上海钢银电子商务有限公司_百度百科
清除历史记录关闭
声明：百科词条人人可编辑，词条创建和修改均免费，绝不存在官方及代理商付费代编，请勿上当受骗。
上海钢银电子商务有限公司
该公司已于日正式更名为。
是由上海钢联电子商务股份有限公司(股票代码：300226)投资控股的大型，旨在为钢铁产业链提供全流程解决方案，打造集现货交易、仓储物流、在线融资、交易结算及配套服务于一体的“无缝交易服务平台”。
上海钢银电子商务有限公司公司介绍
上海钢银电子商务有限公司于2008年正式注册成立，总部设在中国上海，历时5年的精耕细作，在积累了大量的实操经验和人才储备后，其交易平台在2013年5月末开始试运行，同年11月正式改版上线。作为上海钢联电子商务股份有限公司下属的一个钢材现货电子商务平台，该项目在创立伊始就已获得来自国内知名天使投资机构和投资人的青睐。
钢银交易平台实行钢材超市、钢材集市等在线交易模式，开发委托采购、委托销售业务，形成规模化、立体化、多样化的服务体系。平台以在线交易为核心的同时，整合第三方支付结算平台、仓储物流平台和在线金融服务平台，呈现出一个多方共赢的“完美闭环”，加速在线交易、金融服务、仓储物流和数据转换的效率，降低交易成本，提高平台服务质量，以往钢铁电商的各项壁垒被逐一击破，让广大客户共享利益。
公司以&开拓创新，互助共赢，努力成为钢铁用户的“好帮手&为使命，致力于打造钢铁流通行业“阳光生态圈”，让钢铁交易更高效，更阳光，与产业用户最终实现合作共赢。
上海钢银电子商务有限公司发展历程
2013年05月 ，“钢银钢铁现货交易平台”项目正式启动。
2013年07月，钢银交易平台测试版正式上线，赢得了业内一致好评。
2013年09月，钢银交易平台入驻卖场超过600家，注册会员超过4000家，活跃交易会员超过500家。
2013年11月，钢银交易平台第二版正式上，该系统上线后，未来可处理单日最高10万笔、2万家卖场同时在线交易；为上海钢银未来发展打下了良好的IT基础。
2013年12月，钢银交易平台日成交吨数突破1万吨，当日挂牌资源超200万吨。
2014年04月，云仓储系统升级，V2.0版本上线，保证了货物的在库安全。
2014年06月，荣获“在线供应链金融创新奖”项目。
2014年08月，上海钢银电子商务有限公司在上海亚太万豪大酒店举行了《先见云时代·2014钢银平台发布会》，上海钢银钢铁交易平台正式亮相。
日，钢银交易平台单日成交量3.18万吨。
2014年11月，荣获“2014年电子商务集成创新奖”项目。
日，钢银交易平台单日寄售成交量4.9万吨，创历史新高。
2014年12月，2015年中国钢铁市场展望”暨“我的钢铁”年会之钢银分会在上海跨国采购会展中心隆重召开。
日，荣获上海十大领军企业及企业竞争力风云榜前二十强。
日，荣获国务院商业信用中心颁发“AAA”级信用企业称号。
日，运钢网全面上线，钢银获“物流”生力军。
日，钢银交易平台单日寄售成交量达5.77万吨，再创历史新高。
日，钢银交易平台单日寄售成交量达6.65万吨，又创历史新高
日，上海钢银荣获“ 中国互联网诚信示范企业”称号。
日，上海钢银荣膺“中国互联网电子商务优秀企业奖”
上海钢银电子商务有限公司公司优势
差异化优势：“真实库存、有效价格、成本清晰、售后无忧”，具体表现为以下几个方面：
1、海量现货资源实时展示，找货、卖货轻松搞定。
2、物流车队全网布点，物流APP助您一手掌握车辆、货物动态。
3、配套设施齐全完备，定制属于您的钢材加工方案。
4、钢厂代采、现货质押多种融资服务任你选，打造属于您的融资模式，融资不在难于上青天。
5、入库货物多级监管，仓库、货主实时互联，“云”技术助力仓储，货物绝对安全。
6、支付安全便捷，动态成本一手掌握。
7、保险融资与钢铁供应链完美结合，盘活企业应收账款，保障交易顺畅进行。
上海钢银电子商务有限公司钢银业务
上海钢银电子商务有限公司交易平台
交易业务：交易平台旨在满足钢铁行业全产业链用户的交易、仓储、物流、金融等需求的一站式服务，加速产业流通效率的同时，降低行业服务成本，有效提升企业竞争力。
上海钢银电子商务有限公司云仓储
什么是云仓储？
利用物联网技术对传统仓储行业进行改造，打造智能仓库，对货物实施网络化、信息化管理，有效提升仓库的管理效率和监管效率。
上海钢银电子商务有限公司物流
