美投

特斯拉自动驾驶迎来颠覆性创新！竞争格局突变，特斯拉能否维持优势？
2024.06.03
播放量 14.9k
近一年过去了，现在整个行业发生了翻天覆地的变化。尤其是最近特斯拉的FSD取得了巨大的突破。有评论说，FSD可能已经迎来了他的iPhone时刻。所以美投君觉得，咱们有必要来更新一下特斯拉最新的技术发展，让大家更加了解这家公司的投资价值。#TSLA
开通服务即可查看评论～
文字稿
在之前的美投Pro视频中，我曾经给各位看官做过一次自动驾驶行业的分析。近一年过去了，现在整个行业发生了翻天覆地的变化。尤其是最近特斯拉的FSD取得了巨大的突破。有评论说，FSD可能已经迎来了他的iPhone时刻。所以美投君觉得，咱们有必要来更新一下特斯拉最新的技术发展，让大家更加了解这家公司的投资价值。
除了技术发展外，过去一年自动驾驶的竞争格局,也发生了巨大的变化。尤其是自华为的加入后，让整个战局变得扑朔迷离。华为在最近的新车发布会上公开宣称，他们相比于特斯拉的FSD，已经遥遥领先了。那么华为有可能会威胁到特斯拉的地位吗？FSD究竟有怎样的竞争优势和风险呢？今天这期美投Pro视频，咱们就来深度分析一下特斯拉的自动驾驶。
特斯拉的自动驾驶之所以最近备受关注，是因为他们推出了最新的FSD V12版本。该版本首发于去年年底，现在已经更新到V12.3.6，它相比于之前的版本取得了巨大的突破。这让最近一段时间，情绪低迷的投资者，终于又看到了一丝希望。所以，我们有必要先来了解一下,此次FSD V12版本究竟有哪些不同？
事实上，V12和此前的版本几乎可以说是完全不同的两个产品。在V12之前，所有的FSD版本,都只能算是一种广义上的‘互联网产品’，而从V12之后，我们才能说FSD是真正的人工智能产品了。为什么这么说呢？
V12之前的版本，都是用写代码和写程序的方式，一行一行把自动驾驶给写出来的。举个例子，假设我们要做一个停牌右转的操作，这自动驾驶会如何的运行呢？首先，汽车会先探测到停牌，代码就会指示汽车开始刹车停下来。停下来后，摄像头会感知有没有人过马路。如果没人，代码就指示通过，如果有人，代码就指示继续等待。在通过的过程中，代码也会决定转多少角度，用多少加速度通过。而整个过程中，每一步都需要代码根据规则来给出指引。所以说，这种自动驾驶模型，也被称为是rule based FSD，规则化驾驶模型。
但到了V12，整个逻辑发生了彻底变化。此前的规则化模型被彻底抛弃，改成了端到端的人工智能神经网络架构。简单来说就是，V12自动驾驶是由一个人工智能大模型去学习，这个大模型就像是人的大脑一样，它会通过摄像头去感知周围的物体，预测这些物体的运动状态和外部环境，然后人工智能会把所有的因素全盘考虑过后，并做出一个最优的决策。整个过程中并没有条条框框的规则，人工智能是通过预测完成的指令。这背后并没有一条条的代码，甚至我们都不知道，它是怎么做出的这个最优决策。就像是人类开车的时候，你做决定不是根据规则，而是综合所有外部因素的判断，要问你为什么你也不一定能说清。
用一个更形象的方式来类比，V12就像是今天的ChatGPT。ChatGPT会模仿人类语言和你沟通，这里面只有少量的代码在控制。而V11就像是过去那些客服聊天机器人。你跟他对话的时候，他的每一次输出结果，都是根据预设的代码而来的。他只能根据你说话的关键字，给出固定的输出内容。可想而知，两者在体验上的差别有多大。
那么V12的进步对于特斯拉来说意味着什么呢？其实V12最关键的一点，在于他解决了特斯拉自动驾驶，多年以来最大的一个痛点，那就是corner cases。
什么是corner cases呢？他指的是一些极端的意外情况。当我们通过写代码的方式去实现自动驾驶时，本质上就是靠人把所有能想到的情况都预设一遍，然后用代码给每个情况都写出解决方案。然而这样做的问题是，开车这个场景，实在是有太多想象不到的意外情况了，我们根本不可能把所有的意外情况都能考虑进去。就算可以，也会使得代码越写越长，因为多一个意外就多一堆代码，这很显然是不可持续的。在V12前的最后一个版本上，FSD的代码已经写了40万行。
