《钛度热评》直播间是由钛媒体钛度热评发起的原创直播栏目，邀请对不同行业、不同商业模式有着独到见解、深度观察的媒体人和行业从业者，第一时间就热点事件进行深度点评，通过多角度解读全面展示事件的影响和意义。

本期《钛度热评》栏目特邀BT财经创始人张津京、连线出行主编周雄飞、一点财经创始人刘彦领、易观分析汽车出行行业研究总监、资深顾问刘影一起就话题“保“2”争“4”，自动驾驶元年还有多远？”进行了讨论。

关于L2和L4级别两者之间最大的差别，以及在L2至L5中，实现自动驾驶汽车大规模量产理想的级别。

易观分析汽车出行行业研究总监、资深顾问刘影表示，自动驾驶L0到L1是从无到有的过程，L1-L5共分5个级别，L1实现转向和加速的其中之一，L2是转向和加速都能够实现，L1和L2下驾驶员需要关注整个驾驶过程。从L1到L2相当于在一个功能上再做另一个功能，难度没有那么大。但是L3是不需要驾驶员监督，出现问题的时候再需要驾驶员介入，是真正迈入自动驾驶的门槛。从L3到L4是从不全面到全面解决问题的过程，L5是完全的自动驾驶。

从自动驾驶程度上来看，L2仍然停留在辅助驾驶阶段，L4是真正意义上的自动驾驶。从实现的功能层面来看，L2实现的功能包括ACC自适应巡航、自动跟车、自动泊车等。那L4的代表功能有自动辅助导航驾驶、领航辅助驾驶、自主代客泊车等。如果L4想实现更高级别的自动驾驶的话，它在硬件以及算力的方面会有较大的差异。硬件方面L2需要3个或以上的雷达，L4或L5需要10个以上。L2级别不需要激光雷达，但L4级别至少需要一个。那像摄像头的方面，那L2需要1个以上摄像头，L4或L5需要8个以上。算力平台方面，L4是L2的几百倍的算力水平。自动化程度的不同，需要的硬件、算力平台是有所不同的。

一点财经创始人刘彦领认为，L2 和L4最大的不同，是自动化程度的不同。

L2 严格来说还称不上自动驾驶，因为司机是主角，机器是配角。L4才是真正意义上的自动驾驶，在车上可以去处理工作甚至是闭眼休息，完全从驾驶操作中抽离出来。

要实现自动驾驶汽车大规模量产，理想的级别会是L4，而不是L3级。

目前使用最多的是 L2 级别辅助驾驶，很多人认为自动驾驶汽车的量产就是按照L2、L3、L4、L5级进行的，所以接下来应该就是L3了。

他们是典型的技术派，却不是实践派。因为他们忽略了一个问题，技术是要放到现实中去考虑的。

自动驾驶放在现实中，一个非常大的难点就是事故责任认定。L2级和L4级的事故责任界定都十分清楚——L2级发生事故的责任在司机，L4级发生事故的责任在运营商。而L3级，由于需要司机在必要时进行接管，很难界定事故责任方，因此普及需要相当长的时间。

连线出行主编周雄飞认为，L2和L4 的最大的区别是在主体的认定上面，其次也是由两种不同的路线所导致。其中， L3 级别最为关注的一个重点就是因为 L3 是处于属于人机共驾，需要司机关注前方路面的情况。

在L2-L5级别中，要实现自动驾驶汽车的大规模量产，理想的级别当然是L5级别的完全自动驾驶。因为这样可以实现全局的最优解，如果是 L5 能全面落地的话，会呈现一个场景，在未来某段路面上，所有的车都是通过自动驾驶的技术去引导，车与车之间也可以进行互联，车与路之间也可以进行互联，相当于现在所谈的车路协同技术。车与车之间会形成很好的连接或者交流。这样，不安全的因素就会大幅地去减小，而整体的道路交通也会变得更加安全和可靠。

BT财经创始人张津京表示，自动驾驶的分级是国际汽车工程协会2014年初制定的，分成六个等级。但是现在出现了L3级别推进的非常不好的情况，原因是责任认定问题。根据现在各个国家包括我国的规划，要求在L3级别车上装黑匣子，要在驾驶室里面有摄像头，来区分出现事故的时候驾驶员是否操作。驾驶员没有操作的话驾驶员负责任，驾驶员操作了但是没有控制住车，是自动驾驶系统负责任，这个非常麻烦。所以福特、大众这些车企在去年的时候就已经推迟了他们原本计划2025或2027年就要上线的L3级别的汽车。