专注于中国钢铁产业的物流供应链，整合、优化钢铁运输资源，“降本提效”，致力于成为中国最大最专业的钢铁第四方物流交易平台。
上海钢银电子商务有限公司供应链金融
什么是供应链金融？
利用互联网优势，在原有供应链金融的基础上，做到商流、资金流、物流、信息流的统一。
为什么选择钢银金融平台？
依托于钢银交易平台的强大分销能力，有效提升用户资金使用效率，降低成本，提升回报。
上海钢银电子商务有限公司平台布局
截止2015年3月，钢银平台服务网络遍布全国，拥有3大区域管理(沿江、沿海、北方区域)、12个交易中心（无锡、南京、武汉、浙江、福建、华南、西南、山东、天津、西安、北京、东北）、31家驻外办事处，员工人数达1000余人。
上海钢银电子商务有限公司管理团队
1967年10月出生 毕业于华东冶金学院（现安徽工业大学）会计专业，中国人民大学会计学硕士研究生；
1988年---1995年 任职中国钢铁炉料总公司；
1995年---1998年 任职于中国证券研究中心，负责财务管理，企业兼并重组咨询；
1998年---1999年 曾任北京和迅科技发展有限公司财务总监，负责风险投资基金筹集工作；
1999年---2000年 曾出任美国太维公司财务总监，负责公司在美国IPO前期筹划工作；
2000年---至今 任我的钢铁网(MySteel)总裁；
2008年---至今 创立上海钢银电子商务有限公司，任职董事长。
上海钢银电子商务有限公司办事处
地址：上海市宝山区园丰路68号 邮编：200444
地址：杭州市拱墅区拱康路100号康华大厦12楼A座 邮编：310015
地址：宁波市江北区环城北路东段621号钢铁智慧港室 邮编：315021
地址：福州市晋安区连江中路中铁大厦北楼410 邮编：350005
地址：厦门市湖里区兴湖路7号嘉会大厦12层1203室
地址：佛山市顺德区乐从镇细海工业区大威物流有限公司A座206-208室
地址：广州市黄埔大道东鱼珠华盈大厦208室
地址：南宁市秀安路1-3号棕榈湾23栋二层A54号
地址：重庆市九龙坡区石桥铺泰兴大厦21-6
地址：无锡市锡沪东路6号锡沪名品城二期A2幢25B17-21室
地址：江阴市月城镇鑫品物流园C座73号
地址：江阴市澄山路2号8幢1067室（贯庄钢材市场内）
地址：南京市鼓楼区燕江路201号钢铁数码港B548
地址：合肥市庐阳区阜阳北路1019号徽商钢材市场徽商金属大厦807室
地址：武汉市江岸区解放大道2020号中储661钢材市场商务3厅
地址：长沙市雨花区韶山南路828号恒盛世家4栋3单元1005
地址：南昌市昌北经济开发区白水湖路昌北钢材大市场D区7栋312室
地址：济南市工业南路55号未来广场1605室
地址：滨州市博兴县乐安大街166号
地址：郑州市管城回族区航海路与未来路交叉口启航大厦D座511室
地址：青岛市城阳区正阳路388号利客来712室
地址：太原市尖草坪区和平北路268号晋龙钢铁交易大厦508室
地址：天津市北辰区顺义道62号中储大厦303-304室
地址：西安市新城区石家街中企钢贸城东排202室
地址：沈阳市铁西区北一西路52号甲金谷大厦AC座705室
地址：河北省廊坊市广阳区万达广场E座2021室
地址：河北省唐山市高新技术开发区东方大厦C座309室
．新浪财经．[引用日期]
．上海工商局[引用日期]
．凤凰网[引用日期]
．钢银[引用日期]
．腾讯财经[引用日期]
．中财网[引用日期]
．钱途网．[引用日期]
．钢联资讯．[引用日期]
．www.banksteel.com．[引用日期]
．banksteel.com．[引用日期]
．钢银．[引用日期]
．钢银交易平台．[引用日期]
．复星人报．[引用日期]
． 期货日报网．[引用日期]
．上海钢银．[引用日期]
．上海钢银．[引用日期]
．上海钢银．[引用日期]
．新浪．[引用日期]
．百度百科．[引用日期]
清除历史记录关闭普斯特是一家集空压机设计研发、销售、售后服务为一体的公司，公司支持各品牌空压机及空压机配件零售、整机保养、空压机以旧换新、空压机设计改造；欢迎新老客户前来采购。
　　普斯特所有产品的核心部件均采用国际名牌产品。运用专业流水线作业，配以先进的工艺制作和结合ISO-9001质保体系于生产过程中。其产品无论在高温，高湿环境，还是低电压的启动中，都能不间断使用，并具有高效率，低耗能，安全可靠，寿命长等特点。普斯特注重吸收国外同行的先进技术和优秀的...
