法拉利专利展示智能空调系统 可根据乘客身体温度优化气流

近年来，在10-20万价位的汽车市场，L2级别及以上的智能驾驶量产方案正逐渐成为标配，也在快速渗透到10万元及以下的A级车市场。

泰禾资本副总裁米周野预测，未来2-3年，中国智能驾驶的量产组装率/装车率将很快提升至30%以上，甚至可能达到50%。

随着量产的普及和智能驾驶普及率的提高，主机厂与智能驾驶解决方案提供商之间的联系越来越紧密。

另一方面，智能驾驶赛道的终点还没有到来，主机厂也蠢蠢欲动，想把占据未来汽车最大价值的自动驾驶仪控制在自己手中。

主机厂和智能驾驶供应商在保持合作的同时，也可能成为对手。

米周野猜测，未来在智能驾驶功能的实现和商业化方面，主机厂和智能驾驶供应商之间大概率会出现高度竞争和交织的关系。

面对这种变化，智能驾驶解决方案提供商应该如何应对？一个优秀的供应商应该具备哪些重要的素质和能力？

有鉴于此，新智家以《2021，智能驾驶“一模”之年》一文为基础，在与业内几位高管的交流中，提炼出成为智能驾驶“优等生”的几个关键词，希望能一窥究竟，给行业从业者带来一些思考。

提高可靠性的工程

如上所述，随着智能驾驶商业化的快速渗透，整个行业已经从Demo时代走向量产时代。

演示和大规模生产之间的障碍之一是技术的工程化。

事实上，不同的业内人士对工程能力具体含义的理解似乎有些差异，但总的来说，都离不开“可靠性”、“稳定性”、“全天候”这些核心词汇。

与Demo演示只需要在一定时间内维持特定场景下的正常运行不同，量产交付级别的智能驾驶解决方案必须保证在复杂路况下全天候、高可靠性的稳定工作。

作为推动智能驾驶方案量产的必要步骤，工程能力是提高系统功能稳定性和可靠性的关键之一。

基于各种观点，智能驾驶技术的工程化主要涉及产品端和算法端两个层面:

1.产品端主要通过良好的设计、工艺、测试和质量控制达到高可靠性；2.算法端具体包括AI训练、模型优化、测试等。提高算法的鲁棒性，保证感知、定位、规划、决策、控制等系统功能在准全天候场景条件下正常运行。

“在测试的过程中，如何做到高效率，尽量以合理的成本完成尽可能多、尽可能快、尽可能多的模拟现实世界的测试，是一个典型的工程问题。”MINIEYE的联合创始人兼高级副总裁杨光举了一个例子。

他指出，技术工程在智能驾驶解决方案的量产中起着非常重要的支撑作用。

“因为如果没有好的工程平台，算法开发的迭代效率会很低，算法开发者的能力很难发挥，交付的产品也无法完成高标准的测试。如果这一块做不好，即使有优秀的算法开发者，也只能推出少量的Demo。”

同时，由于技术工程要求企业具备优秀的全栈R&D能力、系统架构能力和实际量产项目打磨的经验，这一环节也被视为智能驾驶量产过程中的高壁垒环节。

擅长技术算法的Robotaxi公司，一直被认为“缺乏量产经验和工程落地能力”。当AutoX投资汽车厂、马骁智行、途胜未来出来造车的消息传来，有人不禁疑惑:这能算是完成其工程能力的一次尝试吗？

新智家对此问了很多意见，大部分认为Robotaxi涉足整车应该是偏向商业化的。

主线科技产品研究院院长张广伟表示，在一定程度上，“造车”是提升其工程化、商业化的手段，但不等于“完成”。

在杨光的理解中，Robotaxi的工程化问题，一方面主要着眼于增强算法的适应性，使其在更多场景下实现稳定的、无管理的工作；另一方面，是规范软硬件系统:

“硬件车规是对车规的材料进行选择，并对车规进行设计和测试，使其在复杂的车环境下高可靠性的工作；软件车规是要有足够的冗余和功能安全设计，以及对产品可靠性的大规模HIL和SIL测试，保证产品出厂前的质量，并为加载后的算法提供稳定的平台。这样做了以后，可能就是和车的结合了。”