第二，自动驾驶的理想状态是L5。因为L4虽然比L3要更进一步，但是L4依然要有方向盘、挡位、刹车、油门等操纵设备。L3是有条件的辅助自动驾驶，L4是有条件的自动驾驶，那就是说在没有条件情况下，还是必须要人工操纵的，这个界限是要通过立法去规定的。

自动驾驶最终一定是智能交通加L5自动驾驶，也一定是没有驾驶舱，没有操纵设备，完全由自动驾驶系统甚至由城市的大脑来完全控制的状态。

关于自动驾驶有关的事故暴露出的最大问题，以及自动驾驶事故的责任应如何界定。

一点财经创始人刘彦领表示，暴露出的最大问题就是责任认定。我国第一起自动驾驶汽车致人损害事件，在2016年已经发生，但至今尚未有明确的结果。本身，自动驾驶汽车作为客体，致人损害的责任应当由司机承担，但是汽车在自动驾驶过程又出现“人+机器”的复杂情况，这对于责任的认定造成困难。

值得庆幸的是，今年深圳发布的《深圳经济特区智能网联汽车管理条例》，成为我国首部关于智能网联汽车管理的地方性法规，针对不同情况下智能汽车出现的事故做出了责任界定。

这在业内率先迈出了第一步，接下来自动驾驶的事故责任认定或将更有法可依、更加公允公正。

连线出行主编周雄飞提出，现阶段发生的自动驾驶相关事故中，基本突出两个方面的原因——人为不注意和技术无法识别。以此前的特斯拉事故为例，由于特斯拉车身上的毫米波雷达对静止的物体，或者白色车身识别错误，导致在自动驾驶功能开启后发生事故；另一方面就是当自动辅助驾驶功能开启后，一些消费者对此过于信任，从而在这一功能开启后在车辆行驶过程中睡觉和玩手机，以至于发生意外。

要防止这样的事故发生，很多车企采用了融合感知的路线，让车辆对环境的识别更清晰。或者提供一些安全的冗余。比如搭载更多的激光雷达，或者跟毫米波雷达和摄像头去进行一个冗余的感知，提高车辆对于环境的识别能力。但更重要的是，目前几乎所有的新能源量产车都是自动辅助驾驶功能，因此需要让消费者正确看待这一功能，同时也需要让车企正确告知消费者使用方法和安全须知。

在责任认定方面，理论上L1-L2属于人负责、L4-L5车企负责，而L3属于人机共驾责任较难区分，对此在今年8月全国首部智能网联汽车管理法规《深圳经济特区智能网联汽车管理条例》落地，明确了L3级别的责任。

BT财经创始人张津京表示，目前自动驾驶责任认定的困难点在于驾驶者判断是否需要人工接管的条件不清晰，现在这部分规定得还比较粗，还需要大家再考虑和讨论。工信部和交通部的草案里面严格要求测试车辆要在驾驶舱加装摄像头，要有黑匣子，通过出了事故以后的视频去判断责任，这个很复杂。未来如果自动驾驶普及，每天会有大量事故需要去判断，工作量极大。另外如果因自动驾驶的相关动作引发新的事故如何处理也是一个问题。

现在是考验国家管理部门智慧的时候，希望能有AI判断的标准出台，比如说由AI判断所有违规，，否则推进L3级别的自动驾驶就是一件不负责任的事情。所以测试阶段会持续很长时间。

易观分析汽车出行行业研究总监、资深顾问刘影表示，从公开的数据来看，现在人工驾驶事故的成因人为因素占比81.5%，环境因素占比18%。但是对于自动驾驶汽车，统计51起事故中，自动驾驶因素占14%，其他是普通车或是由人造成的。自动驾驶的安全性是高于人类司机的，所以未来整体趋势还是自动驾驶。自动驾驶暴露的最大问题是人和车的责任界定，其次是自动驾驶自身技术的不成熟导致的操作不当，另外一个问题是自动驾驶、辅助驾驶作为新兴事物自带的流量。媒体的密集报道会导致公众对于自动驾驶的信任度会有所下降。为了减少自动驾驶事故的发生，可以定期、及时披露安全机制的一些数据，能够让交通监管部门理清事故的原委，判定责任，利于后期的立法。同时还可以规范行业用语，比如辅助驾驶，自动驾驶，这样对于权责的划分也会更容易。同时需要加强仿真测试，开放适配园区道路的运行，加强行业的交流、数据的共享等。

