2004年3月13日，在美國莫哈韋沙漠地區舉行了第一屆自動駕駛汽車比賽——DARPA大挑戰賽（DARPA Grand Challenge）。這是世界上第一個自動駕駛汽車長距離比賽，15支參加決賽的團隊在142英里（約228.5公里）的賽道中展開角逐。
最終，這場比賽沒有完賽者，甚至連接近完成的都也沒有。走得最遠的是卡內基梅隆大學的紅之隊（Red Team），他們用悍馬沙暴（Humvee Sandstorm）行駛了7.4英里（約11.9公里），還不到全程的5%。
但就是這5%的路程，其象征意義非常顯著，可以說一個新的行業由此而生。
參加過第一屆比賽的Axion團隊軟件負責人梅蘭妮·杜馬斯·格林(Melanie Dumas Grimm)說：“這是從學術論文到走向實際應用的第一步的轉折點，將被載入史冊。”
她自己也在這次比賽之后，成為了Waymo技術項目經理，幫助該公司在鳳凰城、舊金山和洛杉磯等大都市部署Robotaxi。
曾擔任谷歌街景和自動駕駛汽車項目的高管，又在2018年擔任了自動駕駛礦用卡車初創公司Pronto首席執行官和聯合創始人的安東尼·萊萬多夫斯基（Anthony Levandowski）也是首屆DARPA大挑戰賽的參賽者，那年他只有23歲。
他回憶說：“就像生活中的大多數事情一樣，第一次嘗試就做對的問題很難。沒有人贏得比賽，讓每個人都有信心可以再來一次，這讓人們更加磨煉了堅持不懈與不斷磨煉的品質。”
馭勢科技CEO吳甘沙曾見證了2005年第二屆DARPA大挑戰賽，彼時他任職的英特爾公司直接贊助了卡耐基梅隆“紅之隊”，隨后又派了一支團隊加入到斯坦福斯坦利車的課題組。
這次挑戰賽的過程是“紅之隊”一路領先，但到中后程被斯坦利超越。英特爾參與的兩個車隊最終奪得了前兩名。
那是吳甘沙第一次接觸自動駕駛，他回憶說：“感覺當汽車變成無人駕駛時，每一塊平面、每一個空間、每一個功能都值得重新設計。”
而“紅之隊”的失敗讓他有了敬畏之心，認識到再牛的團隊、再高大上的自動駕駛，也受制于木桶原理，即使一個普通得不能再普通的零部件失效，也會讓自動駕駛一文不值。
DARPA大挑戰賽就像一個大樹，后來無數自動駕駛人才都是在這里開枝散葉出來，又落到各個公司，谷歌、優步、通用、福特等等，成為了培育一批又一批自動駕駛骨干的搖籃。
困境與瓶頸
在2009年Google X實驗室啟動自動駕駛項目后，硅谷涌現了一批自動駕駛初創企業，也吸引大批風險投資和高科技人才匯聚于此。此后的十來年里，自動駕駛在巨量資金和大批頂尖人才的支持下，獲得了長足的發展。
隨著全球疫情肆虐，經濟下行，自動駕駛行業也遭受頗多挫折：技術進展變緩、商業化落地艱難、投資人信心匱乏，這導致大批海外明星創業企業倒閉、上市公司合并、融資難以為繼。
今天，硅谷自動駕駛初創公司的高管們依然堅信，這項新興技術可以重新詮釋傳統的駕駛和移動方式。相比于美國每年近4.3萬人死于道路交通事故的現狀，自動駕駛系統將大幅提高安全性。
然而，麥肯錫公司（McKinsey & Co.）估計，盡管自動駕駛技術已經投入了2040億美元，但如今的美國道路死亡人數幾乎與以前相同，而自動駕駛車輛廣泛普及、能夠行駛到任何公共道路可以到達的地方的承諾仍然難以實現。
對于近期自動駕駛遭到的冷遇，吳甘沙認為，科技的熱點是一直在變化的。能長期活得好的公司，不在于它抓住了一個熱點，而是它能抓住一連串的熱點。
任何一個長賽道的方向，一定不會一直在熱點上，而有很長的時間是在水下，參與者必須得不停地撲騰，去調整呼吸，才能活下去。其實自動駕駛已經維持了五六年的熱點，現在肯定是在波谷，等到下一波波峰來了，它又會熱起來，沒準到那個時候可能大模型不熱了，又會有新的技術站出來。
