贾浩楠 杨净 发自 凹非寺 量子位 报道 | 公众号 QbitAI
这样一家自动驾驶公司立足点和发展路线，之前外界看不懂，业内也没预料到。
轻舟智航，3年来一直是自动驾驶创业赛道上最独特、“不可能”标签最多的公司。
一方面，它成立于行业低谷，资本市场一度质疑自动驾驶的商业价值，各个公司普遍收缩业务线求生。
落地路线选择不太被人看好的赛道——自动驾驶小巴，即便当时连百度这样的巨头也遭遇攻坚战。
还有在行业玩家普遍以“路测里程”、“车队规模”、“牌照数量”论资排辈时，轻舟却最早提出以仿真测试为主开发迭代，在当时属于“少数派”。
但另一面，IDG、美团、阿里、字节等科技巨头，却又不约而同看好它。
轻舟智航本身发展也落地频频，在苏州、北京、重庆、武汉、深圳等地公开道路上都有轻舟小巴的身影。
甚至一度还把“自动驾驶小巴”搞成了身上的标签，成为了行业头号代表，并且引领了自动驾驶小巴重新火热。
“轻舟模式”，也开始被业内外越来越多提及。
既指的是它的速度，也指的是其反差，更指向其展现的自动驾驶方法论。
而现在，轻舟智航主动分享了一切。
解开轻舟模式
在今天的QCraft Day轻舟品牌日上，轻舟分享了自己最新的发展战略，一转过去行业对轻舟智航是“自动驾驶小巴公司”的传统印象。
基于自动驾驶方法论“自动驾驶超级工厂”，支撑“双擎”战略的发展：
其一是动力引擎，将L4技术做深做透，并实现商业闭环；无论是Robobus还是Robotaxi，都是轻舟驱动L4技术纵深发展的途径；
其二是创新引擎，面向广泛乘用车市场，为客户提供更加安全，成本更加合理的前装量产方案助力客户创新，由此在更广泛的场景下应用并实现技术的验证。
这个战略的提出，用轻舟智航创始人、CEO于骞的话说，就是自动驾驶行业正在迎来发展的黄金拐点：
- 政策上，针对自动驾驶产业的政策愈加清晰、友好，越加开放且合规；
- 技术上，自动驾驶模型、算法等越发强大，对整个行业有很大的促进作用
- 传感器和算力方面：激光雷达从几年前数万美元降到了数千人民币，已经在越来越多的量产乘用车上使用，算力平台从几年前的几个、十几个TOPS发展到数百TOPS甚至上千TOPS，传感器和计算都在向车规方向发展；
在于骞看来，这已经非常适合于前装量产的大规模落地：
如果把算力比喻成环境中的氧气浓度，把传感器数据量级比喻成食物，相当于就是环境里的氧气浓度变得更大，环境里面的食物更多，非常适合高等级自动驾驶公司的发展。”
进军前装量产领域，推出最新一代量产车规级自动驾驶解决方案DBQ V4，也是这一次轻舟最引人瞩目的产品。
DBQ V4，量产成本低至1万元的L4自动驾驶套件，为前装量产而生
几年前，谈到搭载ADAS系统的量产车，其实和L4是没有什么交集的，它只能完成一些ACC、AEB等非常基本的辅助驾驶能力，相互之间的数据并不通用。
然而随着行业黄金拐点的来临，数据的打通成为了可能。
但L4前装量产的实现也并非就能一蹴而就。于骞表示，L4的困难在于最后1%的场景，这当中涉及到大量底层的安全冗余方案。
然而得益于轻舟高效的自动驾驶方法论，加之传感器和芯片的快速发展，轻舟已经实现了用10%的L4的成本来实现大部分L4的能力，而不像ACC、AEB这种单点覆盖。
DBQ V4量产成本最低至1万元人民币，这在L4级自动驾驶赛道上是前所未有的。
但轻舟并没有把焦点全然锁定在性价比上，在他们看来，领先的工程化能力和交付能力，同样是自动驾驶的核心竞争力。只有这样，才能做到“为量产而生”。
DBQ V4是一个高度可配置的方案，客户可以像勾选菜单一样根据不同的应用场景选择相应的配置，相当于把产品的定义权交给客户。
全部配置可以达到L4级自动驾驶，而标配版则可以用10%的实现99%的L4级自动驾驶能力。这便是随“机”应变。
面对不同的车型、场景，DBQ V4也能在一套技术栈下快速适配，实现像无保护左转、狭窄道路通行、自主泊车、自动变道超车、主动绕行动态障碍物等一整套的能力，是为“以不变应万变”。
诠释的就是为量产而生。
