01
两大瓶颈中的智驾赛点
当前，单车智能驾驶进入了价格战与类人化的竞争热潮，而热潮之中，下一阶段的发展瓶颈也随之而来。
一方面，各企业纷纷围绕成本大做文章，具体变现为，在辅助驾驶端开展成本竞争。
近三年以来，业内车企对方案商的开发费以十倍速率疯狂下降；各家智驾芯片供应厂商在抢夺高算力之余，面向中低算力的产品更加追求性价比。
然而，降本也是有极限的。
在技术未能实现完全成熟，并未完成下一次跃迁之前，单车智能的成本几乎已经被各家厂商做到极致，未来又该如何支撑降本值得引起行业重视。
另一方面，“类人化”的自动驾驶成为众人追捧的风口，这也暗含着业内对于进入更加智能化的汽车时代的积极探索。
然而，在实现更高级智驾技术的愿景下，算法建设仍存在较多的实操长尾问题。
就端到端技术而言，端侧大模型经过压缩后具有低成本、低时延、高隐私和个性化等优势，近年来成为各厂商创业的一个新风口。
而作为智能化的重要解法之一，端到端背后的算力及数据支撑等问题还远没有解决，人工智能技术尚未达到通用人工智能的标准，但未来有望朝单模型多链路、多模态和思维链等方向发展。
值得关注的是，单车智能却在实际上已经进入了逐渐饱和的阶段。
因此，从长远的智能化发展来看，单车智能仍要回到工具的问题上来。
如何进一步让固有的、分立的技术产生更多实际可用的智能化效果，成为了汽车智能驾驶正面临的新赛点与转折点。
02
从单车智能，到车路协同，再到车路云
单车智能发展到一定阶段，车辆间的矛盾进一步凸显。
一方面，感知与决策冲突明显。
由于不同单车智能车辆所搭载的传感器性能和配置不同，各车企采用的算法和决策策略也存在差异，由此在面临实际行驶过程中，可能会引发碰撞风险与交通混乱。
另一方面，通信与协同仍存在障碍。
目前市场上存在多种不同的车车通信协议，各车企之间尚未形成统一的标准，这使得车辆之间无法直接进行有效的信息交互与协同工作。
同时，出于数据安全、隐私保护和商业竞争等因素，车辆之间难以实现数据共享，这就导致车辆无法获取其他车辆的行驶意图、路况信息等关键数据，难以进行更高级别的协同驾驶和交通优化。
基于此，智驾行业急需通过路来实现补盲，并寻求更多的交通流信息，进一步实现从辅助驾驶的人车互动向更高层次的车车、车路、车云互动进发，从而大步迈向智能化的下一阶段。
从单车智能，到车路云一体化的补强，二者互相促进，共同建设高智能化自动驾驶的路径或成为汽车智能化的发展共识。
一方面，车路云一体化可通过将车辆与道路数据同步云端，实时交互，能够帮助单车感知能力得到扩展，有效应对各类长尾问题，提升智能网联汽车的行驶安全性，并借助路侧感知设施和边缘计算设施，单车装载的传感器和高算力芯片数量将减少，车辆共用环境中的算力和感知设备，进一步降低端侧算力需求。
另一方面，2024年1月，工业和信息化部、公安部、交通运输部等五部委联合印发《关于开展智能网联汽车“车路云一体化”应用试点的通知》，7月公布首批20个应用试点城市名单，北京、长春、广州、武汉等城市纷纷投入巨资进行车路云一体化建设，规划了多个示范应用场景。
由此，“车路云一体化”或成为大势所趋，基于领先的单车智能技术，诸如特斯拉等海外先发企业或在华掀起一场车路云一体化的先行示范。
就国内市场来看，成立于2017年的蘑菇车联最早在自动驾驶-智慧交通领域选择、探索车路云一体化技术路径，公司还多次参与国家标准、行业规范建设。
公司创始人兼CEO朱磊在世界智能网联汽车大会期间曾表示，“车路云一体化的本质是‘通感算’网络，核心功能是实现实体世界实时数字化，为所有智能设备提供实时数据服务。”
然而，尽管业内已经有初步的标准设定，但车路云一体化涉及多个行业和领域，相关技术标准和规范尚未完全统一，不同车企、道路基础设施建设方和云服务提供商等利益诉求和目标可能存在差异，出现问题也难以划分责任。
以红绿灯感知设备为例，从理论上讲，车辆识别形状各异的红绿灯有较大的技术难度，通过路侧设备发送一个信号给车辆非常简单。但如果在红绿灯信息在传输时丢失，车辆发生事故，由谁担责很难判定。
与此同时，车路云一体化面临着信息共享、数据安全和隐私保护等方面的挑战。
一方面车企需要确保这些数据的安全性和保密性，防止数据泄露、篡改或被恶意利用，否则可能会面临法律责任和声誉损失。
另一方面，车路云一体化系统的安全性至关重要，一旦系统出现故障或受到攻击，可能会导致严重的交通事故和人员伤亡。
03
理念狂奔下的市场参与现状
而当前，车路云的发展首当其冲的是“车”，但车企的参与意愿似乎很弱。
从技术与成本方面来看，车路云一体化涉及多种先进技术的融合，车企需要投入大量资源进行技术研发和系统集成，这对企业的技术实力和创新能力提出了较高要求，而在车辆上安装更多硬件设备与软件系统，也将显著增加车辆的制造成本。
与此同时，当前车路云一体化的商业模式尚不明确，收益模式尚不成熟，车企难以清晰地看到参与其中能够带来的直接经济收益，由于车路云一体化是一个长期的系统工程，需要持续的技术投入和基础设施建设，车企的投资回收周期相对较长。
