自动驾驶是一项非常庞大，复杂度极高的系统工程，各个环节环环相扣，也被业界称为人工智能皇冠上的明珠。大型产业方，百度，谷歌，华为等斥百亿资金投入自动驾驶赛道，也源于其极其广阔的商业前景。
自动驾驶的商业价值有多大呢？我们以现在的网约车/出租车当前的成本结构来看，1元钱的收入中，滴滴作为平台方分走了0.27（其中0.05元补贴给司机），汽车的各项费用（折旧，租金，保费，油电费）等占到了0.3元，司机赚取的约为0.43+0.05=0.48元。在其他驾驶领域也有相似的比例。而中国拥有全球最大的道路交通网络，高速公路达到惊人的16万km，超过美国一倍以上。因此，中国也具有世界最大的道路交通运输活动。
一年中：

且不论机器司机比人更不知疲倦，可以24小时工资，事故率更低。仅从经济角度考虑，自动驾驶对于中国交通网络的商业价值提升就是以万亿来计量的。因此，即便要投入百亿规模的研发，众多巨头也特别看重这样一块巨大的商业蛋糕。   没有落地，再大的空间也是空中楼阁。但一谈及自动驾驶的落地，很多人马上想到的是特斯拉的交通事故，蔚来智能驾驶的事故，直呼“自动驾驶10年内不可能落地”。但人们总是在高估技术的短期价值，而低估了技术的长期潜力。
自动驾驶的落地需要爬过三座大山，分别是政策，成本和技术（安全性）。
政策山：2025年，自动驾驶汽车规范、标准体系基本完成，法律、法规逐步完善。
目前自动驾驶汽车上市上路面临来自产品管理，交通管理，信息安全和基础设施建设等诸多方面的挑战：

而参考当前的法律法规进度，2022-2023年，各省市加速自动驾驶示范区建设，用于自动驾驶验证和法规落地指引；2024年，《道路交通安全法》将完成修订，为智能驾驶汽车上路突破瓶颈，2025年后，法律、法规将逐步完善，解决上述4大问题，为自动驾驶汽车的量产和上路铺平道路。
成本山：2026年，预期行业将迎来拐点。

自动驾驶具有商业化价值的前提条件是，机器的成本低于人工成本。截至目前，百度对外宣传量产的无人车，披露成本为48万元，其中自动驾驶组件部分预期在30万上下。参考百度测算，其自动驾驶车的每月均摊的成本在8000元左右，已经接近一名滴滴专车司机的月成本，但此处不包含安全员的成本。
未来5年，自动驾驶组件，尤其是传感器等部分仍有50%以上的降价空间。并且在2025年，法律法规逐步落地后，自动驾驶车将逐步释放安全员，成本将出现显著地下滑，预期行业将在2026年迎来成本的拐点。
技术山：持续迭代接近corner case，向着99.9999%演进
在技术和安全性的角度上，我们必须认识到，产品有迭代的过程，并非达到100%才去做商业化。自动驾驶的最终目标并不是消除交通事故，而是“比人更安全，失效时不致死”。为了达到这一目标，行业内形成了依托于海量路测数据进行算法迭代路径，通过不断获得特殊的交通场景，来让自动驾驶的性能向着99.9999%以上演进。
参考2021年第一季度特斯拉发布的车辆安全报告：在Autopilot打开的情况下，特斯拉车辆每行驶419万英里（约674万公里）会发生一次事故。相比之下，美国国家公路交通安全管理局(NHTSA)的最新数据显示，美国范围内车辆每行驶48.4万英里（约77.9万公里）就会发生一次事故。从数据上说：特斯拉自动驾驶的安全性理论上来说比人类驾驶安全9倍。但考虑到中国道路交通的复杂度以及政府对此的保守态度，技术仍向着更高的标准发展和演进。
综合上述，我们判断2025年-2026年，政策法规落地叠加成本优势和技术进一步成熟后，自动驾驶将逐步迎来大规模商用化。   那么在自动驾驶这个产业链中，谁才是产业链的核心

