很多人问我，作为一个汽车厂商，怎么样才能够抓住汽车智能化的时代机遇，建立自动驾驶自研能力，因为其中最让人头疼的就是建立人工智能（AI）自研能力。

车厂已经意识到自动驾驶自研能力非常重要

2021年6月30日，上汽集团董事长陈虹在股东大会回答股东提问时表示，与一家公司合作自动驾驶，它为上汽提供整体的解决方案，上汽是不能接受的。如此一来，它就成了灵魂，而上汽就成了躯体。上汽要把灵魂掌握在自己手中。

图1 上汽要把灵魂（自动驾驶）掌握在自己手中

所以，规模较大的汽车厂商，都已经积极布局，如成立研究院、子公司和人工智能实验室，要把自动驾驶的关键技术掌握在自己手里。

车厂自研算法难落地

传统车厂自研的研发成果往往并不能够进入到量产车型，车型部门更愿意从外部采购算法，理由是自研的算法的成熟度难以和外部供应商的算法的成熟度相媲美。

这是因为传统车厂没有招聘到优秀人才吗？其实不是。

而是因为恶性循环：因为自研算法不成熟，所以量产车型不用，所以自研算法没有成熟机会，循环往复。

图2 车厂自研算法的恶性循环

对于新成立的电动汽车公司，也有类似的问题。创业公司更在乎自动驾驶的自研，因为他们都以特斯拉为榜样，而特斯拉就是自研的自动驾驶和智能座舱。但是，对于新成立的造车公司，人员和经费都非常紧张，一穷二白，怎么样才能够高效的、省钱的建立起自研的自动驾驶团队，这是他们非常苦恼和困惑的地方。

有的造车新势力就走了弯路。一个典型的案例就是南京的拜腾，这家公司还没有造出一辆车的时候就开始从苹果挖高级自动驾驶算法工程师，2018年拜腾拥有300多人的北美办公室仅购买零食就花费了700多万美元（约人民币5000万元），人力成本高昂，但是到最后一辆车也没造出来，自动驾驶算法自研也无从谈起。

车厂自建自动驾驶能力的2大误区

误区一：首先招聘自动驾驶算法大牛。

有家车厂先从自动驾驶算法公司招聘了一个算法高管，但是这家公司的汽车的AI芯片是采用的Mobileye的芯片，车厂并不能在上面编程，自研算法并没有办法跑在已经量产的汽车上。

算法工程师的产出在短时间内并没有能够量产落地的希望，要留出优秀的算法团队是很有挑战的，在工资待遇上要做倾斜。

由于算法工程师是和互联网公司竞争人才，所以优秀算法工程师的工资本来就相对较高，会对传统车厂原有的工资体系形成更大挑战。

而且，加上短期内算法工程师的成果不能落地，公司内会对算法大牛的价值有质疑，会对决策者产生挑战。

误区二：先招聘几个算法工程师做预研。

既然自动驾驶重要不紧急？那先招聘一些资历相对较浅的算法工程师，先做预研吧。这样行吗？

也不行。

有个案例，算法工程师和他的领导发生了冲突。因为算法工程师要求公司给他购买数据，但领导觉得算法工程师没有证明自己的能力，并不愿意在这个时间点购买数据，最后以算法工程师离职收场。

 图3 车厂的算法工程师的数据窘境

车厂建立自研能力的关键在建立“基本工作条件”

其实，汽车厂商自己掌握自动驾驶的自研能力是完全可行的，只要先集中精力建“基本工作条件”。

 图4 想拥有顶尖的自动驾驶算法团队，先要拥有“基本工作条件”

要建立顶尖的自动驾驶算法团队，第一步不是招聘最牛的算法大拿，也不是急于扩大算法工程师团队规模，而是建立算法工程师的“基本工作条件”，先筑巢，再引凤。

算法工程师工作的“基本条件”包含硬件和软件。

硬件包含：

1. AI芯片开放软件环境；
2. 拥有其量产车型(前期可为改装车)；

软件包含：

1. 数据采集和标注能力；
2. 产品级自动驾驶测试能力。

当你具备以上4个基本条件的时候，你会发现全球最顶尖的算法工程师追着你走。你再也不用担心算法工程师的招聘、激励和考核了。

为什么上面4点是建立自研能力的前提条件？

第一，自动驾驶AI芯片提供开发AI算法的软件环境，这是一切的基础。

以前很多汽车厂商买的是Mobileye的自动驾驶芯片，但是Mobileye的环境是一个封闭环境，客户是不能够在Mobileye的芯片上编写自己的代码的。

如果汽车厂商在自己的车上都用了封闭硬件，那么永远也不能够使用自研的算法和程序。也就是说，汽车厂商永远也不能够建立自己量产的算法能力。

相反，如果是汽车厂商在自己的汽车产品上选择开放的AI芯片，即使在初期的时候，算法是外部供应商提供的，汽车厂商的研发团队也可以通过OTA（Over-the-Air Technology，空中下载技术），逐步的把算法替换成自研的算法。

