丨划重点
(相关资料图)
1. 在事故发生频率、事故严重程度、事故责任划分等方面，国内自动驾驶在很多场景下已经接近、甚至在一些场景里面超越人类
2. 车辆的行为源自大量数据和行为学习，而机器学习会导致某些场景下难以对判断依据溯源，一旦发生事故，这个问题可能凸显出来
3. 特斯拉车辆数量和里程数较大，相关事故有可能在统计上占据榜首，但车辆数量多和行驶里程长，并不必然意味着技术问题
4. 全球范围内所有车辆都不再需要方向盘、能够完全自主驾驶的情景，目前看来并不太可能
5. 大模型可能因为计算能力需求高而受限，在车辆上，如果要引入大模型，可能需要在其他方面做出妥协
编辑 / 赵杨博
丨概述
一场事故，再次自动驾驶和无人驾驶送入争议的旋涡。
当地时间8月17日，一辆自动驾驶出租车在旧金山与一辆正在执行紧急任务的消防车发生碰撞事故，出租车一侧车门被撞变形，安全气囊弹出，车上一名乘客受伤送医。
如果时间再往回倒推，上一次自动驾驶引发大量争议是在2018年，一名骑行的路人被一辆Uber旗下的沃尔沃自动驾驶汽车撞击致死，这也是全球首例自动驾驶事故。
根据美国国家公路交通安全管理局去年7月份发布的 L2 级自动驾驶事故数据报告， 2021 年 7月1日至 2022 年 5 月15日的10个月内，有392 起事故与L2级ADS辅助驾驶系统有关。
作为应用在汽车上的一项技术，自动驾驶从诞生以来就备受关切，它的表现将直接决定了司乘人员的安全，而一旦出现重大安全事故，自然就会成为热议的焦点，在追问事情真相的同时，公众想知道的不外乎“这项技术到底是否值得信赖”，那么到底什么是自动驾驶，它的技术发展到了哪一步，在全球范围内应用的情况如何，事故到底会不会成为新技术普及的“绊脚石”？
8月23日晚间，亮见联合腾讯新闻，特邀滴滴自动驾驶公司首席运营官孟醒，在线直播解读公众关切的自动驾驶问题，以下为直播内容精华版（在不改变原意的情况下有所调整）：
01
自动驾驶终会比人类驾驶更安全
刘兴亮：和传统汽车事故相比，目前自动驾驶、无人驾驶的事故案例数量情况如何？
孟醒：首先要明确，自动驾驶尤其是无人驾驶，最重要方面之一就是安全性。自动驾驶网约车企业都是把“达到优秀的人类驾驶的安全水平”作为基线标准，并在这一标准上向上突破。近几年自动驾驶技术能力快速飞升，从国内示范运营情况上看，实际上在事故发生频率、事故严重程度、事故责任划分等方面，自动驾驶在很多场景下已经接近、甚至在一些场景里面超越了人类驾驶水平。但目前还是没有达到我们设想的最完美状态，它仍然是一项正在发展中的技术。
与此同时，全球车辆保有量众多，每年有数以百万计的新车投入市场，但真正上路测试的无人驾驶车辆数量可能只有百辆甚至千辆，因此产生的统计数据，在理论上还不足以对比人类驾驶并得出客观判断，因为测试环境和路况等因素存在局限性，可能只涵盖了部分情况，还需要更多的努力和研究，来得出更严谨的结论。
刘兴亮：去年7月份美国国家公路交通安全管理局公布了一组数据，称十个月内发生了392起L2级别的自动驾驶事故，其中70%的事故与特斯拉相关。这组数据说明了什么问题，与特斯拉相关又说明了什么？
孟醒：特斯拉作为一家全球领先的电动车公司，也在自动驾驶领域有着领先的地位。它在辅助驾驶方面的应用相当广泛，在路上行驶的辅助驾驶车辆数量众多，甚至可能是全球最多的，这些车辆中有很多都启用了辅助驾驶模式，积累了大量的行驶里程。
从简单的数字来看，特斯拉由于车辆数量和里程数较大，出现更多与自动驾驶或辅助驾驶相关的事故似乎也有可能在统计上占据榜首，但车辆数量多和行驶里程长，并不必然意味着技术问题，应该将事故数量与车辆总量和行驶里程相对比，以获得更准确的评估。