从L2+到L4，从辅助驾驶乘用车到robotaxi，车路协同的角色并不显眼，而车企单车智能却处于狂奔状态。
然而，没有车的车路云，就是无源之水，无本之木，未来尽最大程度争取车企参与或许成为发展的关键。
值得关注的是，当前的车路云主要服务于政府项目，而实际市场的打开，还要看何时才能真正服务于广大C端用户。
在应用层面，消费者面对车路云一体化的接受度和需求也存在不确定性，部分消费者可能对新技术持观望态度，这使得车企在推广车路云一体化产品时面临一定的市场风险。
而就应用的政府项目来说，据财新报道，过去各地政府和企业已经建成大量智慧公路和车路云一体化示范项目，已验收的项目都号称达到了国际先进水平，但真实需求不清晰，普通司机很难体验到这些高科技成果，开车的人“无感”，甚至堵在智慧高速上和堵在一般高速公路上没有任何差别。
技术应用脱离实际成为发展的堵点所在，一些地方在建设过程中侧重于“炫技”、做平台、做展示，大举投入、简单堆叠技术设备，“为智慧而智慧”的做法导致驾车人体验感不强，项目建设投入巨大而实际效益低下，科技“智慧”最终却脱离实际，成为徒有其名的摆设。
与此同时，就当前入局颇深的蘑菇车联而言，公司同时兼具整车业务与车联网业务，在大范围的押注之下或难实现业务聚焦。
当然，对于车路云而言，仅关注路和云，肯定是不够的，对于融资和估值颇高的独角兽来说也意味着选择风险，因而覆盖车是必要的。但一旦涉及到车端业务，则难以避免与文远知行等同为百度系创建的公司竞争。
如此一来，要在车路云赛道做到全面覆盖，兼顾短中长期，其实非常困难。这也可以解释为何自动驾驶创业潮诞生以来L4公司群体的大分流，市场的专业化分工，不以单个公司或英雄人物的意志为转移，历史的潮流推动着每个公司作出自己的选择或被动选择，即便是强如百度这种想要吃掉“全栈”智驾的巨无霸公司，也在极越闪崩之后不得不逐渐从某些特定细分市场撤退。
在汽车行业竞争逐渐加剧的现实下，是倾向于看得见的整车利润，还是锁定车路云一体化的行业新星，蘑菇车联或许会在不久的将来做出选择。
04
车路云如何赋能
“车路云一体化”至少在三方面具有优势：
其一、克服单车智能感知缺陷，加速自动驾驶实现，提升安全和效率；
其二、通过路端云端补充数据，加快实现数据的闭环；
其三、整个社会正在进入智能化时代，智能交通智慧城市，智慧家居都在发展。不管是软件还是基础设施的硬件都是需要复用，对于实现整个智能交通，智慧城市都有更多的优越性。
基于以上优势，车路云一体化或可有效实现本阶段的汽车智能化补强。
然而，在车路协同过去多年的发展当中遇到了部分伪需求。
过去大规模建设路侧如智能交通信号灯、高精度传感器等基础设施，但由于车辆智能化水平有限、车路协同应用场景较少，相关设施的利用率低，无法产生与之投入相匹配的交通效率提升和安全保障效果。
与此同时，部分偏远地区及车流量小的道路建设复杂的车路协同设施，同样面临巨额投入但长期难以收回成本的困境。
但这并不是车路云本身的问题，而是尚未找到真需求的问题，由此，车路云要想实现真正的赋能，核心问题在于打通需求主体，明确各厂商的真实需求。
基于此，未来的车路云发展或需从以下几方面入手。
其一，寻找产业生态的典型案例，通过典型案例、典型城市实现大规模落地推广。
其二，需要补齐、孵化更细分的技术环节，围绕车路云建设的各环节，推动产业建设。
从数据应用角度，车路云“数据上车”或可以分为五个阶段：
第一，路侧基础设施建设阶段，主要将“通感算”的硬件设备部署在路侧；
第二，数据质量达标阶段，针对单节点数据质量进行测试，可参考行业权威标准，比如信通院的“双SL3”；
第三，数据上车初级应用阶段，通过车路云系统，将信号灯数据、路侧识别到的事件类数据赋能智能网联车辆；
第四，数据上车高级应用阶段，通过车路云系统，将实时孪生数据赋能给智能网联车辆和自动驾驶车辆，真正实现协同感知、协同决策；
第五，量产车型大规模应用阶段，与车企进行量产车合作，保证车辆大规模接入车路云网络，并享受各类实时数据服务。
未来，车路云一体化，或许要在明确“智慧公路”发展目标和实施路径、完善“智慧公路”基础设施相关规章制度和标准规范的基础上，加强项目建设全过程评估，提升“智慧公路”高效便民水平。
而无论是新建还是改建，“智慧公路”都要坚持从现实需求和场景出发，警惕盲目“炫技”冲动，回归交通的主体功能和属性，节约成本，实现经济实效性与群众获得感相统一。
05
尾声：车路云是单车智能前期铺垫的顺势而为
今年以来，特斯拉入华、智能驾驶进入“好用”、“爱用”阶段，背后可能推动一个更庞大的鲶鱼效应。
车路云一体化或称为单车智能+影子模式的进阶模式，作为万亿级甚至几十万亿的大产业，未来发展潜力和成长空间将超过移动通信市场。
而要达到真正的智能驾驶，还需车端、路侧、云端加强模型训练，实现更为连续的数据闭环。
值得相信的是，汽车智能驾驶实际正迈向一个更新的阶段，车路云一体化规模商用正从不同领域走向未来。
