机器学习引发汽车行业变革

人工智能（AI）技术是汽车行业提高竞争优势的巨大推动力。在汽车行业，人工智能（AI）不仅能促进生产率提高，还能促进新产品和新业务的出现。调查显示，消费者对AI在汽车领域的应用持乐观态度，认为该技术可以提高驾乘安全性及舒适性，希望在五年内广泛应用。作为实现AI的重要途径，机器学习将是企业获取竞争优势的主要途径，机器学习可以提高生产率，开发新产品，打造全新的垂直业务，市场将推动这一技术在汽车领域不断完善提升。

机器学习是实现人工智能的关键技术

（一）人工智能处于野弱AI冶阶段。AI是机器和系统展示出来的智能，通常把机器模仿功能与人类认知结合起来，分为三个层次。如今人工智能仍处于发展阶段（弱AI），仅在特定操作任务下才能超越人类。

弱AI，最低层次AI。现有软件的水平是将人类的习惯性活动自动化，机器在专业领域通常比人的效率和耐力更高，如下棋、销售预测和天气预报等，自动驾驶就是“弱AI”的一种表现。

强AI，人类级别AI。指机器有理解其环境、推理和行为的能力，就如人类在各个领域的表现一样，包括创造力、科学常识和社交技能。

超AI，最高层次AI。当AI比专业领域中最强的人类大脑更智慧时，就达到了AI的最高层次，超AI系统可以对未知环境做出推论。这个层次是否能达到，怎样才能达到，会产生什么影响，现在都还是未知数。

（二）机器学习（ML）的训练方法。机器学习（ML）是指对数据基本规则的自动学习，包括对样本输入数据的训练算法，以优化其在特定任务上的性能，从而使机器获得新的能力。ML是对未知情况做出建议、决定和反馈的基础，同时也是实现AI的重要组成部分。主要用三种方法训练ML系统：

监督学习。在ML系统中输入一组示例数据，并调整分类器的参数，就能得到期望输出值。

无监督学习。不标记输入的数据，让ML系统自己根据对数据结构的识别寻找权值和分类。

强化学习。ML系统遵从奖励信号（强化信号）函数值最大化原则，机器经过反复试验自动确定特定情境下的理想状态，以改进方案适应环境。

ML通过使用数据而不是既定的编程规则来实现AI，使得AI得以大范围应用。ML能够在高度复杂的情况下运作，在没有明确指示的情况下适应环境。在汽车行业，ML是不可避免的趋势。由于神经网络类的应用结构与人脑类似，即从不同层次提取抽象特征，做出最佳图像识别，到2015年，ML的物体识别能力已超过人类。

（三）深度学习的重要作用。深度学习是ML的一个分支，主要处理多层次神经网络，直到通过计算能力的提升和大数据的出现开启其潜力。要想实现AI通过深度学习有效处理多种图形识别任务，就需要大量的训练数据。卷积神经网络和递归神经网络是两种最常见的深度神经网络类型：卷积神经网络（Convolutional neural networks）通常用于视觉输入数据。神经元之间的连接系统主要是利用特征的层次结构，比如将像素点理解为鼻子的一部分，将鼻子理解为脸的一部分。递归神经网络（Recurrent neural networks）通常用于语音识别和其他形式的自然语言处理。在应用中需要实现神经网络的动态行为，所以输入序列是很重要的，递归神经网络是通过将输出作为输入反馈到网络中来实现这一点的。

机器学习引发汽车行业变革

（一）机器学习对车辆出行的影响。ML对汽车行业的重要性主要表现在两个方面：一是可以改进流程、产品和商业模式。在汽车行业ML可以对车辆本身产生影响，从而衍生出新的商业机遇，该技术是自动驾驶发展和车内体验提升的基础，为创造新的收入来源打开大门。二是汽车行业在数字曲线上的表现落后。汽车行业需要应对ML带来的颠覆和机遇，由于其传统行业属性，汽车行业的“数字化系数”较低，与其他行业差距逐渐加大，远未达到AI可实现的功能预期。