关于自动驾驶领域的数据该如何进行妥当处理和保障安全。

BT财经创始人张津京表示，各个国家对自动无驾驶的数据看的都比较重，因为这里涉及到车的数据、路的数据、车路协同的数据和用户使用习惯的数据。这四个数据实际上非常敏感，我国目前要求必须在国内对数据本身进行监管。

另外有一个新的概念叫做可用不可识，指数据还是存放在其产生的地方，但是会将它转换成整个系统可以识别的而跟原始数据已经完全不同的数据。系统根据转换后的数据对相应的情况进行判断、计算。系统获得数据是实时消失的，系统只把产生的结果保留下来。这样会减轻很多关于数据安全上的问题。因为可用不可识是刚刚提出来的概念，目前依然只能通过法律上的严苛监管来保证国家的数据安全。

自动驾驶系统采集的数据有两层，一层是采集的感知器的信息，包括长宽、温度、障碍物的深浅、大小、方向等。另外一层就是在第一层的基础上生成的地图。第二层是在第一层上生长起来的，更关注第一层面的安全性。

连线出行主编周雄飞表示，对于数据安全的担忧，源自特斯拉采集人脸数据事件发生后，国家相关部门以及消费者对其的信任下降了很多，而像这样的情况，其实不光发生在特斯拉上，因为目前所有车都具备感知功能，可以探测路面信息和环境信息。

对此问题，国家也在关注，比如出台了一些政策法规来推动行业数据安全标准的建立，与此同时像百度、华为和阿里等大厂也都推出了基于专有云架构的自动驾驶云来储存数据，保证数据安全。特斯拉已建立了数据中心来存放数据。但由于目前行业还没有完整和健全的标准，因此保障数据安全是一件任重而道远的事情。

一点财经创始人刘彦领认为，智能汽车的数据保护，跟智能手机有相似的地方。首先，在手机上打开APP时，都会被提示是否需要提供数据。同样的，智能汽车如果涉及到采集个人数据，也需要车主做出清晰、明确、自由的同意，否则是无效的。

其次，在数据使用方面，车主可以管理自己的数据，在卖车时也可以提前删除车内个人数据。毕竟，现在的数字化时代，数据也是一种财产。另外，数据传输上，要通过立法一方面确保数据传导云端不会被篡改和泄露，另一方面不能让数据出境。要把数据圈在制度的笼子里。

最后就是，车辆位置、轨迹相关数据存储的时间不能超过7天。这也是为了保护车主的隐私，否则每个人的日常轨迹、生活习惯都被别人掌握了。

易观分析汽车出行行业研究总监、资深顾问刘影表示，现在的自动驾驶级别只是实现了L1、L2级，目前汽车的数据更多是存在本地的。随着未来自动化程度越来越高，所需要的数据存储量会越来越大。

关于数据的妥善处理和保障安全方面，国家立法是最重要的，数据的获取条件、获取的法律程序和法律责任的划分等都需要国家出台相关的政策和法律法规。具体来说，不同的阶段都应该设立非常详细的开放共享数据的条件，通过这些数据相关管理部门在安全界定方面才能理得清。另外针对公共交通、共享出行等不同场景下收集的数据，用户对于数据的隐私预期和安全需求也是不一样的，这也需要相关的管理部门设定相关的法律法规和标准，才好更好地去保护数据的安全性。

关于厂商们自研自动驾驶解决方案与采购自动驾驶解决方案这两种模式的优劣，以及未来的主流模式。

连线出行主编周雄飞表示，像特斯拉这样的车企自己研发自动驾驶功能，好处在于可以把数据和核心技术掌握在自己手中，但坏处就是需要较长的时间来迭代功能；而像威马、极狐等品牌自己造车，自动驾驶系统用的是百度和华为的，好处就是可以在短时间内实现自动驾驶功能的落地，但坏处就是无法掌握核心技术，数据也存在规权的问题。

在未来，车企自主研发自动驾驶功能或许会成为主流，因为目前行业已是智能化当道，再加上新能源汽车下半场就是智能化作为敲门砖，目前“蔚小理”、零跑、长城等车企均已走上这条路。

