人工智能（AI）技術是汽車行業提高競爭優勢的巨大推動力。在汽車行業，人工智能（AI）不僅能促進生產率提高，還能促進新產品和新業務的出現。調查顯示，消費者對AI在汽車領域的應用持樂觀態度，認為該技術可以提高駕乘安全性及舒適性，希望在五年內廣泛應用。作為實現AI的重要途徑，機器學習將是企業獲取競爭優勢的主要途徑，機器學習可以提高生產率，開發新產品，打造全新的垂直業務，市場將推動這一技術在汽車領域不斷完善提升。

機器學習是實現人工智能的關鍵技術

（一）人工智能處于野弱AI冶階段。AI是機器和系統展示出來的智能，通常把機器模仿功能與人類認知結合起來，分為三個層次。如今人工智能仍處于發展階段（弱AI），僅在特定操作任務下才能超越人類。

弱AI，最低層次AI。現有軟件的水平是將人類的習慣性活動自動化，機器在專業領域通常比人的效率和耐力更高，如下棋、銷售預測和天氣預報等，自動駕駛就是“弱AI”的一種表現。

強AI，人類級別AI。指機器有理解其環境、推理和行為的能力，就如人類在各個領域的表現一樣，包括創造力、科學常識和社交技能。

超AI，最高層次AI。當AI比專業領域中最強的人類大腦更智慧時，就達到了AI的最高層次，超AI系統可以對未知環境做出推論。這個層次是否能達到，怎樣才能達到，會產生什么影響，現在都還是未知數。

（二）機器學習（ML）的訓練方法。機器學習（ML）是指對數據基本規則的自動學習，包括對樣本輸入數據的訓練算法，以優化其在特定任務上的性能，從而使機器獲得新的能力。ML是對未知情況做出建議、決定和反饋的基礎，同時也是實現AI的重要組成部分。主要用三種方法訓練ML系統：

監督學習。在ML系統中輸入一組示例數據，并調整分類器的參數，就能得到期望輸出值。

無監督學習。不標記輸入的數據，讓ML系統自己根據對數據結構的識別尋找權值和分類。

強化學習。ML系統遵從獎勵信號（強化信號）函數值最大化原則，機器經過反復試驗自動確定特定情境下的理想狀態，以改進方案適應環境。

ML通過使用數據而不是既定的編程規則來實現AI，使得AI得以大范圍應用。ML能夠在高度復雜的情況下運作，在沒有明確指示的情況下適應環境。在汽車行業，ML是不可避免的趨勢。由于神經網絡類的應用結構與人腦類似，即從不同層次提取抽象特征，做出最佳圖像識別，到2015年，ML的物體識別能力已超過人類。

（三）深度學習的重要作用。深度學習是ML的一個分支，主要處理多層次神經網絡，直到通過計算能力的提升和大數據的出現開啟其潛力。要想實現AI通過深度學習有效處理多種圖形識別任務，就需要大量的訓練數據。卷積神經網絡和遞歸神經網絡是兩種最常見的深度神經網絡類型：卷積神經網絡（Convolutional neural networks）通常用于視覺輸入數據。神經元之間的連接系統主要是利用特征的層次結構，比如將像素點理解為鼻子的一部分，將鼻子理解為臉的一部分。遞歸神經網絡（Recurrent neural networks）通常用于語音識別和其他形式的自然語言處理。在應用中需要實現神經網絡的動態行為，所以輸入序列是很重要的，遞歸神經網絡是通過將輸出作為輸入反饋到網絡中來實現這一點的。

機器學習引發汽車行業變革

（一）機器學習對車輛出行的影響。ML對汽車行業的重要性主要表現在兩個方面：一是可以改進流程、產品和商業模式。在汽車行業ML可以對車輛本身產生影響，從而衍生出新的商業機遇，該技術是自動駕駛發展和車內體驗提升的基礎，為創造新的收入來源打開大門。二是汽車行業在數字曲線上的表現落后。汽車行業需要應對ML帶來的顛覆和機遇，由于其傳統行業屬性，汽車行業的“數字化系數”較低，與其他行業差距逐漸加大，遠未達到AI可實現的功能預期。