第二，不能只买几块AI芯片开发板试试，而是要有量产车型。

首先，量产车型让算法工程师看到希望。能够看到自己的算法是能够用到真实量产的产品上的，这对于算法工程师非常重要。如果看不到量产落地的希望，是很难留住优秀的算法工程师的。

优秀的算法工程师不怕挑战，但是害怕没有希望。

 图5 互联网公司的算法团队苦于没有落地量产车型

比如，有些互联网公司投入重金做自动驾驶，但是由于没有量产车型落地，优秀的自动驾驶人才纷纷离职，成为了自动驾驶算法人才的“黄埔军校”。

这也是互联网公司都自己下场亲自造车的原因。

其次，量产车型是构建软件“基本工作条件”的基础。因为数据采集的能力、产品级的自动驾驶测试能力都是基于量产车型的。

对于短期没有装载开放AI芯片的量产车型的汽车厂商，怎么办？可以先有量产车型的明确规划，加上改装车，弥补短期的不足。建议配备10台以上的改装车。

第三，建立采集数据、处理数据的能力。这是整个AI软件的源头。

这不是指从数据公司买一些存量的数据。而是指你必须建立一个源源不断地产生数据、处理数据（标注数据是关键一环）的能力。因为，只有这种能力的建设，才是解决源头的问题。

你从数据公司买的数据，并不一定匹配你的量产车型，而且，当算法工程师有针对性的提出增加某种场景的数据的时候，如果没有数据的采集能力，就没办法满足算法工程师的需求，算法工程师也没法继续工作了。

为了使用最先进的算法，数据标注的方法也需要不断改进。这都需要建立自主的、完整的数据处理能力。

图6 没有数据能力，算法工程师巧妇难为无米之炊

第四，产品级的自动驾驶测评能力，是对算法团队进行激励和管理的关键。

产品级的自动驾驶测评能力是指有能力对车辆在不同条件（含天气、路况、时间、光线）下的自动驾驶表现（含刹车、加速、转弯、感知结果和显示效果）进行测试。

算法是有自己标准的测评指标的，比如说图像处理算法的精度指标是准确率、召回率、mAP（平均精度均值，Mean Average Precision），性能的判断指标就是fps（帧率，Frames Per Second）。算法工程师首先会采用这些指标。

 图7 算法指标并不能直接体现实际产品的体验

但是，这些指标和实际产品的体验有什么关系？

答案是关系非常模糊。

对一个算法工程师来说，在相同数据集下，精度提升0.5%，就是一个非常大的成绩。简直是可以兴奋得夜不能寐，很可能争取一个国际学术会议的最佳论文奖。但是，这个提升对于真实产品的体验可能没有帮助，甚至是可能产生负面影响。

如果车厂不能建立起产品级的自动驾驶测评能力，那么产品团队和管理团队会难以建立和算法团队的沟通渠道。

说简单一点，产品团队和管理团队，没法对对算法团队的工作进行评价。这会产生很多问题，很难产生信任，也没办法对算法团队设定目标，对算法团队进行激励和奖励。

 图8 算法工程师陷入网络结构的尝试（构排列组合）陷阱后，会耗时耗力

如果没有产品级的自动驾驶测评结果作为“目标指挥棒”，那算法团队，很可能就会把自己的目标变成不断的去尝试各种不同的网络结构，或者是变成去学术期刊上发表论文。这通常并不能很好的帮助自动驾驶算法的量产落地，也会让算法工程师产生挫败感。

再次，产品级的自动驾驶测评能力，是打破车厂自研算法不能上车的恶性循环（图2）的关键。只有有了客观的测评标准，自研算法才有了量产上车的准入标准，也才有了上车的可能性，否则，车厂会一直乐于采用外部供应商的算法。

为什么被马斯克解雇了3次，特斯拉自动驾驶却团队越来越强？

我们可以看到，建立自动驾驶自研的4项“基本工作条件”，特斯拉正好都具备了。

表1 具备“基本工作条件”的车厂，必然能建立自动驾驶自研能力

在2020年特斯拉CEO马斯克的采访中，他也指出，整个 Autopilot 团队有大约 300 名工程师，“其中软件端不到 200 人，芯片设计部门则有 100 多人”，但是，“光是打标签这项工作，我们都投入了 500 多名熟练工呢”，并且，“我们准备将打标签的团队扩充到 1000 人，而且人人都是行内高手。”

