自动驾驶过冬，需要点燃“降本增效”的炉火

进入2023年，人们还在等待这个冬天的第一场雪，同时也在感叹暖冬已经成为了新的常态。但对自动驾驶产业而言，这个冬天似乎并没有那么暖。

回顾2022年，全球自动驾驶行业裁员、倒闭、部门裁撤的消息不绝于耳。资本市场也逐渐放弃了自2021年初开始对高级别自动驾驶的投资狂热，整体市场泡沫开始破裂。有业内人士认为，如果资本持续转冷，将有90%左右的自动驾驶项目，在大规模商用落地前就宣告失败。

但另一方面，自动驾驶又确实在技术、应用上取得了长足的进展，成为各大企业，乃至全球各个国家与地区认可、笃定的发展方向。无论是走Robotaxi路线与产业合作路线的科技公司，还是将自动驾驶技术作为主要卖点的新能源汽车企业，以及纷纷走上智能化、电动化道路的老牌车企，都在自动驾驶领域持续投入，以期抵达寒冬之后注定会来到的黎明。

在这种情况下，自动驾驶项目如何过冬，成为了全球车企都在关注和探索的问题。

自动驾驶的发展动力充足但波折不断

自动驾驶的发展动力充足，社会和市场对自动驾驶的接受程度正在达到新的高度。2022年4月，交通运输部、科技部公开发布了《“十四五”交通领域科技创新规划》，系统谋划了“十四五”期间以自动驾驶为代表的交通科技发展方向。2022年11月，工信部发布了《关于开展智能网联汽车准入和上路通行试点工作的通知(征求意见稿)》，宣布将对L3、L4自动驾驶车辆进行准入管理，并展开试点工作。

在如火如荼的产业推助力之下，没有企业会低估自动驾驶的长期未来。但在眼下，自动驾驶产业却在全球范围内遭遇了一定程度的波折。在2022年，福特投资的自动驾驶公司Argo AI宣布失败，曾经一度吸引全球关注的Aurora股价大跌，市值缩水超过9成，行业头部公司Mobileye估值也从此前的500亿美元缩水至170亿美元。而在中国市场方面，根据相关数据，2022年自动驾驶领域的融资额对比2021年同期下降了60%左右。出行项目失利、股价大跌、投融资遇冷等问题的背后，是自动驾驶产业根深蒂固的一大顽疾：成本膨胀。

自动驾驶过冬，关键在于成本

目前为止，我们似乎很难找到一家车企，还不研究自动驾驶技术的。但自动驾驶研发高昂的成本，确实已经成为拖累自动驾驶项目进入高潮的关键节点。车企迫切需要在自动驾驶研发路途中点燃“降本增效”的炉火。在今天，如何降低研发成本，已经成为自动驾驶领域一个不可忽视的问题。

由于高等级自动驾驶需要长期发展，且场景化的细分市场难以快速打开成规模的商业空间。因此绝大部分自动驾驶项目都处在长期投资，但难以获得等比例商业回报的阶段。随着自动驾驶研发的持续性投入，相关数据不断累计、测试需求更加多样，反而造成了研发综合成本的持续上升。

但自动驾驶的确定性，又让车企为代表的汽车行业难以割舍相关项目。这样来看，缓解自动驾驶项目压力，帮助车企度过短期资本寒冬的方式，关键在于如何降低研发成本。

接下来我们不妨深入一个自动驾驶项目，从具体的技术流程与研发环节中探寻，为什么自动驾驶会有如此巨大的研发成本问题？这些问题又该如何解决？

抽丝剥茧：一个自动驾驶项目的研发成本探寻

我们的故事拟定在欧洲一家汽车制造业企业。这家企业拥有悠久的乘用车制造历史，以及强大的供应链管理能力。但对于AI算法开发、海量数据管理、自动驾驶测试等数字化、智能化技术则缺乏经验与基础。但在目前阶段，自动驾驶已经成为了这家车企的必选项，否则很有可能面临在下一周期被市场淘汰的风险。

根据估算，这家车企评定出了自动驾驶项目的研发流程。其中包括数据采集、数据导入、预处理标注等前期数据工作，以及自动驾驶算法训练、仿真测试、数据归档等中期工作，算法部署、实路测试、算法迭代等后期工作。根据这家车企的数据量预判，这样一个自动驾驶项目，其研发周期大概在60个月左右。也就是说，有至少五年的时间企业必须持续投入，很难见到商业回报。在实际执行自动驾驶项目之后，这家车企很快发现了一系列成本难题，其中的代表有数据存储成本、数据使用成本、技术研发成本。

1．数据存储带来的成本压力。

L4级自动驾驶研发每天都将产生海量的数据，尤其在实路测试阶段，每一辆测试车每天将收集大约60TB的数据。仅仅一天一车的数据存放，就需要一笔硬盘开销。与此同时，这些数据经过提炼得到的Corner Case也并不是可以低效率存放的“冷数据”，而是要经常进行应用，因此数据调取效率也是一个不小的挑战。这家车企估算，随着业务的推进，自动驾驶相关项目将收集超过1000PB以上的数据，且至少需要保存30年以上。这带来的数据存储成本压力不可小觑。