（二）機器學習應用領域。一是無人駕駛出租車。與自動駕駛私家車相比，無人駕駛出租車可以提高便利性，同時降低成本，商業潛力巨大。很多初創企業對無人駕駛出租車率先布局，宣稱2018年將達到L4或L5級別，OEM和科技企業計劃于2019至2022年達成這一目標，軟件公司天空之城（Oxbotica）籌集2億美元用于開發特制無人駕駛出租車，特斯拉公司計劃2018年推出點對點自動駕駛汽車共享。今后無人駕駛出租車的發展將分三個階段：無人駕駛出租車1.0，只適用于美國數量有限的出租車，無法實現規模經濟和達到最高的盈利水平；無人駕駛出租車2.0，隨著規模經濟的提高，應用更廣泛，獲利更多，可應用于大部分出租車；無人駕駛出租車3.0，服務不受地域或時間限制（隨時隨地）。

無人駕駛出租車有4個主要戰略控制點，掌握這些控制點能獲得巨大的利潤優勢。

資訊娛樂系統和軟件。操縱客戶體驗，關鍵在于無縫連接乘客旅途所需。軟件應用層和自動駕駛軟件集成。對安全性和行駛平順性至關重要。進入這個領域壁壘很高，需要掌握專有技術，投入大量資金和高度專業化的人才。掌握這個控制點就能提供車聯網服務。

無人駕駛汽車集成和驗證。壁壘高，對安全性和行駛平順性也很重要。需要高度工程化產品在大規模商業化時擁有良好的質量保證。掌握這個控制點就能通過提供附加車聯網服務進一步降低運營成本。

出行服務。利用大數據優化路線，掌握這個直接面向客戶的控制點可以利用網絡效應和規模經濟實現車聯網服務的盈利。

二是自動駕駛卡車。自動駕駛卡車長途運輸將分三個階段實施：第一階段，兩輛或兩輛以上卡車為一隊，通過電子方式連接，方便同時加速或剎車。在這種模式下，空氣阻力降低，燃料效率提高，只需要一名司機駕駛頭車。這種方式要求駕駛路線重疊，主要適用于高速公路，城市道路則不適用。因此，在進行物流基礎設施投資時要確保所有終點站都在高速公路附近。第二階段，通過自動化實現有限環境下的全自動駕駛，只有傳統裝貨和卸貨時才需要司機，需要的基礎設施投資與車隊相近，成本可進一步下降。第三階段，通過全自動實現點對點的無人駕駛運輸，除特殊貨物和車輛外，基本不需要司機。

掌握幾個戰略控制點對獲得新興利潤池至關重要。自動駕駛軟件供應商和系統集成商將占據重要市場地位；大型車隊所有人和車隊服務提供商將擁有升級車隊的規模和資源，在未來價值鏈中占據最大控制權；司機和個人車主的數量急劇下降。與大型物流公司相比，OEM在物流領域不具備相同的戰略優勢。但是建立牢固的伙伴關系和尋找垂直滲透的機會是一條值得探索的道路。

三是最后一公里配送解決方案。物流行業是商用車的主要客戶之一，截至2025年，其全球收入預計將以每年6％的速度持續增長。

對于該行業企業來說，引入即日達、帶時間窗的物流配送和即時達等創新技術是滿足新興客戶需求和開發新市場的當務之急。然而，消費者的支付意愿卻與日益增長的需求相悖，不能彌補額外產生的送貨成本。因此，需要通過技術進步改革快遞和包裹運營商的成本結構，從而推動行業增長。就目前而言，自動駕駛送貨車（如廂式貨車或小型貨車）是包裹配送自動化的主導技術，AI在其發展過程中起了主要作用，需要技術解決方案實現交貨自動化和門前（自動）交貨。與無人機和機器人相比，ADV具備地理位置方面的成本優勢，可使即日達的最后一公里成本遠低于2美元，而帶包裹寄存柜的ADV成本優勢在40％左右。另外，ADV的運作可行性高，適合大多數配送模式。

ADV技術市場的競爭已經開始。如德國StreetScooter公司是一家研發電動廂式貨車的初創企業，后被德國郵政敦豪集團（Deutsche Post DHL）收購，實現汽車行業和物流行業進一步結合。另外，StreetScooter還研發了一種自動駕駛送貨車，在一定范圍內可以自動跟隨工作人員。