平衡普遍性和个性

当业内人士谈到产品的工程化时，讨论往往会涉及到“平衡质量、成本和交付”这一关键点。

当智能驾驶解决方案走到量产这一步，如何在车企的个性化定制需求和技术方案的通用性之间取得平衡，成为量产过程中不可避免的问题。

“落地量产”一方面意味着获得足够大的市场，另一方面又必须“有利可图”。毕竟没有人愿意做不赚钱的苦工。

一般来说，越是深度定制的产品，越能满足不同场景、不同用户的个性化需求，但这往往意味着解决方案供应商成本的急剧增加；而普适性更高的方案可以通过规模效应摊薄R&D成本。

飞步科技市场负责人指出，智能驾驶的顺利落地，关键在于规模化运营的实现。“只有规模化、常态化、可持续的运营，才能帮助客户和行业真正降本增效。”

从表面上看，通用性与市场规模之间存在更强的正相关关系，但本质上真正能扩大市场规模的，是能适应多样化市场需求的产品。

正如张广伟所说，个性化是市场的需求。

荣源启行合伙人、副总裁刘璇也提到，不同的主机厂往往希望自己的车有一定的特色，而不是它们之间只有一个logo的区别，所以会对智能驾驶系统提出不同的要求，比如有的更注重驾驶感，有的更注重舒适性，从而催生一些定制化的需求。

只有定制化的解决方案，才能兼顾不同场景和用户的多样化需求，满足不同主机厂对品牌差异化的诉求，拓展市场基本面，奠定规模基础。

至于智能驾驶解决方案的通用性，一定程度上代表了供应商的利润空间可以有多大。

通用性强是指技术共性多，解决方案可复制性强，可以同时适应不同厂商的需求，进而通过规模效应降低R&D投入，实现降本增效。

同时，产品结构的高度统一也有利于加强产品质量的统一管理，保证稳定性、可靠性和可控性。

但两者的矛盾在于，太强的普适性有时意味着不能体现差异化，太深的定制化有时意味着无利可图。

如何在两者之间取得平衡成为关键。

很多受访者认为，通用性和个性化并不矛盾，在两者之间取得平衡是完全可行的:由于智能驾驶系统的基础技术本身是通用的，可以在统一的框架下通过调整接口和参数来适应个性化的需求。

但具体的平衡方式还需要综合考虑产品开发思路和策略。

构建完整的数据闭环

如果说工程侧重于当前的产品落地能力，那么数据则更关乎智能驾驶解决方案提供商未来的成功。

虽然没有硬件那么有形，但无论是辅助驾驶、自动驾驶还是智能驾驶舱，这些赋予汽车智能属性的功能都离不开数据驾驶。

智能驾驶方面，数据以各种形式贯穿研发、生产、测试、运营的全生命周期。

从中长期发展来看，突破L3级别以上的高阶智能驾驶功能，提升其安全性、客户体验、奇区间的差异，主要依靠数据反馈。

数据是推动智能驾驶向前发展的重要“燃料”。

米周野认为，在未来，自动驾驶的真正输赢点在于获取、分析和积累数据的能力。

无论是走跨越式路线，还是渐进式路线，对于车企或者智能驾驶供应商来说，长尾场景数据的收集和算法模型的训练都具有重要意义，这涉及到数据的获取和技术的迭代。

然而，与主机厂不同的是，由于他们不拥有或只有少量测试车辆，大多数智能驾驶方案的供应商，尤其是那些为了突破高水平智能驾驶而通过L2及以下智能驾驶量产方案积累数据的供应商，势必面临智能驾驶相关数据的所有权和访问权。

对他们来说，数据收集只是第一步。要想通过量产车获取数据，迭代算法，建立自己的竞争优势，就必须具备构建数据闭环的能力。

具体来说，需要构建数据闭环:智能驾驶产品解决方案的量产是基础，与主机厂关于数据所有权和使用权的协议是前提，数据安全体系符合国家监管要求是必须……条件，而完整的数据采集、传输、清洗、存储和分析处理能力是关键。