举个例子，一个航空公司出现一次坠机，大家觉得很可怕，很多人一段时间都宁愿坐车而避免坐飞机，但是放到航班总量以及总里程相对比，坐飞机一直是人类最安全的出行手段之一，事故率远低于地面交通。
特斯拉的数据量虽然相对较大，但在自动驾驶领域，仍处于积累数据、不断改进技术的早期阶段，只有在充足的数据验证下，我们才能更准确地评估其性能。
刘兴亮：为什么自动驾驶新能源车的事故似乎受到了很多关注？由于事故涉及到人的生命安全因而受到高度关注，这种对自动驾驶事故的担忧是否可能成为技术发展的障碍，阻碍其推广和应用？
孟醒：在自动驾驶领域，其中一个关键问题是安全性。安全性考量包括客观的事故率，这个数据会不断地调整和改善，另一方面是主观的安全性，人们会根据外在因素对技术有所期待，这也会构成一种安全性（担忧）。每个新技术的出现都经历着客观安全性由差转好的过程，客观安全性变好后，主观安全性也在变好。
以汽车为例刚刚出现时，人们或许对其速度和动力感到不安，随着时间的推移，人们逐渐适应了这个新型交通工具。类似地，如今的自动驾驶技术虽然也引发关切，但这些关切可能在技术逐步成熟并得到广泛验证后会逐渐减少。
尽管现阶段我们可能对自动驾驶存在担忧，但实际上推动这项技术到达“终局”，它的表现将会比人类驾驶更安全。
刘兴亮：从降低事故的角度来看，目前还有哪些方面做得还不太理想？
孟醒：自动驾驶与人工智能息息相关，其中机器学习起到了关键作用。
车辆的行为源自大量数据和行为学习，从最早的识别物体，到追踪和预测周围交通参与者的行为乃至根据环境判断最佳行驶路线，而机器学习会导致某些场景下难以对判断依据溯源，与人类制定的规则相比，它难以解释，这种矛盾在自动驾驶事故发生后，需要追溯原因时会变得尤为明显。正常运行时，这并不是问题，但一旦发生事故，这个问题可能凸显出来。
所以我们需要当出现问题后能够有规则来兜底。将比如在变道时，不管机器学习得出何种曲线，我们可以制定参数线作为底线。其次是在真正的事故发生后，我们能否追溯问题并确保修复。这可能会十分复杂，特别是对于某些罕见事故，可能很难验证是否已经修复。
现在，自动驾驶还遇到了一个新问题——虽然它可以在数学层面上找到最优路线，但这条路线可能不符合人类驾驶的预期。
在驾驶中，人们更习惯与其他交通参与者进行人类化的互动，而非像机器一样行驶，我们要确保自动驾驶更安全、更自然，需要它在各种场景中模拟不同的驾驶角色，使之与其他交通参与者更为和谐，最终目标是提高自动驾驶的人性化和适应性。
刘兴亮：一说到“事故”我们就会想到“保险”，那自动驾驶领域目前有没有专业的第三方来做自动驾驶保险业务？
孟醒：目前针对自动驾驶车辆还没有一个专门的保险方案，其保险仍然还是按照传统的车险模式计算的。很多保险公司和再保险公司也正在研究，在辅助驾驶模式下，保险应该如何计算，因为驾驶责任可能从驾驶员转移到了系统，这使得计算保险风险变得复杂。
如果你启用了辅助驾驶模式，那么事故责任是否还完全与驾驶员的操作相关？这是一个需要探讨的问题。
02
我们已经处在L2时代？
刘兴亮：前面提到的这个“终局”您觉得什么时候能到来？
孟醒：我们认为全球范围内所有车辆都不再需要方向盘、能够完全自主驾驶的情景，目前看来并不太可能。目前这种愿景在技术和经济层面都存在不合理性，某些地方可能更适合人类驾驶。
在这种情况下，一种可能性是在不同区域中实现混合交通，一部分车辆由人驾驶，另一部分由机器驾驶。
虽然很难准确预测何时会达到这个终局，但与两三年前相比，行业对这个愿景却表现的更期待。在某些场景中，我们已经在实现在主驾驶或全车无人的情况下，车辆能够在一些区域内自主行驶。尽管相较全球所有的道路，现在可能还只是覆盖1%，但这表明了技术路线是完全可行的。