（二）机器学习应用领域。一是无人驾驶出租车。与自动驾驶私家车相比，无人驾驶出租车可以提高便利性，同时降低成本，商业潜力巨大。很多初创企业对无人驾驶出租车率先布局，宣称2018年将达到L4或L5级别，OEM和科技企业计划于2019至2022年达成这一目标，软件公司天空之城（Oxbotica）筹集2亿美元用于开发特制无人驾驶出租车，特斯拉公司计划2018年推出点对点自动驾驶汽车共享。今后无人驾驶出租车的发展将分三个阶段：无人驾驶出租车1.0，只适用于美国数量有限的出租车，无法实现规模经济和达到最高的盈利水平；无人驾驶出租车2.0，随着规模经济的提高，应用更广泛，获利更多，可应用于大部分出租车；无人驾驶出租车3.0，服务不受地域或时间限制（随时随地）。

无人驾驶出租车有4个主要战略控制点，掌握这些控制点能获得巨大的利润优势。

资讯娱乐系统和软件。操纵客户体验，关键在于无缝连接乘客旅途所需。软件应用层和自动驾驶软件集成。对安全性和行驶平顺性至关重要。进入这个领域壁垒很高，需要掌握专有技术，投入大量资金和高度专业化的人才。掌握这个控制点就能提供车联网服务。

无人驾驶汽车集成和验证。壁垒高，对安全性和行驶平顺性也很重要。需要高度工程化产品在大规模商业化时拥有良好的质量保证。掌握这个控制点就能通过提供附加车联网服务进一步降低运营成本。

出行服务。利用大数据优化路线，掌握这个直接面向客户的控制点可以利用网络效应和规模经济实现车联网服务的盈利。

二是自动驾驶卡车。自动驾驶卡车长途运输将分三个阶段实施：第一阶段，两辆或两辆以上卡车为一队，通过电子方式连接，方便同时加速或刹车。在这种模式下，空气阻力降低，燃料效率提高，只需要一名司机驾驶头车。这种方式要求驾驶路线重叠，主要适用于高速公路，城市道路则不适用。因此，在进行物流基础设施投资时要确保所有终点站都在高速公路附近。第二阶段，通过自动化实现有限环境下的全自动驾驶，只有传统装货和卸货时才需要司机，需要的基础设施投资与车队相近，成本可进一步下降。第三阶段，通过全自动实现点对点的无人驾驶运输，除特殊货物和车辆外，基本不需要司机。

掌握几个战略控制点对获得新兴利润池至关重要。自动驾驶软件供应商和系统集成商将占据重要市场地位；大型车队所有人和车队服务提供商将拥有升级车队的规模和资源，在未来价值链中占据最大控制权；司机和个人车主的数量急剧下降。与大型物流公司相比，OEM在物流领域不具备相同的战略优势。但是建立牢固的伙伴关系和寻找垂直渗透的机会是一条值得探索的道路。

三是最后一公里配送解决方案。物流行业是商用车的主要客户之一，截至2025年，其全球收入预计将以每年6％的速度持续增长。

对于该行业企业来说，引入即日达、带时间窗的物流配送和即时达等创新技术是满足新兴客户需求和开发新市场的当务之急。然而，消费者的支付意愿却与日益增长的需求相悖，不能弥补额外产生的送货成本。因此，需要通过技术进步改革快递和包裹运营商的成本结构，从而推动行业增长。就目前而言，自动驾驶送货车（如厢式货车或小型货车）是包裹配送自动化的主导技术，AI在其发展过程中起了主要作用，需要技术解决方案实现交货自动化和门前（自动）交货。与无人机和机器人相比，ADV具备地理位置方面的成本优势，可使即日达的最后一公里成本远低于2美元，而带包裹寄存柜的ADV成本优势在40％左右。另外，ADV的运作可行性高，适合大多数配送模式。

ADV技术市场的竞争已经开始。如德国StreetScooter公司是一家研发电动厢式货车的初创企业，后被德国邮政敦豪集团（Deutsche Post DHL）收购，实现汽车行业和物流行业进一步结合。另外，StreetScooter还研发了一种自动驾驶送货车，在一定范围内可以自动跟随工作人员。