只有形成这个闭环，才能充分发挥数据在智能驾驶中的“燃料”作用。

米周野认为，在已经拥有大量量产订单和交付能力的头部智能驾驶解决方案供应商中，谁能以更快的速度形成自己的技术能力闭环，并与主机厂就数据合作模式达成一致，谁就能在未来高端智能驾驶解决方案的竞争中处于绝对优势地位。

合作方式开放灵活。

目前，智能驾驶赛道的竞赛正在如火如荼的进行，主机厂也越来越意识到自动驾驶是未来汽车的核心竞争力:自动驾驶与整车的关系就像“灵魂”之于“身体”一样。

基于不同的财力和技术能力，仍在智能转型中苦苦挣扎的主机厂，在智能驾驶研发上衍生出三种不同的趋势:全自研、部分自研、全外包。

投资人米周野指出，只有特斯拉等少数主机厂会选择全面自研，其他中小主机厂由于研发能力不足，可能会选择将智能驾驶的软硬件全部外包出去。

此外，大多数OEM厂商的选择是混合的:自研一些功能，然后从供应商那里采购一些，最后选择一个Tier1负责全面集成，从而覆盖整个系统功能的交付。

至于背后的原因，正如他所说，主机厂不希望智能驾驶的核心功能和能力完全被智能驾驶解决方案供应商掌控，但也必须承认，他们在开发效率、成本、数据积累等方面确实具有多样性和规模化的优势。

代工厂商的这种担忧，以及由此衍生出的商业合作偏好，使得代工厂商与供应商的关系越来越微妙:竞争与合作并存，可能互相畏惧但又必须互相依赖。

为了适应这一趋势，未来的智能驾驶供应商不仅要在技术上实现集成和模块化，而且要在与主机厂的业务合作方式上具有开放性、灵活性和可调整性。

华为和百度Apollo推动的商业合作模式，或许恰恰顺应了整个行业上下游关系的趋势。

从表面上看，华为的family-barrel HI模型和百度Apollo的乐高式智能汽车解决方案分别对应了OEM集成和模块化两种完全不同的需求。

但实际上，在与OEM的合作中，两家公司都可以根据客户需求提供本地或全栈解决方案。

在SAIC表示难以接受单一供应商为其提供整体智能驾驶解决方案后，华为随即回应称，HI模式并不适用于所有车企，更多车企仍采用华为提供的零部件解决方案。

百度Apollo在2020年底推出乐高式汽车智能解决方案时，不仅强调了其开放、易组装的“乐高式”属性，还指出其正在通过“智能驾驶、智能地图、智能驾驶室、智能云”四大产品系列，打造完整的汽车智能解决方案。

不过，在杨光看来，双方的合作可能取决于智能驾驶方案的功能水平。

他表示，对于L2及以下功能，OEM厂商主要购买整个模块和解决方案，不参与部分功能的开发。L2+之后，能力强的车厂会尝试自己开发一些模块。

“目前比较典型的一种是自研，一方面更贴近产品功能，也符合原始代工的方向。”杨光说。

“在这种合作模式下，智能驾驶解决方案提供商更注重核心的软硬件功能，主要掌握更偏向算法的基础辅助驾驶和自动驾驶能力，而汽车厂商则掌握应用端。”

标签

对于汽车这种部件众多、组成复杂的工业产品来说，由感知、规划、决策和控制等核心环节组成的智能驾驶系统所面临的问题可能比以往任何系统都要复杂得多……组件。

智能汽车的这一特点要求供应商充分了解车辆功能的实现、设计、制造和验证过程，成为全能选手。

本文新智家只选取了几个关键词，或许只能窥见智能驾驶的“高材生”一斑。

更何况，在不同的发展阶段，行业对供应商的要求是不一样的:行业初期，技术突破是关键；在商业化的落地阶段，产品化和商业化的差距可能会带来新一轮的洗牌。

虽然现在辅助驾驶已经处于大规模商用的阶段，但是对于L3及以上的自动驾驶系统来说，前路依然广阔，未来可能会有更多未知的挑战。

那时候的智能驾驶解决方案提供商会是什么样子，还有待大家去探索和解答。近年来，在10-20万价位的汽车市场，L2级别及以上的智能驾驶量产方案正逐渐成为标配，也在快速渗透到10万元及以下的A级车市场。