石家庄普斯特机械设备有限公司
联系人：张先生
通讯地址：石家庄西三庄街256号格澜商务0608室
技术参数Parameter
友情链接：72886 条评论分享收藏感谢收起赞同 31744 条评论分享收藏感谢收起11添加评论分享收藏感谢收起赞同 102 条评论分享收藏感谢收起|0微博Qzone微信【智能驾驶】智能汽车的发展愿景——从人工智能与数据分析的角度分析大体来说，从眼前的现实，来想象未来的图景可能并不困难。但落实到具体的制造行业，需要解决的问题“成如容易却艰辛”。就智能汽车的发展愿景，从人工智能与数据分析的角度，能看到什么呢？胡志强& & &中国汽车工程学会装备部智能制造高级经理本文发表于《中国工业和信息化》杂志2018年六月刊总第2期汽车开发已经使用了“模块化系统”，允许在多个模型系列中使用功能组件。与此同时，整车的开发周期也越来越短。然而，虚拟汽车开发领域，尚未看到以机器学习方法来促进自主学习的有效尝试，如在建立历史知识的基础上提取相关知识，或建立适用于多种车型系列的知识，以协助未来的项目发展和更有效的组织。车辆研发知识的相关数据管理与仿真和优化数据挖掘的复杂性等紧密契合。此外，这种方法又受到车辆开发过程中组织框架的限制，通常只针对正在开发的模型。同时，由于数据的异构性（有数字数据、图像、视频文件等）复杂、数据量（单一仿真便有兆兆字节）巨大，导致“模拟数据中的数据挖掘”问题困难重重。就目前的情形来说，充其量只能算是在进行试探性研究。而由于使用了预测性维护，新的服务正在成为可能。有关个人驾驶行为知识的自动学习，可非常准确地预测所需的维修时间周期。车主可以使用这些信息来及时安排汽车维修预约，车载电脑可以将维修预约时间的安排与车主的工作计划进行匹配，目前实现这一愿景比实现冷库自动对杂货进行盘点要更容易。本地授权维修店利用自动化系统可以实时地安排最佳服务预约，并考虑员工的在岗情况，尽可能均衡地分配工作。车辆的学习和适应能力实际上有无限的潜力。车辆可以识别和分类驾驶员的驾驶行为，将他们确认为特定的驾驶员类型。基于此，车辆本身可以对电子用户界面系统进行调整，换句话说，它们可以提供远远超出汽车特性的个性化及自适应的驱动程序选项。当消费者购买一辆新车时，该消费者作为驾驶者的相关信息，可以顺利转移到一辆新车上，确保消费者在熟悉的使用环境中立即可以驾驶新车。实现自动驾驶超级智能体由于越来越多的汽车企业积极投身自动驾驶汽车的研究，使得汽车作为“移动客厅”的描绘，不再是一个令人难以置信的场景。目前，发展的重点是完全自动驾驶。选择自动驾驶作为发展方向的理由很充分：在世界大部分地区不允许自动驾驶汽车上路，如果允许的话也是凤毛麟角。这意味着，作为智能体的汽车不能与其他车辆进行通信，由人驾驶的车辆依旧根据驾驶者的观察调整驾驶行为。驾驶者依靠导航系统获得交通拥堵信息和替代路线建议。然而，我们假设现在每辆车都是一个完全智能体，那么将实现两个目标：优化交通流量；预防交通事故。在这种情况下，智能体之间通过交流和协商，如协调各自行驶线路、速度、交流路况等，将路程时间最小化。不可预见的情况，如天气变化导致的道路损坏和拥堵，虽然不能完全避免，但遭遇的可能性会降到最低。这类信息会被立即传递到周边的所有车辆，然后启动一轮新的优化周期。此外，预测性维护将最大程度地减少车辆的损坏。历史数据被分析和用来预测故障可能发生的时间，智能体在不需要通知车主的情况下，自动依据车主的工作日历预约维修服务，并自动驾驶车辆到维修店。万一在行驶中遇到事故导致车辆无法继续行驶，智能体将立即通过“故障频道”与相关服务机构或控制中心进行联系，自动驾驶拖车立即出发提供援助，理想的情况是再由一辆自动驾驶汽车作为备用。因此，自动驾驶智能体将达到：自执行、自适应与社会化。自执行，即自动驾驶汽车遵循通往目的地的路线行驶；自适应，即对无法预见的情况，如道路关闭或出现事故，做出及时反应；社会化，即与其他自动驾驶车辆一起实现交通流量优化并避免交通事故。结合出租车业务，出租车公司也可以组建无人驾驶出租车队，依据以往客户使用出租车的数据，预先派遣无人驾驶车辆到达指定地点提前等待客户。另外，也可以依据使用数据，来提供特定时间段或特定事件的服务，如球赛、大型会议等。