“不少自动驾驶企业正在筹划上市”，一位自动驾驶技术企业的从业人员向搜狐汽车透露。“然而，摆在眼前的现实却是消费者买单欲望不强烈和整车企业成本施压严重，以及只靠融资度日难以为继。”
生存已成难题，依靠技术实现暴富的梦想也接近停摆。图森未来便是一个活生生的例子，曾是“自动驾驶第一股”，如今站在退市边缘。
5月18日，图森未来发布重组其在美国业务的公告，计划裁减约300名员工，占图森全球员工的30％，截止当日图森未来市值蒸发近98%。
技术端，自动驾驶进阶迟缓，不能替代人工；消费端，自动驾驶的感知价值大打折扣，消费者买单意愿不是很强烈。
曾经，梦想为整车企业共创增值服务，成为智能化时代的主导者；如今，自动驾驶智能的价值点被一减再减，只能成为汽车产品的一个卖点，甚至都不能创造溢价，只能帮助汽车企业更容易地卖车。
这并不是自动驾驶技术企业第一次向现实妥协。
第一次，L4降级L2，向技术能力妥协；第二次，纯视觉与融合感知的纠结，向量产能力妥协。目前，“泊车+高速+城区”成为能够落地的共识，即L2+或L2++的辅助驾驶。
喜忧参半的是自动驾驶技术能力被困在L2++或L2.99。
在5月15日-18日召开的2023中国(亦庄)智能网联汽车科技周暨第十届国际智能网联汽车技术年会(CICV 2023)上，各方观点再次揭露了这个残酷现实的技术基础。
“当前产业发展在理念、技术路线等方面还没有完全形成共识，不同的行业对智能网联汽车跨界融合特征认识不足导致在系统定义、功能架构、关键技术等实施方面存在着局限。由此带来系统的数据封闭、数据的孤岛化、基础设施的碎片化等等，严重影响产业发展。” 会上，中国工程院院士李克强表示。
“视觉为主的自动驾驶感知是大势所趋”
突破自动驾驶的壁垒，首要是高效精准的感知，感知路线基于视觉还是基于多传感器？在大会的运载装备智能感知和技术应用分论坛上仍有分歧。
清华大学博士郑文钊认为：“视觉为主的自动驾驶感知是大势所趋”。他形象举例，人类驾驶员主要依靠视觉驾驶汽车，没有非常好主动距离的传感器，但仍可以非常好地驾驶汽车。
自动驾驶图像数据非常稠密，这一特性制约了传感器感知的上限。比如激光雷达本身（数据）比较稀疏，虽然有较好的立体信息输入，但整体上稀疏性制约了它整体感知性能的上限。
郑文钊还指出，自动驾驶汽车对于实施性、车载设备的要求、计算资源的要求比较高，自动驾驶系统需要往轻量化的方向发展，“在应用上，视觉路线硬件成熟、成本低，有比较大的优势”。
在视觉技术层面，鸟瞰图BEV是当下最主流的感知范式，但也有一定局限性，在地平线智能驾驶算法研发负责人苏治中看来，场景中有很多一般障碍物，仅仅达成静态和动态感知并不足以完成自动驾驶，一般障碍物很难用语义去穷尽。
最近学术界提出了新感知任务，即三维语义占有预测，它对空间中每个体素进行语义标签进行预测，可以对物体形状、背景环境、异常障碍进行非常可靠的表示和识别，也就使整体的环境感知更加可靠和稳定。郑文钊认为下一代自动驾驶感知是基于视觉的稠密三维占有表示。
同场论坛上有视觉派，也有雷达派。企业代表行易道科技CEO&CTO赵捷、木牛科技研发总监苏轶伦表示——多传感器融合是必然的需求。
技术层面，毫米波雷达包含高成分辨率，同时有更远的作用距离，易于和视觉融合，能够用雷达的数据训练AI，这是对未来或者当下的毫米波雷达提出的要求。
赵捷表示，预计到2027年全球的车载毫米波雷达市场为128亿美元，其中4D和成像毫米波雷达雷达市场为88亿美元，占到68%。赵捷透露：“我们根据自己看到的行研报告和多家主机厂的当面交流，基本上总结出来对于成像毫米波雷达刚性的需求”。
苏轶伦认为，随着智能驾驶等提升，多传感器融合是一个必然的需求，而且传感器的种类、数量以及对传感器质量的要求都在不断提升。
“真正实现L4技术水平，大模型
是有可能的出路之一”
在智行者联合创始人、研发中心副总经理张放看来，当前技术范式最高水平能达到的就是L2+和L3，如果未来真正要实现L4技术水平，大模型是有可能的出路之一。
2022年，特斯拉发布大模型方案，成为业内一个转折点，行业对于大模型专注度飙升。
大数据模型，完全以自车视角完成对周围障碍物和周围环境感知，从而形成车辆对世界的理解，尤其在感知实时生成的拓扑关系上，它可以媲美于高精地图和高精度定位。
大模型依赖的训练数据从何而来，需要什么样的数据、怎样收集、怎样促进迭代？觉非科技高级技术总监张红飞认为，高精度地图可以帮助实现大模型训练，并且获取到促进大模型迭代的重要数据。
高精度地图可以充当样库、导师的角色。通过感知直接生成道路拓扑关系，这种拓扑关系的生成可以在高精度地图监督下完成，可以在A区完成高精度地图精度的训练，到B区完成它的感知的效果识别；这种地图生成的覆盖和鲜度是超过它精度的价值。