成本优势史无前例的自动驾驶套件，必然依托国内成熟供应链。
比如品牌日上轻舟智航官宣与国内智能驾驶芯片领跑企业地平线达成合作。
预计在2022年第三季度，双方基于征程5芯片的自动驾驶样车将开放路测；到2023年，双方基于征程5芯片联合研发的高等级自动驾驶方案将达到量产水平。
从自动驾驶小巴到未来移动空间
就在此次发布活动的前几日，北京刚颁发高级别自动驾驶示范区智能网联客运巴士测试牌照。
轻舟智航成为首批获得此测试牌照的企业，他们将全面接入北京市高级别自动驾驶示范区2.0车路协同场景应用。
此次牌照的发放，为企业自动驾驶快速规模化商业化应用奠定了政策基础。
与此同时，还填补了北京智能网联客运巴士测试、示范应用的空白。
而放在三年前，自动驾驶小巴还只是一个巨头纷纷不看好的赛道——
技术难度比封闭场景高，市场又没有Robotaxi大。
如今却有如此明确的政策导向，这当中少不了轻舟智航的快速推动作用。
过去三年中，轻舟智航虽然创立没占“天时”，但却后发先至，进展神速。甚至所谓的轻舟速度，已成为行业共识。
- 成立4个月即获加州路测牌照。
- 一年之后，轻舟智航的自动驾驶小巴龙舟ONE首次在苏州亮相，并启动常态化运营模式。值得一提的是，当时基于Driven-by-QCraft的解决方案，首台小巴出厂到上路只用了一个月时间。
- 同年12月，在深圳落地首个微循环自动驾驶公交线路。
- 随后在2021年，又在武汉、重庆、北京等地落地运营，还发布自动驾驶网约巴士。截止当年年底，已经有10个城市落地，自动驾驶车队（Robobus Robotaxi）超过100辆。
- 与东风悦享联手打造的Sharing Bus，不到半年时间就已经在武汉、大理、苏州等多个城市落地运营。
从技术和商业两个层面，轻舟智航向行业证明了无人巴士这条赛道不但能走通，而且潜力巨大 。
之前一度观望的玩家又纷纷入局。
而轻舟智航作为无人巴士的先行者，却又在产品定义上做了新的探索。
品牌日发布的龙舟SPACE，开始朝“移动空间”的方向转变。
龙舟SPACE的空间可多重变换，灵活覆盖不同场景需求，更像是一种Mobility As A Service的体现。
龙舟SPACE到底能做什么？既可用于从长途到短途的无缝接驳，又能用于零售、物流等场景。
于骞还举了个更加典型的例子——建立15分钟核酸检测圈，以完全自动化的方式在城市内部进行部署。
因此，自动驾驶车辆未来的应用场景不仅限于交通出行，而是可以成为连接乘客、交通与服务的智能体。
轻舟智航的核心方法论
短短三年时间，轻舟智航不光完成产品、技术迭代，还能将自动驾驶小巴落地这么多城市。
表面上看，是自身技术实力以及产业链成熟大背景这内外两方面加持。但实际上背后，正是前文一直提及的一整套底层方法论的验证——
自动驾驶超级工厂。
它以数据驱动和效率提升为核心，数据驱动形成一个闭环，效率提升使得这个闭环越转越快，整体就是一套系统化、自动化的自动驾驶基础设施。
它主要包含三个板块。
一是通过数据流水线工具链轻舟矩阵打造自动化闭环。通过数据的快速流转，实现技术的快速迭代。
这也是基础设施中最为重要的底层支撑，当中包含数据平台、标注平台、训练平台以及仿真模块。
其中前三个平台为基础架构模块，可实现数据上传、筛选、标注、训练等全流程任务。
随后通过依照真实路测和生成数据构建的仿真平台，来帮助企业训练多个场景算法、测试验证。
据介绍，这一工具链可帮助企业将测试成本降至纯道路测试的1%；每天生成数百万个的Corner Case场景，一周即可完成量产级别的算法测试验证。
而轻舟矩阵这套工具链如今也已经推向市场，帮助客户实现数据驱动的研发能力，建立数据资产的护城河。据悉已获得多家TOP车企采用。
二是涵盖车载软硬件的平台级通用全栈技术。既包括传感器、线控、计算平台等硬件，也包括感知算法、地图定位、云端控制等软件。
三是面向不同场景批量化输出解决方案，比如城市公开道路、高速公路、封闭园区/景点、公交定点接驳等场景。