如果道路也实现了数字化，即沥青路面被载有OLED技术的玻璃路面替代，那么交通的动态管理极有可能实现。从材料工程的角度看，这一方案是可行的：玻璃表面结构也可以做成防滑方式，即使在雨中也可以防滑；对玻璃路面进行柔性设计，也能做到卡车驶于其上也坚不可破；显示屏散发的余热可以用来加热路面，防止冬季路面结冰。实现工厂优化集成通过使用软件分析客户和维修厂的报告，以及生产现场出现的缺陷数据，就可以自动地分析出特定车型或零部件是否会再次出现缺陷，以便及早发现并消除潜在的问题，避免大规模召回。制造缺陷的成因是多方面的，如采用了有质量缺陷的零部件或在生产过程中出现错误等。对一家规模化的汽车制造商来说，每天有上千台车下线，因此搞清楚原因并快速行动是最重要的。假设2017年10月份对客户报告和维修店报告的文本分析表明，从2017年7月起交付的某款车型的一侧泊车灯故障显著增加，“显著”意味从2017年1月到10月该款车的销售呈上升趋势。通过分析故障链和修复链，可以确定造成故障或缺陷的成因，或者是否其他车型也存在同样的问题。如果缺陷是由生产机器人造成的生产中的错误，则可以追溯到是硬件故障还是软件错误，是不正确还是不完整的配置造成的。在最坏的情况下，甚至需要更新控制系统以消除错误。但是，因为打补丁的工作只能在制造商收到并审查问题报告之后才开始，所以不可能立即更新软件。同样，由于多轴机械手可以自由支配的自由度非常高，重新配置机器人是一个高度复杂的任务。简言之，做出这样的修正费时、费力，而且即使在所有理想情况下，都会存在后遗症。但使用人工智能方法可以在多个点优化这一过程。人工智能研究涉及的领域之一是使系统能够自动从数据中提取和解释知识（见图一），尽管目前这种程度仍然很低。与数据相比，知识是构成行动的基础，而行动的结果可以反馈到数据中，从而形成新的知识的基础。如果一个具有学习和理解数据能力的智能体获得了自我行动或其他智能体行动的结果，并能够自由采取行动达到目标，那么该智能体将自执行实现目标。生物智能体，如人或动物，都能在无需其他控制或无需在数据转化为知识这一过程的监督下直接做到这一点。例如，如果在DIY活动中由于角度过大，将一个钉子钉入木板时发生劈裂，我们的大脑会将角度、木材的特性、击锤的力量等知识和经验转化成意识，减少我们犯同样错误的几率。人工智能“机器学习”研究的重点就是模仿这种行为。使用机器学习软件能够从特定问题域中的数据中学习，并根据过去的事件推断如何解决新事件，这为我们打开了一个通往新世界的大门。机器学习在数据分析领域并不是什么新鲜事，它已经存在了很多年，但现在新的研究有所不同，它是在特定的时间内，计算一个拥有兆兆级数据量的高度复杂模型。如果我们把生产厂当作一个追求生产出无缺陷汽车的有机体，那么，很明显，赋予这一有机体获得相关数据的能力，将有助于有机体自身的发展和改进。这一过程将经历两个阶段。第一个阶段是数据学习和应用经验数据学习意味着机器人不能仅仅根据静态编程操作，它也必须能够使用机器学习方法自主地实现可定义的学习目标。对于可能发生的任何生产错误，最重要的是机器人要首先学习导致这些错误的操作，而不是基于流程图或工程图进行编程。例如，假设上述泊车灯问题不仅被识别出来，而且其原因也可以追溯到生产中的一个问题，可能是把泊车灯推到插座里的机器人操作过硬。现在所需要的就是确定纠正措施的学习目标。让我们假设其他生产厂的机器人没有发生错误，而且泊车灯被正确安装，我们作为人类能够在视觉上识别和解释正确工作的机器人和不正确机器人之间的区别，那么犯错误的机器人也应该能够以类似的方式去学习。这里的区别在于所涉及的感知类型，数字系统在同样的情景下，可以比我们看得更多更清楚。尽管通过软件实现机器学习方法的内部工作方式在学习过程中很少完全透明，甚至对学习系统的开发人员来说也一样，但是由于组件的随机性和复杂性，操作本身应该是透明的，也就是说，不必关心系统是怎么做的，而要关心它做了什么。机器人需要适应其控制系统的信号来重新启动学习过程，其应该是机器人的机械手和执行器正确工作的运动信号，并可以通过现今能达到的精度值来进行定义和测量。这并不需要任何人为干预，因为系统的完整透明性是通过持续地分析生产过程中积累的数据来保证的。