注意：前文中，拜腾汽车2018年北美办公室的人数是300多人，比特斯拉自动驾驶软件团队多100人。

可以看出，特斯拉是多么重视“基本工作条件”的建设，标注人员和软件工程师的比例是5:1。正是因为特斯拉抓住了重点（“基本工作条件”），才让它的自动驾驶傲视全球。

也正是因为特斯拉的客观的“基本工作条件”很强，马斯克解雇了3次特斯拉的自动驾驶团队，自动驾驶团队却变得越来越强。

别的企业的自动驾驶团队经历人事更替，可能早已灰飞烟灭了。

“基本工作条件”如何建立

对于车厂，肯定是不缺量产车型，这是相比互联网企业的优势，所以，只要把开放的AI芯片规划到自己的量产车型当中（在车型量产前，制作十辆以上的改装车），硬件的“基本工作条件”就具备了。

全球开放的自动驾驶AI芯片不多，现在已经量产上车的有英伟达和地平线。此外，多家客户反馈英伟达和地平线的工具链开放度和成熟度较好，所以可编程性没有问题。

还没有量产上车的AI芯片还有高通和黑芝麻。由于还处于早期，工具链的开放性和成熟度还有待观察。

接下来是软件的“基本工作条件”。

有的云服务供应商提供通用的数据处理、数据管理、模型管理平台，比如亚马逊、华为云，这些是通用解决方案，如果要用于自动驾驶，还需要开发工作。

图9 “华为八爪鱼”自动驾驶开放平台

 图10 地平线艾迪AI开发工具平台

也有提供针对自动驾驶的数据采集和处理解决方案，比如“华为八爪鱼”、地平线的“艾迪平台”，可以让车厂自己更快建立数据采集、数据处理（含标注）的能力。国内部分车厂已经在使用地平线的“艾迪平台”。

对于产品级的自动驾驶测试方案，主要是要和有量产经验的合作伙伴进行合作。因为有量产经验的伙伴都已经积累了产品级的测试方案。产品级的测试方案包括算法测试、回灌测试、仿真测试和实车测试。更关键的能力是测试数据、和测试场景的积累。

图11 产品级的测试方案，是有量产经验的厂商的优势

不管是数据采集和标注能力，还是产品级自动驾驶测试能力，都是软件工程能力，传统车厂现在的人力资源，是完全能够掌握的、有能力评估、有能力使用的。甚至，在适当的时间点，自己开发在理论上也是完全可行的。

总结

综上所述，汽车厂商建立自动驾驶自研能力是完全有可以的，甚至比互联网企业、自动驾驶技术公司更有优势。关键在于顺序别弄错了，别进误区，先将重点放在建立自动驾驶的“基本工作条件”：

1. AI芯片开放软件环境；
2. 拥有其量产车型(前期可为改装车)；
3. 数据采集和标注能力；
4. 产品级自动驾驶测试能力。

当你具备以上4项“基本工作条件”的时候，你会发现全球最顶尖的算法工程师追着你走，你就不愁建立自动驾驶自研能力了。

（同理，智能座舱的AI自研能力建设也是要先建立“基本工作条件”。）

参考文献

1. 烧光84亿造不出车！拜腾汽车正式破产重整：曾被曝花5000万买零食 https://www.163.com/dy/article/GEPLH1450534WGIU.html
2. 平均精度均值(mAP)——目标检测模型性能统计量 https://www.cnblogs.com/lzhu/p/11305319.html
3. 史上最好记的神经网络结构速记表 https://www.leiphone.com/category/ai/FGZEmNgnEXHeHoj4.html
4. 马斯克要求太过分？特斯拉自动驾驶团队多人离职 https://www.sohu.com/a/326121783_610793
5. 特斯拉重组自动驾驶软件团队 马斯克亲自掌管 部分高管被解雇 http://www.ceeh.com.cn/chanjing/2019-05-13/25952.html
6. 揭秘特斯拉Autopilot的诞生和它背后300人的自动驾驶天团 https://tech.ifeng.com/c/7zT0DkJ81lw
7. 小鹏汽车纪宇：全闭环体系才是小鹏的智能化精髓 https://mp.ofweek.com/auto/a445673326926
8. 对话理想 CTO 王凯：解密 2025 自动驾驶企业的入场门票 https://baijiahao.baidu.com/s?id=1678320822635295264
9. 详解华为“八爪鱼”的六大关键特性 https://www.huawei.com/cn/technology-insights/publications/winwin/36/huawei-octopus

注：本文仅代表个人观点，与任何组织和单位都无关。