對于融資困難，他認為，如果說一個初創企業估值不是高得離譜，同時業務又在快速發展，利潤現金流在不斷改善，在所處領域又具備壟斷性的領先優勢，這些企業融到錢應該不是問題。
輕舟智航CEO于騫則認為，現階段的核心問題還是在技術本身的突破，包括自動駕駛冰山以下的感知、規控等算法模型、數據閉環技術本身和研發范式的突破仍然是關鍵。數據怎么樣能很好地流轉起來，怎么樣更好地管理，把它做篩選、標注、訓練以及大規模仿真的驗證，實現高效的數據閉環，對于自動駕駛大范圍普及是非常關鍵的。
從成本角度看，實現高階自動駕駛所需車載傳感器的數量顯著增加，這些硬件最終都會體現在成本上。除了技術層面的瓶頸，法規和市場接受度也是自動駕駛商業化需要面對的挑戰。
因此，自動駕駛商業化需要政府、企業、科研機構等多方共同努力，從政策、技術、市場等多個角度入手，推動自動駕駛技術的研發和應用。
馬拉松和拳擊賽
波士頓咨詢集團（Boston Consulting Group）移動創新中心（Center for Mobility Innovation）聯合負責人奧古斯丁·魏格謝德（Augustin Wegscheider）仍然看好自動駕駛的未來，但他不再將發展與時間表掛鉤。
他說：“更明智的選擇是，我們只把它稱為‘未來’。”“描述大規模的場景，比準確說出它何時會發生要容易得多。”
其實，早在第一次DARPA大挑戰賽活動舉行時，就有人看出自動駕駛乘用車將面臨著艱難的發展過程。
“紅之隊”的領導者卡內基梅隆大學機器人專家威廉·惠特克（William Whittaker）教授說，第一次大賽中車輛缺乏一致性，讓比賽感覺像是“星際迷航中的酒吧場景”。
曾有業界人士把自動駕駛比作攀登珠峰，一條路線是從尼泊爾出發的南坡，相對稍微平緩；另一條路線是從西藏出發的北坡，更為陡峭、崎嶇。
對應著自動駕駛行業的兩條大的研發路徑：一條是以車企為主的漸進式策略，一般從L2開始，再逐步疊加高階功能；另一條是以科技互聯網企業為代表的跨越式策略，直接從L4、L5開始研發。而它們最終的目標都是登頂自動駕駛的頂峰——無人駕駛。
以Waymo為代表的“北坡”路線，即使Waymo有非常多的資源，很強大的技術實力，也難以突破北坡。相反，以特斯拉為代表的“南坡”漸進式路線從L2入手，通過輸出階段性的智駕產品為下一代產品積累數據，迭代性的獲得盈利的同時，逐步上攻。這似乎讓所有人都看到了一條最終通往自動駕駛的可行路徑。
而漸進路線要滿足兩個要求，首先能商業化，有造血能力，養活自己，而不是長期靠風投來買單，其次是能不斷成長、到達終局。
吳甘沙將當下的自動駕駛發展總結為四點：
首先，他相信自動駕駛是一個解決了億萬人痛點，同時又具備萬億級規模的市場，所以毫無疑問還是一個非常理想的創業方向。
其次，現在自動駕駛行業目前是處在低谷當中，亟待技術突破和商業閉環的形成。
第三，自動駕駛的難是來源于它的本質，也就是99分等于0分，最后那一分可能是需要99%的時間和精力，所以自動駕駛一定是持久戰，而正因為是持久戰，創業公司才有生存機會。
第四，創業公司的發展一定要選用漸進式的技術路線和沿途下蛋的商業路線。
“自動駕駛是一個長賽道，參與者既要學會馬拉松，也要學會打拳擊賽。馬拉松能夠讓你一直跑下去，拳擊賽能夠讓你在終局時能有核心競爭力。”吳甘沙說。
因此，從創業公司的角度來說，得把戰略想清楚，找到合適的切入點，尋找那些既在巨頭的射程之外，又真正能為客戶解決高頻剛需問題的市場，只有這樣，才能夠有足夠的利潤支撐企業堅持下去。
佑駕創新公司CEO劉國清博士認為，如果自動駕駛的商業化進程和技術等級對應，漸進式地“沿途下蛋”，瓶頸不會很顯著。如今消費者越來越重視車輛中的智駕功能，恰恰證明了其商業化前景之廣闊。
