近年來自動駕駛汽車發展則是進步顯著，以至于一種聲音對于自動駕駛汽車10年內普及完成持肯定態度，不過另一種聲音自動駕駛汽車距離現實生活還比較遙遠，至少10年內無法實現全民普及。

不安全的自動駕駛發展再快也無濟于事

有一部分行業內部人士認為，并不是說L4級未來不能實現，而是十年之內，普通道路上的L4級自動駕駛汽車量產很難實現。

目前L5級自動駕駛汽車處于萌芽期，L4級自動駕駛汽車處于概念期，預測L4級產業化、規?；瘧脩撨€是10年之后，包括麥肯錫、法國YOLE等咨詢公司都表示，至少2030年以后才能實現L4級的量產。

L4級自動駕駛要實現落地，一定不能忽視車路協同，人和車、車和車、車和路之間需要默契配合，這些都需要信號的支持，而十年之內不可能實現讓所有汽車能開到的地方都有信號。

從輔助自動駕駛技術到完全自動駕駛技術都可以應對，而實現不了的是L4級和L5級自動駕駛所應對復雜場景，自動駕駛的終極挑戰是辨別人的意圖，而這些都是10年內無法解決的問題。

因此，L4級自動駕駛汽車實現量產的故事很美好，但10年之內或者可預見的短期內難以全面普及。

摩爾定律下的自動駕駛速度

無人駕駛的熱度已經持續了好幾年，有些樂觀的公司稱今年或者明年就將實現商用。不過關于無人駕駛的真正落地時間的預測，近兩年從非常樂觀迅速轉向謹慎。

自動駕駛公司Waymo利用技術發展的指數性作為假設，試圖找到無人駕駛發展的摩爾定律，進而推導出實現無人駕駛的時間表。

去年Waymo的數據是每次技術失效可行駛11017英里，這大概相當于每失效前可走10的4四次方英里。

從Waymo數據擬合出來的曲線來看，模型大部分情況擬合都比較好，Waymo的MPD與指數擬合的疊加，指數曲線正好對應每16個月性能翻番。

很多無人駕駛的失效只是導致受傷而不是致命的，如果假設無人車失效從來都不會導致致命事故的話，前面的預測就可以減少4年，但仍然需要12年才可以達到人類的表現。

哪怕每16個月表現成倍增長，無人車也要用16年的時間才能趕上人類水平，也就是2035年。那些宣稱今年或者明年就能實現無人車的說法看起來就比較可疑了。

被高估的自動駕駛與被低估的算法

圍繞邊緣的人工智能處理器，公司的首要核心，還是自動駕駛。在攀登這個高峰的過程中，一路都會有收獲，包括智慧城市、智慧零售、智能制造，都是邊緣處理器的應用場景。

車載端的感知的計算，未來一方面是在路端，通過傳感器，邊緣計算去感知復雜的車流。同時車端也有邊緣計算，去感知周圍的情況，這種V2V通訊可以了解到全面的路況動態，從而去達到未來比較高效的交通系統，也許未來的交通路口是這樣的。

數據后期的分類標定、數據質量以及算法，存著在很多的不確定因素。而公眾和監管機構都堅持，自動駕駛汽車需要測試數億至數千億公里，才能驗證它們在減少交通事故方面的可靠性，這無疑加大了AI應用在自動駕駛的難度。

由于算力的局限，致使AI訓練過程變得很長。數據量超出硬件承載的上限，AI就無法表現得老練得體。也因為同樣的原因，人們必須事先篩選數據，避免硬件崩盤。

解決自動駕駛汽車技術中的難題

自動駕駛汽車無疑將開啟了交通運輸行業的新時代，但整個行業尚需解決一些技術難題，方可真正實現能夠商業化的自動駕駛技術，有必要減輕駕駛負擔，并使駕駛的過程變得更安全。

ADAS功能的標配化會使駕駛員在工況超出ADAS處理能力的情況仍然盲目依靠它。例如，自適應巡航控制技術在汽車直接跟隨另一輛行駛中的汽車時能夠運行良好，但它通常不能發現靜止的物體。

不幸的是，現實生活中的情況以及受控實驗都表明，對自動化過于信任的駕駛員最終會以撞上靜止的汽車或其他物體而告終。ADAS目前可實現的功能有限，而這正是許多早期用戶所沒有真正領會理解到的。

安全專家擔心，半自動駕駛汽車的駕駛員可能會在自動駕駛模式下進行閱讀或發短信等活動，從而在被要求接管汽車控制權的瞬間會缺乏對環境必要的感知。

隨著駕駛員又再次操控汽車，他們必須立即評估周圍環境、確定車輛在其中的位置、分析其所面臨的危險狀況并選定一個安全的行動方案。

而當車速達到65英里／小時（約合104公里／小時）時，汽車只需不到4秒的時間便可駛過相當于標準足球場長度的距離，且駕駛員將控制權交給汽車的時間越長，再次進入駕車狀態的過程也會越長。

因此，汽車制造商必須開發更好的人機界面，以確保新技術將挽救更多的生命而不是引發更多的事故。

安全和便利之間的矛盾

自動駕駛面臨安全與便利的雙重矛盾?，F實中，人們對安全事故的敏感，甚至一度讓主機廠乃至科技公司對自動駕駛躊躇不前。

未來的汽車作為軟件和數據的載體，數據的類型將會多種多樣：地圖數據，氣象數據，汽車診斷數據，急救信息，定位信息，娛樂互聯等等?？傊?，不管通信如何發展，都是用來服務數據的。

不同的數據對應不同的網絡功能，系統性能，安全，用戶體驗，比如車輛定位和娛樂視頻對于智能汽車來說，網絡性能的要求肯定是不一樣的。自動駕駛數據需要高接入容量，低延遲和高速率，但對氣象數據來說，這些也不是最迫切的。

車聯網具備了很多的內涵，未來的通信技術帶來的大帶寬只是顯而易見的優點之一，汽車的智能化還任重道遠，培育萬物互聯和低時延的場景需求還要時日。

底層技術不足以支撐重大事件

通常來講，敢于直接向全自動駕駛發起挑戰的，大多擁有很強的技術人才和資金后盾。這也可以理解為，缺乏后盾或者亟待盡快盈利的公司，很自然地會選擇從低級別向高級別循序漸進的方式去研發自動駕駛。

自動駕駛場景上的復雜性，決定了深度學習相比于傳統機器學習方法有得天獨厚的優勢，隨著車聯網的普及和大數據技術的發展，深度學習被行業定義為未來解決自動駕駛落地的關鍵武器之一。

不過，由于深度學習所依賴的大數據和計算量及其近似黑盒的難解釋性，又使得深度學習在自動駕駛實際應用場景中經常處于萌芽的階段。

現階段自動駕駛底層的技術，仍不能支撐、解決和處理重大交通問題，很多問題尚未暴露出來，等到大規模商用的時候，可能會暴露出更多無法預料的問題，而這些問題往往決定著行業的生死。

結尾：

目前自動駕駛引發的倫理之爭、信息安全、交通事故的權責歸屬、商業化之路等問題都需要整個行業冷靜下來思考。

不過，自動駕駛是汽車工業的夢想，未來一定會實現，至于何時實現沒有正確答案。無論它早來還是晚到，整個產業鏈都需要長期的巨額投入，包含各種技術的融合，以及高精地圖、5G通信技術等，還有相關法規和行業標準的建立。