此前，已经有人质疑，因为corner cases的存在，完全自动驾驶可能永远无法做出来。这就像是一个人永远无法学会所有的知识一样，特斯拉即便写了40万行代码，也无法包揽驾驶中所有的情况。即便这条路真的能行得通，那要想做出完全自动驾驶，就意味着要有一个极其冗长且复杂的代码才能实现。而这又会带来很多问题，比如软件更新异常困难，以及决策上的延迟，等等等等。很显然，这套解决方案很难维持。
而到了V12之后，这个无解的难题终于被打通了。V12彻底抛弃了用规则来控制驾驶的方式，直接用人工智能模型去替换。
首先一点，这么做就不需要那么多代码了，而模型的精进也并非是通过堆砌代码来实现，而是通过数据和训练时间。有传言说，FSD的代码，已经从原来的40万条减少到只有3000多条，现在只留下了最有必要的指令。
更重要的是，corner cases的问题有望在人工智能模型下，彻底得到解决。在V12的版本中，整个自动驾驶的决策过程，再也不需要人类给它设定规则，更不用给它预设环境。只要不断给人工智能模型投喂数据，它自己就能不断学习。如果遇到了之前没遇到过的情况，人工智能是能够随机应变，举一反三的。它不必非要经历过同样的情况，才能够正常驾驶。
不仅如此，在V12这种人工智能模型下，它的更新迭代速度会更快。以前的更新，主要是把原来的代码给调整一遍，或者添加新的代码。但V12的更新模式不同，虽然公司没有披露具体的技术细节，但马斯克曾暗示，现在的更新是直接给模型投喂新数据，然后去结合旧的模型重新训练，再做出来一个新的模型。这种更新不需要考虑和之前代码的适配，所以更新的速度会变得更快。
实际上，我们已经看到了这种效果，自从V12版本面世后，特斯拉FSD更新迭代速度明显快了很多，基本能保持一到两周更新一次。在此之前，FSD往往是一两个月，甚至几个月才能更新一次。而且，更新频率加快并没有影响自动驾驶的进步空间，这种人工智能模型上的更新效果，反而比之前的更新，进步效果更加明显。
说到进步效果，那本次V12版本从效果上看，究竟给特斯拉自动驾驶带来了多少提升呢？
从量化的数据上看，V12 比V11好了5到10倍。这是通过每公里接管的次数来判断的。也就是说，在同样的路况和行驶距离下，现在一个司机需要接管的次数，只有原来的1/5到1/10之间。显然，V12开起车来，比以前更聪明了。
而从一些非量化的数据上看，V12也确实得到了不少的认可。我看到网上对V12的评价整体是比较积极的，而且几乎所有人都提到，V12比之前版本进步了很多。大摩的分析师团队在使用了最新的版本后就认为，FSD现在的体验已经非常好了，唯一的问题就是开车比较保守，说特斯拉像是一个不慌不忙的老人在开车。
我自己在用过V11和V12后，最大的感受是，V12更像人在开车，舒适且平滑；而V11虽然也能把车从A点开到B点，但乘坐体验要差很多。就比如，V11有时会有突然刹车，或者突然加速，这很明显是机器的操作，人是不会这么开车的。但V12之后，这种现象就很少出现了。
不过话虽如此，我个人感觉，V12也只是相比于V11来说，提升很大。就V12自己的表现来看，我认为离完全自动驾驶还有一段距离。他还是会经常犯错，有些复杂的环境也仍然处理不了，比如在繁忙的路口左拐。当然，这种感受是因人而异的，我也看到一些网络上的视频，展示出特斯拉能够在非常复杂的环境下，游刃有余的驾驶，比如纽约繁忙的街区，或是在下雨天和下雪天里。我建议咱各位，有条件的话可以亲身体验一下，毕竟眼见为实。