他說：“L4、L5自動駕駛大規模商業化還須一段時間，我們看到國外的一批自動駕駛公司，熱度也不同程度的冷卻下來。這其中技術的成熟度只是一方面，我認為更關鍵的在于挖掘需求。如果沒有需求、或者是偽需求，就無法建立可持續的商業模式。”
大模型是新希望嗎
在吳甘沙看來，大模型技術對于未來自動駕駛走到終局，肯定是一個很重要的方向。
首先，大模型加深了對環境的理解。因為今天的自動駕駛其實本質上還只做到了在場景里面確保不撞，但是缺乏對于場景的深刻理解能力，缺乏對于與其他的交通參與者的人性化互動。
第二，現在自動駕駛之所以這么累，因為它不收斂，永遠有沒見過的問題暴露出來。本質上就是人工智能沒有出現涌現式的躍遷。這是因為今天車端能跑的算法，參數規模可能只有幾千萬或者是上億，而參數規模的局限，導致了它不可能具備涌現的能力，所以永遠不會收斂。如果車端處理的參數規模能達到10億級別，它的模型就會具備涌現躍遷的能力,也就能更快地接近終局了。
他認為，大模型其實已經在一些方面起作用了：從短期來看，如果數據少，缺乏Corner case，大模型可以幫你生成；如果數據多，人來不及標注時，它能夠幫你標注；它還能通過知識的蒸餾，把大模型里面的知識變成一個車端能跑的小模型等。從中長期看，一是它將具備世界模型能力，對世界有更好的理解；二是它會實現涌現躍遷，解決一直不收斂的問題。
于騫也表示，首先，現在技術發展方向正在朝向數據定義階段發展，算法模型需要具備強大的數據學習和場景泛化能力，有效解決各類Corner Case。所以，未來幾年，智能駕駛更大的價值來自于數據。輕舟的研發范式也在從以模型為中心轉向以數據為中心。
最近端到端在國內掀起新一輪技術革新風暴，成為智能駕駛技術競爭的全新制高點。一旦進入這個階段，輸入信號完全是原始的傳感器的信息，輸出就是轉向、剎車、油門這樣的控制命令，數據的重要性越來越大。尤其是AGI（Artificial General Intelligence，通用人工智能 ）時代出現后，在數據規模方面，模型相比數據規模來講的重要性變得越來越小。
其次，生成式AI技術展現出了巨大的潛力。自動駕駛需要大量數據支持算法模型的訓練，以適應各種駕駛場景和復雜路況。然而，傳統的數據采集方法可能受限于實際道路條件和安全問題，無法獲取到大量多樣化的數據。生成式AI能夠生成肉眼無法分辨真假的圖像，為模型訓練提供高質量合成數據，從而破解自動駕駛數據和測試難題。
從事AI研究20余年的瑞因凡（上海）智能科技有限公司聯合創始人、CEO韓東告訴汽車商業評論，大模型或者說生成式AI，對于自動駕駛肯定是有很大的推進作用，也是目前能看到的未來真正到達L5的唯一可能性。
但這不代表現在離這個目標很近，因為完全自動駕駛L5趨近于AGI。他認為，最終完全的自動駕駛不意味100%的安全，因為任何交通工具出行都有出事的概率。只要概率低到讓你覺得這是一個不可能碰上的小概率，其實大家就已經無所謂了。
他覺得，現在類似GPT-4這種通用大模型，還在不斷迭代當中。假設算力不是瓶頸，做推理的速度足夠快，車端側變得可用，遇到任何路況，系統立刻就可以做出很正確的反應，還足夠便宜，那就可以實現自動駕駛了。但現在實現不了，主要因為使用大模型進行推理太貴。
比如說馬斯克的xAI公司最近剛剛開源的大模型Grok-1，擁有3140億參數，是迄今為止參數量最大的開源大語言模型。如果你要把它跑起來，可能就要四五張英偉達A100 GPU，而一張A100售價就接近10萬元人民幣，很顯然這在車端不現實的。所以未來怎么樣讓車側的模型變得更小，更容易去做推理，更便宜更快，才是實現完全的自動駕駛的過程。
至于車端大模型需要多大的參數規模，他現在不太敢判斷，因為大家對于這種多模態模型的參數規模，并沒有一個特別清晰的認知。L5什么時間到達也比較難說，如果技術足夠成熟，安全性足夠高，他覺得應該是10年到20年之內的事情。