从底层数据就开始，再到模型、评测高效开发，也就不难理解轻舟为何能在自动驾驶多场景下快速迭代。
这当中，还诞生了许多独创性技术，比如时空联合规划算法，将路径和速度结合起来，让车辆更灵活应对中国特有场景下的复杂路况。
有了这样一套核心的方法论，轻舟的不同业务模块之间，就可以实现数据共享、相互支撑、相互反哺，上层的Robobus、Robotaxi、前装量产等不同业务就可以实现高效的协同发展，而绝非单打独斗。
这样的模式，能够让轻舟在不同场景下快速验证，敏锐捕捉到行业发展进程中，每一个商业与技术的平衡点。
小巴，只是轻舟模式的表层
轻舟模式的底层方法论在过去几年中不断得到验证：
- 落地的广度，比如苏州、无锡、武汉、大理等等城市的商业化运营；
- 技术的深度，即作为自动驾驶小巴玩家在北京首获无人化测试牌照，在L4落地这一行业难题上迈出了关键的一步。
现在无论在产业界还是投资圈提到自动驾驶小巴，轻舟智航是一个绕不过去的名字。
小巴赛道初获成功的轻舟智航，下一步路径该怎么走？
其实这早有揭示，无论是在之前投资人的表述还是轻舟智航官方的透露。
和所有瞄准L4自动驾驶的创业公司一样，轻舟智航的终极目标是将高阶自动驾驶普及到社会各个场景。
而其中社会效益最大、市场前景最好，同时技术难度也最高的就是Robotaxi。
轻舟模式支撑的，就是这样一条通向全场景高阶自动驾驶的路线。
换言之，轻舟智航现在所做的Robobus，其实是Robotaxi的过渡形式，而这个模式投入的时间、成本对于创业公司可承受，是一条L4落地最现实、最快速的路径。
场景完全相同，Robobus为什么不能是Robotaxi？
Robobus和Robotaxi本质上都是面对城市复杂道路，两者在应用场景上一脉相承。其中，Robobus可以利用“轨道交通 微循环”这种高效模式，满足居民“最后三公里”的出行需求。
而相较传统巴士高峰期紧缺、平峰期空载率高的问题，Robobus结合网约的模式则更加灵活，对公共交通的资源利用更为合理。
网约巴士的自动驾驶化，也更能顺应公共交通智能化、绿色化、网联化、共享化等需求和趋势。
当巴士实现网约化，也就和Robotaxi没有什么界限了。
对于城市管理方来说，Robobus比网约车更能缓解交通压力，提高交通出行效率，所以政策上的支持力度会更大，政策准入、落地范围方面进度更快。
技术高度复用，却没有Robotaxi落地的限制
而在技术层面，Robobus和Robotaxi的使用场景都是城市开放道路，使得它们面对的挑战、长尾场景都完全一样。在传感器方案选择上，也能做到完全一致。
也就是说，对于后台研发，除了针对不同车型的控制算法需要单独适配，L4底层技术的感知、决策核心完全相同。
测试数据的高度复用，大大提高了传统Robotaxi车队数量、范围有限导致的数据同质化的问题。
场景、技术本质相同，政策准入又更友好，数据收集上效率还更高。
既然如此，那么用Robotaxi的技术栈打造Robobus，就成为轻舟智航在一开始“降维打击”的合理方案。
开启Robotaxi商业化运营
既然场景相同、技术高度复用，轻舟智航Robotaxi商业化的开花结果也顺理成章。T3出行，就是轻舟在Robotaxi领域的最新战略合作伙伴。
据悉，双方将在今年7月于苏州联合启动Robotaxi公开运营，为包括苏州市民在内的广大用户提供安全、便捷的无人驾驶服务。
事实上，在Robotaxi领域，轻舟从未离开。
于骞回忆，在硅谷创立的第一天，轻舟的四个创始人打造的第一辆自动驾驶车就是以Robotaxi为模型，三年来，轻舟一以贯之地推动Robotaxi的技术测试和产品打磨。
如今全面开启Robotaxi的商业化运营，其实是在贯彻Day 1的战略。
不过无论是落地形态，还是路线选择，轻舟智航尽管是先行者，却也能复制。
所以揭开轻舟模式，讨论了时机、产业、路径之后，还是指向一个终极问题，自动驾驶公司竞争的本质，到底是什么？
自动驾驶，竞争的到底是什么？
