在自动驾驶领域有一个术语叫做“Corner case”，即边角案例，泛指其操作参数在正常范围以外的问题或是情形。浅显易懂地来讲，从辅助驾驶到自动驾驶，需要解决的就是各类Corner case，也就是各种不常见的场景的堆积，使得算法演变出的环境无限接近于真实的环境，以确保自动驾驶系统的100%安全。
然而对于所有自动驾驶领域的工程师而言，找到所谓的Corner case都是一道世纪难题。曾有行业工程师表示，自以为解决了99%的问题，但剩下的1%，却仍需要付出更多的精力。这已然成为行业共识——在自动驾驶行业，做到99分相当于0分，剩下1%的corner case才是决定技术能否商业化落地的关键，然而这需要更加漫长的时间和精力。
不久前，阿里巴巴关闭了达摩院的自动驾驶项目；今年5月，全球自动驾驶第一股图森未来收到退市通知；今年第一季度，海外自动驾驶龙头公司Waymo进行了两轮裁员，裁员人数占其员工总数8%；更早之前，自动驾驶黑马公司Argo AI倒闭，其投资方福特汽车公司CEO Jim Faley直言：“大规模盈利全自动驾驶还有很长路要走。”
这些事件均可视为市场释放的报警信号，而资本向来对这类信号更为敏感。据《汽车纵横》记者整理，自动驾驶赛道投融资于2013年开始萌芽，2016年兴起，直至2018年全年投融资事件达到了78起，披露的投融资总金额高达811.0亿元。然而，到2022年，虽然投资数量增加到了153起，但投资总金额已不到2018年的三分之一。可以看出，在当前的投资寒潮下，自动驾驶行业似乎已经进入了其资本生命周期的末期。

机器人成为下一个关注点
诚然，自动驾驶描绘的蓝图令人向往，但长期投入难以变现，L4自动驾驶在商业化落地方面仍未有重大突破，这让资本市场逐渐对其失去了耐心。与此同时，《汽车纵横》记者在收集资料时发现，智能机器人正在成为很多离开自动驾驶赛道的玩家的下一个关注点。
据记者不完全统计，截至2023年9月30日，今年国内机器人及相关上游领域共发生融资事件118起，融资金额总计约在100-112亿元之间。据中研普华研究院发布的《2021-2025年中国机器人行业供需趋势及投资风险预测报告》预计，到2025年，中国机器人行业市场规模将达402.5亿美元。种种迹象表明，当下机器人领域正在迎来全面爆发。
这实际上并不令人意外，自动驾驶本就和机器人之间存在紧密的联系。首先是技术层面，二者都依赖于相似的核心技术，如传感器技术、决策算法和控制系统等。无论是自动驾驶汽车还是机器人，都需要精确的感知环境、准确的决策和可靠的控制来实现自主行动。同时，无人驾驶和机器人领域都依赖于人工智能技术的进展。机器学习和深度学习等人工智能技术在自动驾驶和机器人的感知、决策和控制过程中起到关键作用。
机器人应用场景丰富多样，市场潜力大，商场、酒店、餐厅、车站、物流、医疗等领域都有机器人的身影，其应用逐渐普及。因此，一些自动驾驶公司开始选择“向下兼容”，去做智能机器人。
不过，即使选择向智能机器人方向发展也不是易如反掌。该领域也存在技术门槛，同样需要大量的投入和不断的优化，才能实现最终商业化落地。但相对于落地遥遥无期的L4自动驾驶技术，这些方向的投入风险显然更小，也能够更快地回报成果。

AIGC提供更多可能
近来ChatGPT的兴起也为自动驾驶行业提供了更多可能。一位科技领域的从业人士告诉《汽车纵横》记者，目前生成式AI的发展已经进入快车道。尤其是ChatGPT所在的AIGC(AI-Generated Content，人工智能生成内容)赛道，正引发越来越多投资机构的抢滩布局。
ChatGPT是AIGC技术进展的一个体现，之所以能够异军突起，一个重要原因是引入新技术RLHF(Reinforcement Learning with Human Feed-back，即基于人类反馈的强化学习)来解决生成模型的核心问题，使得利用人工智能进行内容创作的技术成熟度大幅提升，让人工智能模型的产出内容与人类的常识、认知、需求保持较高的一致。
在政策推动与技术应用落地等多方面因素驱动下，我国AIGC行业也迎来新的风口。中商产业研究院发布的《2023-2029全球与中国AIGC传媒市场现状及未来发展趋势》显示，从2021年起，国内AIGC投融资市场投资热情高涨，投资金额达历史新高。2023年，截至9月25日，国内AIGC投资事件达73起，投资金额达82.95亿元，投资事件再次创下历史新高。
中科创达副总裁、畅行智驾CEO屠科在8月22日于南京举办的软件赋能汽车智能化转型发展高峰论坛上发表演讲时表示：在AIGC时代，汽车的“智能属性”将加速释放，智能驾驶也将迎来快速发展。一方面，AIGC技术可以赋予汽车更多智能化体验，加速推动汽车由传统交通工具向智能终端演进。另一方面，AIGC的大规模数据学习能力与智能驾驶系统结合，可以让智能汽车更好地识别和应对复杂的道路变化，从而提高自动驾驶汽车的安全性和行驶效率。