在现场缺陷识别和传输过程中，也不需要任何人为分析。基于对维修店和客户报告的语言分析，再加上维修数据，我们已经能很快识别出哪些问题是由生产引起的。将这些数据相应地传递给相关的智能体并允许这些智能体从缺陷中学习并纠正自己。第二个阶段是智慧工厂如果生产厂需要进行学习，而智能体使用的机器学习方法灵活性不够，可以将工厂作为一个由子系统组成的完整生物有机体，像人一样使用自然语言表达，理解语境，并有能力进行解释。对语境的理解和解释一直是人工智能研究领域的一大挑战。人工智能理论把语境看作是对一种状态的共同解释，包括状态本身和其相关的整体情境。与生产工厂相关的语境包括能用自然语言表达或能用其他方式表达的与生产相关的任何事情。下面的简化场景有助于理解这个概念：让我们假设一家汽车企业管理委员会正在开会对一款汽车的车身做最终设计评审。“我们决定对下一代车型进行‘改款’，请在原车型基础上建立一个模型”，当委员会成员说的时候，一个3D模型就漂浮在参加会议的每个成员佩戴的增强现实眼镜里。在这种情况下，使用进化算法进行建模是可以想象的，但仅限于可以实际构建的可能组合。只要所涉及的参数已经减少，所需的计算能力有效，就可以将仿真时间从几小时缩短到几分钟，从而在会议期间对组件或组件组合进行动态变形。“根据该模型，我决定用26分钟来调整我的机器人的程序。为了组装新汽车底盘，工具x1、y1必须用工具x2、y2在机器人x、y工位进行替换。样车的生产将在6小时37分钟内完成。”工厂智能体说。这一场景我们已经在科幻电影《钢铁侠》系列中看到，但其实际上离我们并不遥远。当然，智慧工厂被上面的案例大大简化了，但它仍然能够清晰揭示工厂未来发展的可能性。为了了解需要做什么，生产工厂必须了解车身是什么，什么是“改款”等，并从模型中理解参数并输出，从而可以将它们转换为生产步骤。转化为生产步骤的过程需要对机器人的个体机器学习组件进行训练，或者根据模型数据对其程序进行编制或改进，这样就可以实现所有的步骤，从切割金属板材到装配和实现车型变脸。虽然这包括了各种各样的方法，从自然语言的理解和语言的生成、规划、优化，自主生成模型等，但它绝对可以实现。实现企业自运行企业在策划营销活动或响应消费者需求时，必须进行全盘考虑，如监测销售随时间推移是如何变化的；预测市场将如何发展和哪些客户可能会流失；应对金融危机；对灾难或政局的潜在影响迅速做出解读等。今天我们已经能够做到，但需要相应的数据支持。我们对某一个人的数据并不在意，但对能从众多个体数据中提取什么十分关注。例如只要通过分析1600个以上的指标，我们就可以预测市场的某些财务指标将如何变化，并做出应对措施；或者我们可以非常准确地预测哪些客户群体对正在研发的车型感兴趣及其诉求所在，然后据此策划营销活动。事实上，我们能够完全准确地配置出适合特定消费者群体品位的车型。我们依据获得的知识做出决策，调整生产水平，准备营销计划，推出适合特定消费群体的车型。准备营销计划是一个静态的过程，即做什么事是确定的，但是怎么做仍然是可变的。一旦能够向其他人解释清楚如何做和为什么做这件事，这些信息就可以提供给算法。例如在“我们”汽车生产厂附近竞争对手又开了一家新生产厂，“我们”可以预测这将导致预期销售量下降，甚至能预测出预期销售量下降的幅度，在这里，“我们”指为这个特定案例中开发的算法。由于这种情况不止一次发生，而且每次都要求几乎相同的输入参数，我们可以使用相同的算法来预测其他地区类似的事件。这使得利用过去的营销活动知识来组织未来的活动成为可能。总之，算法将制定营销计划。例如，要实现考虑成本效益的同时，实现客户利益最大化，算法可以采取内部数据（如销售数据）和外部数据（如股票市场趋势、财务指标）自动生成输出一个“营销计划”。如果企业被允许使用自己的资源并自主行动，那么它就能够自主应对市场波动，补贴脆弱的供应商。任何可能性都存在，这一设想今天已经在技术上构思过。连续监测股票价格，理解和解释新闻，考虑人口结构变化等，这只涉及企业自运行较少的相关领域，其可以综合运用自然语言理解、专家系统和逻辑推理来实现。在人工智能研究领域中，语言和视觉信息经常作为理解事物的基础，因为我们人类也使用语言和视觉刺激进行学习和领悟。