1. 2018年：自动驾驶从“秀肌肉”到“拼落地”的关键一年
2018年，如果你在汽车行业或者科技圈，几乎每天都能听到关于自动驾驶的新消息。那一年，Waymo的无人驾驶出租车在亚利桑那州凤凰城正式向公众开放，特斯拉的Autopilot系统在争议中不断迭代，而国内的百度Apollo、小马智行等玩家也纷纷亮出了自己的路测成绩单。但热闹背后，一个核心问题开始浮出水面：自动驾驶技术到底发展到什么程度了？是实验室里的完美演示，还是已经准备好进入我们的日常生活？站在今天回望，2018年恰恰是自动驾驶行业从技术验证的“秀肌肉”阶段，转向商业化落地“拼真本事”的关键分水岭。那一年，技术路线开始分化，法规与安全成为焦点，资本与市场的耐心也在经受考验。对于从业者、投资者乃至普通消费者而言，理解2018年的这些“看点”，就能看清今天自动驾驶格局的雏形。
2. 技术路线的“渐进”与“跨越”之争白热化
2018年，关于自动驾驶的实现路径，业内形成了泾渭分明的两大阵营，争论的激烈程度不亚于任何一场技术辩论。这种路线选择，直接决定了各家公司的产品形态、研发节奏和商业策略。
2.1 特斯拉的“渐进式”路线：以量产车为数据引擎
以特斯拉为代表的“渐进式”路线，核心逻辑是从低级别的驾驶辅助功能（如自适应巡航、车道保持）起步，通过海量真实用户车辆收集数据，不断迭代算法，最终实现完全自动驾驶。2018年，特斯拉推出了其Autopilot硬件2.5版本，并开始向部分用户推送“Navigate on Autopilot”（自动辅助导航驾驶）功能。这个功能允许车辆在高速公路上自动变道、驶入/驶出匝道，是向更高级别自动化迈进的重要一步。
特斯拉路线的最大优势在于其庞大的数据闭环。截至2018年底，特斯拉在全球已有数十万辆搭载Autopilot硬件的车辆在路上行驶。每一辆车的每一次干预、每一次接管，都成为训练其神经网络模型的宝贵数据。这种以“影子模式”运行的持续学习能力，是其他依靠有限测试车队的公司难以比拟的。然而，其争议点也同样突出：将尚未完全成熟的功能交付给消费者，引发了关于安全责任、用户教育以及技术过度宣传的广泛讨论。2018年几起与Autopilot相关的事故，将这种模式推上了风口浪尖。
注意：渐进式路线的核心挑战在于功能边界定义。系统必须清晰地向驾驶员传达其能力范围（ODD，设计运行域），并确保驾驶员在需要时能及时接管。2018年的事故很大程度上源于人机交互的失效，而非单纯的算法错误。
2.2 Waymo的“跨越式”路线：追求一步到位的“真无人”
与特斯拉相反，以Waymo（前身为Google自动驾驶项目）为代表的“跨越式”路线，目标直指L4级及以上高度自动驾驶，追求在特定区域内移除人类驾驶员。2018年12月，Waymo One在凤凰城郊区正式商用，是全球首个面向公众的无人驾驶出租车（Robotaxi）服务。初期虽然配有安全员，但标志着技术成熟度达到了一个新的里程碑。
Waymo的技术栈特点是“重感知、轻地图”吗？恰恰相反，2018年的Waymo极度依赖高精度地图。其车辆搭载了昂贵的激光雷达、毫米波雷达和摄像头阵列，结合事先采集的厘米级高精地图，实现对环境的超精确感知和定位。这种方案在可控区域内（如经过充分测绘的凤凰城街道）能实现极高的安全性和稳定性，但缺点也显而易见：成本高昂（当时一辆Waymo测试车的改装成本可能超过百万人民币），且地理范围的扩展速度慢，需要大量的前期测绘和验证工作。
2.3 中国玩家的多元探索：场景化落地成为突破口
2018年的中国市场呈现了更加多元的图景。百度在2017年发布Apollo开放平台后，2018年进入了快速生态扩张期，与多家车企、零部件供应商合作，走的是平台化、软硬件解耦的路线。其目标是通过开放能力，降低行业门槛，加速自动驾驶技术的普及。与此同时，像小马智行、文远知行等初创公司，则聚焦于Robotaxi的测试和运营，在广州、北京等地开展路测，技术路径上更接近Waymo。
一个有趣的趋势是，在L4乘用车落地尚需时日的情况下，2018年更多中国公司将目光投向了特定商用场景，如自动驾驶货运卡车、无人配送车、无人环卫车等。这些场景通常在结构化道路或封闭/半封闭园区运行，交通参与者相对简单，技术挑战和法规风险较低，成为了自动驾驶技术商业化落地更快的突破口。例如，图森未来在2018年就在中国和美国开始了自动驾驶卡车的测试运营。
