6月初，广州、深圳的疫情相继反弹。相比去年初疫情刚至时，人们没有太多防备，也缺少从容应对的手段，这次连高科技的无人车也派上了用场。
据南方都市报报道，在广州海珠区、荔湾区等多个疫情重灾区，抗疫物资保障的无人驾驶车队时而可见。而且，以百度Apollo、文远知行、小马智行、美团、易特智行等为代表的很多科技、互联网公司，都躬身入局。
种种迹象，似乎给人们一种错觉：无人车的时代真的要来了吗？其实不然。
据蓝科技观察，无人车走上街头，只是人们看到的自动驾驶汽车的冰山一角，目前多数企业前仍以技术研究为主，相关技术的应用，以及落地后如何运营，更是停留在“实验室”阶段，而且也面临诸多难点。
自动驾驭专利技术井喷
蓝科技注意到，目前市面的自动驾驶汽车主要应用在无人配送上，而其商业模式及应用目的也不尽相同。
第一种是以服务集团内部业务为主，比如阿里、京东、美团等公司；第二种是以提供无人配送运力作为盈利方向，主要代表有白犀牛、行深智能等企业；第三种则是以车辆销售、软硬件解决方案等进行收费服务如新石器、驭势科技等。
由此可见，目前布局自动驾驶汽车的企业已经为数不少。而且，从各企业所拥有的专利数量，也可以对其在无人驾驶汽车上的技术实力窥见一斑。
近日，根据相关数据显示，截至2021年6月，我国有8275家公司参与了自动驾驶专利申请，专利合计40682件，其中授权专利14018件。其中百度与华为分别以2009件及1332件位居Top2，而传统的新能源汽车公司比亚迪却位居Top10。
不难看出，以百度、华为为代表的科技企业，在自动驾驶汽车技术上似乎更有优势。而以比亚迪为代表的传统汽车企业，却反而在自动驾驶专利方面，显得有些薄弱。
技术大热落地遇冷
只不过，技术领先的企业在自动驾驶汽车的应用落地上，同样无明显突破性进展。
以技术上处于头部位置的百度与华为为例，百度从2013年开始布局自动驾驶，2017年推出了全球首个自动驾驶开放平台Apollo。目前百度Apollo已经在自动驾驶、汽车智能化、智能交通三大领域拥解决方案。
据了解，百度推出的“Apollo”计划，是面向汽车行业及自动驾驶领域的合作伙伴提供开放的、完整的、安全的软件平台，帮助这类企业搭建一套属于自己的自动驾驶系统。
而在2018年，在第二届百度AI开发者大会上，百度宣布全球首款L4级量产自动驾驶巴士“阿波龙”量产下线，虽然成为了国内无人驾驶汽车的里程碑事件，但首次交付数量仅为100辆。
无独有偶，今年4月初，搭载华为ADS的极狐阿尔法S汽车的试驾视频，一度引发热潮，让很多网友在看到视频中的无人驾驶汽车能自主完成红绿灯启停、无保护左转、避让路口车辆、礼让行人等一系列的操作。
彼时，华为轮值董事长徐直军对外透露华为自动驾驶能够在市区做到1000公里无干预的自动驾驶，甚至自称体验超过特斯拉。
不过，深入了解不难发现，其所谓的1000公里无干预的自动驾驶路段，只是预先设置好的测试路段，因此，这样就断定无人车要上路，显然是被市场误读了。
自动驾驶普及应用还有三个拦路虎
行业普遍认为，自动驾驶发展有三个层面，分别是技术研发、道路测试以及商业化。由此可见，在技术研发层面，百度自动驾驶以Apollo为抓手打造平台，华为则更多是从传感器着手，构建阿尔法S这样的“Huawei inside”。
而且，无论是华为还是百度布局的自动驾驶汽车，目前都停留在道路测试方面。这也意味着，无论选用哪种模式布局无人驾驶汽车。其由技术走向应用，由道路测试“实验室”走向寻常百姓家，还需要面临技术、数据、生产及商业应用的三大拦路虎。
随着越来越多的企业加入自动驾驶汽车的研发队伍，其如何走向规模化量产、实现商业化运营将是摆在各大企业面前的首要难题。
其一，按照自动驾驶汽车技术等级，目前相关技术走向商用尚有较大距离。
目前国内自动驾驭等级共分为0-5级六个等级。0级驾驶自动化（应急辅助）、1级驾驶自动化（部分驾驶辅助）、2级驾驶自动化（组合驾驶辅助）、3级驾驶自动化（有条件自动驾驶）、4级驾驶自动化（高度自动驾驶）和5级驾驶自动化（完全自动驾驶）
业内人士认为，自动驾驶要进行SAE等级的升级，需要解决三大要素面临的问题：感知层、决策层和执行层。分别像是驾驶员的眼睛与耳朵、大脑、手与脚，各司其职对汽车所处的环境、路况进行判断和识别，并进行决策判断，并执行车辆制动、转向和驱动动作。
