L4自动驾驶，今年走到了“大洗牌”、“大变局”的时刻。
一半是寒冬。平台型自动驾驶明星Aurora、背靠福特和大众的Argo……今年都先后传出裁员或破产的消息，还有不少之前专注Robotaxi的企业，转轨做起了乘用车辅助驾驶。
资本对于L4的故事，变得无比谨慎。于是人们说：L4寒冬已至。
另一半，却是火焰。
王冠上的明珠遥遥在望，龙头公司已经窥见了决赛曙光，拿到入场券。
百度Apollo、谷歌Waymo、通用Cruise高歌猛进，进展不断。
比如，Waymo、Cruise在旧金山、凤凰城的商业运营范围、时长不断取得突破；而国内百度Apollo的萝卜快跑也接连落地十余个城市，完全无人驾驶在北京、武汉、重庆实现里程碑式落地，商业里程、运单数快速增长。
怎么解释？
其实很简单：自动驾驶行业洗牌浪潮中，只有真「无人」，才能最早看到到曙光。
百度Apollo、Waymo、Cruise这三个在L4商业化落地进展最快的玩家，都展现出相同的特质。
背靠巨头只是其一，更本质的，是他们的落地项目以“全无人”为前提。
比如在湖北武汉，你可以通过萝卜快跑App叫到全车无人的自动驾驶汽车，而这背后的技术就来自百度 Apollo。
为什么“全无人”是L4级以上自动驾驶技术落地的关键？
首先是从商业层面，“全无人”是Robotaxi商业模式初步跑通的必要前提。
对于Robotaxi来说，商业化最大的挑战就是成本问题。首先是车辆改装成本。早期在没有与主机厂达成前装量产合作的条件下，一辆Robotaxi动辄上百万是很常见的事。
投入营运阶段，最大的成本则是车上的安全员。
一辆普通的人类司机驾驶的网约车，一年最低的人工成本也在12万左右，安全员比驾驶员只高不低。
之前的Robotaxi在全运营生命周期内，很难平衡自身的成本
在技术上实现“全无人”，则意味着首先省下了人工费用。
其次，全无人的自动驾驶技术栈，必然是在前装量产的车型上实现的，所以在车辆本身层面面，也代表着和普通网约车进入相同成本区间。
另外，“全无人”还代表着技术提供方已经能够满足自动驾驶出行的高可靠和安全性。
政策也更倾向于向这样的技术提供商开放运营许可。
所以“全无人”对于自动驾驶的落地，最关键直接的一点是“降低成本”，背后更重要的深刻影响因素是技术的成熟带来安全可靠性的提升。
百度Apollo给出的数据，是已经累计超过4000万公里测试里程。Robotaxi成功送达率已经超过99.99%。
这背后，既有Apollo讲L2、L4打通的自动驾驶数据闭环，也有百度在AI领域的其他积累打下的基础。
比如依靠文心大模型的数千种物体识别能力，大幅扩充自动驾驶语义识别数据，尤其是应用在特殊车辆（消防车、救护车）、塑料袋等异形物识别上，大大提高长尾场景的覆盖率，提升自动驾驶的可靠性。
此外， Apollo自动驾驶高精地图，构建自动化率已达到96%，基于百度地图1200万公里的领先路网覆盖范围级海量时空数据，再结合数亿司机的驾驶知识沉淀，构建全路网级别的驾驶知识图谱，提升自动驾驶决策舒适度。
目前，萝卜快跑的全无人自动驾驶车队商业运营和测试不断扩区、提量、增时。已经落地北京、重庆、武汉三城。
以武汉经开区为例，覆盖总面积超130平方公里，覆盖居民超过100万。自动驾驶车队的运营场景包含城市高架、普通道路，运营时段覆盖白天黑夜，过程稿中遇到的长尾场景、复杂挑战，已经和普通网约车私家车无异。
而通过真实场景的数据积累磨炼，能够直接加速Apollo的技术迭代效率，从而发掘更多长尾场景，形成数据闭环的“飞轮”效应。
全无人技术成熟，带来商业模式初步跑通，开启部分城市规模化运营。
而在这个过程中，有实力的玩家会进一步验证、完善Robotaxi商业模型，并进一步扩大落地范围，由此形成领先优势。
这正是当前百度Apollo、Waymo等玩家正在走的路，也是寒冬之中让人们依然相信技术、相信自动驾驶的“火把”。
要做到全无人落地，背后的技术，需得是实打实的够硬。
而百度作为此次行业大洗牌、两极分化里稳步发展的那一个，且在国内常年占据自动驾驶头雁的地位，其技术的发展可以说是具备一定借鉴的意义。
因此，我们不妨从百度自动驾驶的技术发展路径，来看待这个问题。
不同于其它玩家的打法，百度自动驾驶一个非常旗帜鲜明的特点，便是与文心大模型的深度结合。
而且纵观整个业界，大模型在自动驾驶感知上应用落地，百度还是头一个。
具体而言，在解决自动驾驶长尾数据挖掘问题上，百度所采用的是文心大模型-图文弱监督预训练模型。
几个较为典型的长尾数据挖掘问题包括：
