每经特约评论员 盘和林

最近，自动驾驶无论是在政策扶持层面还是企业层面，都在不断升温。

政策层面，我国一直持鼓励态度。8月8日，交通运输部发布《自动驾驶汽车运输安全服务指南（试行）》（征求意见稿）（以下简称《指南》），向社会公开征求意见。业内人士判断，近期的政策动作，都围绕着同一个词——商业化落地。

而在企业层面，7月21日上午，百度在2022百度世界大会上，发布了第六代量产无人车Apollo RT6，号称具有L4级自动驾驶水平。

当然，也不全是令人振奋的消息。例如，近日杭州交警部门对7月29日深夜杭州西溪湿地景区福堤附近发生一起特斯拉Model X冲出路面，撞上路边的路灯杆交通事故的调查结果公布，该事故由驾驶员郑某负责。经调查确认，发生事故前，车内仅驾驶员郑某一人，且其全程坐在驾驶座上。司机郑某承认事发时喝过酒，却认为自动辅助驾驶系统应承担车祸责任。

在自动驾驶领域，最为核心的一点，其实是达到什么样水平的车辆才可以商用。我们不该只看概念车，应该从数据中去获得答案。笔者认为，不应该一上来就允许无安全员的自动驾驶商业化运行。

竞争焦点在L4等级上

自动驾驶的功能效果可以分为6个等级，从L0到L6。目前主要是集中在从L3向L4等级迈进，竞争的焦点就是L4。所谓L3，指的是有条件自动驾驶。例如在外部环境比较稳定的高速公路，驾驶员可以完全放开方向盘。但L3需要人类驾驶员在必要时主动接管，所以依然需要人类驾驶员在驾驶室。而L4属于高度自动驾驶，可以认为是限定区域内的无人驾驶，在自动驾驶感知信息来源比较充分的区域，可以没有司机，汽车可以自动运行，甚至不再需要装方向盘。L5属于完全自动驾驶，在所有路段均可以完全无人驾驶。

L3是自动驾驶，但L3有个大难题：需要人类驾驶员在必要时候主动接管。那么，什么时候是必要时候？由于现实道路路况复杂，人类司机对于L3，存在过度信赖和完全不信赖两种极端分化的心态。完全不信赖让L3技术毫无意义，而过度信赖L3又会导致大量交通事故的发生。L3当前所有交通事故，依然需要人类驾驶员自己承担。所以实际上L3只是一个过渡性玩具，它不能真正解放人类驾驶员。L5是无法实现的，这几乎已经成为自动驾驶行业的共识。

L4是在限定区域内实现无人驾驶技术，由此，自动驾驶未来数年的应用限定在几个领域：出租车、公交车、干线物流（高速无人卡车）、末端配送（无人配送车）、园区景区（低速游览车）、矿区（无人特种车）、港口（港口无人车辆）、环卫安防（清洁车）、机场（无人引导车）等。所有的应用本质上都在限定区域。而实现这些L4应用，从技术上看有以下三种路径：

其一，无人、封闭区域运行。园区景区低速游览车、工业物流园区、矿区、港口、机场等，这些场景实现L4较为简单，自动驾驶可以在轨道车和传送带的基础上优化实现，当前物流领域的无人仓储已经非常成熟。

其二，单车智能。视觉神经网络下的弱智能+包含激光雷达的强感知+高精地图。同样是单车智能，特斯拉属于异类，想要打造强智能的视觉神经网络，不肯用激光雷达和高精地图，实践证明特斯拉的自动驾驶水平停留在L3阶段。最乐观的看法，也需要10年才能碰到L4的门槛。但特斯拉并非盲目，训练一个和人眼同样强大的AI视觉，成功了确实是跨越式发展，哪怕失败了，以新能源汽车起家的特斯拉也耗得起。但单车智能当前通行的做法还是AI弱智能+激光雷达强感知+高精地图的解决方案。

本轮自动驾驶的热潮起于谷歌。2012年谷歌开始试验无人驾驶车辆，积累数据，谷歌也是深度学习神经网络的早期推动者。其开发无人驾驶的初衷实际上是想要将深度学习应用在自动驾驶上，但其后发现，开放道路的环境实在太过复杂。视觉AI即便能够准确识别99%的物体，但只要1%的未识别、识别错误存在，其安全性就无法保障。深度学习本身是一个技术黑箱，设定算法，输入数据进行训练，如果导出结果是正确的，则调参激励，如果导出结果是错误的，则调参惩罚。这也导致很多AI视觉神经网络无法识别的情况没办法找到原因。所以谷歌在自动驾驶上增加了激光雷达和高精地图，同时配合输入环境参数，限制自动驾驶在固定区域内运行。这就有了谷歌旗下waymo在美国几个城市开展的Robotaxi业务。限定区域、输入环境参数、AI神经网络、激光雷达、高精地图，单车智能几乎用上了所有可用的工具，但也只是勉强实现了L4。而同样的一套自动驾驶系统，在更换运行区域的时候，需要重新设定环境参数，要重新积累数据。

