文丨智駕網 阿森
編輯｜浪浪山與明知山
在一個月前的6月4日，工信部公布9家車企入圍智能網聯汽車準入、試點聯合體，在部分城市放開乘用車L3級城市路測和L4級的Robotaxi商業化運營嘗試。
幾乎整整一個月后，昨天，（7月3日），工信部等五部門正式公布了“車路云一體化”首批試點城市名單，北京、上海、重慶、鄂爾多斯、沈陽、長春、南京、蘇州、無錫、杭州、合肥、福州、濟南、武漢、十堰、長沙、廣州、深圳、海南、成都等20個城市入選。
單車智能與車路協同在一個特定的歷史節點再次被放到一起審視。
相比五年前的2019年，中國汽車工業協會常務副會長兼秘書長付炳鋒在上海嘉定舉辦的第11屆中國汽車論壇上表示：汽車信息安全已擺到了決策者的桌前，智能汽車的技術路線即將納入統一管理，車路協同被視為自動駕駛的中國方案。
今天單車智能隨著一方面算力大幅提升，同時激光雷達等傳感器成本下降，在中國市場，高階智駕正成為頭部智能汽車品牌的標配，對車路協同數據的需求正直線下降。???
車路協同做為中國自動駕駛的中國方案正受到越來越多的懷疑。?
從當前的歷史節點來看，車路云一體化發展的緊迫感和焦慮感比以往都要具像化地強烈。?
為什么說緊迫？因為從發布試點通知到正式官宣名單，整個時間不足6個月。
今年1月17日，五部門聯合發布《關于開展智能網聯汽車“車路云一體化”應用試點工作的通知》（以下簡稱《通知》），至昨日首批試點城市名單正式公布。五部門協同30余個城市便完成了試點方案申報、匯總審核、專家評審等多項工作。
整體解讀來看，此次入選的20個試點城市，五部門聯合想向外界傳達之意為，此名單共呈現三大共性特點：
一是：多數入選城市具有“雙智”試點和示范區的基礎，“底子”更好。
畢竟，北京、上海、廣州、武漢、合肥、濟南等12個雙智試點城市，在政策保障體系支撐、智能基礎設施建設、場景示范應用等方面積累了豐富的實踐經驗和成果，后續升級改造時的投入成本將更低。
二是：入選城市普遍具有良好的汽車產業基礎，包括北京、上海、廣州、武漢、重慶、長春、沈陽、十堰等地均是我國重要的汽車產業基地，對推動汽車產業智能化轉型的積極性較高。
因為，深圳、海南、杭州、無錫等地在智能網聯汽車領域發展較快，在政策突破、產業聚集等方面具備一定優勢，可以為“車路云一體化”應用試點提供有力的政策和產業支撐。
三是：入選城市對智能網聯汽車發展重視程度更高，投入決心更加明顯。與部分城市、企業的觀望態度不同，入選城市對“車路云一體化”應用試點有著明確的目標和發展規劃，多數城市已建立跨部門協同工作組織機制，形成了由市政府領導、各部門分工協作、共同參與的工作專班，跨部門、跨領域統籌推進“車路云一體化”相關工作。
名單對海南省做了重點描述：海南省突破當前國內以單一城市或市轄區為單位創建國家級應用試點、先導區的模式，以“全省一盤棋、全島同城化”的理念開展省級示范。
看完這份名單，你或許對車路協同和單車智能是共生關系還是一場零和博弈關系感到更為好奇。
爭議多年之后的今天，兩者到底存不存在一種勝負關系？
這是市場經濟的自由選擇還是一場帶有計劃經濟色彩的頂層設計？
那么，今日這份五部門聯合發布的名單意義又在哪里？
01.專家認為非兩條獨立的技術路線
無論是單車智能還是車路協同，L3級以上功能面臨的核心問題都是技術成熟度。
單車智能和車路協同主要的參考依據是感知和處理主要依賴于邊緣計算還是云計算，根據這個分為兩類：
主要依賴于單車感知和處理的邊緣計算，單車自主決策，屬于單車智能。
主要依賴于路段以及環境設施感知和處理的云計算，路端給出信號，車端以路端信號為主要決策參考，屬于車路協同。
中國工程院院士、清華大學車輛與運載學院教授、中國汽車工程學會理事長李駿在第十一屆國際智能網聯汽車技術年會（CICV 2024）上表示，目前自動駕駛兩條技術路徑——單車智能和車路云一體化并不是兩條獨立的技術路線，而是具有相互促進的作用。
長期以來，以特斯拉為代表的企業在單車智能方面處于領先地位，而車路云被業內視為自動駕駛的中國方案。