泰禾资本副总裁米周野预测，未来2-3年，中国智能驾驶的量产组装率/装车率将很快提升至30%以上，甚至可能达到50%。

随着量产的普及和智能驾驶普及率的提高，主机厂与智能驾驶解决方案提供商之间的联系越来越紧密。

另一方面，智能驾驶赛道的终点还未到来，主机厂也蠢蠢欲动，想把占据未来汽车最大价值的自动驾驶仪控制在自己手中。

主机厂和智能驾驶供应商在保持合作的同时，也可能成为对手。

米周野猜测，未来在智能驾驶功能的实现和商业化方面，主机厂和智能驾驶供应商之间大概率会出现高度竞争和交织的关系。

面对这种变化，智能驾驶解决方案提供商应该如何应对？一个优秀的供应商应该具备哪些重要的素质和能力？

有鉴于此，新智家以《2021，智能驾驶“一模”之年》一文为基础，在与业内几位高管的交流中，提炼出成为智能驾驶“优等生”的几个关键词，希望能一窥究竟，给行业从业者带来一些思考。

提高可靠性的工程

如上所述，随着智能驾驶商业化的快速渗透，整个行业已经从Demo时代走向量产时代。

演示和大规模生产之间的障碍之一是技术的工程化。

事实上，不同的业内人士对工程能力具体含义的理解似乎有些差异，但总的来说，都离不开“可靠性”、“稳定性”、“全天候”这些核心词汇。

与Demo演示只需要在一定时间内维持特定场景下的正常运行不同，量产交付级别的智能驾驶解决方案必须保证在复杂路况下全天候、高可靠性的稳定工作。

作为推动智能驾驶方案量产的必要步骤，工程能力是提高系统功能稳定性和可靠性的关键之一。

基于各种观点，智能驾驶技术的工程化主要涉及产品端和算法端两个层面:

1.产品端主要通过良好的设计、工艺、测试和质量控制达到高可靠性；2.算法端具体包括AI训练、模型优化、测试等。提高算法的鲁棒性，保证感知、定位、规划、决策、控制等系统功能在准全天候场景条件下正常运行。

“在测试的过程中，如何做到高效率，尽量以合理的成本完成尽可能多、尽可能快、尽可能多的模拟现实世界的测试，是一个典型的工程问题。”MINIEYE的联合创始人兼高级副总裁杨光举了一个例子。

他指出，技术工程在智能驾驶解决方案的量产中起着非常重要的支撑作用。

“因为如果没有好的工程平台，算法开发的迭代效率会很低，算法开发者的能力很难发挥，交付的产品也无法完成高标准的测试。如果这一块做不好，即使有优秀的算法开发者，也只能推出少量的Demo。”

同时，由于技术工程要求企业具备优秀的全栈R&D能力、系统架构能力和实际量产项目打磨的经验，这一环节也被视为智能驾驶量产过程中的高壁垒环节。

擅长技术算法的Robotaxi公司，一直被认为“缺乏量产经验和工程落地能力”。当AutoX投资汽车厂、马骁智行、途胜未来出来造车的消息传来，有人不禁疑惑:这能算是完成其工程能力的一次尝试吗？

新智家对此问了很多意见，大部分认为Robotaxi涉足整车应该是偏向商业化的。

主线科技产品研究院院长张广伟表示，在一定程度上，“造车”是提升其工程化、商业化的手段，但不等于“完成”。

在杨光的理解中，Robotaxi的工程化问题，一方面主要着眼于增强算法的适应性，使其在更多场景下实现稳定的、无管理的工作；另一方面，是规范软硬件系统:

“硬件车规是对车规的材料进行选择，并对车规进行设计和测试，使其在复杂的车环境下高可靠性的工作；软件车规是要有足够的冗余和功能安全设计，以及对产品可靠性的大规模HIL和SIL测试，保证产品出厂前的质量，并为加载后的算法提供稳定的平台。这样做了以后，可能就是和车的结合了。”

