麦肯锡|高级自动驾驶的“拦路虎”以及路径和战略选择( 二 ) 算法|商业模式|麦肯锡

高级自动驾驶研发的替代路径之一：与用户“共创”
针对训练自动驾驶的场景数据不足、尤其是多元化及特殊场景数据稀缺的情况，自动驾驶产业链相关企业开始转向“影子模式”，即在汽车上加装传感器，搜集用户的驾驶场景相关数据并传回，以进行算法训练；部分企业甚至搜集用户的驾驶数据，并将各场景下用户的驾驶行为与算法的计算结果进行对比。
这种模式首先由一家领先的电动汽车“新势力”企业推出，随着产品销量和保有量的迅速增长，其“影子模式”所搜集的驾驶场景数据量，很快超过当时其他重资产的头部自动驾驶初创企业。目前，这种“影子模式”逐渐被其他主机厂、尤其是“造车新势力”采用。
与此同时，面对当前瓶颈，头部自动驾驶初创企业在“影子模式”带来的挑战和启示下，开始转变思路。例如，不少初创企业原先设计的商业模式是大量采购主机厂产品进行改装，然后通过商业化的自动驾驶出租车队盈利，主机厂实质上成为硬件代工厂。现在，不少企业开始朝解决方案供应商转型，逐步开放算法并与合作主机厂打通用户场景数据，以快速进行数据积累和算法迭代。作为解决驾驶场景数据瓶颈的一种方式，“影子模式”仍然存在不少挑战：
— 数据保护相关法规日趋严格，尤其重视保护用户行为等隐私数据。特别是在欧洲等地区，“影子模式”能否持续推进、能否获得足够详实的数据，存在很大不确定性。
— “影子模式”有效的前提是汽车保有量足够大。在利用数据训练完善算法前，加装的各类传感器价格不菲，但用户无法感知价值，此时如果将成本转移给用户，则可能导致产品缺乏竞争力，难上规模；若由主机厂承担成本，则相当一段时间内，主机厂的成本和利润率压力很大。因此，经济车型采用“影子模式”挑战较大，而即便是豪华车型，成本仍需要充分考虑，提升车队保有量仍会是个挑战。
— 自动驾驶初创企业的硬件成本可能由主机厂承担，双方互相弥补短板。但双方的数据共享，尤其是CAN总线等车辆核心数据共享，仍存在很大挑战；同时双方企业在文化和运营模式上往往需要各种打磨融合，推行合作并不容易。
高级自动驾驶研发的替代路径之二：多场景探索
针对重资产自建车队的发展瓶颈，以及“影子模式”存在的各类挑战，不少自动驾驶相关企业，尤其是初创企业以及相关场景所涉及的运营企业，开始尝试利用其他场景搜集数据并训练算法。这些场景包括高速公路、市内物流（包括配送中心到门店、最后一公里配送等）和封闭园区（包括矿场、码头、大学、工业园区等）。除了可以提供额外数据进行算法训练，这些替代场景由于可预测性较强（例如路线固定）、技术要求较低（例如物流对舒适性要求低），通常被认为开发难度系数较低、商业化速度较快。因此，自动驾驶初创企业，尤其是资金实力不够雄厚的小型初创企业，甚至将所有开发工作集中于特定场景。
虽然各类场景为自动驾驶的开发提供了新的思路和“练兵场”，但在实际推进过程中，相关企业仍遇到了各类挑战：
— “简单”场景并不简单。虽然相比城市交通的复杂多变，物流活动或封闭区域内交通相对简单，但这些场景对自动驾驶算法“深度”的要求很高，甚至超过城市交通。例如：矿山车辆自动驾驶需要算法工程师深入了解矿山运输的特殊性，需要软件工程师“撸起袖子”到一线深度定制算法，“码农”们不一定能承受这种“脏活累活”，尤其是长年累月的伴随式参与。又如：高速公路物流卡车虽然路线相对固定、场景复杂度较低，但高速公路对卡车急刹车等行为的限制，使得高速公路自动驾驶卡车对超远距识别、敏捷度和判断力等要求更高。