V12还有一个风险需要我们留意，那就是他的更新效果具有很强的不确定性。目前整个FSD的人工智能模型就像是一个大盲盒，这是人工智能模型固有的特点。就像ChatGPT模型一样，我们知道它基本原理是什么，但具体它是如何做出每一个决策的，我们并不清楚。这就意味着，这个模型的每一次进步都具有一定的随机性。有可能未来我们投喂给它更多的训练数据，它会进步非常快，但也很有可能没有任何进步，甚至会出现退步。而一旦进步速度开始变慢，市场是很难接受的，不仅投资者会质疑，用户也很难会买账。这对于特斯拉FSD来说，是一个短期内无法解决的风险。
总的来说，V12对于特斯拉FSD来说，确实是一次颠覆性的更新。尽管他现在的效果还无法称之为完美，并且仍然具有一定的不确定性。但是技术上，他确实实现了质的突破。而在效果上，它也带来了极大的提升。最关键的是，它让corner cases这个以前无解的难题，现在有了被解决的可能。如果说现在是特斯拉的iPhone时刻，我认为可能还为时尚早，但我相信，在实现了技术突破后，这套人工智能模型有望更快的，为特斯拉实现全自动驾驶的目标。
在了解了特斯拉自动驾驶的最新进展后，我们再来分析一下特斯拉目前的竞争格局。目前最被市场关注的竞争来自于中国。现在不少观点认为，中国的自动驾驶有望威胁到特斯拉在长期的地位，那事实是否真是如此呢？我们一点点拆解来看。
在自动驾驶技术中分成两个流派，一类是像特斯拉这样的纯视觉流派，他是单纯靠高清摄像头获取信息，实现自动驾驶。另一类是融合感知流派，也叫做精准地图流派。这个流派需要在车上安装不少硬件设备，比如激光雷达，摄像头，毫米波雷达等等，并且需要融合精准地图才能实现自动驾驶。
现在，全世界只有特斯拉和Mobileye，走的是纯视觉流派。Mobileye由于还在试验阶段，所以还不值得拿来比较。而华为其实也有一部分纯视觉技术，但并不算纯视觉流派，这个我们一会儿会讲到。除此之外，其他所有车厂，全都是走的融合感知流派，包括宣称自己已经做到L4级别的Waymo和Cruise，以及一众中国车企。
纯视觉流派的特点是成本低，毕竟只用装8个高清摄像头就够用。但代价是需要更强的软件技术才能实现自动驾驶，目前L3以上级别的自动驾驶还没有真正实现。而融合感知流派，他的优点是见效快。只要有足够的硬件支持，再加上高清地图的辅助，马上就能够实现L3以上级别的自动驾驶。像现在，在美国的旧金山和凤凰城等地，Waymo已经实现全自动驾驶很长时间了。在中国也有部分地区实现了无人自动驾驶。但问题是，成本太高，并且应用范围比较窄。具体原因，我们一会儿还会提到。咱这里对于两种流派的对比只是点到为止，如果想要详细了解，建议大家回看之前美投Pro中，对于自动驾驶行业的分析，这里就不再展开了。
经过了多年的实践，现在基本可以看清这么一个事实，那就是在长远的发展中，融合感知流派已经基本走不通了。为什么这么说呢？
因为纯视觉流派的问题可以靠技术进步来解决，但融合感知流派的问题则全都是硬伤，几乎无法被解决。纯视觉流派实现全自动驾驶的难度虽然大，但从刚刚V12的分析中可以看出，随着人工智能模型的持续进步，实现全自动驾驶只是时间问题，中间没有什么不可逾越的鸿沟。然而融合感知流派就不同了，他有两个完全无法跨越的障碍。
这第一个就是成本问题。为了和地图沟通，实现更精准的驾驶，融合感知流派的汽车必须要安装大量的硬件设备，包括传感器，激光雷达，以及摄像头等等等等。而这些硬件设备的成本又非常的昂贵。根据当前的数据，Waymo每辆车的外部设备至少要3到4万美元。而特斯拉装的几个摄像头，却只需要一、两千美元。这个成本差距可想而知，而且几乎很难抹平。而且，装备如此多的硬件设备，后续的维护成本也非常昂贵。和普通汽车零件不同的是，这些传感器，如果只是其中一个出问题，那么整个自动驾驶都不能用了，因此后续的维护成本也是个大问题。
除了成本外，另一个无法跨越的鸿沟，是精准地图的应用范围太窄。精准地图是一种能够精确到厘米级别的地图，这个地图拥有所有的交通灯、交通标志等详细信息，给自动驾驶提供全面的辅助。要注意的是，现在的谷歌地图，高德地图都不能算是精准地图。因为精准地图是可以精确到厘米的，比如你的车子距离旁边的马路牙子还有多少厘米，他都知道，这些精准地图都是能和汽车沟通的，但谷歌地图和高德地图都还做不到。要想做出精准地图，是需要有专门的设备去扫描，才能实现的。