平衡普遍性和个性

当业内人士谈到产品的工程化时，讨论往往会涉及到“平衡质量、成本和交付”这一关键点。

当智能驾驶解决方案走到量产这一步，如何在车企的个性化定制需求和技术方案的通用性之间取得平衡，成为量产过程中不可避免的问题。

“落地量产”一方面意味着获得足够大的市场，另一方面又必须“有利可图”。毕竟没有人愿意做不赚钱的苦工。

一般来说，越是深度定制的产品，越能满足不同场景、不同用户的个性化需求，但这往往意味着解决方案供应商成本的急剧增加；而普适性更高的方案可以通过规模效应摊薄R&D成本。

飞步科技市场负责人指出，智能驾驶的顺利落地，关键在于规模化运营的实现。“只有规模化、常态化、可持续的运营，才能帮助客户和行业真正降本增效。”

从表面上看，通用性与市场规模之间存在更强的正相关关系，但本质上真正能扩大市场规模的，是能适应多样化市场需求的产品。

正如张广伟所说，个性化是市场的需求。

荣源启行合伙人、副总裁刘璇也提到，不同的主机厂往往希望自己的车有一定的特色，而不是它们之间只有一个logo的区别，所以会对智能驾驶系统提出不同的要求，比如有的更注重驾驶感，有的更注重舒适性，从而催生一些定制化的需求。

只有定制化的解决方案，才能兼顾不同场景和用户的多样化需求，满足不同主机厂对品牌差异化的诉求，拓展市场基本面，奠定规模基础。

至于智能驾驶解决方案的通用性，一定程度上代表了供应商的利润空间可以有多大。

通用性强是指技术共性多，解决方案可复制性强，可以同时适应不同厂商的需求，进而通过规模效应降低R&D投入，实现降本增效。

同时，产品结构的高度统一也有利于加强产品质量的统一管理，保证稳定性、可靠性和可控性。

但两者的矛盾在于，太强的普适性有时意味着不能体现差异化，太深的定制化有时意味着无利可图。

如何在两者之间取得平衡成为关键。

很多受访者认为，通用性和个性化并不矛盾，在两者之间取得平衡是完全可行的:由于智能驾驶系统的基础技术本身是通用的，可以在统一的框架下通过调整接口和参数来适应个性化的需求。

但具体的平衡方式还需要综合考虑产品开发思路和策略。

构建完整的数据闭环

如果说工程侧重于当前的产品落地能力，那么数据则更关乎智能驾驶解决方案提供商未来的成功。

虽然没有硬件那么有形，但无论是辅助驾驶、自动驾驶还是智能驾驶舱，这些赋予汽车智能属性的功能都离不开数据驾驶。

智能驾驶方面，数据以各种形式贯穿研发、生产、测试、运营的全生命周期。

从中长期发展来看，突破L3级别以上的高阶智能驾驶功能，提升其安全性、客户体验、奇区间的差异，主要依靠数据反馈。

数据是推动智能驾驶向前发展的重要“燃料”。

米周野认为，在未来，自动驾驶的真正输赢点在于获取、分析和积累数据的能力。

无论是走跨越式路线，还是渐进式路线，对于车企或者智能驾驶供应商来说，长尾场景数据的收集和算法模型的训练都具有重要意义，这涉及到数据的获取和技术的迭代。

然而，与主机厂不同的是，由于他们不拥有或只有少量测试车辆，大多数智能驾驶方案的供应商，尤其是那些为了突破高水平智能驾驶而通过L2及以下智能驾驶量产方案积累数据的供应商，势必面临智能驾驶相关数据的所有权和访问权。

对他们来说，数据收集只是第一步。要想通过量产车获取数据，迭代算法，建立自己的竞争优势，就必须具备构建数据闭环的能力。

具体来说，需要构建数据闭环:智能驾驶产品解决方案的量产是基础，与主机厂关于数据所有权和使用权的协议是前提，数据安全体系符合国家监管要求是必须……条件，而完整的数据采集、传输、清洗、存储和分析处理能力是关键。

