主页（http://www.cnwulian.net）：无人驾驶未来是“赢家通吃” 还是多家相争？
地图就有网络效应。当任何一辆无人车沿着预先映射的道路行驶时，它既会将道路与地图进行对比同时也会更新地图：每一辆无人车也可以成为一辆勘察车。如果你卖出了50万辆无人车而别人只卖出1万辆，你的地图就会更新越多并且更精确，这样一来你的车就不那么容易碰到某个全新的、出乎意料的东西而感到疑惑。你卖的车越多，你所有的车就变得越好——这是绝对的网络效应。
我们的目光不要直接放在车上面，相反，要上那个栈的更上层去看——看那些让车在路上行走而不是撞上任何东西的无人控制软件，看看城市范围内的最优化以及路由(这意味着我们可能会把所有汽车当作一个系统进行自动化，而不是个体)，看看基于堆栈下面的所有基础而运转的按需出行的“机器的士”车队。按需的网络效应是不言自明的，但加入自动化之后会变得复杂很多(这会将按需出行的成本降低4/3甚至更多)。按需机器的士车队会动态预定位好自己的车，所有这些车可能还包括别的车都会为了实现效率最大化而实时协调自己的路线，比方说整支车队会避免同时选择相同路线的情况出现。这反过来不仅会跟高峰定价结合起来，而且还会考虑到各种道路定价的差异——在交通繁忙期间你可以付更多的钱以争取更快抵达目的地，或者根据价格选择另一种到达时间。
我怀疑这个答案是L5级(全自动)会以L4级的演进出现——也就是每一辆车都会有人工控制，但会被用得越来越少，而明确的L5会分阶段出现，随着人工控制的慢慢减少，然后被藏起来，再到撤销掉——最终退化掉了。这可能是按照场景出现的——我们可能先在德国实现L5，然后再到那不勒斯或者莫斯科。这将意味着数据是以网络的级别来收集和使用的，最后才实现全自动。
驾驶数据还可以有另一个二次使用，用于驾驶数据仿真。这是为了解决“如果发生了X，我们的无人车会作何反应?”的问题。做这个的办法之一是造一辆无人车让它一整天自行在城市里乱逛，看看它对其他司机身上发生的任何随机事件是怎么反应的。问题是这不是一个受控的实验——你没法向新软件重现一个场景来看看什么发生了改变以及你的问题是否得到了解决。因此，现在大量的努力都是投入到仿真方面的——你把你的无人车软件放进《侠盗猎车手》里面(几乎就是这样)，然后针对任何你需要的情况对它进行测试。这未必需要捕捉到一些东西(“LIDAR会不会检测出那辆卡车?”)，而且一些仿真场景将会是循环的，但它的确告诉了你自己的系统会对确定的情况作何反应，而你则可以从你的真实世界的驾驶数据中收集那些情况。那么这里就出现了一个间接的网络效应：你拥有的真实世界的驾驶数据越多，你的仿真就可以越精确，因此也就可以把你的软件做得越好。仿真显然也存在着规模优势，这体现在你能够拿出多少计算资源，投入多少人，以及在大型计算项目上拥有多少体系知识来做这件事情上。作为Google的一部分显然给Waymo带来了一项优势：它报告说每周的“真正”无人驾驶行驶里程可达25000英里，但在2016年累计模拟行驶里程已经达到了10亿英里(平均每周1900万英里)。
【中国安防展览网 媒体导读】无人车是对未来影响巨大的新兴技术，目前有几十家公司都在窥伺这个庞大的市场。那么究竟未来的市场格局会如何走向?会不会出现赢家通吃的局面?真正具备杠杆作用的因素有是什么?
现在我们还无法真正知道这些问题的答案。这个领域里面很少人会预期完全的“L5”级无人驾驶会在5年内出现，大多数倾向于认为还要用接近10年的时间。然而，他们指出了一系列对汽车业有着截然不同影响的结果。其中的一个极端是网络效应可能会相对较弱，会有5到10家公司提供可行的无人驾驶平台。这种情况下，汽车业会把无人驾驶当作部件来购买，其价格可能跟今天的ABS、安全气囊或者卫星导航差不多。它可能还会面临激进变化——无人意味着按需出行的成本至少要降低3/4，而这会让很多人重新考虑要不要买车，而向电动化的转变又会将车内活动件的数量减少到1/5至1/10的规模，这将完全改变工程设计动态、供应商群体以及准入门槛。但它不会被Android化。而另一个极端则是只有Waymo把这件事干成了，这样的话整个行业又会大不一样了。
但这一切都是猜测的成分颇多，就像在1900年的时候试图预测交通拥堵会是什么样子。有一个领域我们能够讨论关键的网络效应可能是什么样的，那就是无人化本身。这跟硬件、传感器以及软件有关，但主要是跟数据有关，对于无人化来说有两种数据是重要的——地图数据和驾驶数据。首先看看“地图”。
目前有好几十家公司正在试图研发无人车的技术，其中包括了OEM、其传统的供应商、现有的主流技术公司以及初创企业。显然，这些公司不会个个都能取得成功，但有机会的不在少数，这不禁让人猜测，赢家通吃的效应会在哪里发生?这会产生哪一种的影响力?会不会出现那种排名前一、两位的公司榨干剩余者的网络效应，就像智能手机或者PC操作系统身上发生过的事情一样?还是说这里能容纳5到10家公司无限地相互竞争下去?而在那个堆栈里面又是哪一层的胜利会给其它层赋予力量呢?
有人认为Tesla在地图和驾驶数据方面都处于领先：自2016年末以来，它的那些客户购买了“Autopilot(自动导航)”附件的新车都有8个摄像头，可生成接近360°的视场，再加上一个前向雷达(此外还有一组超声波传感器，但是识别范围很小，主要是用于停车)作为补充。所有这些都能收集地图和司机行为数据然后回传给Tesla，不过似乎Tesla最近才刚刚开始收集其中一些数据。关键是既然雷达只是指向前面，Tesla将被迫仅靠成像来建立周围世界大部分的模型，但就像我前面指出那样，我们还不知道如何精确地做到这一点。这意味着Tesla其实在收集着目前没人能够解读的数据(或者至少解读得足够好到可以形成完整解决方案)。当然，你还必须解决这个问题，这既是为了收集数据，也是为了能驾驶汽车，这样看来，Tesla正在进行一场逆向思维的豪赌，赌的是计算机视觉的进展速度会超出我们想象。因为不需要等LIDAR的廉价化/实用化，Tesla是节省了时间，但在没有LIDAR(把LIDAR放进所有的Tesla车上面几乎是不可能的)的情况下做无人驾驶意味着计算机视觉软件必须解决更困难的问题，而这个问题的解决可能需要的时间更久。如果无人驾驶软件的其他部分——那些决定汽车应该做什么事情的组件需要很长时间才能实现的话，LIDAR也许就会先于无人驾驶可行之前变得便宜且实用起来，从而导致Tesla抄的近路变得无关紧要。会不会这样呢?我们走着瞧。
最后，这一切的潜台词是那么一种更好或更糟的无人驾驶是否存在。但“更糟”的无人驾驶意味着什么呢?是指撞死的可能性降低，还是说车更有可能感到迷惑，然后自动开到路边联系上远程支持中心，让人类操作员接管?人工控制会冲破一堆聚苯乙烯包装突然出现吗(注：也许人工控制命令会让方向盘等像安全气囊那样的机制)?车会说些鼓励性的话吗?