实际上，人工智能已经走进我们的日常生活，不再仅仅是科幻小说的主题。目前，人工智能主要用于以下领域：处理分析数据；在大量异构数据的基础上快速做出合理的决策域；需要保持警觉的单调活动。在处理分析数据方面，现在我们只能使用决策支持系统，不过未来几年，我们将能够使用更多独立的决策系统。特别是在数据分析方面，我们正在开发针对特定问题的独立分析解决方案，尽管这些解决方案还不能在不同的场景中使用。例如，为检测股票价格异常变动而开发的解决方案，不能用来解读图像的内容。人工智能系统需要集成各个相互作用的组件，从而能够处理目前只有人类能够胜任的日益复杂的任务，即便未来还是如此，但是这已经足够了。（本文据大众汽车集团执行副总裁、大众汽车股份公司首席信息官Martin Hofmann博士，大众汽车美国公司首席数据科学家Florian Neukart博士，莱顿大学计算机科学教授Thomas B?ck博士合著文章《Artificial Intelligence and Data Science in the Automotive Industry》编译。题目为本刊编辑拟定。）（来源：中国工业和信息化）【一文看尽国内智能驾驶格局】三条技术路线和玩家鏖战2020年贾振钊、张金辉&新智元& 新智元专栏&&作者：贾振钊 张金辉编辑：克雷格【新智元导读】今年年初，不少投资机构在提到2018年的投资计划时，都希望“今年上半年投几家智能驾驶创业公司”，如今年已过半，多家智能驾驶创业公司都完成了数亿元的新一轮融资。本文作者为中关村发展集团产业投资部贾振钊博士，他结合对行业的认识，让读者/投资者更全面、综合的看清智能驾驶这个风口，对行业存在的机会和风险有更深入的认识。无论是2015年发布的《中国制造2025》还是最近发布的《新一代人工智能发展规划》，国家都将智能驾驶以及智能网联列为汽车产业未来转型升级的重要方向之一。可以说，发展智能驾驶已经成为国家战略，从中央到地方，从传统整车厂如北汽、上汽，到互联网造车新贵如威马、蔚来，再到创业公司如小马智行、驭势科技，智能驾驶产业的发展可谓如火如荼。前一段时间，中关村发展集团主办了一场主题为“智能驾驶·开启未来”的沙龙，沙龙的会议室非常小，却几乎坐下了北京范围内所有有点名气的创业公司创始人、政府主管部门负责人、高校教授和知名投资机构合伙人，活动邀请了八位嘉宾做演讲，这八位嘉宾，分别是北京市交通委的葛昱博士、清华大学李克强教授、北汽研究总院孔凡忠院长、千方科技产品研发中心总经理曹坤、智行者科技创始人张德兆、奥特贝睿科技创始人彭永胜、峰瑞资本创始人李丰和新智元创始人兼CEO杨静。本篇文章的初衷，是想结合各位嘉宾的演讲，希望一方面能够写一篇科普文章，站在宏观的角度，让更多人了解这个快速增长的产业；另一方面，年初在提到2018年的投资计划时，不少基金的答案都是“今年上半年要投几家智能驾驶创业公司”。如今年已过半，我们看到多家智能驾驶创业公司都完成了数亿元的新一轮融资。我们希望结合对行业的认识，让读者/投资者更全面、综合的看清智能驾驶这个风口，对行业存在的机会和风险有更深入的认识。文章将按照如下的结构进行梳理：What？智能驾驶是什么？具备哪些“智能”的功能？How？智能驾驶的产业链生态如何？Who？智能驾驶公司的技术路线如何，都有哪些玩家？When？智能驾驶何时到来？它的产业化时间节点在何时？What：智能驾驶是怎么定义的？离我们有多远？智能驾驶最直观的定义，就是类比人类驾驶，用传感器如雷达、摄像头替代人眼，用算法芯片去替代人脑，再用电子控制去替代人的手脚，最终实现由智能电脑来控制汽车，实现智能驾驶。&国际汽车工程师协会（SAE）制定的汽车智能化分级标准，从驾驶操作、环境监测、回退性能、系统接管四个方面，SAE把汽车智能化分为L0-L5五个等级，如下图所示：图1. SAE对于智能驾驶的分级定义L1的典型代表是以色列公司Mobileye，它通过一个摄像头以及他后面的芯片，为汽车赋予了L1功能；L2的典型代表是特斯拉，尽管它号称汽车具备了L5的硬件基础，但是在驾驶Tesla的时候，双手千万不要离开方向盘，因为如果这时出了事故，责任全在驾驶员身上；L3的典型代表是奥迪A8，但有业界人士并不认同A8的L3能力，因为A8只实现了某些特定场景下的L3级功能；L4的代表是Waymo，目前已经在试运营；L5，智能驾驶将完全具备甚至超过人类驾驶能力，在任何情况下都能够接管车辆，处理任何路况，完成驾驶任务。