對于單車智能與車路云一體化存在的“角力”關系，多位業內人士向智駕網表示：“單車智能重點發展車端，而車路協同重點發展車側和路側的數據融合，將單車智能和車路協同兩端的東西結合起來。”
因此這兩者協同前進是非常有必要的。
兩者的互補優點分別在于：
單車智能更依賴人工算法和高端的芯片做決策，這兩個領域都是美國科技企業的核心優勢，因此以特斯拉為代表的美國科技企業都選擇了這一流派。
單車智能擅長的是解決車路協同“規模化和商業化”瓶頸問題。
而車路協同更依賴于道路的基礎設施，比如5G基站、衛星互聯網、道路上架設的傳感器和邊緣計算等設備，這些都屬于新基建。
所以車路協同可以助力單車智能解決“長尾問題”以及廣域的交通信息交互需求（例如幾公里外的橋梁坍塌等信息），彌補單車的局限性，拓展自動駕駛的運行設計域（ODD）。
按照《智能網聯汽車技術路線圖2.0》的定義，智能網聯汽車需要進行環境感知、決策、控制、執行，才能實現無人駕駛。在環境感知的過程中，牽扯到單車智能和車路協同的選擇。
單車智能感受到的是相對近距離的信息，而車路協同可以實現超視距的感知。如果單車智能相當于一個不依靠工具而憑借個人經驗上路的人，那么車路協同就是在個人經驗的基礎上加上工具的支持，以獲得更多信息。通過車路協同可以節省大量人力、降低單車成本，有利于最終實現無人駕駛。
當然，在協同發展的過程中，這需要各方做好自己份內的事情包括但不限于：
車企必須做好應用功能的開發；智能駕駛技術供應商則應該提升單車傳感器、控制器性能和可靠性，推進技術迭代升級；
網聯服務供應商要做好網絡建設和運營服務；交通系統建設方要做好硬件基礎設施的投入和商業模式的建立；
政府要發揮好牽頭作用。
02.打破單車智能高成本的悖論
在固有認知里，具備高階智駕能力的車型若僅依賴于單車智能，則必須進行包括激光雷達、攝像機、毫米波雷達等多傳感器感知信息的融合，并對決策控制算法精度提出了非常高的要求，因此，其高昂的硬件和軟件成本導致高階智駕的汽車難以大規模民用化。
但隨著目前激光雷達下探至千元級別，單車智能正趨近實現L3及以上自動駕駛功能。
高精度地圖也是實現L3+自動駕駛系統不可或缺的技術底座。
對于L3級自動駕駛，傳統的靜態地圖已不再適用，需要靜態與動態交通信息結合的高精度地圖數據，需求數據精度也提升至20-50cm。
而L4級自動駕駛則需要精度更高的激光點云輔助分析，可將數據精度提升至10-30cm。
高精地圖也被視為是支撐整個車路協同的底層架構之一。
車路協同里很重要的一項能力就在邊緣側，邊緣側的設備要具備感知、計算、存儲、分發、決策、分析等邊緣計算能力，這些能力對空間融合、空間基準的要求非常之高。
而高精地圖能夠滿足地圖匹配、輔助環境感知、路徑規劃等多種需求，所以一直被視為是實現車路協同的底層支撐技術。
但是，所謂用車路協同和高精地圖方案都只是特定場景的解決方案，不會是大規模鋪設的乘用車方案。
國內某頭部地圖廠商曾表示：“原來依靠車路協同的時候，導航的數據提供都是車路協同來提供，包括紅綠燈變燈時間、何時臨時管制燈信息。但現在單車智能通過我們自己的大數據預測就可以做到這些功能，并不需要第三方來提供數據。”
那么有人會問，若完全依賴單車智能，corner case是不是將更難以得到解決？
這個說法如果放在端到端、生成式AI尚未興起之前，或許是為車路協同辯證最好的武器。
但大模型加速上車、各類新技術的智能涌現、端到端的方案炸起，自動駕駛水平當下有了明顯飛躍。
特斯拉 FSD V12 通過神經網絡，人工編程的 C++控制代碼由30萬行縮減到了3000行。
元戎啟行曾做過統計，如果手動處理case，一位工程師一天只能處理10 多個，但端到端模型可以用AI的方式去解決問題，系統性學習老司機。
那些端到端「反常識」的優點，就是在為車企降本增效。
這怎么不算破解了單車智能和車路云的無限游戲？
03. 車路云，一筆復雜的經濟賬
今年1月，工業和信息化部、公安部、自然資源部等五部委印發《關于開展智能網聯汽車“車路云一體化”應用試點工作的通知》，應用試點以城市為主體自愿申報，試點期為2024-2026年。