AIGC助力企业降本增效
很多读者朋友会有一个疑问，AIGC看似与自动驾驶并无关联，为何说AIGC是应用于自动驾驶技术的重要技术之一？实际上，由于驾驶环境的复杂多变，自动驾驶技术难以对所有场景进行充分训练。例如自动驾驶中，车的类别多，但是交通三角锥少，会导致深度学习更倾向于识别为多类而忽视少类别，处理此类长尾场景已成为制约其发展的主要瓶颈之一。在这方面，AI大模型的能力可以有效解决此类问题。
从算法角度来说，AI大模型可以帮助优化自动驾驶算法，从端到端、基于神经网络的模型及其他关键方面进行升级，使得自动驾驶技术对场景的理解和处理更加准确。同时，自动驾驶技术的发展需要强大的算法支持，AI大模型的应用可以为其算法开发提供更广阔的发展空间。
另外，自动驾驶技术的发展还需要有完善的数据闭环和仿真体系。AI大模型的应用可以为自动驾驶技术的闭环数据管理和使用提供支持，通过自动标注等技术手段，降低人力成本，提升数据标注的准确度和效率。值得注意的是，大模型的应用还可以为自动驾驶技术的仿真提供支持，通过模拟生成高度真实的场景，助力其更好地进行实地测试和优化。
特斯拉是自动驾驶领域成绩最为显著的公司之一。该公司已经在车型上推出了自动驾驶辅助系统，其实现的端到端自动驾驶功能正是基于AIGC的应用实现，目前已经走在行业的前列。在不久前，特斯拉创始人兼CEO埃隆·马斯克进行了一场45分钟关于FSD 12测试版的直播。
过程中，马斯克多次强调，FSD 12中没有任何一行相应代码，也没有被训练过如何读取路标，也不知道什么是滑板车，FSD 12的所有行为（自行在减速带减速、避开滑板车骑行者等）完全是大量视频训练的结果。通过视频训练数据，AI可以自己学习驾驶，像人类一样做事。

无处不在的“Corner case”

不过，对于其他企业来说，想要达到特斯拉的高度并非是一件易事。根据美国兰德公司的报告分析，要实现通用的L4自动驾驶，大约要达到160亿公里的测试里程，才能证明L4在安全性上超过人类。
然而即使是在较为激进的测试计划中，用100辆车组成的自动驾驶测试车队以64公里/小时的时速每天测试24小时，也至少需要花费数十年，甚至数百年的时间才能跑完上述所需的测试里程。因此对于计划在短期内将L4推向市场的企业而言，通过这种方式积累数据自然是不现实的。
此外，大模型目前在智能汽车中的应用尚处于发展初期阶段，同样也存在很多问题，比如可解释性不高、训练难收敛等等。据公开数据显示，尽管特斯拉全球车队目前的总行驶里程数已超过1000亿英里(约1600亿公里)，但在上述的直播过程中，演示车仍出现了一次意外接管。当时Model S需要直行，正停下等待红灯。但当左转信号灯转绿时，车辆竟然也紧跟启动。
是的，即便特斯拉拥有庞大的测试里程数据支撑，在实际道路行驶时依旧会存在“Corner case”。由于没有代码，所以特斯拉也无法对出现这个问题的原因进行解释，而要解决这个问题，就需要给FSD“投喂”更多左转红绿灯的视频。这无疑是给整个自动驾驶行业泼了一盆冷水。
不过，埃隆·马斯克对此似乎并不在意。在他看来，AI对人类驾驶员行为的学习也是一个持续不断的过程，量产车在上市后会回流海量的数据，用于自动驾驶算法模型的优化。因而训练的规模会随市场中车型存量的上升而不断扩大。另外，马斯克也给团队定下了一个指标，实时显示FSD系统在没有人类干预的情况下行驶的英里数。如果出现干预情况，就处理对应的问题。但，何时是个头？没有人能给出答案。
前程是星辰大海，脚下却不无泥泞，或许可以形容自动驾驶行业当前的处境。长久以来，自动驾驶领域投资了大量的时间和金钱，但实现可盈利的商业模式仍然是一个挑战。由于高研发投入、高人力成本和低商业化效率，许多企业一二级估值倒挂、破发频繁，这也使得许多企业被迫转型。而对于这些从自动驾驶转投智能机器人和AIGC领域的玩家来说，此处也未必是片安宁之地。
注：本文首发于《汽车纵横》杂志2023年11月刊