至于L3、L4等級的自動駕駛，雖然也有若干家公司聲稱進行了大量的路試和模擬訓練，但并未縮短量產落地的預期時間。就連公認處于自動駕駛技術前沿的Waymo，其技術落地也未有任何明確時間表。
資本對自動駕駛的熱情，早已在兩年前就已跌落。如今還在進行中的項目，基本都是存量了。被主機廠收購的初創公司(譬如Cruise)，難免再次慶幸當初的選擇。
技術瓶頸：雖咫尺而千里
自從優步自動駕駛的路試發生致命事故后，該項目實際上已經擱淺，并非由于事故本身，而是這條技術路線(深度學習)，看上去正在走進死胡同。
學術界越來越認同，當前自動駕駛的難點在于感知和決策規劃。純視覺方案雖然還在量產車上應用，但是正在被前沿拋棄。
而決策依賴算力。算力越來越便宜，可以在車機上運行更復雜的神經網絡。但是，后者不僅訓練成本高，研究人員還絕望地發現，當前系統無法適應現實道路的復雜。真實世界的復雜變化，很難用數學模型擬合出來。
而且，AI在模擬人類決策方面，也做得一塌糊涂。如果風卷起一堆枯葉在空中飄落，人類會照常行駛，而雷達和攝像頭都認為是障礙物，需要停車或者避讓。
訓練系統認識落葉的形態，顯然是愚蠢的。就算是一片水洼、路邊的松鼠，都會給機器決策帶來無窮無盡的麻煩，人類幾乎不會受到影響。
現在處于試驗階段的L3、L4級自動駕駛，無一例外都裝有多個激光雷達、毫米波雷達，很難在試驗道路上遇到撞車這種事，但經常對簡單路況(在人類看來)表現得傻里傻氣，不是過于謹慎，就是一驚一乍。人們不認為，現階段的AI擁有真正意義上的思考和判斷能力。
技術團隊越來越深刻地認識到，不存在工程手段，能給所有范式提供徹底解決方案。
顯然，風投資本對此已經喪失了耐心。
商業化：水中望月
不需要深厚的知識儲備，只要稍微涉及一點自動駕駛的技術就能明白，現階段讓人放開手腳的自動駕駛(L4、L5)的大規模應用，是不可能的。無論自動駕駛在測試道路上表現得多么完美和順滑，至少3-5年內不會有人嘗試將其商業化。
能夠商業化的技術，必然能利用現有技術和工業基礎，工程化樣品沒有明顯瑕疵，再通過大規模工業生產壓低成本，廣泛應用，創造利潤。
而這么做的前提是，技術已經走完了所有的研發階段。
首先就是理論突破。科學家在很久之前就在理論上預見，并證明了可行性。現在芯片技術的理論基礎是量子力學，后者在100年前就已被發現，并形成完整理論體系。
然后是技術突破。技術團隊突破了技術實現的壁壘，做出了接近理論預期的樣品。很明顯，高等級自動駕駛正處于Demo階段，問題在于，與預期相差太遠。我們因此懷疑，從一開始是否就走錯了路。
最后則為工程化階段。逐一解決產品設計、方案優化、性能穩定、良品率的問題。
2019年諾貝爾化學獎授予發明鋰離子電池的三位科學家。盡管伏打電池已經誕生超過200年，但是直到1979年，科學家才在實驗室中實現鋰離子電池的實用化方案。而我們如今使用的EV，則來源于1979年實用方案的工程化落地。
歷史不會簡單重復，但可以昭示一點讓人冷靜的規律。工程化的科技產品，從試驗室走向工廠，大概要經歷20年或者更久。位于第二階段早期的自動駕駛技術，無論資本此前多么狂熱，遲遲無法工程化，也足以讓他們冷靜下來。
現階段，無人駕駛工程師們都緊盯著知名期刊上發表的所謂最新進展，希望獲得工程化的靈感，反而說明了這一行業還遠未到成熟的階段。
資本的不理智之處在于，在第二階段還未走完的情況下，強推進入第三階段。打臉是一定的，投入越多，打得越狠。
但是，在特定場景下，譬如礦山、港口、倉庫、工業園區等，以低速實現L4、L5級自動駕駛，現在已經沒有障礙。這和泛化的L4技術完全是兩回事。
現在這一趨勢已經很明顯了，新投資很少進來。有些初創公司在發布會上發布的自動駕駛視頻，是以電影手法，一段一段剪輯出來的，甚至在現場偷著用筆記本電腦遙控車輛，希望忽悠投資人，讓后者相信技術前景是光明的。投資人如今還被騙的概率，已經相當低了。如今若還這么做，等同于宣布自我了斷。
未來出路：灰燼中的火星
既然追求中短期回報的資本不再進來，長期資本還在繼續熬。譬如谷歌分拆的Waymo和通用的Cruise。不過，至少從公開資料上看，他們依然處于瓶頸期，尚無突破跡象。
而云端解決方案，因為5G的發展，正在趕上來。和單車智慧相比，依賴5G和云端指揮的車路協同，是一條不錯的路。
云端指揮的基礎是大數據。先收集駕駛經驗數據，相當于擁有優秀駕駛經驗池，而且針對每一條道路，都有最佳解決方案。
同時，道路和交通設施布滿了傳感器，走萬物互聯路線。兩者共同告訴車機該如何行駛，后者不必理解為什么要這么做，只須根據場景引用。
而云端不是為了取代車端智能，而是降低后者的算力壓力，簡化設計，更快進入工程化。
云端將處于一個小區域范圍的車輛組成了臨時“局域網”。每一輛車都通過其它車輛獲取觀測數據，感知周圍環境，以解決盲區和漏檢。
信息互通的情況下，超車、通過十字路口都提前給周圍車輛發送請求，云端通過統一策略協調，其它車輛無須盲猜對方意圖，提升效率和安全性。畢竟數據鏈傳送，遠遠快于車輛機械運動和制動。云端協調方式，比設計單車復雜行為邏輯、訓練AI模型要簡單得多。
但是，這不但需要5G、物聯網(IoT)的高度發展，還意味著要翻新整個城市交通基礎設施，需要投入天量資金，曠日持久。
如前所述，在AI訓練上屢受挫折的技術團隊，開始懷疑整個理論基礎。AI訓練的基礎是人工神經網絡，后者則受到神經系統結構的啟發。但是馮·諾依曼體系(計算機基礎架構)模擬生物能力，在推理、聯想和潛意識判斷等高級領域，完全無能為力。這是人類駕駛員的核心能力。
而人類對自身認知的規律理解層次非常淺，我們搞不懂大腦如何運作、記憶如何存儲、信息如何搜索、靈感如何產生，所有神經深層次機制，全都知之甚少。這意味著AI用算法對人類的模擬，一定是拙劣的、浮于表面的。
自動駕駛作為應用學科，不可能跑到生命科學基礎理論的前面，在后者還停留在小學水平上的時候，就取得重大突破，完全是癡人說夢。
從這一角度，自動駕駛已經涼了，只是資本意識到這一點的時間不長而已。當然，這項技術仍會發展，將在有限場景下獲得有限的高等級應用。大批資本將在2-3年內退出，產業界將會轉而尋求走5G支持下的云端+低算力車機道路。