我们的目标是不断扩大自动驾驶的操作范围，即Operation Domain Design（ODD-运行设计域）。这个概念不仅涵盖了物理道路，还包括了天气、温度、车流密度等条件，虽然现在ODD的范围还相对较小，但我们的目标是逐步扩大它。
编注：运行设计域( ODD ) 是一个术语，表示自动化系统的一组操作条件，通常用于自动驾驶汽车领域。这些操作条件包括环境、地理和时间限制、交通和道路特征。制造商使用 ODD 来指示其产品将在何处安全运行。（李正元; 纳耶尔，纳西夫；加西亚，丹森·埃文；阿格拉瓦尔，安库尔；刘冰冰（2020 年 10 月）。“通过评估风险确定自动驾驶系统的操作设计领域”。2020 IEEE智能汽车研讨会（IV））
过去我们谈无人驾驶可能会开玩笑地说“永远是五年之后”，但随着技术进步，已经能够看到现在在一些区域内，车辆已经实现了自主驾驶的能力，这已经是一个很好的迹象。
我们将很快在一些区域内看到无人驾驶的广泛应用。虽然不会覆盖所有区域，但对于大多数人来说，这已经是一个很实用的技术，所以实现这个目标可能会比我们想象的要早很多很多。
刘兴亮：美国国家公路交通安全管理局的报告中提及了L2的概念，那么行业是如何具体对自动驾驶进行分级的？
孟醒：最初是美国的国家公路交通安全管理局（NTHSA）提出的，有两个协会跟进，形成了不同级别的标准，标准制定已经有数年时间，但有时并不完全适用，比如很多年以来一直在讨论的L3阶段，很多人认为实际并不存在。
编注：按照SAE（美国汽车工程师协会）的标准，自动驾驶汽车视智能化、自动化程度水平分为6个等级：无自动化（L0）、驾驶支援（L1）、部分自动化（L2）、有条件自动化（L3）、高度自动化（L4）和完全自动化（L5）
自动驾驶分级图，来源：网络
L2是普通辅助驾驶，人为主，车为辅，你需要随时准备接管车辆控制，但车辆可以辅助驾驶。L3标准在不同地方口径不一，大致意思是在某些场景中你可以脱手甚至脱眼，但人需要随时待命，车辆会随时通知你接管。L4是取消司机的角色，也就是人类永远不需要操心接管，但是车只能在一部分ODD或者场景中行驶。L5是最高级别，就是全场景的L4，车辆可以在全场景下完全自主驾驶。
自动驾驶具体在应用、运行过程中，有一些责任和规则限制。例如，在L4级别中，不需要有人类司机在车内，而车辆遇到无法处理的情况时应该有远程协助，或者安全停车等待救援。但L3在实际落地中的定义有点模糊，它介于两者之间，有些国家认为L3的责任在系统，有些国家认为依然在驾驶员。L3这个定义从法规，从产品设计，从用户预期上和用户接受上都是有挑战的。
从实际的情况来看，L2和L4的分界是更清晰的，分别对应辅助驾驶和无人驾驶。从我的角度看，这两者是不同方向的产品，不是绝对的递进关系，也就是说，不能单纯认为L3比L2好，L4比L3好这样的关系，比较好的表达是，L2和L4是针对于不同需求的两个产品，各自在不同情境中发挥作用。
从某种程度上，L2就像互联网TO C产品，主要关注于提供C端用户相对体验，而不仅仅追求绝对的安全和效率。而体验好坏从某种程度上是个性化的，是和这个司机对于这辆车的L2系统熟悉程度相关的。相较之下，L4更像是互联网的TO B产品，它更注重绝对标准，在安全上和效率上要求达到人类水平甚至超越，才能移除驾驶员，实现商业化运营，这两者的关注点略有不同。
刘兴亮：目前主流的厂商的自动驾驶都是什么水平上，车企集中在L3级别吗？
孟醒：应该反过来看，做L2和L3的公司主要以车企为客户，交付的是一套软硬件方案，商业模式是把这套方案卖给车企，车企再卖给购车的用户。而与此相对的是做L4的公司主要以用户为客户，交付的是运力，商业模式是通过提供运力给用户来收费。L4通常卖的不是一个一次性产品，而是卖的长期持续的服务。我们关注服务的全流程，从软件，硬件，系统，到包括远程协助，订单流转，车辆运维等等的整个体系。