3. 激光雷达的“降本”与摄像头的“升维”之战
传感器是自动驾驶的“眼睛”，2018年，关于该用什么样的“眼睛”，也爆发了一场经典的技术路线之争，其本质是成本、可靠性与性能之间的权衡。
3.1 激光雷达：从机械旋转到固态化的革命前夜
2018年，激光雷达的主流仍然是Velodyne的64线或128线机械旋转式产品，性能强大但价格动辄数万甚至数十万美元，被称为“自动驾驶汽车的奢侈品”。高昂的成本是阻碍自动驾驶大规模量产的首要障碍之一。因此，降本成为全年产业链的核心议题。
这一年，固态激光雷达和混合固态激光雷达开始从概念走向台前。以Quanergy、Innoviz、禾赛科技、速腾聚创为代表的公司，纷纷展示或发布了基于MEMS微振镜或光学相控阵技术的固态/半固态方案。这些方案去除了复杂的机械旋转部件，有望将成本降低至几百美元级别，并且更易于车规级集成。虽然2018年这些产品的性能、可靠性和量产成熟度尚待验证，但它们指明了激光雷达大规模上车的关键路径。
3.2 视觉主导方案：特斯拉的“另类”坚持与挑战
特斯拉是视觉路线的坚定拥护者。2018年，其Autopilot硬件2.5系统主要依赖8个摄像头、1个前向毫米波雷达和12个超声波传感器，坚决不使用激光雷达。埃隆·马斯克甚至曾称激光雷达为“拐杖”，认为依赖它无法实现规模化的自动驾驶。
视觉方案的核心优势是成本极低，且更接近人类驾驶的感知原理。但其挑战是巨大的：摄像头是二维传感器，获取的是投影信息，缺乏精确的深度感知能力；受光照、天气影响剧烈（如眩光、黑夜、大雨）；对三维几何的感知需要强大的算法从二维图像中推断。2018年，特斯拉通过引入更强大的神经网络（如用于深度估计的“伪激光雷达”概念开始萌芽）和持续的数据训练来弥补这些缺陷。这场争论没有定论，它演变为两种哲学的选择：是用昂贵的传感器确保安全冗余，还是用便宜的传感器加极致算法实现同等效果？2018年，双方都在沿着自己的道路狂奔。
3.3 多传感器融合成为行业共识
尽管有路线之争，但一个更广泛的共识在2018年形成：对于追求高安全性的L3及以上系统，多传感器融合是必由之路。摄像头、毫米波雷达、激光雷达各有优劣：
- 摄像头：分辨率高，可识别颜色、纹理、文字（交通标志），但测距不准，受环境光影响大。
- 毫米波雷达：测速测距精准，不受天气影响，可穿透雨雾，但分辨率低，无法识别物体细节。
- 激光雷达：提供精确的三维点云，几何建模能力强，但在大雨、浓雾等极端天气下性能会下降。
因此，将三者信息进行融合，取长补短，成为打造一套鲁棒性强的感知系统的标准做法。2018年，如何设计高效的融合算法（前融合、特征级融合、后融合），如何处理不同传感器时空不一致的问题，是研发的重点和难点。
4. 法规、安全与伦理：从技术问题走向社会议题
2018年，自动驾驶不再仅仅是工程师在实验室里攻克的技术难题，它开始大规模走向公共道路，随之而来的法规、安全和伦理问题被急剧放大，成为行业无法回避的“必修课”。
4.1 全球法规框架的初探与差异
2018年，各国在自动驾驶立法上处于积极探索但进度不一的阶段。
- 美国：联邦层面采取相对宽松的态度，主要发布自愿性指导文件（如《自动驾驶系统2.0：安全愿景》），将具体监管权下放给各州。加州因其开放的测试环境和完善的报告制度（DMV脱离报告），成为全球自动驾驶技术的“竞技场”。亚利桑那州则以更友好的法规吸引了Waymo等公司落地运营。
- 中国：2018年，北京、上海、重庆、深圳等地相继出台自动驾驶道路测试管理细则，发放测试牌照。中国的法规特点是对安全要求非常严格，通常要求测试车辆配备司机，并规定详细的测试区域和条件。同时，关于车辆准入、产品责任、数据安全等方面的国家级法规也在紧锣密鼓地研究中。
- 欧洲：在联合国世界车辆法规协调论坛框架下，关于自动车道保持系统等功能的法规正在制定中，整体风格偏谨慎，更强调系统的安全验证和型式批准。
法规的差异直接影响了企业的测试和部署策略，也导致了全球自动驾驶发展速度的不均衡。
4.2 安全标准与验证方法的缺失
“如何证明一辆自动驾驶汽车比人类司机更安全？”这个看似简单的问题，在2018年却没有标准答案。传统的汽车安全基于“失效-安全”原则，但自动驾驶系统的失效模式更为复杂，尤其是基于机器学习的感知和决策算法，其行为具有非确定性和“黑箱”特性。
2018年，行业开始广泛讨论新的安全范式：
