AutoCC2024｜朱西产：2030年是网联智能无人驾驶产业化元年

来源：泰伯网

在第三届汽车创造者大会（AutoCC2024）上，同济大学汽车安全研究所所长朱西产深入探讨了网联智能无人驾驶的未来趋势，并强调了技术进步与社会变革的紧密关联。他指出，自动驾驶与无人驾驶出租车的兴起，不仅是汽车科技领域的一次重大飞跃，更是资本推动与社会体系深刻变革的集中体现。随着移动物联网时代的到来，线上与线下的界限日益模糊，为自动驾驶技术的应用开辟了广阔空间，同时也带来了新的社会治理挑战。

朱西产特别提到了特斯拉在自动驾驶领域的“鲶鱼效应”，认为其通过用户数据闭环的方式，不断优化自动驾驶模型，展现了强大的技术实力和竞争优势。他进一步指出，从辅助驾驶到自动驾驶的过渡，是一个循序渐进、量变到质变的过程，当前通过量产L2+级别的自动驾驶技术，正在逐步攻克安全难关，并有效分摊了智能底盘、AI芯片、激光雷达及AI软件等高昂成本，为无人驾驶汽车的商业化奠定了坚实基础。

他预言，2030年将是网联智能无人驾驶产业化元年，而最终的智能驾驶解决方案可能需要在数据闭环、算力优势与场景泛化之间找到最佳平衡点。通过L2+的量产攻克自动驾驶安全难关，并分摊掉智能底盘、AI芯片、激光雷达及AI软件的高成本，安全、低成本的无人驾驶汽车才具备极高的商业价值。

以下为朱西产演讲实录。

在今天的演讲中，我将围绕智能汽车自动驾驶的发展现状及未来趋势进行探讨。首先，我们需要认识到，无人驾驶出租车（Robotaxi）与传统网约车并未产生真正的竞争威胁。虽然资本市场和技术界都在推动无人驾驶的快速发展，但实际上，汽车行业的变革依然需要时间来成熟。过去七八年的电动化革命已经初见成效，而智能化的转型也从智能座舱逐渐推进至智能空间，如今，自动驾驶技术的成熟度和应用前景成为了新的焦点。

1、自动驾驶：从热潮到现实的距离

当前，关于Robotaxi可能带来的社会冲击已经开始引发讨论。无论是美国还是中国，都已出现了对Robotaxi抢人饭碗的担忧。甚至在美国，有人因害怕被取代而去破坏Robotaxi的轮胎。这表明，自动驾驶的真正爆发点已经逼近，甚至可能在未来进一步演变为无人驾驶的形态。

自动驾驶的发展即将迎来一个新的物种——“移动物联网”。过去，4G手机将我们带入了移动互联网时代，线上与线下的商业模式也因此发生了翻天覆地的变化。而无人驾驶的实现，可能会彻底打破线上与线下的界限，甚至可能引发社会问题。比如，随着无人商店、无人出租、无人工厂的普及，人类将如何定位自己的角色？未来十年，或许七八成的人可能会面临失业的风险，这不仅是技术进步带来的挑战，更是社会变革所需要直面的难题。

2、特斯拉的自动驾驶之路

特斯拉作为自动驾驶领域的先行者，在资本市场和技术开发中占据了显著优势。尽管近年来特斯拉的销量有所波动，但其在自动驾驶、人工智能等领域的持续投入，使其依然是市场的焦点。马斯克曾多次强调，特斯拉的未来不在于卖车，而在于数据与服务的订阅模式。特斯拉通过用户数据闭环，不断优化其自动驾驶算法，从10版本到12版本，特斯拉已经在自动驾驶领域迈出了坚实的一步。

从财务报表上看，特斯拉在储能行业与自动驾驶领域的盈利能力已经初步显现。去年，特斯拉的储充业务贡献了60多亿美元的营业额，而自动驾驶软件的订阅收入接近80多亿美元。尽管特斯拉在自动驾驶领域仍面临安全和长尾难题，但其通过用户数据闭环和强大的算力，正在不断优化其算法，从而在竞争中保持领先。

3、自动驾驶的技术路径：自下而上的合理性

自动驾驶的技术路径是从辅助驾驶（ADAS）到自动驾驶（ADS）的逐步演进。特斯拉在这方面采取了自下而上的策略，通过大量的用户数据，逐步提升其自动驾驶系统的性能。这样的策略不仅有效降低了技术风险，还通过用户的广泛使用，迅速积累了海量数据，使得算法得以持续优化。

相比之下，那些一开始就立志于无人驾驶的公司，在现实中往往面临更多的挑战。百度等公司虽然在无人驾驶领域取得了一定进展，但在商业化的道路上依然面临重重困难。特斯拉的成功在于其稳扎稳打的策略，通过逐步积累数据和经验，最终实现了从ADAS到ADS的转型。

4、数据闭环与算力的双重优势

在自动驾驶的发展过程中，数据闭环与算力优势成为了决定性的因素。特斯拉通过全球数百万辆汽车的用户数据闭环，掌握了大量真实道路场景的数据，从而不断优化其算法。然而，仅有数据并不足以支撑自动驾驶的全面发展，强大的算力也是必不可少的。

特斯拉的计算能力已达到300eflops的水平，远超国内大多数企业。这使得特斯拉能够在端到端的自动驾驶系统中，应用更加复杂的AI模型，从而提升自动驾驶的安全性与可靠性。尽管目前国内企业在算力和数据上仍有差距，但随着技术的发展，未来有望在这一领域迎头赶上。

5、自动驾驶的未来展望：场景覆盖与成本控制

从技术路径上来看，自动驾驶的发展不仅需要里程覆盖，更需要场景覆盖。特斯拉通过大量的用户数据，覆盖了广泛的驾驶场景，从而提升了自动驾驶系统的适应能力。相比之下，传统的试车场测试虽然可以模拟部分极端场景，但难以全面覆盖现实中可能遇到的各种情况。

未来，自动驾驶的发展可能会更多地依赖于大模型的应用，通过数据泛化来模拟边缘场景，从而提升算法的鲁棒性。同时，自动驾驶的发展还需要突破成本和效率的瓶颈。当前，自动驾驶技术的成本依然较高，尤其是在城市环境中，自动驾驶的成本控制将是一个巨大的挑战。

观看朱西产《智能汽车自动驾驶进阶展望》完整视频可点击

https://www.taibo.cn/live/543