“高精地图让人又爱又恨”，张红飞对高精地图的形容正反映了行业的又一分歧——高精地图是否具有必要性。
高精地图精度高、数据客观准确、量很快，有成熟的供应商和解决方案，但是覆盖城市数量少、更新速度慢、跟不上道路城市建设的变化，存在短板。
从高速辅助驾驶到城区辅助驾驶的实际应用上，苏治中表示地平线通过端上实时的感知和建图，做到不依赖高精地图，或者降低对于地图的依赖，而达成自动驾驶的功能，同时在复杂路况下也有很好的处理能力。
小鹏汽车自动驾驶AI负责人刘兰个川也表示，接下来在XNGP里面，想尽量减少或降低对高精地图的依赖，从而实现在全国和全程都可以使用。
“使用高精度地图，是高速道路进入到城市最快达到量产的一种重要方案，但是感知大模型对于覆盖和现实性的处理是优于这种方案的，不过它仍然需要足够的时间和数据量的积累”张红飞总结。
“功能安全、信息安全、人机交互安全
是高阶智驾规模化量产的三大安全要素”
智能网联汽车需要大量数据和新功能开发，同时也带了安全风险，在中汽创智科技有限公司首席技术官周剑光看来，功能安全、信息安全、人机交互安全是高阶智驾规模化量产的三大安全要素。
“功能安全方面，需要展现自动通讯等多方面的冗余，车企需要应对更多的冗余带来的平台变革和成本增加的问题。信息安全方面，安全防护是无止境的，不存在完美、不可攻破的系统。”
“人机交互安全方面，使用更安全和体验更友好是矛盾的，为了使用更美好，我们设置了很多不友好的进入条件和严苛的系统退出边界，这也是在技术不成熟的条件下保证安全使用的无奈之举。
行业一直也在思考和探索一个体系化的安全框架，以及更多元化的安全性测试和验证方法、标准。
具体进展上，中国智能网联汽车产业创新联盟副秘书长陈桂华介绍，在信息安全、功能安全方面，团标围绕着架构要求类、安全要求类、接口和互操作类、包括异构硬件类的安全要求，目前操作系统的公共安全要求，功能软件的架构和接口要求等等已经立项或者发布。
在人机交互领域，更多的是围绕着智能网联汽车的服务对象和驾驶任务的安全性，从HMI车内的交互和车外交互两个维度来去构建智能安全可用高效的智能体系，目前视觉感知、汉字显示的规范已经发布，座舱的触控交互安全评价方法已经立项在研，近期会征求意见。
“车路云一体，能够真正推动技术产业化”
针对自动驾驶在技术上面临的挑战，以及法律法规和管理方面的问题，未来要真正推动技术产业化，中国工程院院士李克强认为需要有新的方案——“车路云一体化”的中国方案能够应对挑战、解决问题。
中汽创智周剑光认为，车路协同的本质是从技术路线角度，缩小人工智能与人类智能的差异，扩大无人目的地。
但是，车路云协同面临和单车智能相似的场景问题，比如在网络上动态遮蔽、高速移动等多种环境因素下，都会导致网络传输的时延增加和数据的丢包。目前，北京市高级别自动驾驶示范区内，正加强车路云网各端建设。
车端，推进智能网联车端应用，针对自动驾驶测试车，示范区为车辆提供信号灯上车、动静态盲区补充、超视距感知和V2X交通事件等能力补充；路端，强化路侧基础设施支撑；
云端，发挥云控平台中枢价值；示范区云控平台累计接入车辆、路侧、信控、出行服务等6大类、200多个数据项，面向产业及政府部门提供车路云一体化及交通信控优化等应用服务；网端，夯实通信基础设施建设。
示范区以外，仍有广泛落地难点。
“路谁来建，路侧的基础设施、智能设备谁来提供？很多人都等着政府来建，但是政府能不能投入那么多钱、能不能做到全域覆盖？像淄博或者东部经济发达地区，做一些试点、带动，但是中西部能不能做这样的事情，还是有一定的瓶颈。” 北京交通大学电子信息工程学院教授上官伟直言。
他提出，车路协同应该是一种功能，像上网需要流量，流量需要付费；但是享受车路协同功能的时候，愿不愿意付费，这是问题。
“如果没有基础设施，又得以车为主，车的能力就应该更强，但是车的能力更强必然有更多的通讯设备、感知设备在车上装着，车的成本又会增加，又是一层矛盾。”
同样对车路协同应用落地的疑虑，来自福特（中国）汽车有限公司智能网联产品交付总监范衡：“车路协同产品对消费者价值体现在什么地方，车厂作为整个车路协同价值链的最后一环，怎样把最后一个接力棒交到消费者手上？”。
据范衡介绍，福特是目前首个能够真正大规模做车路协同商业化应用的整车企业，已经装车9款福特车型，有6大功能，落地6个商业运营城市。
其中4个功能和交通信号灯相关，包括绿灯推送、电子路牌等；除此之外还有道路信息播报（如潮汐车道、事故）、电子路牌与交通信息匹配（如限速、学校路段）等功能。
无论是单车智能还是车路云协同，只有实现了商业闭环，才是产业能够持续迭代发展的根本。
面对行业进阶难关，智行者张放认为技术竞争、市场竞争的魅力就在这——没有最好只有更好，“大家都会在各自的立场和为了自己的目标努力，只有这样才能真正迭代出一些未来大众喜欢，并且商业上能坚持的解决方案”。