數字技術對最后一公里市場越發重要，科技企業有機會進入這一領域，從而引發市場份額的重新分配。該領域企業正在探索潛在的新型商業模式，如自動駕駛車隊技術運營（IT）服務，用于優化路線和地區規劃，給有自動駕駛車隊的企業提供業務管理服務；經營最后一公里配送經紀平臺；數據套現（如交通信息、街道預見性維護）。奔馳的概念商務貨車（VisionVan）和曼恩的Euro6系列卡車已經為“最后一公里”配送提供綜合運輸概念，包括亞馬遜和優步（Uber）在內的企業也正在進行布局。

運用機器學習所面臨的挑戰

（一）需要構建全新出行生態系統。在出行環境中應用機器學習技術非常復雜，需要新結構輔助出行生態系統。AI支持的出行環境說明：各原始設備制造商可以單獨建立AI系統，也可與業內廠商合作，所有車輛都配備相同的嵌入式AI。通過系統收集駕駛數據，傳回原始設備制造商的AI后端系統，在后端優化算法。如果AI系統更新，將及時發給所有車輛，確保同一生態系統中AI標準/等級和行為方式相同。只有自動駕駛和車內體驗兩個機器學習系統需要嵌入車輛，其他機器學習系統（如預見性維護）可以通過云端構建，對更新周期、計算能力和功耗的處理更靈活。多個第三方AI系統可以互連，確保不同原始設備制造商的額系統不會受到影響。一個獨立服務器可以連接多個AI后端系統和交通管理系統（比如指定國家、地區或城市），實現安全和交通流量最優化。

上述各系統會設計不同的利益相關方（包括第三方），特定技術約束和當期情況與法規，均需要全新投入、系統和工作方式。

（二）面臨的三項挑戰。一是技術競賽加速。汽車行業的ML基礎算法在理論上是可行的，但是技術的實際應用和嵌入還沒有重大進展。自動駕駛和車內體驗需要處理的數據量極大，對時間的要求高而且與安全密切相關。雖然當前大多數ML使用都可在后端環境下運行，但嵌入需要技術（硬件）進步和連接解決方案。為了技術提升，領域內500多家公司正迅速布局，2010年以來的投資總額超過500億美元，遠超同一時期共享出行初創公司披露的320億美元投資額。

自動駕駛和車內體驗是AI在出行方面最大的集群，占總投資額的91％。初創公司和科技公司紛紛進入市場，許多公司通過收購補充自身業務。自2010年以來，與自動駕駛有關的AI投資總額達335億美元，比過去幾年顯著增加。與自動駕駛相比，公司對車內體驗的投資則要少得多，大約136億美元。汽車行業以外的大型科技企業將客戶、家用電子產品以及專業知識應用于車內體驗，如把Alexa、Siri及Cortana等虛擬影像和語音助手與汽車相結合，這通常需要與OEM緊密合作。

私募基金、風投公司和科技型企業對汽車行業AI研發的投資占比約97％，主要用于開發自動駕駛和車內體驗的全方案供應商。特別是一些科技企業正積極進入市場，這些企業的投資占70％，硬件企業英特爾、Nuance和三星處于領先地位。另外，谷歌在該領域成立了一項名為GradientVentures的全新風投基金，人工智能孵化器（ElementAI）獲得1億美元融資用于ML的發展，微軟創投（MicrosoftVentures）成立AI基金，豐田提供1億美元用于對AI和機器人初創企業的投資。

此外，汽車制造商投入大量資金開發專業知識。40％以上的自動駕駛（包括AI）專利屬于OEM，其中Waymo公司自動駕駛領域擁有的專利最多。同時OEM和供應商也主導著車內體驗的發展，擁有該領域85％以上的專利，其中OEM最活躍（超過50％）。

為了將自動駕駛推向市場，OEM、供應商和科技企業都在尋找聯盟。主要為技術驅動型聯盟，如英偉達、Mobileye和百度等科技企業圍繞共同平臺召集眾多OEM或供應商，建立生態系統并將數據量最大化。以及以OEM為中心的生態系統，即OEM通過有針對性的收購，投資和合作，在深度學習、計算機視覺和測繪技術中引入專業知識，尋求建立自己的技術業務，如通用汽車收購Cruise Automation公司及其與IBM的合作伙伴關系，福特與眾包測繪公司和多家AI初創公司的合作。有意思的是，Waymo公司采取的是一種更加封閉的方式，它的合伙人只有兩家，一家是為其提供車輛的OEM（菲亞特克萊斯勒公司），另一家是為其提供車隊服務的汽車租賃公司。

