當地時間10月12日，特斯拉首席執行官埃隆·馬斯克（Elon Musk）發布推特稱：“按照承諾，下周二將發布有限的完全自動駕駛能力（FSD）的測試版。首先，這將只限于少數細心和精于駕駛的駕駛員。”

此前，馬斯克在推特上透露，最新版本的完全自動自動駕駛能力軟件能夠實現“零干預駕駛”。

依靠自動駕駛技術劃分而言，需要人類駕駛員共同駕駛的汽車通常被認為是第2級（L2）或第3級（L3）。共同完成駕駛任務的汽車被描述為半自動駕駛，通常包含多種自動附加組件，稱為ADAS（高級駕駛輔助系統）。

由人工智能完全自主駕駛，在駕駛過程中沒有任何人工輔助的汽車被認為是第4級（L4）和第5級（L5）。

在L2+自動駕駛規模化量產的當下，L3級自動駕駛乃至更高級別的L4/L5級無人駕駛，讓人們對智能汽車的到來充滿期待。

特斯拉的大招真的恐怖如斯么？

從某種意義上來說，這或許是一場精妙的文字游戲，目前特斯拉的“完全自動駕駛能力”并不能做到完全自動駕駛。

特斯拉官網顯示，完全自動駕駛能力包括：自動泊車（平行泊車與垂直泊車）;自動輔助變道：在高速公路上自動輔助變換車道;自動輔助導航駕駛：自動駛入和駛出高速公路匝道或立交橋岔路口，超過行駛緩慢的車輛;智能召喚：停在車位的車輛會響應召喚，在停車場的任意角落找到您。并且即將推出“識別交通信號燈和停車標志并做出反應”，以及“在城市街道中自動輔助駕駛”兩項功能。

另外值得我們注意的是，特斯拉國內車主一直詬病完全自動駕駛功能在國內道路并沒有想象中好用，性價比不如免費的基礎版輔助駕駛功能，尤其是在高速公路匝道的駛入駛出仍有不少改進余地。

市場已至下半局，國內企業進展如何？

根據2020年10月12日中國電動汽車百人會、騰訊自動駕駛與中汽數據有限公司聯合發布的《中國自動駕駛仿真藍皮書2020》顯示，當下“該融資的都融到了，該發布技術的已經發布了，大部分企業都進入了潛心研發的階段，這是自動駕駛企業進入下半場的標志。”

針對當下國內自動駕駛的行業瓶頸問題，藍皮書倡議，在統一的標準格式內，各單位進行基礎場景庫的共建，并在此基礎上各自拓展個性化場景庫，避免“重復設計輪子”的過程。與此同時，還可以將仿真平臺應用于更加實用的領域，如智慧城市、智慧交通管理、智能網聯汽車認證等領域。為適應即將到來的智能網聯汽車與傳統汽車混行的道路環境，研發仿真系統的公司也應及時開展混行交通與人機交互相關的場景模擬。

最后，藍皮書中還提到，自動駕駛仿真技術作為自動駕駛的底層核心技術之一，應當確保國產化，如此才不至于因為外國的技術封鎖導致產業進入停滯。

為什么說自動駕駛是AI發展的關鍵鑰匙？

有資本方認為，人工智能時代的第一個“殺手級”應用就是智能汽車。智能汽車算力的指數級增長，意味著它具備引領行業往前推進的核心資源，而這樣的資源會外溢成為下一步發展的很多基礎設施。誰能掌握自動駕駛最核心技術的推動力，誰就掌握了下一代人工智能發展的鑰匙。

從細分情景來看，自動駕駛單套算法需要177億公里驗證，就傳感器而言其主要包括雷達和光學攝像頭，相當人的耳朵和眼睛，主要功能是車輛收集周圍的“即時信息”，實時了解車輛周圍的環境，為無人駕駛車輛提供完整、準確的各類環境數據。

尤其是攝像頭作為眾多預警、識別類ADAS功能的基礎。車載攝像頭主要包括環視攝像頭、內視攝像頭、后視攝像頭、前置攝像頭、側視攝像頭等。其中，光學攝像頭是場景解讀的較佳工具，能較好地分辨顏色，但是沒有立體視覺效果時，缺乏“深度“，無法判斷物體和相機（車輛））間的距離。

依照人工智能產業的發展時間線劃分，在曾經，人工智能行業首先落地于安防。

在行業發展中，以雪亮工程為例，其主要應用于深度學習、視頻結構化、人臉檢測、人臉特征識別、人體特征識別、車牌識別、車輛特征識別、大數據分析及應用等。通過人工智能技術，可以對前端采集的原始監控圖像進行結構化解析，按照規范標準，把原始的視頻圖像數據自動轉化為準結構化和結構化數據，形成相對應的主題數據庫，并將數據提交至大數據平臺進行相關的數據模型、技戰法等使用，形成豐富的實戰應用，如人車軌跡刻畫、落腳點分析、預測預警等服務，充分發揮監控圖像的實戰價值。

可以說，在過去與安防行業的結合中，人工智能積累了大量有價值的數據和算法。依照行業發展而言，在已有大量圖像相關的算法和數據后，若要更進一步，投身自動駕駛行業屬意料之中的事實。

同時，在落地安防行業的過程中，人工智能技術還誕生了一系列的問題。例如隨著新技術和硬件設備的發展，人工智能技術已經進入一個日新月異的地步，在雪亮工程中我們也常常看到視頻智能分析、深度學習、大數據等技術的身影。然而，要想利用視頻智能分析挖掘出視頻圖像中更多的信息，對視頻成像質量有非常高的要求。目前，環境對監控攝像頭的視頻成像質量的影響很大，可能會有光照不足、目標遮擋或者尺寸很小等一系列問題。

另外，由于編碼和網絡帶寬等因素，會導致視頻卡頓、視頻畫面模糊等問題，無法實現視頻的智能化分析。深度學習技術只能保證設備制造過程中的學習，并且不能保證實時進一步研究和分析所收集的圖像。

再加之早期的智能化工程中，智能分析技術并不成熟，多為單場景地對目標進行檢測和對目標行為的分析，這種單場景的分析一般對視頻內容的理解能力偏弱，針對大范圍場景的關聯行為分析比較少，沒有較多的有效經驗來支撐異常分析，以及對風險做預測。

因此，想要解決這些問題，那么一個相對而言更加“嚴苛”的環境則是必要的。那么我們也可以到的這樣一個類比，如果將人工智能比作礦石，那么落地安防行業便是初步的熔煉打磨，若想成鋼，更加嚴苛的淬打必不可少。這樣就是為何在資本的眼里，未來誰掌握了自動駕駛的核心技術，誰就有人工智能發展的核心鑰匙。

結語

歸根到底，自動駕駛車路協同方案的技術底層是車輛的智能化、網聯化。

綜合采用5G、物聯網、大數據、云計算等數據，有助于構建起智慧交通體系，促進汽車和交通服務新業態的出現，對于提高車輛通行效率、提高公共交通資源配置效率大有助益。

不僅于此，在自動駕駛行業中歷練而出的人工智能也有望于反哺安防行業，讓人們的日常安全更上層樓。
責編AJX