数据、传感器、打车服务，谁是未来无人车制胜

        现在，得有好几十家公司尝试着要拿下无人车技术，OEM车厂、传统供应商、主流科技大佬以及新创公司都不甘落后——很显然，并非所有人都能成功，但它们之中，有成功机会的大有人在。

　　这让人开始思考：无人车领域的“赢者通吃”会是什么样、在哪个部位实现，以及通过什么途径实现。

　　在无人车领域，还会不会像智能手机和PC操作系统上一样，出现“网络效应”，让一两家顶尖大公司挤掉剩下所有人?

　　是否会存在让五家、十家公司持续竞争下去的空间?

　　哪一层级的胜利会对其他层级产生杠杆效应?

　　这些直接指向未来汽车行业权力平衡的问题值得好好讨论。汽车制造商能够从几十家公司“成箱”购买自动驾驶技术(或是自己搞出来)，和Uber Waymo两家独大，随心所欲、肆无忌惮地制定游戏规则，这完全就是两个世界。

　　微软和英特尔扼住了PC世界的咽喉，谷歌挠到了智能手机的脚心——无人车行业的关键点又会出现在哪个部位呢?

　　硬件：没有网络效应

　　首先有一件事似乎非常清楚：对于自助系统和电动系统而言，硬件和传感器将成为通用商品。后两者，比如LED显示屏，涉及大量的技术和工程细节，但在选择上你却没必要随大流。这里存在很强的制造商规模效应，但是不存在网络效应。

　　我们拿激光雷达举个例子。

　　这玩意从5万刀的“旋转全家桶”，到几百刀或更便宜的小型固态激光雷达，啥样都有，当然会有赢家从中出现，但不会有网络效应存在。

　　因为拿下激光雷达这块战场不会对其他战场产生作用(除非你能垄断)，就像“造出最好的图像传感器然后把它们卖给苹果”对索尼的智能手机业务没什么帮助一样。

　　电池、发动机、以及它们的控制系统，就像现在电子行业的RAM一样，都是商品——再次重申，这个领域涉及大量技术、会有规模效应，也许还会有一些优胜者，但不会有更广阔的影响力。

　　按需服务：不一定行得通

　　另一方面，对于第三方软件开发者的生态系统而言，要走效仿过去PC和智能手机的路径可能不是那么容易。

　　当年，Windows怼翻了Mac，iOS和Android怼翻了Windows Phone，因为在所有东西之上形成了一个开发者的良性循环——但在汽车这件事上，你不会根据能跑动多少app来决定买什么车。它们可能接入的都是Uber、Lyft或是滴滴，屏幕上挂的都是Netflix，而不是你手机上装的那些东西。

　　相反，需要关注的地方并不在汽车内部，而是在更高的层面——在能让无人车安全上路的软件上，在全城尺度下的调配和路径优化上(这意味着我们将所有无人车看作一个系统，而不是各自为战)，在那些将会以此为生、按需服务的“机器人出租车队”上。

　　很明显，按需服务软件存在网络效应，但这点在无人车行业却要复杂得多。按需的无人出租车队将会动态地对自己的车辆进行预先部署，也有很大可能，所有其余的无人车都要实时配合它们的路线，以追求最大效率。

　　这种优化可能需要跨越不同车队，来避免一些类似“所有无人车同时选择来相同路线”的情况出现。反过来，这还能和动态定价以及所有不同种类的道路收费方式相结合——在繁忙时段，为了更快到达目的地你可能需要花更多钱，或者，你也可以依据价格来选择到达时间。

　　从技术角度而言，这三层(驾驶、路线及优化、按需)是在极大程度上独立的——在这样的假想下，你可以在一辆通用制造的无人车上安装一个Lyft的App，让预装的Waymo自动驾驶软件开着它，载着别人去兜兜风。

　　当然，有些人希望不同的层级之间会产生杠杆效应，或者想把它们捆绑在一起，比如特斯拉计划禁止乘客在其无人车上使用自家产品以外的按需服务。但反过来这事就行不通了，Uber不会坚持让你只使用他家的自动驾驶系统。

　　尽管微软让Windows同Office之间产生了相互作用力，但二者都很强，同时也都用自身的网络效应赢下了各自的市场。

　　往后，如果一家小型的OEM坚持让你使用它的小型无人出租车服务，这事就像是苹果在1995年坚持让你买AppleWorks办公软件，而不让用微软的Office。

　　这个案例可以很好地说明，假如所有的无人车都能跨城协调，或者在某些路口实现车与车之间的沟通，那你将会需要创造一些能够共通的层次(虽然我一直看好的是分散式系统)。

　　数据：网络效应的关键

　　其实上面这些都是在瞎猜，就像在1900年预测交通拥堵会是什么场面一样。

　　而我们唯一能讨论关键网络效应会是什么样子的领域，其实在于无人车本身。这件事关乎硬件、传感器以及软件，但更多是关于数据。

　　对于无人车而言，有两种数据比较重要——地图和驾驶数据。

　　先来说说地图。

　　我们的大脑其实在不断地处理数据，并且构建周围世界的3D模型，这件事是实时的、无意识的，这样我们穿过一片森林时才不会被树根绊倒或是被树枝撞到头。而对于无人车，这一过程被称为SLAM(同步本地化及绘图)——我们将周围环境绘制成地图并将自己在其中定位。

　　对于无人车而言，这显然是一项基本要求——无人车需要搞清楚自己在什么位置，周围有什么特征(行车道、路口、路牙、交通信号灯等等)，它们还要搞明白其他无人车在哪以及它们跑得多快。