在清華大學自動化系系統工程研究所教授、博士生導師姚丹亞看來，先導區的試點示范把汽車、交通、通訊等多領域整合起來，將智能輔助駕駛與交通管理、城市基礎設施結合起來，實際上是在幫助未來實現智能駕駛上路“排雷”。
事實上，自2016年以來，我國陸續出臺了一系列政策并實施多個試點項目，推進車路協同發展從未停過。但由于車路協同系統復雜性高、路側設施覆蓋率低且分布較散、標準不統一等原因，導致車路協同效果難以顯現。
不過從這次全國試點城市申報和建設規模來看，都是城市級別，不同以往示范區那樣小規模。
此次名單中對這20個試點城市的總投資預計在800到1000億左右。
這會打破一直以來政策熱、市場冷的局面嗎？
畢竟，車路云融合強調協同，前提條件是一定要從政府層面推動。
車云試點申報對應的資金主要來自國家專項債或超長期國債，地方財政和企業也會出資建設。地方政府會有一定比例的配資，但主要依靠國家專項債。
但據聯合早報報道，我國今年1-5月財政收入下降2.8%，其中稅收收入同比下降5.1%，非稅收入同比增長10.3%。聯合早報在文中對該數據的分析觀點總結為：顯示需求疲軟拖累中國經濟復蘇。
財政收入的減少一定程度上意味著車路云的發展受到限制，政府因此會減少對車路云企業的扶持和簽單概率。
某業內知名“車路云一體化”自動駕駛系統的企業在四年前曾向智駕網透露，如果對道路進行智能化改造，一公里大概需要200多萬元人民幣。
判斷200多萬元的信息基礎設施建設成本高不高，需要拿來和高速公路的建設成本做比例運算。
通常而言一條標準的雙向4車道高速公路，每公里造價起步在3000萬元左右。因此，200多萬元幾乎占到傳統基建10%的成本，不可謂不高。
中國工程院院士、清華大學教授、中國汽車工程學會副理事長、國家智能網聯汽車創新中心首席科學家李克強在CICV上，對當前業界對車路云一體化方案的三點誤解給出了回答。
其中一項是對信息基礎設施建設成本高，網聯行駛難以大范圍部署推廣的誤解做出了澄清：傳統道路擴建受限，通過新技術賦能，以小于傳統基建1%的成本，可有效實現交通擴容。同時通過車路云一體化，將部分感知、算力移至路側和云端，將避免車端配置過度堆積，實現大系統成本總體最優。
1%和10%之間的成本差距，很難說沒有在為車路云做辯護。
據一位早期成立于硅谷、現扎根上海的某智駕廠商CTO看來：“隨著外資、美元基金大量撤入中國之后，很多投資機構都變成國資背景的，有很多地方政府加國資背景為主的基金在投車路協同，他們是無法接受車路協同在三年之后還看不到收益的，尤其是現在的市場狀況。”
這并非偏見，車路云一體化能不能用起來，是決定未來能否實現商業化閉環的關鍵。
蘑菇車聯CTO郭杏榮在不久前的CICV 論壇上表示，要進一步提高車路云一體化的規模化應用。
他指出，當前車路云一體化的應用僅限于智能網聯汽車和部分試點城市，2023年5G和C-V2X前裝搭載量僅為170萬輛和30萬輛，應用規模不足導致公眾感知不夠，其商業價值尚未顯現。
除了上述講到的感知、通訊、集成等技術難點外，當前車路協同試點最大的難點是商業模式。
無論是通訊計算的部署、上車輛、還是道路部署，規模和體量是遠遠不夠的。而規模化牽引出來的另一個問題是：誰來投資、誰來運營；以及路端基礎設施的建設、維保誰又來掏錢等經濟問題。
李克強院士對于車路協同路線在今年提出了8類可商業化落地場景：車路云一體化公交系統、智能環衛系統、無人送貨車、網聯式智能駕駛乘用車、無人出租車（Robotaxi）、智慧礦山、干線物流和數據閉環與數據增值。
在這8大場景中，乘用車排在了第四位，最直觀的應用場景像公交系統，環節系統都屬于市政公共服務以及物流體系。
也就是說，車路協同正與單車智能分道揚鑣，二者不再是替代關系。??
正如亞當·斯密在《國富論》中寫到的，“在一切改良中，以交通運輸的改良最為有效”。
自動駕駛的發展道路注定不會平坦，存在著諸如倫理、道德、價值等方面的問題，也存在著諸如芯片、標準、網絡安全等方面的難題亟待解決，但正是因為有問題要解決，才會有更多進步與發展。