然而，如果一辆车需要依赖精准地图才能行驶，那就会带来很多问题。因为整个地图的覆盖范围是有限的，你不可能把全世界都扫描下来，而一旦超出了地图的范围，自动驾驶就无法使用了。更重要的是，这种精准地图的成本实在是太贵了。不光是制作成本非常昂贵，后续的更新成本更是高到难以为继。因为道路情况是不断变化的，每天都有新的道路施工、改道、新建的交通标志等，一旦发生变动，旧的地图就无效了，所以你必须要不断地更新这些地图数据，才能实现自动驾驶，这就需要大量的人力物力来实现。
正是基于这两大无法逾越的鸿沟，使得融合感知流派在商业化上很难推进。别看他现在技术领先，但是未来的发展空间却越走越窄。所以市场也对此逐渐丧失了兴趣，如果一个技术无法普及，那么他的经济价值自然就差很多。所以现阶段，在自动驾驶领域中，真正具有商业化投资价值的，也就只有特斯拉这一家公司。
不过，在这一竞争格局下，还有这么一家比较特殊的公司值得我们关注，这就是华为。根据华为自己的说法，他们现在已经可以做到，不需要精准地图也能自动驾驶。也正因如此，华为现在被认为是中国自动驾驶界的天花板。而且，华为自己宣称他的技术比特斯拉更强。还放出豪言，在今年年底，就会在中国全面铺开自动驾驶。
那华为是否真的能够威胁到特斯拉的地位呢？我们一点点拆解来看。
首先，咱们要注意的是，由于华为的自动驾驶技术还没有真正上市，所以我接下来的所有分析，都是根据收集到的公开信息所做出的推测，真实情况现在没人了解。而且，其中有不少是华为自己宣传的信息，因此这里的部分分析可能还会有些高估，各位看官要辩证的看接下来的分析。
根据目前的信息看来，华为相比于一般使用精准地图的车企来说，的确有进步。根据他们的宣传片，他们已经可以在不需要精准地图的情况下，实现相对流畅的驾驶，而且接管的情况也非常少。
然而，虽然华为目前的技术路径不需要精准地图，但也不能称之为纯视觉路径。因为华为的车还是安装了大量的辅助硬件。在华为的智界S7 pro中，共搭载十个感知摄像头，一个激光雷达，三个毫米波雷达，和12个超声波雷达。而相比之下，特斯拉就只有八个感知摄像头。很显然，华为现阶段还是在不计成本地堆硬件。从他的这种做法中，我们基本上可以确定这样两个事实。
第一，是华为的纯视觉算法能力，应该还差得挺远。如果华为的纯视觉技术足够强大，强大到能靠摄像头实现自动驾驶，那么华为根本就没必要还去堆这么多硬件。硬件在自动驾驶中，是用来辅助它的软件算法的。所以，硬件堆积的越多，就说明它的算法质量越差，需要越多的辅助。这也就侧面证明了，他的算法能力应该还不够强。不过，考虑到华为还是抛弃了精准地图，说明华为在纯视觉上应该是有了一定的造诣，也已经超越了大部分车企。但这大概率还是非常基础的，和特斯拉的技术相比应该还差很远。
第二，华为这种不计成本堆硬件的方式，规模化的问题还是解决不了。虽然舍弃了高清地图已经是一个巨大的进步，可汽车的成本问题还是绕不过去的坎。华为并没有披露这么多硬件的成本到底有多少，但参考Waymo的3到4万美元的成本，我想华为这套硬件的价格，应该也不会便宜到哪里去。
所以说，整体来看，即便是华为做出了比特斯拉更强的自动驾驶效果，也不意味着华为就有更强的自动驾驶技术了。只要他还无法抛弃辅助硬件，就意味着在技术上，他更有可能是处于劣势的地位。当然，消费者不会在意到底是谁的技术强，他们只要效果好就可以了。所以，短期内，华为也许确实可以获得一批用户的青睐，甚至可能会在中国抢占一部分特斯拉的份额。但长期来看，成本问题会是更大的问题，多数消费者无法为了华为的技术承担那么高的价格，只有真正低廉的成本才具有规模化的可能。从这个角度来看，特斯拉仍然是行业内最具优势的玩家。
