從0到1的方法不止一種，當一切尚未落定，百家爭鳴便是最好的狀態。這個說法對近年來越發火熱的自動駕駛也同樣適用。無論是傳統車廠、新興造車企業還是原本的互聯網巨頭跨界，都紛紛加入了這個改變行業乃至生活的新興領域。

　　我們發現，在一段時間不是很長的發展歷程中，自動駕駛在發展路徑上漸漸形成了兩大流派：

　　一派從SAE Level1向Level5漸進式發展，實現彎道超車。他們在傳統汽車的基礎上不斷智能化升級，經歷L2、L3，慢慢從ADAS過渡到全自動駕駛。自動駕駛的競技是一條長長的賽道，他們選擇每個節點步步為營。另一種換道超車，直奔Level4或Level5全自動駕駛。一切按照自動駕駛需要的全套裝備，搭載最完善的定位和傳感器配置，使用最先進的計算平臺，設計適用的車載集成系統。在自動駕駛競技長跑中，他們積蓄力量一步到位。兩個流派看上去殊途同歸，但有觀點卻認為并不存在交集。百度首席架構師James Peng曾在演講中拋出觀點：由ADAS開始的漸進模式不能跨越鴻溝（實現全自動駕駛）。而百度在集團內分設智能車事業部（原L3事業部）和自動駕駛事業部，似乎就是觀點佐證。

　　傳統改良與推翻式創新都能抵達自動駕駛嗎？

　　推翻式創新者理由充分：ADAS和全自動駕駛的技術基礎存在明顯分層。感知可靠性從90%去逼近100%的過程，要用全新技術填充空白。ADAS階段不怎么強調的規劃決策，因為自動駕駛面對不可預見的外界環境，成為一個新難題。傳統車身的結構并不能完美適應自動駕駛，線控和通訊方案幾乎是對整個底層的全盤置換。這些更新、更難、更復雜的設計，都在意味著根本上的重新定義。

　　傳統改良型自有主張：按部就班的模式，才能幫助供應商在零部件端共同成熟技術。一款真正適合車載環境的深度學習芯片還沒有誕生，核心傳感器成本遲遲未降，自動駕駛算法的訓練不在局限于生產之前，這些都是自動駕駛汽車遙遙無期的原因。快速應用自動駕駛的階段性產品，獲得的寶貴反饋，才能以最快的速度實現商業化。

　　又或許，選擇漸進還是推翻，其實是一種商業策略。推翻式創新可能意味著暫時無法盈利的窘境。漸進式在每個階段都能落地產品，易于回籠資金。兩種方案并行開展會分散企業精力，對人力物力有限的公司而言難以兼顧。

　　漸進式和推翻式爭論之外，提振民族產業是一項齊頭并進的話題。

　　自動駕駛迅速升溫，國內卻漸起一種趨勢：自主品牌在自動駕駛開發時，講究“快速配置功能”，因此傾向購買國際零部件企業的成熟產品，國產自動駕駛仍然“外國心”。而在另一邊，國內不少掌握自動駕駛單項技術的供應商缺少實戰機會。他們不但難以形成完整的產品的開發能力，而且面臨著成本高居不下的瓶頸。如何跳出單個企業，帶動整個產業鏈的勃興，甚至是更重要的前提。

　　不過此時腦中想起的，是曾經聽到的一則提醒：彎道也好，換道也罷，都是卡位機會，但超車本身也是危險行為，前提是你必須擁有一身過硬的技術本領。兩大流派能坐在一起，最有價值的探討，必定是自動駕駛面對的挑戰和突破：

　　1.傳感器配置優化與數據融合。

　　自動駕駛的傳感器除了要滿足嚴苛的車規級認證，還要在配置上確保不同環境天氣時間360°全方位感知。實現不同功能的傳感器配置要兼顧本車姿態，考慮低成本、少盲區。不同傳感器算法與數據格式的差異性，決定了數據融合的難度。單一傳感器實現ADAS功能已經日漸成熟，用傳感器融合建立冗余保證安全的做法依然是項挑戰。

　　2.軟硬件高度配合的計算單元。

　　自動駕駛與ADAS相比，數據運算量將面臨爆炸式增長。除了算法本身的優化，硬件計算性能、功耗、以及成本把控，將軟硬件深度綁定才能獲得一款兼顧性價比的計算單元。而且主機廠都有對車載設備小型化的期待，通過更高的集成化程度，自動駕駛核心控制部件不用把后備箱塞得滿滿當當。

　　3.面向自動駕駛的線控和總線設計。

　　為了滿足自動駕駛低時延控制，執行機構需要經歷電子化改造，線控系統的開發漫長而昂貴。自動駕駛汽車，急需滿足更高數據帶寬的車內連接。現有CAN總線并不擅長高速數據傳輸，汽車正在等待更加適應大數據運算的以太網設備。

　　4.基于近場通訊、5G以及云計算的網聯技術。

　　V2X可以視為感知部分的補充，在本地傳感器失效的情況下，車聯網也能支撐自動駕駛汽車安全抵達目的地。除此之外，V2X可以補充本地傳感器視域之外的環境信息，讓自動駕駛汽車不再受到物理傳感器的局限，進而看得更遠。