从单车智能的产业链划分来看，传感-算法-算力-执行，作为自动驾驶的眼睛，大脑，心脏和四肢，环环相扣，但我们认为：在产业链的卡位和门槛来看，算力和算法是其中的核心。
感知部分，目前仍存在传感器路线之争，是通过昂贵的激光雷达快速降价来抵达彼岸，或是通过摄像头，靠算力的提升来实现外界信息的获取和计算，或是阶段性地两者结合，行业中仍有争论，但我们看到的现象是，传感器等感知部分的门槛相对其他环节较低，产业内集聚了大量的创业企业，并且为实现量产上车，产品面临着未来持续降价的趋势，未来竞争的门槛转变为量产成本，这并不是我们所看重的产业卡位。执行单元部分，线控，转向，刹车等都有一定的技术突破和市场的空间，但都是单点问题的解决，并不是核心的部分。而真正决定自动驾驶演进的核心，我们认为是算法和算力。

自动驾驶芯片算力的需求极大，从L2-L3-L4，对于算力的需求几乎是指数级别的增长。引用业内的观点，量产的30TOPS的芯片，还不足以满足和匹配感知算法20多个深度神经网络的模型同时启动，更别提预测和决策。行业的预期和市场的供应之间的差距，几乎是天与地的差距。因此在可预期的未来5-10年，更大算力，更低成本的芯片将是行业内所有企业期待的救星。
算法作为自动驾驶的大脑，从产业链的卡位来看，是整个系统工程的核心。选择什么样的算法最终会决定选择什么样的传感器方案，选择什么样性能的芯片，最终做出怎样的控制行为。那么怎么样才能获得一套优秀的自动驾驶算法，我们认为核心环节在于海量的有效数据，因为数据是深度学习的原料，也是机器人学习人类驾驶技能的重要部分。
虽然站在今天，产业内仍有关于“海量数据是否就是高级别自动驾驶的银弹？”的讨论。但上述的思考，更多是业内专家在算法优化时的深思，因为深度学习具有不可解释性，唯数据论最终会导致整体方案更大的危险性。我们很欣喜地看到这种给算法增加更高的冗余度的设计思路，这代表着自动驾驶算法正向着更成熟更落地的方向优化。但从产业投资的维度来看，真正能让一套自动驾驶算法变得优秀，或者让算法公司拉开差距的关键我们认为，主要是谁能持续高效地获取和处理海量的有效数据，次要是谁能在算法设计思路上高人一筹。综上，我们认为算法和算力是自动驾驶赛道在长周期内的核心卡位，而有效数据则是算法环节的核心关键。   对于自动驾驶产业的商业价值，爆发时间和产业卡位有基本认知后，当希望参与到这个不可错过的趋势中时，势必会有一个问题阻碍着我们：自动驾驶企业为什么在收入极低的情况下，都那么贵？Waymo，Cruise在没有收入时达到300亿美元的估值，国内的玩家也都达到了数十亿美元。
因为巨大的商业价值和极其高昂的重置成本。类似于微软开发Windows Vista系统耗费200亿美元。自动驾驶作为复杂的系统工程，代码量极大，每年的资金投入规模是极其巨大的，国内目前自动驾驶的人才，平均薪酬在50-80万，为解决不同复杂度的问题，需要大量的自动驾驶人才：

以Robotaxi企业为例，每年1-2亿美元的支出达到基础线，假设一家企业从0开始抵达商业化落地的彼岸，时间上需要5-10年，那么意味着公司研发出自动驾驶算法方案的投入规模应不低于10-20亿美元，而百度作为赛道的推动者，2021年投入即达到200亿人民币。
对于任何一家以此为目标的企业，制定和完成合适的融资估值和融资计划极为重要。赛道不再比拼谁的估值更低更有性价比，落后者往往在数据，资金储备，商业化进度上持续落后，甚至会降低其抵达彼岸的成功率。我们能够看到：伴随着自动驾驶法规和商业化落地的临近，资金将愈发向头部企业集聚。
彼岸是巨大的商业价值和极高的壁垒门槛，在这个不可错过的趋势中，谁将成为最后的王者，让我们拭目以待。