易观分析汽车出行行业研究总监、资深顾问刘影表示，自研模式的优势在于车企掌握核心的技术话语权，可以实现自身的战略诉求，不会被供应商卡脖子。它的决策响应会更快，产品迭代会更灵活。劣势也比较明显，就是它的技术难度大，新投入成本高，研发周期长等。

采购模式的优势就是可以快速进行自动驾驶的布局，同时可以利用个生态获得一些资源。劣势的话就是影响力和控制力会比较小。

关于未来的趋势，所有的车企都全栈自研是不太现实的，但是车企肯定会把核心技术掌握在自己手里。比如硬件会采取供应商的方案来追求硬件的平台化，但是它需要将软件掌握在自己手里，通过自研的方式来做出差异化。未来车企会选择一方面自研一方面采购这样的形式。在下一个汽车产业变革之前，汽车行业会更趋于高度的集中

一点财经创始人刘彦领表示，自研自动驾驶可以让车企在未来的竞争中掌握主动权，防止被自动驾驶解决方案供应商们所“绑架”，在规划与成本中更容易找到平衡，并且更容易打造差异化优势。

当然，采购自动驾驶解决方案也有它的优势。比如，效率更高，在更短时间内迅速补齐短板。同时能借助第三方的力量快速与对手缩短差距，并且在成本投入上相对压力较小。

未来采购自动驾驶解决方案会成为主流。因为自研高投入、高难度，回报见效慢，眼下只有特斯拉、小鹏、理想等少部分车企能做到，大部分的新能源车企都是跟头部供应商进行深度合作。

未来，“合纵连横”一定是智能汽车发展的一条非常重要的途径。

BT财经创始人张津京认为，自动驾驶分成三个层：感知、决策和控制，三层结合在一起是自动驾驶。感知就是摄像头、毫米波雷达、激光雷达，甚至还有红外等对外感知，还有一部分是GPS、陀螺仪等自身状态感知。决策层就是自动驾驶的核心控制。控制是必须把自动驾驶落实到汽车本身。

特斯拉的自动驾驶比较特殊，它做了全栈自研，同时还坚持摄像头这样的弱感知加超强智能的自动驾驶方案。其他的厂商做的是强感知加强智能的方案。其原因是特斯拉提前所有汽车厂商约 5 年的时间做了 L2 级别的自动驾驶，它在摄像头方面已经收集了足够多的数据来形成数据库，做摄像头的建模。其他厂商第一没有时间，第二没有精力，第三没有场景再去做这件事情了，所以他们只能做混合式的感知。

自动驾驶的实现要有三个层面的数据才行，第一个层面是高精地图，这个没有平台型的企业参与是完不成的，但平台企业一定会避免自己造车。第二层是自动驾驶的核心数据——路上动态数据，自动驾驶系统产生误判的几率可能是万分之一，但是因为特定时间下视觉会产生偏差，这种情况一旦出现，那误判率可能就是100%。单靠一家车企不可能把所有的情景都穷举出来，所以一定是一个大的平台型企业不停地去丰富整个数据的结构和数据的内容，才能让所有用这个数据的自动驾驶企业的车保证安全。第三个层面就是智能交通的概念。当路面上的信息能够透明化，通过AI、摄像头判断它并传递给自动驾驶，再做相应的处理，来保证方向的准确性和安全性，这是现在最可行的一条路。

下一阶段的自动驾驶一定是与智能交通结合后出现的安全稳定的自动驾驶能力。这种情景下一定是采购比自研要来得快，同时来得稳定，同时来得效果好，相当于自动驾驶系统在给平台不停地提供数据，平台的数据也在反馈给无人驾驶系统，比单独获取数据的难度小很多。

关于未来还会衍生出哪些应用场景？自动驾驶又会面临哪些难点。

易观分析汽车出行行业研究总监、资深顾问刘影表示，自动驾驶的应用场景大概可以分为三类，一类是载人的，一类是载货的，还有一类是特殊场景。

目前载人场景的难点在于技术门槛非常高，落地的难度也是最大的。载货的场景像港口、矿区、干线物流、末端物流、园区封闭场景和一些无人零售等。这类场景现在主要的难点在于细分类别非常多，落地难度各有差异。特殊的场景包括无人环卫、安防等。其主要的难点在于落地运营是比较复杂的。比如自动驾驶的环卫车在实际应用的过程中对于精细贴边的清扫和自主线路规划等都有比较高的要求，自动驾驶适应特殊环境的能力还是有待提升的。