数字技术对最后一公里市场越发重要，科技企业有机会进入这一领域，从而引发市场份额的重新分配。该领域企业正在探索潜在的新型商业模式，如自动驾驶车队技术运营（IT）服务，用于优化路线和地区规划，给有自动驾驶车队的企业提供业务管理服务；经营最后一公里配送经纪平台；数据套现（如交通信息、街道预见性维护）。奔驰的概念商务货车（VisionVan）和曼恩的Euro6系列卡车已经为“最后一公里”配送提供综合运输概念，包括亚马逊和优步（Uber）在内的企业也正在进行布局。

运用机器学习所面临的挑战

（一）需要构建全新出行生态系统。在出行环境中应用机器学习技术非常复杂，需要新结构辅助出行生态系统。AI支持的出行环境说明：各原始设备制造商可以单独建立AI系统，也可与业内厂商合作，所有车辆都配备相同的嵌入式AI。通过系统收集驾驶数据，传回原始设备制造商的AI后端系统，在后端优化算法。如果AI系统更新，将及时发给所有车辆，确保同一生态系统中AI标准/等级和行为方式相同。只有自动驾驶和车内体验两个机器学习系统需要嵌入车辆，其他机器学习系统（如预见性维护）可以通过云端构建，对更新周期、计算能力和功耗的处理更灵活。多个第三方AI系统可以互连，确保不同原始设备制造商的额系统不会受到影响。一个独立服务器可以连接多个AI后端系统和交通管理系统（比如指定国家、地区或城市），实现安全和交通流量最优化。

上述各系统会设计不同的利益相关方（包括第三方），特定技术约束和当期情况与法规，均需要全新投入、系统和工作方式。

（二）面临的三项挑战。一是技术竞赛加速。汽车行业的ML基础算法在理论上是可行的，但是技术的实际应用和嵌入还没有重大进展。自动驾驶和车内体验需要处理的数据量极大，对时间的要求高而且与安全密切相关。虽然当前大多数ML使用都可在后端环境下运行，但嵌入需要技术（硬件）进步和连接解决方案。为了技术提升，领域内500多家公司正迅速布局，2010年以来的投资总额超过500亿美元，远超同一时期共享出行初创公司披露的320亿美元投资额。

自动驾驶和车内体验是AI在出行方面最大的集群，占总投资额的91％。初创公司和科技公司纷纷进入市场，许多公司通过收购补充自身业务。自2010年以来，与自动驾驶有关的AI投资总额达335亿美元，比过去几年显著增加。与自动驾驶相比，公司对车内体验的投资则要少得多，大约136亿美元。汽车行业以外的大型科技企业将客户、家用电子产品以及专业知识应用于车内体验，如把Alexa、Siri及Cortana等虚拟影像和语音助手与汽车相结合，这通常需要与OEM紧密合作。

私募基金、风投公司和科技型企业对汽车行业AI研发的投资占比约97％，主要用于开发自动驾驶和车内体验的全方案供应商。特别是一些科技企业正积极进入市场，这些企业的投资占70％，硬件企业英特尔、Nuance和三星处于领先地位。另外，谷歌在该领域成立了一项名为GradientVentures的全新风投基金，人工智能孵化器（ElementAI）获得1亿美元融资用于ML的发展，微软创投（MicrosoftVentures）成立AI基金，丰田提供1亿美元用于对AI和机器人初创企业的投资。

此外，汽车制造商投入大量资金开发专业知识。40％以上的自动驾驶（包括AI）专利属于OEM，其中Waymo公司自动驾驶领域拥有的专利最多。同时OEM和供应商也主导着车内体验的发展，拥有该领域85％以上的专利，其中OEM最活跃（超过50％）。

为了将自动驾驶推向市场，OEM、供应商和科技企业都在寻找联盟。主要为技术驱动型联盟，如英伟达、Mobileye和百度等科技企业围绕共同平台召集众多OEM或供应商，建立生态系统并将数据量最大化。以及以OEM为中心的生态系统，即OEM通过有针对性的收购，投资和合作，在深度学习、计算机视觉和测绘技术中引入专业知识，寻求建立自己的技术业务，如通用汽车收购Cruise Automation公司及其与IBM的合作伙伴关系，福特与众包测绘公司和多家AI初创公司的合作。有意思的是，Waymo公司采取的是一种更加封闭的方式，它的合伙人只有两家，一家是为其提供车辆的OEM（菲亚特克莱斯勒公司），另一家是为其提供车队服务的汽车租赁公司。