- 预期功能安全：不仅关注系统故障导致的风险，更关注在无故障情况下，由于性能局限、误用或环境变化导致的风险。例如，系统能否正确识别一个从未在训练数据中出现过的、造型奇特的障碍物？
- 测试验证方法：仅靠真实路测积累里程来证明安全性是低效且不充分的（需要数十亿甚至万亿英里）。因此，仿真测试、硬件在环测试、封闭场地测试和真实路测相结合的“组合拳”方法成为共识。2018年，各大公司都在大力建设自己的仿真测试平台。
- 安全员的作用与挑战：在路测中，安全员本身就是一个变量。如何确保安全员在长时间监控中保持专注？如何定义和记录“接管”时刻？这些操作细节都直接影响对系统性能的评估。
4.3 伦理困境的公开讨论
“电车难题”的自动驾驶版本在2018年引发了社会层面的广泛讨论。当事故不可避免时，车辆应如何选择？是保护乘客还是保护行人？虽然这类极端案例在实际中概率极低，但它触及了产品设计的伦理底线和法律责任归属。2018年，德国伦理委员会发布了一份自动驾驶指南，提到了类似问题，但并未给出具体算法答案，更多是原则性规定，如“人的生命权永远优先于财产权或动物权”。这反映出，伦理决策很难被编码成简单的程序规则，它需要技术、法律、伦理和社会共识的共同演进。
5. 商业模式的雏形与资本市场的冷暖交替
技术最终要服务于商业。2018年，自动驾驶的几种主流商业模式开始清晰，但资本市场对它的态度却经历了一轮明显的调整。
5.1 三大主流商业模式浮现
- Robotaxi（自动驾驶出行服务）：被视为市场空间最大的模式，以Waymo、Cruise以及国内众多初创公司为代表。其商业逻辑是取代或补充现有网约车和出租车，按里程或时间收费。2018年Waymo One的收费运营，是这一模式从技术演示走向商业服务的关键一步。但挑战在于，如何将单次乘坐的成本（包括车辆折旧、运维、远程保障等）降低到低于人类驾驶网约车的水平。
- 自动驾驶解决方案供应商：向车企或运营商提供自动驾驶全栈或部分技术（如感知算法、决策规划、高精地图、仿真平台等），以软件授权、技术合作或联合开发方式收费。百度Apollo是平台化代表，而Aurora、Momenta等则定位为Tier 1或Tier 0.5供应商。这种模式的关键是获得主机厂的信任和订单，并证明自己的技术能适配不同车型、满足车规要求。
- 特定场景商用落地：在2018年资本环境变化下，这个模式显得更为务实。在港口、矿区、园区、干线物流等相对封闭或简单的场景部署自动驾驶，能够更快产生现金流，验证技术，并积累数据。例如，专注于港口集装箱运输的西门子旗下公司，以及众多无人配送小车创业公司，都在这个赛道上奔跑。
5.2 从狂热到理性的资本寒冬前奏
2017年到2018年初，自动驾驶是资本市场的宠儿，融资额屡创新高。然而，到了2018年下半年，风向开始转变。投资者逐渐意识到，自动驾驶的复杂性和实现周期远超最初的乐观预期。技术瓶颈、高昂的研发投入、模糊的盈利时间表，使得资本市场开始收紧钱袋，更加关注技术的落地能力和商业闭环。
一些明星初创公司估值高企但产品迟迟无法量产，内部管理问题也开始暴露。这直接导致了行业在2019-2020年迎来一波整合与淘汰潮。2018年就像一个冷静期，挤出了部分泡沫，迫使公司们从“讲故事”转向“做实事”，更加聚焦于可验证的里程碑和可持续的商业模式。
5.3 产业链合作大于竞争
面对巨大的技术挑战和资金需求，2018年自动驾驶领域的合纵连横异常活跃。传统车企巨头（如通用收购Cruise、福特投资Argo AI）与科技公司结盟，以获取技术能力；车企与车企之间组建联盟（如宝马与戴姆勒在自动驾驶领域的合作），以分摊研发成本；科技公司则与供应商、出行服务公司广泛合作，构建生态。大家意识到，自动驾驶是一个系统工程，没有任何一家公司能独立搞定所有环节，合作共赢成为主旋律。
回望2018年，自动驾驶行业站在了一个充满希望却又布满荆棘的十字路口。技术路径在争论中前行，传感器在迭代中降价，法规在探索中构建，商业在试错中清晰。那一年吹过的牛，有些已经实现，有些被证明是幻想；那一年埋下的种子，有些长成了参天大树，有些则无声枯萎。但毫无疑问，2018年为后续五年自动驾驶的发展奠定了基调：从追求炫技到关注安全，从单一技术突破到全栈系统工程，从资本驱动到商业本质。今天我们在讨论城市NOA、讨论L3法规落地、讨论Robotaxi的盈亏平衡点时，都能从2018年的那些“看点”中找到最初的线索和逻辑起点。