二是法規標準更新。“汽車等級”要求更高的安全標準和輸出質量。在與傳統防御式編程相結合（即人類程序員編寫的）的情況下，要在指定任務中使用ML時確保汽車等級的安全和質量。這對開發和實施自動駕駛的標準化安全測試尤為重要。大部分限定條件由政府和監管框架確定，雖然自動駕駛車輛可以在某些轄區的公共道路上進行測試，但尚未形成廣泛應用的統一性規則。

在防護與創新之間尋求平衡的同時，需要細化指導方針和質量標準。政府也需有所行動，確保車輛和交通基礎設施之間的信息交換可以滿足自動駕駛的需要。另外，為便于實現規模化，企業必須積極參與監管過程，在技術及其應用開發的早期形成標準（參照防抱死制動系統），并確保各個系統（如OEM、交通管理系統）的整合。

因為是分階段推廣法規和標準，所以不需要協調一致，不同的地理位置，甚至不同的城市，法規和基礎設施等情況都可能不同。不同利益相關者的接口和數據類型等標準也可能不同。

三是商業模式轉變。自動駕駛不僅能徹底改變汽車的性能，還將為OEM帶來新的商業模式，OEM需要考慮其他所有權模式以及基于AI的新興服務。新的商業模式會促使OEM將業務轉向B2B模式（如車隊銷售、市政出行服務），這可能會暫時降低企業毛利率。另一方面，新服務要求車輛更加以軟件為中心，從而產生新的利潤池。

企業對企業運營模式包括：第三方車隊。隨著私家車數量的減少和自動駕駛規模經濟的衰退，OEM的車隊運營商客戶會越來越多，車隊規模也隨之擴張。在個體運輸方面，可能偏向由OEM支持的優步式的網約車模式并與第三方車隊合作。在貨運方面，OEM將成為物流公司自動配送解決方案的中流砥柱。OEM自有車隊。將進一步推動上述趨勢的發展，OEM建立自己的自動駕駛車隊，成為運輸服務商。對乘客而言，OEM能提供無人駕駛出租車車隊，可以用較大的出行服務商補充甚至替代公共交通網絡。在貨運方面，他們能提供包裹配送自動駕駛卡車車隊。在這些情況下，不是通過一次性銷售將資產貨幣化，而是通過出行服務獲得經常性收入。

企業對顧客運營模式：銷售給個人客戶。最直接的方式是將車輛出售給個人客戶，這也是OEM目前的運營模式。此外，AI的崛起將改變汽車服務的格局。鑒于自動駕駛汽車系統很復雜，預計OEM將在維護和維修等售后服務市場占據較大份額。OEM自有車隊服務。鑒于許多企業已在出行服務市場開展業務，所以他們也可以直接向終端用戶提供無人駕駛出租車，通過提供服務獲得二次收入，不僅僅是銷售帶來的一次性收入。

實現機器學習的建議

OEM應采取以下五項措施來獲取優勢：

專注核心應用領域。在確定車輛出現方面的ML應用開發時，一是明確最終用戶的需求、利潤規模等。二是分析競爭市場，對市場內企業進行優勢對比分析。三是自我定位準確，制定戰略計劃。四是掌握技術控制點，利用自身優勢具備業界話語權。

充分利用廣泛的數據。通過加強消費者數據收集，更加貼近客戶，了解客戶在各種情況下的行為，是創建新商業模式的先決條件。這一點非常重要：幾乎所有涉及ML的應用程序都需要大量數據，以便深入了解消費者的行為，細化算法。

推動標準和法規的制訂。與其他汽車企業及政府一起積極制定新標準。如果進入這個領域太晚可能會限制OEM，從而失去充分發揮潛力的機會。

發展技術和業務伙伴。商業模式通常需要自身不具備的條件。對于長期存在差異化來源的領域，就需要選擇恰當的合作伙伴以獲取所需的技術或客戶。比如科技企業在研發AI技術、獲取人才和數據應用方面有天然優勢。建立伙伴關系對資源、人才和能力的匯集不可或缺，并且能加速自動駕駛的發展。

商業模式套期保值。可能會出現大量潛在新業務模式。構建商業案例，根據您希望參與的程度從可用商業模式中選擇適合的模式。盡早開發多元化的模式，有些模式可能會失敗，則需要依靠成功的模式降低風險。
? ? ? ?責任編輯：tzh