未来如果实现更高级别的自动驾驶，汽车可以成为智能的移动终端，打通人们所有生活的场景，包括吃住行游购娱的这些场景，包括办公室、会议厅、餐厅、酒店、电影院等。消费者在出行的过程里边就可以享受以往固定场所才能享受到的一些服务。自动驾驶未来的前景还是非常美好的，也是非常值得期待的。

一点财经创始人刘彦领提出，衍生出的应用场景包括港口码头、无人零售、机场等等。尤其是机场，这是目前很多人忽视的应用场景。

大家都知道，前不久国家宣布入境航班不再进行熔断，这是好消息，未来各地机场航班或将逐步恢复正常。不知道有没有人注意到，跟前几年相比，现在机场上为飞机服务的特种车越来越多。它们在机场上非常繁忙的穿梭，其实造成很大安全事故隐患。因为特种车存在一定的盲区，有时候会看不清旁边的工作人员，事故发生率非常高。比如2020年，虹桥机场就发生过一起牵引车碾压事故。一名送机人员撤离时，被撤离的牵引车碾压导致身亡。

如果将自动驾驶引入到机场特种车当中，让机器代替人工，相信不仅能提高工作效率，而且还能避免没必要的人员伤亡。

当然，这个过程的难点还是有的。眼下的自动驾驶技术，对前方障碍物的判断还没有那么精准，对路况的通畅度要求较高。相比公路，机场内的动态目标物更多、车道线复杂度更高，自动驾驶中的技术可能会达不到要求。另外，机场对安全性有着更高要求，这会让机场内的运营测试难以完全放开，大规模应用需要的周期比较长。

但这些难点随着时间推移都会解决，“机场+自动驾驶”会是一个巨大的应用场景。

连线出行主编周雄飞提出，如果要谈到自动驾驶的商业化，其实主要要考虑这个问题的还是一些自动驾驶的厂商。在整个行业看来，像干线物流或者一些特殊场景，比如物流车或者清扫路面的车，或者码头上的无人车，这些其实更容易去商业化落地，因为他们存在一个特点，就是他们需要面对的场景比较单一。

另外，像机场这种场景的自动驾驶落地或者商业化落地会更加容易一点，或者还有像一些产业园区去落地接驳的小巴也是很容易的。但是最终想要去商业化落地，都存在一个非常大的问题，就是法律法规。相关法律法规的落地是需要近两年或者近些年需要解决的一个最大的难点。

其实未来这个前景是非常美好的，因为自动驾驶是趋势，它是一个向前快速发展的行业。应该在不久的未来是可以去实现的。

BT财经创始人张津京认为，自动驾驶商业化，现在是从封闭环境向开放环境，从低速向高速在发展，包括园区内、港口、码头、车站的通行，甚至包括物流的分拨。2018年山东青岛就已经实现了第一个无人集装箱码头，里面有很多的车都是无人驾驶。在这种封闭环境下，实现商业化比较容易，是因为超精准的地图非常好实现。

第二个就是环卫工人的用车，尤其是扫地车。那种扫地车必须要把城市的道路全部描绘出来，之后才可以依据精确地图行驶。但因为没有责任的认定，仍然是把全部责任放在自己身上。

然后就是高速开放环境的场景。现在讨论比较多的是自动卡车，但自动卡车也是在美国的干线高速公路上跑，不能进城区，因为卡车进城区比客车进城区的复杂程度要高，各个城市的规定也不一样。

另外一个大家都容易忽视的是末端物流配送，现在很多的宾馆都已经实现一个小机器人将外卖、快递等送到房间门口，这个其实也是智能驾驶的落地应用，属于封闭场景下的低速度。所以说封闭场景低速的自动驾驶是已经落地的商业应用，然后逐渐在向高速和开放场景在前进。越高速、越开放越难实现，前景越复杂，需要的法律和科技的配套也越多。

《钛度热评》是由钛媒体推出的热点事件观察栏目，主要邀请对不同行业发展、不同商业模式有着独到见解、深度观察的媒体人和行业从业者，通过多角度解读全面展示事件的影响和意义。

如果你关心最新趋势、有自己的独特见解、想同更多志同道合的人分享交流观点，欢迎添加《钛度热评》社群小助手微信：taiduzhushou，加入《钛度热评》社群，跟我们一起打造一个思考者的社群，让有价值的思考被更多的人看到！