2.数据流通与应用中产生的综合成本挑战。

自动驾驶研发会产生大量非结构数据。比如传感数据、摄像头数据、激光雷达点云数据等，且需要进行大量AI标注训练。车企传统使用的数据基础设施，很难适应多样化数据与AI开发的需求。

同时，就像上文所说的那样。自动驾驶开发要经历数据采集、导入、预处理、训练、仿真、部署等多个环节，自动驾驶数据要在众多流程环节之间流动。每个环节需要的数据类型、负载类型、访问协议类型都不同。业界的普遍做法是每个环节的数据单独存储，这样车企开发人员需要在不同环节不同存储设备之间频繁拷贝、调用数据，导致宝贵的开发时间大量浪费。在这些流程中，根据这家车企的统计，数据拷贝和管理的时间大约占据了整体开发时间的25%，极大拖慢了开发效率。这些数据流通、转化能、应用造成的成本，虽然看似微小，但累计下来的压力却大得惊人。

3.技术理解、研发相关成本激增。

数据难题之外，自动驾驶项目还面临着其他难题。比如说，自动驾驶的业务流程非常复杂，涉及的相关技术也多种多样。诸如视频编解码、雷达点云、地理信息、车载传感器、车载控制器、AI、大数据、OTA等，都是车企此前并不涵盖的业务范畴。这些技术都需要车企从头开启研发与探索，着实造成了巨大的研发成本扩张。

自动驾驶的基本实现方式是深度学习，需要利用车辆的感知+决策能力来实现去司机化的车辆行驶，而这就导致AI算法开发成为了自动驾驶研发的核心。传统车企对大量AI开发与训练并不熟悉，对AI开发所需的数据、算力、网络基础设施也比较陌生，自行摸索搭建AI研发体系，这也是自动驾驶研发成本高的一大原因。

当然，在这三点之外自动驾驶项目还有很多成本压力，比如说测试成本、AI算力成本等等。至此，我们了解了一家车企的自动驾驶研发成本问题。而想要帮助自动驾驶产业跨越寒冬，良性发展，归根结底也要从这些具体的问题入手，帮助车企降本增效，给冬天带来温暖与力量。

点亮“降本增效”的炉火：自动驾驶路上的华为价值

整体而言，车企的自动驾驶之路已经来到了至关重要的阶段，需要跨越必须经历的冬天。这个时候，具有技术与解决方案优势的企业，需要更多贡献自己的价值，帮助车企降低自动驾驶的研发成本。尤其要避免车企大量进行重复造轮子的工作，将先进、可用的行业共性开放出来，降低车企的重复开发。

如上所述，车企的自动驾驶项目“成本膨胀”，具体分为三层：1.基础设施成本激增。2.技术研发成本过重。3.适配自动驾驶新战略的企业综合成本拉升。

想要解决自动驾驶项目“成本膨胀”的问题，也就不能头疼医头，脚疼医脚。而是需要从这几个层级的需求综合入手，整体化推动自动驾驶项目成本回归合理。

在这种多层级、多目标的降低成本需求下，华为的价值优势就显现了出来。华为具有端到端的自动驾驶解决方案，集成了数十年积累的网络、存储、计算、AI、大数据、云相关经验。既可以解决企业在数字化基础设施、技术获取方面的难题，也可以帮助车企完成适配新阶段、新目标的整体智能化转型，最终从三大层面为车企带来综合的“降本增效”价值，帮助车企温暖这个冬天。

第一层，是数字化基础设施成本的大幅下降。

以我们上面说过的数据问题为例。华为拥有业界领先的存储技术，其先进的多协议互通技术，可以用一套存储方案支撑全流程数据存储，从而避免数据频繁拷贝。这一点正好应对了自动驾驶的研发难题，车企可以借此提升25%的研发效率，从而加速研发进程，降低整体成本。与此同时，华为的超高密度存储，和对冷热数据自动分级处理技术，可以有效降低20%的TCO成本。同时支持大带宽和高OPS场景，更加符合自动驾驶研发海量数据的归档、整理、调用需求。

第二层，是帮助车企获得成熟的自动驾驶技术与工具，尽量避免重复开发。

华为自动驾驶开发平台，可以带来一系列自动驾驶工具与平台价值。比如其专属云合规采集测绘，可以帮助车企实现灵活算力调度，助力自动驾驶项目更加便捷、灵活地完成高精地图测绘工作。

自动驾驶的海量数据，可能给车企带来大量的人工标注、清洗数据难题。为此，华为自动驾驶开发平台提供海量数据快速、高效清洗与筛选能力。通过自动化数据标注实现低门槛、高效率的数据处理，性能高出业界20%。

车企获得自动驾驶相关能力升级、服务升级的最短路径，就是从云服务平台获取相关价值。为此，华为云提供了一系列专注于自动驾驶能力的赋能与支持。比如说，AI算法开发是车企最大的技术挑战，其门槛高、周期长、不确定性大。为此，华为云提供一站式AI开发平台，可以大幅度降低平台搭建难度和成本，让车企聚焦算法开发和模型训练核心能力。

第三层，是帮助车企构建自动驾驶生态，进一步完成数字化转型。

华为云携手产业各界，构建了生态开放的自动驾驶研发平台，开放了自动驾驶研发平台解决方案的开源代码库Ploto，支撑专业软件服务商部署和对接，帮助车企快速准确找到相关技术与生态合作机遇。