劉國清猜測，自動駕駛突破的關隘，不在是不是有另一項新技術，而是在基礎設施和能源上。比如AI大模型的背后是巨大的算力，支持算力的是大量消耗的電力。“自動駕駛目前的車載算力也越來越大，可以預見的是，越往L5走、或者從車端到路端、從車端到云端……我們需要的算力也越來越大，因此需要巨量的計算技術設施和能源的支持。”他說。
曙光在哪兒初現
從行業的發展來看，汽車并不是DARPA大挑戰賽催生的唯一業務。按自動駕駛的發展來看，該賽事的血統跨越航空航天、采礦、農業、卡車運輸、拖拉和其他領域，總價值達數百億美元。
農業成為惠特克教授預見到的明確用例。現年75歲的惠特克在家鄉賓夕法尼亞州霍利迪斯堡附近的一個農場里，一邊開發農業機器人，一邊研究太空探索機器人，仍然激情澎湃。
根據市場研究公司Grand View Research的數據，去年農業機器人市場估計為115億美元，預計到2030年將以20.6%的年增長率增長。農業巨頭約翰·迪爾（John Deere）提供一套自動化拖拉機選項，并把全自動拖拉機宣傳為“額外工人”，“從不遲到”，也不介意“通宵工作”。
采礦也是自動化駕駛系統的第一波實際應用。去年8月，沃爾沃自動駕駛解決方案取得了里程碑式的進展，從挪威Velfjord的Bronnoy Kalk礦山拖運石灰石的7輛卡車上撤下了人類安全駕駛員。Grand View Research估計，到2023年，全球采礦自動化市場的價值超過50億美元。
據吳甘沙介紹，馭勢科技在機場和工廠的無人駕駛已經實現了商業化的應用。目前香港機場已累計投入50余臺馭勢科技無人駕駛車輛，已實現超過1000天的完全無人駕駛常態化運營，為機場提供全天候的無人物流和接駁服務。他認為，像在機場的自動駕駛應用，現在還是溫和增長，但快的話2026年，慢的話可能2027年、2028年就要進入爆發的轉折點了。
他認為，自動駕駛的發展，要取決于幾件事：第一是技術靠譜，從技術上保障安全可靠的運營，不能按照平均值來去做技術，而是要考慮到最復雜的場景；第二，需求必須是高頻剛需，提升利用率，可以替代人類司機；第三是賬要算得過來，也就是讓客戶省錢，讓自動駕駛企業賺錢。
于騫表示，2024年被認為是智能駕駛大年，是從電動化向智能化發展的關鍵時期。在大規模前裝量產領域，沿著“南坡”路線的漸進式模式，L2++級高階輔助駕駛會從高速NOA到城市NOA逐步普及。城市NOA是輔助駕駛的天花板也是無人駕駛的入門檻。
另一條沿著“北坡”路線的L4自動駕駛領域，自動駕駛的規模化應用遵循從簡單場景到復雜場景，從低速場景到高速場景，從載貨到載人的原則。可能會最先在園區接駁、安防巡邏、物流配送、環衛作業、公交、港口碼頭、智能礦山、無人零售等領域開展應用普及，目前已經在逐步走向商業化試點運營。
其中，自動駕駛公交不僅限于交通出行，而且可以成為連接乘客、交通與服務的智能體。自動駕駛小巴是中低速場景，乘客對車速的預期可控；走固定路線，更能確保行駛安全；多人出行，具有社會效益，有望成為公開道路上的L4自動駕駛最快實際落地場景。
在劉國清看來，如果從Gartner曲線的階段來看，自動駕駛目前已經處于爬坡期，正在往成熟期進發。技術層面，BEV+Transformer將自動駕駛技術提升到新的高度，實現感知與決策一體化。市場層面，消費者認知和需求也在爆發。L3及以下的技術目前已經規模化應用在車輛上，L2功能更是幾乎成為新造車勢力的標配。而Robo-Taxi等L4業務也在多個城市落地開花。
從趨勢看，汽車消費市場里低階自動駕駛已經開始普及了。在生活場景下，它能改變人們的駕乘體驗；而在生產場景下，自動駕駛如果能成為生產工具，或者促進生產效率，也是會率先普及的。比如在限定區域內的客運接駁、干線物流、最后一公里配送等等。