其三，车路协同辅助下的自动驾驶。单车智能整套系统很昂贵，但也仅仅是扫描周边环境，并不能了解100米外的情况，于是就有了车路协同系统，通过通信基站，在一些道路布置专网通信，车与人、车与车、车与路通信。车路协同下的自动驾驶将车辆内部昂贵的感知系统放到了道路两侧，让车辆可以更加充分接受环境信息，的确使得自动驾驶实现的难度降低，但这多少类似于“没有轨道的轨道交通”。笔者认为，未来车路协同可能是城市智慧交通升级的一部分，是基建，但对于自动驾驶的作用主要还是辅助，因为单车智能未来价值更高。当前单车智能的确是蹒跚学步阶段，但如AI视觉神经网络，哪怕10年或者20年内成熟，其技术本身就极具意义。车路协同下，自动驾驶如果只有车路协同，那么很可能只是能用，不能让技术产生额外的价值。

综上，可以看到，实际上当前自动驾驶主要的技术方向是单车智能为主，车路协同为辅。

技术层面充斥各类风险

一切看似顺利，但实际上在技术层面充斥着各类风险。总结这些风险，结合中国现状，大约存在以下几个层面的问题：

其一，自动驾驶依然是“薛定谔的安全”。美国加州有一个自动驾驶路测，路测中有一个每10万公里安全员干预次数指标。至今，依然没有0次干预的自动驾驶技术，安全员干预的问题包括：高精地图问题、视觉感知障碍、软件稳定性问题、感知系统问题导致紧急刹车、运动轨迹需要优化、未正确识别红绿灯、车道错误、误识别等。自动驾驶技术似乎到达了一个瓶颈。2018年，Uber的自动驾驶导致了一起重大交通事故，最终判定AI识别出了路人，但汽车机械部分没有执行，也就是即便智能驾驶技术是安全的，决策层和执行层的衔接也有可能导致严重事故。用户对自动驾驶安全性的包容度更低。坐飞机其实是很安全的，但有人恐惧坐飞机，却并不恐惧坐汽车。人的确是存在非理性认知偏差的，但你没办法要求人群保持理性。用户对自动驾驶的安全性要求普遍很高，10万公里中哪怕是发生1次事故，都会让自动驾驶面临重启的风险。

其二，迷雾中的高精地图。高精地图是自动驾驶技术的标配，但当前高精地图依然是一个高壁垒的领域，采集数据的成本很高，而随着道路的变化，高精地图还要不断修正地图信息。即便是这些问题都解决了，政策上对一些高精地图数据的开放也是有限制的，这就使得自动驾驶车辆往往无法量产。不过Robotaxi业务对于高精地图数据的要求确实有所降低，因为是在一定城市区域内运行，高精地图企业只要采集本地高精地图信息即可，并保证高精地图数据及时更新，但这方面也就需要政府对某块地区的高精地图信息完全开放。

其三，仿真路测和现实路测。在技术上，各地应通过路测数据来发放运行许可，路测数据应该由官方确定。理论上说，自动驾驶需要上百亿公里的路测数据才能达到安全门槛。但现实中其实并非如此。在2021年8月，谷歌waymo的数据里程是3600万公里，320亿公里的仿真里程数。2022年7月百度的Apollo测试里程达到2700万公里，仿真里程数也达到10亿公里级别。现实路测里程不足，则仿真模拟里程来凑。仿真里程，说到底还是在一个虚拟环境中的驾驶数据。由于自动驾驶的核心是单车智能中的AI视觉神经网络，而深度学习神经网络是AI机器学习的一种，所以自动驾驶的发展依赖于行驶数据的积累，当前自动驾驶企业都以仿真路测来代替现实路测，体现出自动驾驶企业急躁的心态，但对于自动驾驶技术来说，这并不能增强可靠性。仿真虚拟环境，还是不能替代现实路测，因为现实远比仿真环境更不可测，问题更多。

其四，测试环境和开放环境并不相同。量产的自动驾驶面临的环境更加复杂，用户并非专业人士，他们不知道何时要去接管自动驾驶车辆，也不会去维护系统，保持系统稳定性。工业上有个词，叫鲁棒性，指在异常和危险情况下系统生存的能力。测试往往在稳定环境中运行，而现实不存在稳定环境。比如2022年，俄罗斯一次围棋比赛，AI机器人竟然莫名其妙夹住了人类棋手的手指，导致意外伤害，最后结论是人类棋手出手太快，没有等。但开放环境下，我们不能要求人人都规范地和AI交流，比如会不会有人故意阻挡自动驾驶车辆？

综上，Robotaxi下的自动驾驶，正在趋于完善，但真的到能够量产和全面铺开的地步了吗？笔者认为，我们首先需要有一套自动驾驶系统能力的评测体系，各地需要开展路测来验证各家自动驾驶技术的成熟度，而不应该一上来就允许无安全员的自动驾驶商业化运行。

（作者系浙江大学国际联合商学院数字经济与金融创新研究中心联席主任、研究员，工信部信息通信经济专家委员会委员）