• 少见的车型：例如消防车、救护车等，由于它们在路面上的“出镜率”较低，且形态、形状不规则，对感知和理解上带来了一定挑战。
• 各种姿态的行人：在行驶道路上往往并不是一个人出现在路面，这不仅对识别带来挑战，而且对后续的预测跟踪也带来了一定难度。
• 低矮物体以及交通、施工的元素：低矮物体（比如道路中的护栏等）一直是感知里面非常有挑战的问题。
面对上述固有的问题，借助文心大模型对数千种物体的识别能力，便可大幅扩充百度自动驾驶的语义识别数据，在效率上达到指数级提升。
除此之外，得益于文心大模型-自动驾驶感知模型10亿以上参数规模，通过大模型训练小模型，自动驾驶感知泛化能力也得到了显著增强。
对此，百度自动驾驶技术专家王井东表示：
而促使百度自动驾驶能够快速实现全无人落地的“第二大法宝”，便是百度Apollo自动驾驶地图。
不同于我们平时使用的导航地图，高精度地图可以说是实现智能驾驶必不可少的那一个。
整体而言，高精度地图需得满足三大特点。
首先便是厘米级的高精度。
人类在使用普通导航地图时，只需要精确到5-10米，加之驾驶员自身的判断即可。
但智能汽车是不具备人类这种判断能力，因此1-2米的误差便有可能导致压线等问题的出现，这也就是为什么要将精度保持在厘米级的范围内了。
其次是涵盖的大量道路信息。
高精度地图需要给智能车提供的信息，可不止于普通导航地图包含的道路选择、拥堵情况、行驶时长等基础信息。它还需得包括大量驾驶辅助信息，例如车道宽度变化offset点、导流区、圆形标牌、高速出口等等。
最重要的是道路网的精确三维表征，以及有几条车道、边界线在哪里、护栏、路灯，甚至是马路牙子的大小方圆在内的100多种道路特征。
第三是高精地图会出现绕路的情况。
这是因为高精地图面向的是智能汽车而非人类，它所提供的信息是用于智能车的定位系统、感知系统和决策系统。
因此在面对诸如隧道等情况，高精地图就有可能会出现“绕路”的情况，因为在它眼里，这条路就是不存在的。
由此可见，要想实现全无人落地，高精度地图是必不可少的存在，而且实现起来并非易事。
但作为已经“上岗”的百度Apollo自动驾驶地图，它必然已经hold住上述难点的那种。
据了解，百度高精度构建自动化率已经达到了96%，这也就意味着可以较大程度解决应用成本高的问题。
与此同时，它也具备实时生成在线地图的能力，可以融合扯断感知数据与多源地图，在自动驾驶安全性上保驾护航。
在决策方面，基于百度地图1200万公里的领先路网覆盖范围级海量时空数据，以及数亿司机驾驶知识数据，百度还构建了全路网级别的驾驶知识图谱，以此来提升自动驾驶决策舒适度。
而除了算法、软件层面之外，百度实现全无人落地也没落下在硬件上的发力。
据了解，百度自研AI芯片昆仑芯2代已完成无人驾驶场景端到端性能适配，以此来夯实百度在自动驾驶软硬一体的优势。
当然，百度自动驾驶能够在全无人落地上实现领先，并非是一蹴而就的事情，实则是“台下十年功”不断技术沉淀的结果。
一组公开数据便可一目了然：
以上就是率先实现全无人落地玩家背后所具备的技术实力了。
正如我们最开始提到的，今年全球自动驾驶行业正在上演“大洗牌”。
从陆续被曝出倒闭、申请破产、大幅裁员的自动驾驶公司来看，它们身上似乎是存在着一个共性——未能实现全无人落地。
毕竟自动驾驶这件事，不只是一场技术实力上的大比拼，更是时间与耐力上的较量。
好比只有在潮水退去之时，才能看到是谁在裸泳一样，站在2022年岁末的当下，加速全无人落地成为了“上岸”玩家发力的必然节点。
不仅是国内自动驾驶头雁的百度在这么做，国际领头玩家亦是如此。
例如Waymo、Cruise为等自动驾驶公司，均在加速推进无人驾驶规模商业化进程。
据了解，目前美国旧金山已开放了全市区7×24小时的无人驾驶出行服务。同时，凤凰城的无人驾驶运营区域也不断向核心城区扩充。
此外，从凤凰城天港国际机场到市中心，还落地全球首个全无人自动驾驶打车服务，进行7×24小时全天候运营。
而百度也是在近期发布了一个新的信号：
据了解，百度今年量产的第六代无人车Apollo RT6（成本仅25万元），也即将于明年率先在萝卜快跑上投入使用。
总体而言，百度在全无人落地这事上是做到了成本的降低、安全和质量有保证，与此同时还在不断加速扩大规模。
究其原因，百度目前要保证的便是在低成本下（毛利为正）各个城市能够跑通商业模式；但若是目光放置长远，其运营规模的指数增长是可以预见的。
由此可见，“全无人落地”已经成了玩家进入自动驾驶决赛圈的关键。
那么在自动驾驶如此下半场的局面之下，谁能笑到最后？
百度，毋庸置疑是其中之一。
“