下图可以从实现功能角度，给大家一个更加直观的印象：&了解了智能驾驶的定义，那么，智能驾驶现在已经发展到什么程度了？先看国外。前面我们也提到，奥迪A8已经确定了2018量产时间，最新的A6也搭载了L3能力。可以说，在个人消费领域，最新的技术能力已经达到了接近L3的水平。为什么说“接近L3”而不是实现L3？是因为目前的L3功能还不完整，比如奥迪A8所谓的L3，只在时速不高于60km/h的条件下才能使用；，除此之外，Tesla的Autopilot系统能够将Tesla电动车具备的众多L2功能，如AEB、ACC、LKS等有机结合起来，实现了高速公路的自动驾驶。而国产自主品牌（不算合资），目前的水平基本能达到L2（也是不完整的）。因为在市面上的大部分配备L2功能的车型，其供应商基本还是国外大型Tier1，如博世、大陆等。虽然一些国内的主机厂（OEM）具备了研发能力，也有自己的产品，如北汽、长城，但是，出于安全和市场需求考虑，目前国产车型配备的L2功能，主要来自进口，所以说我国的量产车自动驾驶技术水平，大概处于L1至L2之间。至于国内外的差距，并非一个Level这么简单。因为从L1到L2，从L2到L3，从L3到L4，每跨一级都需要付出极大的努力，尤其是等级越高，两个等级之间的鸿沟就越大。填补这些鸿沟的指标不仅是技术还有零部件供应链（车规级激光雷达的量产）、市场（成本和市场需求）、法律法规（法律总是存在滞后性）等等。不过，这并不意味着我们离L4，离解放生产力的自动驾驶就很遥远，因为，从业人员们正在努力开拓一条新的技术路线，让准L4的车辆尽早落地。How：智能驾驶的产业链生态智能驾驶最重要的三个技术环节，是环境感知、中央决策和底层控制。感知包括视觉（单目、双目、环视）、雷达（毫米波雷达、激光雷达、超声波雷达）和高精度地图；决策，就是将感知信息进行融合并判断，决策行驶路线，他建立在足够智能的算法，以及能够执行这些算法的计算平台上，通常，我们称之为“汽车大脑”，就像电脑一样，有算法，有芯片；到执行层面就包括方向盘转角、发动机功率和刹车等。Tier1将这些技术集成后，供应给整车厂，这就构成了智能驾驶的产业链生态。&感知融合&算法规划，这是智能驾驶的灵魂，决定了智能化程度，感知融合分为前融合和后融合，所谓前融合，就是先将摄像头、毫米波雷达、激光雷达等非同构数据进行融合，后传输给汽车大脑，后融合则相反，是将各“感知器官”的探测结果交给汽车大脑，让汽车大脑进行综合分析；汽车大脑将感知结果作为输入，通过算法进行决策和路径规划，当然，这里的算法也分多种，UC Berkeley的Francesco Borrelli教授，将其导师提出的MPC算法首次应用到智能驾驶中，并成为目前公认的最为领先的算法之一；计算平台，分为芯片集成和板芯集成，所谓芯片集成，就是通过一颗芯片或SoC系统就完成智能驾驶的核心计算任务，我们看到在一些领先的单目、双目上是能够实现芯片级计算平台的，提供L1或部分L2功能，但是涉及到智能驾驶大脑，由于算法还远未成熟，除了极少数的一俩家公司具备自己的芯片解决方案，目前大多数的创业公司或传统Tier1采用的大都是板芯集成方案，比如奥迪A8所用的zFAS，Tesla的Autopilot 2.0/2.5、NVIDIA的Drive Ecosystem和Visteon的DriveCore；国内也有几家公司在做这方面的产品，目前来看，要实现L1，可能单目或者双目上的芯片就足够用了，而要实现L2，计算平台则需要32位的单片机，到了L3、L4，计算量陡升，这时，就需要集成高性能的CPU、GPU等原件，这里的局限行，就体现在计算能力和功耗上，目前，全世界能量产的产品很少，百度Apollo给出的解决方案，是工控机，其他公司的可量产产品，预计到2019年才能供货；底层控制，主要指执行器，涉及更多的是传统技术，不得不提的是，这反而成为制约不少高科技创业公司的瓶颈，因为他们对车并不了解，我相信，这是他们（包括Google、百度等互联网公司）在开始做智能驾驶时所始料未及的；本篇文章，我们关注在整个智能驾驶产业链中，最核心、技术附加值最高的一部分——智能驾驶大脑，也就是接收感知信号，进行处理分析，然后输出执行命令的智能ECU。