自动驾驶江湖，圈内圈外争论最多的，是关于路线、落地模式，角度也是层出不穷。
为人熟知的至少有3种。
最早，大家讨论Waymo模式或是特斯拉模式，谁能走到最后。
这两种路线之争，核心是自动驾驶到底该采用Waymo测试为主，技术成熟再谈量产，还是像特斯拉那样以量产为先，通过用户义务贡献测试数据。
这样的争论本质讨论的是迭代方法，而目前已经见分晓，特斯拉完胜。
后来，马斯克又亲自挑起了纯视觉、融合感知路线之争，这也成了目前最容易被大众理解的自动驾驶阵营划分。
马斯克认为多传感器融合不本质，徒增系统复杂性，而反对方认为纯视觉并不成熟，多传感器是一种安全保障。
表面看是在争论技术、安全，其实背后争的是成本和量产。
而进入自动驾驶下半场后，业内更加喜欢用“升维”或是“降维”的观点，来区分自己和友商的比较优势。
比如百度代表的L4玩家，说自己把高阶自动驾驶“降维”在不同场景，天生技术优势明显；而从L2切入的自动驾驶公司，强调自己规模量产优势，迭代快更。
这几种路线的竞争，分别是关于技术、成本，和业务模式的争论。
但都不能完美解释自动驾驶赛道选手的发展现状。
比如Waymo和百度Apollo、小马智行，相似的技术和路线，状态和处境却不尽相同。
再比如已经倒掉的Uber、Lyft，作为网约车平台搞自动驾驶，没人比他们更有规模和场景优势，却都以甩卖退场告终。
这样看来，说自动驾驶竞争在于量产、技术栈、传感器，或许都不本质。
那么自动驾驶竞争的到底是什么？
轻舟智航的模式，其实给出了一个更加接近本质的参考。
轻舟智航作为一个后发者，从一开始明确了自动驾驶竞争本质，其实不在大家激烈探讨的纯视觉或融合路线，或是升维降维的方法。
于骞明确了这个核心本质：数据闭环能力，更准确的说是低成本高效率的数据闭环能力。
其实，无论是做L2还是L4，搞前装量产还是Robotaxi，这都是成败与否的核心标准。
低成本，包括自动驾驶系统量产的成本，也包括数据收集的传输存储成本，当然最重要的是处理成本。
特斯拉的成功，是建立在对60亿目标有效标注的前提上，而这些数据如果完全靠人工分类标注，时间和财力成本是任何公司都无法承受的。
所以，这也是轻舟智航“自动驾驶超级工厂”背后的真正含义：通过不断提高数据自动化处理能力，降低算法迭代的成本和周期。
高效率，则来自于数据收集的有效性。
自动驾驶公司以往爱以路测里程、MPI（接管率）来宣传自己的能力，但在平直通畅的路面上刷里程数据很简单，也能轻松把MPI做到很低，但这样的系统泛化能力差，并不具备量产价值。
于骞认为，其实对L4来说，99%的场景都很简单，各家能力也趋于同质化，真正的差异化优势在于那1%不常遇见的复杂长尾场景。
而要提升系统应对这类场景的能力，关键是要有相应的数据提供给AI训练。
如果依赖路测收集极端复杂场景数据，可能数万公里甚至更多里程才会出现一例，这导致数据反馈的有效率很低，有效数据的平均成本也很高。
而要收集足量且覆盖类型齐全的长尾场景，几乎是不可能的。
所以轻舟智航最早提出以仿真为主的自动驾驶研发，通过对有限路测数据的学习，然后使用系统大量生成针对性的场景对AI进行训练，这样将路测数据价值放大到极致，也大大加速了迭代周期。
从数据闭环的角度去看自动驾驶竞争，一下就清晰得多。
Lyft、Uber的失败，核心则在于后装传感器数据有效性不高，反映到开发端，依然是成本问题。
而成功开启规模化商用的玩家，无论是轻舟智航这样以L4立身的公司，还是特斯拉这样从乘用车辅助驾驶的入手，本质都是在打通了低成本数据闭环，让技术能下放量产场景，场景数据又能不断反哺技术进步。
以往都说自动驾驶的竞争是路线之争，只是表象。
如果自动驾驶的本质就是打造AI司机，那决定这个“司机”能力和发展的，跟其他AI模型就不会有不同——都会是数据及其背后的数据能力。
而对于自动驾驶江湖而言，论排名也好、看竞争力也好，或者预测谁会赢得终局之战也好。
标准已经再明确不过——
是否拥有数据闭环能力，是否拥有低成本、大规模和高自动化的数据迭代能力。
— 完 —
点这里