二是法规标准更新。“汽车等级”要求更高的安全标准和输出质量。在与传统防御式编程相结合（即人类程序员编写的）的情况下，要在指定任务中使用ML时确保汽车等级的安全和质量。这对开发和实施自动驾驶的标准化安全测试尤为重要。大部分限定条件由政府和监管框架确定，虽然自动驾驶车辆可以在某些辖区的公共道路上进行测试，但尚未形成广泛应用的统一性规则。

在防护与创新之间寻求平衡的同时，需要细化指导方针和质量标准。政府也需有所行动，确保车辆和交通基础设施之间的信息交换可以满足自动驾驶的需要。另外，为便于实现规模化，企业必须积极参与监管过程，在技术及其应用开发的早期形成标准（参照防抱死制动系统），并确保各个系统（如OEM、交通管理系统）的整合。

因为是分阶段推广法规和标准，所以不需要协调一致，不同的地理位置，甚至不同的城市，法规和基础设施等情况都可能不同。不同利益相关者的接口和数据类型等标准也可能不同。

三是商业模式转变。自动驾驶不仅能彻底改变汽车的性能，还将为OEM带来新的商业模式，OEM需要考虑其他所有权模式以及基于AI的新兴服务。新的商业模式会促使OEM将业务转向B2B模式（如车队销售、市政出行服务），这可能会暂时降低企业毛利率。另一方面，新服务要求车辆更加以软件为中心，从而产生新的利润池。

企业对企业运营模式包括：第三方车队。随着私家车数量的减少和自动驾驶规模经济的衰退，OEM的车队运营商客户会越来越多，车队规模也随之扩张。在个体运输方面，可能偏向由OEM支持的优步式的网约车模式并与第三方车队合作。在货运方面，OEM将成为物流公司自动配送解决方案的中流砥柱。OEM自有车队。将进一步推动上述趋势的发展，OEM建立自己的自动驾驶车队，成为运输服务商。对乘客而言，OEM能提供无人驾驶出租车车队，可以用较大的出行服务商补充甚至替代公共交通网络。在货运方面，他们能提供包裹配送自动驾驶卡车车队。在这些情况下，不是通过一次性销售将资产货币化，而是通过出行服务获得经常性收入。

企业对顾客运营模式：销售给个人客户。最直接的方式是将车辆出售给个人客户，这也是OEM目前的运营模式。此外，AI的崛起将改变汽车服务的格局。鉴于自动驾驶汽车系统很复杂，预计OEM将在维护和维修等售后服务市场占据较大份额。OEM自有车队服务。鉴于许多企业已在出行服务市场开展业务，所以他们也可以直接向终端用户提供无人驾驶出租车，通过提供服务获得二次收入，不仅仅是销售带来的一次性收入。

实现机器学习的建议

OEM应采取以下五项措施来获取优势：

专注核心应用领域。在确定车辆出现方面的ML应用开发时，一是明确最终用户的需求、利润规模等。二是分析竞争市场，对市场内企业进行优势对比分析。三是自我定位准确，制定战略计划。四是掌握技术控制点，利用自身优势具备业界话语权。

充分利用广泛的数据。通过加强消费者数据收集，更加贴近客户，了解客户在各种情况下的行为，是创建新商业模式的先决条件。这一点非常重要：几乎所有涉及ML的应用程序都需要大量数据，以便深入了解消费者的行为，细化算法。

推动标准和法规的制订。与其他汽车企业及政府一起积极制定新标准。如果进入这个领域太晚可能会限制OEM，从而失去充分发挥潜力的机会。

发展技术和业务伙伴。商业模式通常需要自身不具备的条件。对于长期存在差异化来源的领域，就需要选择恰当的合作伙伴以获取所需的技术或客户。比如科技企业在研发AI技术、获取人才和数据应用方面有天然优势。建立伙伴关系对资源、人才和能力的汇集不可或缺，并且能加速自动驾驶的发展。

商业模式套期保值。可能会出现大量潜在新业务模式。构建商业案例，根据您希望参与的程度从可用商业模式中选择适合的模式。尽早开发多元化的模式，有些模式可能会失败，则需要依靠成功的模式降低风险。
       责任编辑：tzh