　　在一条真实的道路上实时完成这件事仍然是非常困难的。人类驾驶时的确会用到视觉(以及听觉)，但仅凭周围图像来抽象出一幅足够精确地3D模型，对于机器来说仍然是个难以解决的问题：机器学习增大了这件事实现的可能性，但目前没人能做到实际驾驶需要的精确程度。

　　因此我们走捷径。

　　这也是为什么所有的自动驾驶项目都在将视觉与360度的激光雷达相结合：每个传感器都有自己的局限范围，但将它们结合在一起(传感器融合)你就能得到一幅完整的图像。

　　在未来的某一天，单凭图像来构造一个周围世界的模型将会成为可能，但使用更多的传感器将会让你更快地达到自己的目标，即便是你要考虑它们尚需改善的成本和外形问题。

　　激光雷达就是一条捷径。

　　有了它之后，你通常要用机器学习来理解里面的东西，比如某些汽车的形状，或是骑车的人。但这件事看上去不会有网络效应：就算没有车队，你自己也能得到足够的骑车人照片来训练系统。

　　如果激光雷达是通往SLAM的一条捷径，另一条、也是更有趣的一条则是使用预先建好的地图，或者更准确一点说，“高清3D模型”。

　　你事先对道路进行调查，从容地处理所有的数据，建立一个道路的模型，然后将它放进一台即将开上路的车里，这样，无人车就不需要在65英里的时速下实时处理所有的数据或是发现交通信号灯，在任何时候，它都可以通过一些地标来将自己在地图中进行定位。

　　这种地图是具有网络效应的。

　　任意一辆无人车开上一条预先绘制了地图的道路上时，既是在将地图和道路进行比对，也是在对地图进行更新：每辆无人车都可以是一辆数据搜集车。

　　如果你已经卖出了50万辆无人车，而另一个人只卖出了1万辆，你的地图就会被更新得更为频繁，也会更为精确，因此你的无人车也就越不容易被某些没见过的东西搞懵。

　　你卖的车越多，你的车就越好——这毫无疑问就是网络效应。

　　不过这件事的风险在于，从长期来看，既然汽车能不靠激光雷达来进行SLAM，它们同样也可以不靠预制的地图来完成这件事——毕竟，人类就能做到。这种情况是否会发生、将在什么时候发生，现在依然不清楚，但等它成为现实时，无人车早就量产好久了。

　　因此，地图是在数据中的第一种网络效应。

　　而第二种则在于理解了周围环境之后，无人车的决策。

　　在一条空旷的道路行驶，或者是在一条满是无人车的道路上行驶，是一个问题;但“看见”之后，弄明白路上的其他人类将要做什么以及要如何来应对，这完全是另一个问题。

　　支撑自动驾驶成为现实的突破之一，是机器学习能够很好地应付这件事：不需要编写那些复杂的解释规则，机器学习使用数据。要知道，数据越多越好，关于现实世界中人类司机行为和反应的数据收集得越多，你的软件就会越好地理解现况并规划下一步动作。

　　这就像地图一样，你卖的车越多，你的车就越好——这无疑是网络效应。

　　模拟是驾驶数据的另一项用途。这点应该能解决“如果x发生了，我们的自动驾驶软件将会如何应对”这个问题。进行这项工作的一种途径是造一台无人车，然后让它绕真城市自己行驶，来看看它对其他任意司机的随机行为将会作何反应。但问题在于，这不是个可控的实验——你不可能完全重现原来的场景，来看看问题都解决了没有。

　　因此我们就得寄希望于模拟了——你把你的无人车软件放进GTA里(大概就这意思)，然后进行任何你想要进行的测试。有些事它干不了(比如“激光雷达会探测到卡车吗”)，某些模拟场景是循环的，但它的确能告诉你系统会对某些特定场景作何反应，然后你就可以从你的真实驾驶数据中收集这些情况。

　　因此这是一种直接的网络效应：你拥有越多的驾驶数据，你就能让你的模拟越精确，进而你就能让自己的软件变得越好。

　　当然，从规模上讲，模拟的优势显然非常清楚，比如在你能负担得起的计算资源上，在参与工作的人数上，以及在大型计算项目所需的专业知识量上。Waymo作为Google的兄弟公司，就拥有一种优势：2016年，它每周报告25000“真实”自动驾驶英里数，同时进行了10亿英里的模拟。

　　可以说，特斯拉在地图和驾驶数据上都处于领先位置：在2016年晚些时候，他们家那些装载了Autopilot系统的新车全都挂上了8个摄像头，实现了几乎360度的视野，同时辅以两个前向雷达。所有这些传感器都会同时收集地图和驾驶员行为数据，反馈回特斯拉。因为只有前向的雷达，特斯拉将只能单独地靠图像来构建绝大部分的地图，但就如我之前所言，我们不知道如何精确地完成这项工作。

　　这意味着特斯拉在收集着大量可读的数据(或者说至少是足够生产一套完整解决方案的数据)。

　　当然，你不仅要收集数据，还要解决实际开车的问题，因此特斯拉现在正在计算机视觉的发展速度上做一场逆势豪赌。

　　为了节约时间，特斯拉没有等待便宜好用的激光雷达，而是选择了用计算机视觉软件来解决更为困难的问题，这也可能会花费更长的时间。以及，如果自动驾驶所需的所有其他软件——那些为无人车做决策的部分——花的时间够长的话，便宜好用的激光雷达可能会在无人车上路之前出现，这样的话特斯拉就尴尬了。我们拭目以待。

　　因此，网络效应——“赢者通吃”效应在于数据中：包括驾驶数据以及地图。