刘兴亮：按照自动驾驶的分级，我们距离L2，L3，L4，L5时代有多远？
孟醒：我认为L2和L3在高速上已经实现了高效可靠的产品。但将L2应用到城市环境可能需要很长时间，因为城市环境非常难，L2在城市中里面的难度甚至和L4会很接近。某种程度上，它们可能会一起实现。
当前，L4自动驾驶企业更关注几个方面：
首先，能否更快地将已有技术扩展到更多区域。过去自动驾驶运营范围已经快速扩大，我们还需要将这个数字再翻十倍甚至更多，这也意味着需要更多的自动驾驶车辆；第二个关注点是降低成本，我们要在保持技术能力的同时，将自动驾驶车的成本降低四到五倍，甚至更多；最后一个关注点是自动驾驶拓展区域，如今我们仍然在处理较容易解决的问题，但终究会碰到天花板，到那时解决问题就会变得非常困难。
03
谨慎“蹭”大模型
刘兴亮：今年大模型、ChatGPT大火，现在也有一些车企也开始提出“汽车大模型”的概念，这自动驾驶行业来说会什么帮助？
孟醒：在AI行业，对于热点词的过度使用很常见的，我们需要谨慎对待。大模型作为一种有用的工具，尤其是基于Transformer架构的预训练语言模型，如GPT。但大模型并不能解决我们当前面临的最迫切的问题，它解决的问题也大多不是最重要的瓶颈。
基于Transformer的与训练模型在自动驾驶的感知和预测领域早已有了一定的应用，尽管可能称不上是“大”模型。在云端训练环节，比如在仿真系统中，可以生成丰富的场景，有助于构建场景库。此外，视觉感知中的一些通用模型，如分割模型，也有实际应用，但主要用于数据标注等领域。
在实际应用中，大模型在车端的使用会很谨慎。大模型可能因为计算能力需求高而受限，在车辆上，如果要引入大模型，可能需要在其他方面做出妥协，这需要仔细权衡，是否值得引入这种妥协来解决特定问题。此外，大模型的训练需要显著的算力和资源投入，这也涉及大量的成本，效果也不能确定。
没有公司会错过大模型的技术发展以及所带来的机会，但它并不是解决当前主要瓶颈的最佳手段。我认为，大模型是很“严肃”的技术，值得认真投入研究和努力，需要更长周期地投入，真正在自动驾驶领域用好可能需要更长的时间。
刘兴亮：有研究机构表示现在自动驾驶的创业公司平均每个月消耗160万美元，你们怎么评估这个数据，哪个环节是最“烧钱”的？
孟醒：自动驾驶是人类工业史上最投资密集的领域之一。特别是在L4级别自动驾驶领域，投入是非常庞大的，因为自动驾驶不仅涉及到硬件，还包括车辆上的各种传感器、决策系统、规划系统，以及与云端的连接，还有法规认证等一系列环节。
例如，通用汽车的财报显示，其无人驾驶团队去年投入了近30亿美金。虽然投入巨大，但出于潜力考量，很多公司还是愿意投资。即使无人驾驶在网约车渗透率只有10%的情况下，也有可能引发巨大的变革，将本来低毛利的领域变为像云服务一样的高附加值领域，但这需要高密度的人才和资本支持。
自动驾驶确实需要很多前期的投入，很大一部分的投入是人才，大规模的团队需要雄厚的人才储备。此外测试环节也是成本比较高的地方，需要大量的测试车和数据处理。
刘兴亮：如今融资企业数量增加，但融资总额下降，是不是说明资本对于自动驾驶的热度在下降？
孟醒：自动驾驶是一个前所未有的行业，历史上很少有行业在产品大规模推出之前就吸引了如此多的融资。
从概念诞生到现在，自动驾驶行业已经经历了从百花齐放到逐渐收敛的过程。无论是因为优质的产品、卓越的资源整合能力，还是出色的技术创新，最优秀的企业最终会脱颖而出，这也是常见的发展路径，行业在发展的过程中会逐渐趋于稳定，优胜劣汰也会出现。