只有形成这个闭环，才能充分发挥数据在智能驾驶中的“燃料”作用。

米周野认为，在已经拥有大量量产订单和交付能力的头部智能驾驶解决方案供应商中，谁能以更快的速度形成自己的技术能力闭环，并与主机厂就数据合作模式达成一致，谁就能在未来高端智能驾驶解决方案的竞争中处于绝对优势地位。

合作方式开放灵活。

目前，智能驾驶赛道的竞赛正在如火如荼的进行，主机厂也越来越意识到自动驾驶是未来汽车的核心竞争力:自动驾驶与整车的关系就像“灵魂”之于“身体”一样。

基于不同的财力和技术能力，仍在智能转型中苦苦挣扎的主机厂，在智能驾驶研发上衍生出三种不同的趋势:全自研、部分自研、全外包。

投资人米周野指出，只有特斯拉等少数主机厂会选择全面自研，其他中小主机厂由于研发能力不足，可能会选择将智能驾驶的软硬件全部外包出去。

此外，大多数OEM厂商的选择是混合的:自研一些功能，然后从供应商那里采购一些，最后选择一个Tier1负责全面集成，从而覆盖整个系统功能的交付。

至于背后的原因，正如他所说，主机厂不希望智能驾驶的核心功能和能力完全被智能驾驶解决方案供应商掌控，但也必须承认，他们在开发效率、成本、数据积累等方面确实具有多样性和规模化的优势。

代工厂商的这种担忧，以及由此衍生出的商业合作偏好，使得代工厂商与供应商的关系越来越微妙:竞争与合作并存，可能互相畏惧但又必须互相依赖。

为了适应这一趋势，未来的智能驾驶供应商不仅要在技术上实现集成和模块化，而且要在与主机厂的业务合作方式上具有开放性、灵活性和可调整性。

华为和百度Apollo推动的商业合作模式，或许恰恰顺应了整个行业上下游关系的趋势。

从表面上看，华为的family-barrel HI模型和百度Apollo的乐高式智能汽车解决方案分别对应了OEM集成和模块化两种完全不同的需求。

但实际上，在与OEM的合作中，两家公司都可以根据客户需求提供本地或全栈解决方案。

在SAIC表示难以接受单一供应商为其提供整体智能驾驶解决方案后，华为随即回应称，HI模式并不适用于所有车企，更多车企仍采用华为提供的零部件解决方案。

百度Apollo在2020年底推出乐高式汽车智能解决方案时，不仅强调了其开放、易组装的“乐高式”属性，还指出其正在通过“智能驾驶、智能地图、智能驾驶室、智能云”四大产品系列，打造完整的汽车智能解决方案。

不过，在杨光看来，双方的合作可能取决于智能驾驶方案的功能水平。

他表示，对于L2及以下功能，OEM厂商主要购买整个模块和解决方案，不参与部分功能的开发。L2+之后，能力强的车厂会尝试自己开发一些模块。

“目前比较典型的一种是自研，一方面更贴近产品功能，也符合原始代工的方向。”杨光说。

“在这种合作模式下，智能驾驶解决方案提供商更注重核心的软硬件功能，主要掌握更偏向算法的基础辅助驾驶和自动驾驶能力，而汽车厂商则掌握应用端。”

标签

对于汽车这种部件众多、组成复杂的工业产品来说，由感知、规划、决策和控制等核心环节组成的智能驾驶系统所面临的问题可能比以往任何系统都要复杂得多……组件。

智能汽车的这一特点要求供应商充分了解车辆功能的实现、设计、制造和验证过程，成为全能选手。

本文新智家只选取了几个关键词，或许只能窥见智能驾驶的“高材生”一斑。

更何况，在不同的发展阶段，行业对供应商的要求是不一样的:行业初期，技术突破是关键；在商业化的落地阶段，产品化和商业化的差距可能会带来新一轮的洗牌。

虽然现在辅助驾驶已经处于大规模商用的阶段，但是对于L3及以上的自动驾驶系统来说，前路依然广阔，未来可能会有更多未知的挑战。

那时候的智能驾驶解决方案提供商会是什么样子，还有待大家去探索和解答。

标签：法拉利Purosangue宾利劳斯莱斯库里南

汽车资讯热门资讯