而在现阶段，L5级存在着巨大争议，尽管很多创业公司、IT公司以及车企都把L5视作终极目标，但无论是法律、法规方面的阻碍，还是技术成熟度上的局限，都使人们意识到实现L5还需要很长时间。
尽管主流研究停留在L3及以下，但无论是解决哪个要素面临的问题，都需要诸多对应的解决方案，很显然，目前的技术水平是难于支撑的。
其二，应用场景过于复杂基础数据却不足，难有万能的解决方案。
如上文所述，智能驾驶汽车上升到L3级别，就需要有决策层的解决方案。因此也需要基于大量的基础数据采集。而新兴的自动驾驶汽车，很明显缺乏足够的现有数据，用于辅助智能汽车做决策、判断。因此，自动驾驶汽车想要上路，就要训练和测试足够多的复杂场景。
而传感器的数据大多是非结构化数据，以图像、视频、点云文件、日志文件为主。面对不同的SAE级别，数据量的要求在L2、L3级别上都需要10-100PB的数据集成千上万核的计算资源。
更有挑战的是，到了L5级别实现完全自动驾驶，需要超过2EB级别的数据量。如果按照1TB的硬盘来计算的话，2EB的数据量相当于200万个1TB的移动硬盘。以目前的基础数据量，显然是不足的。
除此以外，高精地图的缺乏，也会阻碍自动驾驶汽车走进人们的生活。如前文所述的华为ADS的极狐阿尔法S汽车，不管是采用摄像头还是激光雷达，采集到数据后都需要和高精地图做匹配，高精地图可以说是整个系统的核心。但是地图的制作和更新，却是个大难题。
一方面，高精地图的制作成本极高。高精地图不简单的是采集红绿灯的高度、与道路有关的各种细微的信息，甚至从窨井盖的位置，到车道的宽度，到斜坡倾斜的角度，几乎无所不包。另一方面，地图数据需要频繁更新。
据报道，我国每年高速公路路网更新比例在30%左右，所以高精地图就必须要不断更新，其投入的成本之高，也是无法估量的。
而且，即便自动驾驶汽车实现了规模化生产与应用，未来如果利用 V2V（车对车）通信让车辆之间交互，产生的数据量将非常庞大。
根据英特尔预测，2020 年，一辆无人驾驶汽车一天至少产生 4TB 的数据，在本地或是在云端，这都是一个巨大的数据量，需要大量的存储。假如按照美国汽车保有量 2.5 亿辆计算，2.5 亿乘以 4TB 再乘以一年 365 天，数据量变成了天文数字。在中国，数字有增无减。
因此，这些数据如何储存及有效的处理、应用，也将对人类带来新的挑战。
其三，难以规模化量产。
通过上文百度自动驾驶汽车量产下线仅100量，以及2018年3月，国际自动驾驶汽车头部企业Waymo 表示到2020年将增配2万辆搭配自动驾驶技术的捷豹 I-PACE车型，也不难看出，无人驾驶汽车的规模化量产存在巨大的困难。
这一方面是因为，硬件难以规模化。要知道，如果将 L4 或者 L5 级别的无自动驾驶汽车视为未来无人车上的主角，也即马路上跑的全部是不需要人类接管的车辆，那么这些车一定会装备大量的传感器，包括激光雷达、毫米波雷达以及多个摄像头等等。这也意味着，如果真的要急速扩大无人驾驶汽车的规模，传感器的生产规模也必须跟上。这对于现阶段的传感器制造商来说，无疑是一个比较大的问题。
除了无人驾驶车需要大量的传感器阻碍其规模化外，无人驾驶汽车的批量生产，瓶颈也非常明显。一方面，传感器装载在车辆后，能否承受不间断的应用，其可靠性还没有实际验证，这也意味着存在着不可预知的风险。
另一方面，因为传感器在实际应用中可能出现的故障，那么就像现在的充电车难于普及一样，也将需要在全国各地布局相应的维护传感器、车载计算机，以及修复或更换各类零部件，这不仅需要有掌握这些新型技术的人才来匹配这样的市场需求。也需要有并高效率的、系统化、专业化的运营团队。
而目前无人驾驶公司的精力都在技术研发上，对于建立全国性甚至国际化的运营团队，几乎没有任何经验。加上行业基础数据与相关标准的缺失，也将毫无疑问会带来极大的挑战。
最后，不同国家的驾驶习惯与法律条款不同，可能面临伦理挑战。不难理解，一套自动驾驶系统基本不可能在两个国家使用，而且，如果车辆违反交通规则，责任归属也难以界定。换句话说，无人驾驶汽车很难进行规模复制，不管是地图、区域，或者是国家。也就是说，这是一个难以形成国际标准的行业，注定会因此导致规模受限。
