年的一篇论文：《ImageNet Classification with Deep Convolutional Neural Networks》，首次将深度卷积神经网络用于图像识别，被公认为计算机视觉领域最有影响力的论文之一。而这篇论文的作者之一Ilya Sutskever，后来担任OpenAI首席科学家，一手打造出了石破天惊的ChatGPT。

Ilya Sutskever与导师

人在驾车的时候，会实时的做出很多决策和预测，很多经验判断，做一些潜意识逻辑思考，目前深度学习也好，传统方案也好，都没办法做到人类思考、推理、类比、联想的思考能力。

借助于现在的雷达、摄像头、传感器以及车载计算机，车辆已经能够探测并识别道路上的物体，可以说无人驾驶80%的技术问题已经得以解决，但问题是剩下的20%才是最难的部分，难点在于——道路上的行人与物体接下来会做什么？

最大的难题在于：现在的人工智能技术，仍然无法穷尽现实世界中的所有可能，进而确保100%的安全性。而安全，是汽车行业的一条红线。

根据自动驾驶初创公司Argo的研究，他们投放在匹兹堡和迈阿密的测试车，每天都会遇到各种意料之外的事件，这些事件多为偶发，但要完全控制并使车辆做出正确反应，却是难如登天。比如路口红绿灯为绿色但同时有行人横穿马路时，无人驾驶汽车可能做出非法行为。

有研究人员将这类事件称为“极限事件”(corner case)。

同样棘手的，还有被称为“微观操作”的驾驶细节问题，比如前方一辆行驶缓慢的车在寻找停车位，那么后面的车最好不要跟车太近，以给前者留出空间倒车，但目前的计算机还不具备这样的判断能力。

在拥堵的十字路口，人类司机会慢慢向前蹭，在寻找其他车辆让自己通过的迹象时果断转弯，在这种情况下司机之间通常会进行“眼神交流”来达成协议，无人驾驶汽车显然仍不具备这样的能力。

人类行为的不可预测性、真实世界近乎无穷无尽的可能，都将无人驾驶的实现指向另一个人类久未攻克的领域——通用人工智能。影响未来汽车行业发展的最大疑问，就在于哪家公司，会首先研发出一套完善的智能操作系统，而其成功的标志就在于摘下人工智能研究领域的桂冠，拥有准确的人工识别能力。

基于深度学习的人工智能技术，本质上仍然只是把输入到输出之间做一个映射，其实它没有智商，没有情感。AlphaGo棋下得再厉害，它也不知道它在下棋。在通用人工智能领域，它可能只是一岁到一岁半的水平而已。

目前无人驾驶技术所应用的人工智能技术，也被称为弱人工智能，必须通过大量的数据、蛮力式的计算，还要依赖历史记忆的输入才能实现无人驾驶。这就意味着这样的人工智能必须要靠大量的劳动力进行数据的校准，也无法应对突发状况。

这种半吊子的无人驾驶，最多只能在固定场景和使用条件下实现，如封闭的高速公路、矿山道路等。

对人类而言，常识是不需思考的，但对于目前的人工智能而言，常识反而是最难的。现在最有可能改变这种游戏规则的，是特斯拉的FSD。

FSD全称为Full-Self Driving（全自动驾驶），今年开始，FSD V12版本已经在北美开始加速落地。就具体技术路线来看，FSD引入“端到端神经网络”技术，通过对超一百万辆行车数据进行深度学习，使用人工智能技术来控制车辆，而不是对每一种驾驶行为进行硬编码，这一技术被视为“改变游戏规则的技术”。

简单说就是，特斯拉让汽车像人类一样学习，FSD像老司机一样替你开车。而特斯拉最大的底气在于，它拥有着其它车企望尘莫及的数据积累。FSD真实路况总里程已达约20亿公里，这一数字远超全球其他公司总和。相比之下，百度的Appollo系统运营测试里程刚刚超过1亿公里。

04

尤瓦尔·赫拉利在《未来简史》中提到，想象力是人和其他动物最大的差异之一，而目前人工智能的很大问题在于，其实它没有想象力。

人类大脑一般有1000亿个神经元，每个神经元跟其他的神经元有1000个连接，所以整个大脑有100万亿的神经元连接，数量非常之大。目前即使是最复杂的人工智能神经网络，与人类大脑神经元连接的数量大概还差10的6次方的数量级。

仅就计算能力而言，今天的计算机已不亚于人类大脑，但这仅仅是原始计算能力的累加，与人类水平相当的智能行为方式，依然遥不可及。

生物学家估计，从多细胞进化出视觉感知细胞，花了500万年，从视觉感知细胞进化到智人花了5亿年。而人类花了50年时间，将20世纪50年代的机器发展到今天的视觉机器人，也许将来要花500年的时间，人工智能才能发展到与人类相当的自我意识觉醒。

在可预见的将来，我们最终所能触及的无人驾驶技术很可能将停留在L4级别。那意味着，如果你春节开车回家，开上高速公路后你就可以放开方向盘，放心地看场电影或者安心睡一觉，但驶下高速的时候，你要记得接手方向盘。

L5级的完全无人驾驶技术，依然遥不可及——理论基础尚不完备，但L4级别的有限自动驾驶，或许能够看到了曙光。但危险之处在于，假如L4级别无人驾驶技术对大多数人而言显得鸡肋的话，那么潮水终将退去。

小米决定是否造车时，真正让雷军一度纠结难解，也是他推导造车命题的核心问题：智能电动汽车行业的终局是什么？

这个问题他问过几乎每一个调研沟通对象，而他自己对此也越来越确信：如果电动车最终“消费电子化”，那就必将重演PC、智能手机等行业的旧事，出现赢家通吃的局面：10-20年后，全球TOP5厂商拿走80%市场，而剩下的小品牌则大多在亏损中苦苦挣扎，直到放弃离场——这个过程中，智能化将成为决定车企生死的关键因素。

但由于这场竞赛事关生死，谁也不敢大意，曾经保守的传统汽车制造商及其背后的供应链也不得不加入这场军备竞赛。然而，这场竞赛的终局，是人类实现梦寐以求的无人驾驶，还是演变成科技史上前所未有的最大泡沫，现在依然迷雾重重。