而特斯拉除了在商业化上更具优势外，他的技术优势也是非常明显的，尤其是在人工智能方面。从这两年的实践结果上看，自动驾驶技术的成败，关键就是人工智能。而特斯拉在人工智能技术方面有三大优势，是华为无法企及的。
第一是在算力上。要想实现全自动驾驶，需要大量的算力。在这方面，特斯拉有着明显的优势。就华为来说，它已经是中国算力最强的企业了，他的算力是中国其他车企至少4到5倍，但他的算力水平却只有特斯拉的零头。根据最新的数据，特斯拉现在拥有的算力水平大约是华为的四十倍，而且预计等明年Dojo完全成熟之后，特斯拉的算力还能再提升好几倍。而所有这些都还没有考虑到，未来中国可能会在人工智能算力上被美国限制。因此这两者在算力上的差距大概率，会越拉越大。
第二个重要的差距是数据。特斯拉现在有六百万辆车在路上，这些车每天都会提供大量的数据和反馈，这么庞大的数据量全球只有特斯拉才有。而即便特斯拉有这么大量的数据，真正能用的也不多。马斯克曾经说过，现在每一万公里的数据，只有一公里可以拿来做训练。虽然特斯拉有这么多的数据，但是连他训练起来都如此困难，何况现在几乎没有什么车在路上走的华为？
最后一个差距在于数据的质量。特斯拉的数据来源只有一种，那就是纯视觉数据，这样的数据更单纯，也更容易训练人工智能模型。而华为这种模式，必须要混合视觉数据和传感器数据，这种数据更为复杂，也会带来很多噪音。特斯拉的前自动驾驶负责人曾经说过，如果在视觉数据上再加上其他传感器数据，会大大增加算法的复杂性。而且这么做最终也不会提升自动驾驶的质量。所以特斯拉一直在做减法，目的就是训练出一个更好的模型。而华为很显然是想走一个中间路径，多加传感器来辅助算法实现更好的效果。这虽然见效快，现在就能实现部分自动驾驶，但从长远来看，这种混合模式反而会抑制他模型的进步。
分析到这里，我想各位看官应该对于特斯拉的自动驾驶技术，以及他的竞争优势有了一个全面的理解了。最后，我想谈谈我个人的一些看法。
我认为，自动驾驶会是一个投资领域里，一个巨大的成长赛道，就会像是过去10年的智能手机一样。虽然该领域现在所面临的困难仍有不少，比如人工智能技术，算力，监管等等，但我认为人类实现自动驾驶应该已经不远了，现在已经没有什么不可逾越的障碍，技术的进步是不可阻挡的。
而在自动驾驶这条赛道上，我个人仍然是最看好特斯拉这家公司。从特斯拉本身的角度来看，他现如今已经通过人工智能模型，攻克了corner cases这个最难的关卡，剩下的就是不断训练模型实现升级了。而这对于特斯拉来说，只不过是时间的问题。再加上他在规模化和商业化上的优势，长期来看，特斯拉仍然是自动驾驶领域，最具投资价值的公司。但是短期内，我仍然认为，特斯拉还不具备靠FSD获得营收突破的基础，现在咱们谈iPhone时刻，可能还有点儿为时尚早了。况且，短期内来自于华为等中国公司的竞争是实实在在的，这很可能会进一步压缩特斯拉在中国的市场占有率。他的业绩压力短期内很难释放。
不过，长期来看，我也认为，特斯拉的先发优势是无人能够比拟的。先发优势在人工智能领域是一个压倒性的优势。因为好的人工智能并不是靠花钱就能实现的，而是需要那些无价的数据，以及训练时间。这就意味着，市面上第二好的人工智能，想要靠砸钱实现超越，其实是很难的。而且更关键的是，你会发现，最终最好的人工智能，可能并不会比第二好的人工智能更贵。那么这种情况下，有谁会愿意花更贵的钱，去买第二好的产品呢？
而在自动驾驶中，这一点会体现的更加明显。消费者对于自动驾驶的需求就是安全和舒适。它不像Netflix和Disney Plus那样，消费者有不同的品牌偏好。对于自动驾驶来说，所有人的需求都一样，只要能让我从A点到B点，这就是一个好的自动驾驶软件。所以说，一旦最好的自动驾驶程序出现，第二名和第三名再去做自动驾驶的意义就不大了，也不会获得资本的青睐。而特斯拉就是我认为，在自动驾驶这个典型人工智能应用场景下，最有可能获得先发优势的公司。
#TSLA #特斯拉 #FSD #自动驾驶 #AI #人工智能