自动驾驶之外，在许多初创行业中，过去几年融资情况都呈现出相似的走势。近两年的融资数据显示，大部分行业在2021年经历了一个高峰，随后在2022年有所回落，这也符合大环境的变化。
在一个像自动驾驶这样不具备即时盈利的行业，吸引大规模融资是积极的信号。在资本市场遇到寒冬的时候，但仍倾向于投资这一领域，也说明了自动驾驶的潜力，大家对行业的信心。
04
低成本的量产车很关键
刘兴亮：您之前提到自动驾驶出租车有指定区域，指定区域是什么概念，未来在什么样的情情况下可以跳出指定区域？
孟醒：指定区域作为自动驾驶测试区域，遵循法规要求，涵盖一定的物理范围和特定道路，可能还受到天气等因素的限制。
我们的策略是在指定的区域内实现L4级别的自动驾驶，而即便是普及L5级别的自动驾驶需要更多时间，但在特定区域内限制范围内却可行的。然而，即便是L4级别自动驾驶，假设面临着上万个任务需要解决（比如是要先解决洒水车突然侧向喷水所带来的识别和躲避问题，还是先解决冬天井盖中冒热气对行人遮挡的问题），但实际资源和时间只允许我们集中在其中的一小部分，因此我们的方法是根据技术难度和经济价值来确定优先级。
比如，优先考虑指定区域是否适合安全高效的自动驾驶，是否有足够的网约车需求；优先选择在技术难度低，同时经济价值高的区域优先发展自动驾驶能力，以确保了产品的高质量和经济效益。
滴滴首先是一个有人驾驶的网约车平台，经历了11年的时间发展，这是我们的另一个优势，我们可以在有人驾驶平台的基础上植入自动驾驶技术，这种混合派单，可以保证用户体验不受影响，从而逐步实现无人驾驶服务的扩展。
正在进行测试中的无人驾驶汽车内饰 来源：网络
刘兴亮：目前在滴滴的自动驾驶出租车只是一个很小的业务补充，有没有计划提升自动驾驶出租车在服务中的占比？
孟醒：量产车是一个比较关键的节点。因为只有量产才伴随车辆成本的下降，才能规模投放。我们正在和合作伙伴推进量产无人驾驶新能源车，计划在2025年开始量产，初期的一批量产车可能会分步地投放到不同的地方，逐步去提升比例，而不是集中在一个小区域。
过去，自动驾驶车辆占网约车比例高是一件难以想象的事情。然而，根据公开数据，像Waymo、Cruise这样的公司在美国的旧金山的测试车大约700多辆，而该市的网约车总量大约在8000到1万辆。测试车辆的比例已经7%-10%，这个数字已经不再遥远。
刘兴亮：除了网约车，滴滴自动驾驶还有别的商业化探索吗？
孟醒：我们两年前启动了一个业务孵化器，第一个孵化的业务是自动驾驶货运KargoBot，专注于自动驾驶干线物流。
今年4月我们正式向公众推出了这个业务，该业务主要围绕高速、国道场景，使用自动驾驶重型货车，在 国内西北、华北等地区进行大宗商品的运输。每辆车可承载几十吨的货物，覆盖了矿山、发电站和原材料生产厂等需求地点。
干线物流是一个巨大的市场，甚至可能比整个网约车市场规模还要大，它与网约车不同，更多在一些固定线路上进行，似于定向物流，我们能够准确预测一年内有多少车辆将从何处出发，到达何地。
刘兴亮：对自动驾驶未来有哪些展望，对那些期待自动驾驶的消费者们有什么想说的？
孟醒：自动驾驶行业的发展还有很长的路要走。虽然我们取得了一些成绩，但距离我们设想的目标还有相当大的差距。
不仅仅是我们，整个行业都需要更多的支持。除了我们内部团队、投资人和政府的支持外，我认为公众的支持也非常重要，希望大家能对这个行业保持好奇心，也希望大家尝试体验我们提供的一些自动驾驶业务。另外，如果可以的话，也请给予我们一些宽容。如果我们做得不够好，或者进展没有像大家预期的那么快，希望大家能够理解。
关键词：