我们熟悉的Waymo、百度Apollo，以及最近融了很多钱的Cruise、pony.ai、roadstar.ai、驭势科技等，都属于智能驾驶大脑这个赛道的玩家。Who：智能驾驶的三条技术路线和玩家Waymo、百度Apollo等互联网公司凭借着算法、算力的突破而让整个智能驾驶产业提速，也形成了由它们主导的共享出行市场；传统的车企和主机厂以及一级供应商，对个人汽车实现渐进式的自动驾驶。而在货运物流、环卫等特定场景，则由无数创业公司主导。综合来看，当前智能驾驶主要有三条技术路线：由互联网公司主导的共享出行市场，它的技术路径是跳过L3，直接进入L4/L5；由主机厂（OEM）和一级供应商（Tier1）主导的个人车辆市场，它的技术路径是L2-L3-L4的渐进式路线；由创新公司主导的特定场景智能改造路线，如环卫车、巡逻车、低速物流车等；以下是对这三条技术路线的详细阐述。一、共享出行由互联网公司主导的共享出行市场，通常选择跳过L2/L3，直接去实现L4/L5，这里面典型的代表是Waymo、百度、Uber等互联网企业。这类公司的特点是，拥有雄厚的资金，具备算法上的优势，他们有实力直接做到最高级别的无人驾驶，然后再降维打击，实现低级别的无人驾驶，形成对市场的占领。和OEM不同，这些公司不在乎短期盈利，他们的理念是，一旦做成了，就要颠覆出行行业甚至汽车产业。这条路线一方面需要算法的迭代、完善，另一方面需要车规级硬件的量产能力，主要是激光雷达。其他方面还包括基础设施（5G通信）和法律法规的健全。以Waymo为例，Waymo与对手大概有1-2年的领先优势，主要体现在两个方面，一是算法，二是自产激光雷达。尤其是算法，目前，Waymo已经积累了804.7万公里路测里程，而Uber只有321.8万公里，这个差距体现的是算法的差距。目前的算法，其核心是基于规则的模式识别，除了将基本的交通规则写入算法外，在遇到各种交通规则不能覆盖的路况时，需要将路况信息记录下来，告诉汽车大脑，下次再遇到这种情况如何处理，所以，L4/L5级的智能驾驶，是需要大量的数据去调校，去优化的，没有足够的路测数据，就得不到聪明的汽车大脑。所以，从这个角度去看，Waymo真的领先太多了。2018年3月，Waymo向捷豹采购了2万辆高端纯电动SUV，而仅仅两个月后，&Waymo 又宣布向菲亚特·克莱斯勒（FCA）采购 6.2万 辆 Pacifica 混动厢式车用于打造无人驾驶出租车队，这些车可能并不是在今年就能实现L4级共享出行，但一个最直接的作用是，有更多的车将要上路测试，Waymo将会掌握更多的数据去优化汽车大脑。Waymo与捷豹路虎联合设计和制造的高级电动全自动驾驶汽车不过，目前的算法也是存在本质缺陷的。有资料显示，人类驾驶员平均每驾驶9656万公里会发生一起致命车祸，Waymo是每5595公里需要一次人工干预，而2016年的数字，是5000公里，一年只增长了10%，那要多少年才能达到人类的驾驶水平？只要自动驾驶的安全性能达不到人类水平，那么落地应用就存在巨大障碍。所以，对于这样一条技术路线，笔者的基本看法是，要很久以后才能落地，也许是2030年，或者有幸提前五年，但是不可能再早了。在真正自动驾驶到来之前，Waymo、Cruise、Uber还要烧很多的钱，国内的L4的创业公司也面临相同的问题，所以他们现在一个很重要的任务，就是要不停的融资，融到足够养活他们5-10年的钱，那他们就赢了，剩者为王！二、循序渐进接下来，我们介绍循序渐进的第二条技术路线，代表企业如福特、奔驰、丰田等。这些企业内部都具备强大的技术积累，他们从几十年前就开始努力发展安全辅助驾驶，当然，这一阵营里还有耳熟能详的汽车一级供应商（Tier1），著名的A（奥托立夫）B（博世）C（大陆）D（德尔福），其实，除了那些OEM巨头，更多的技术是掌握在Tier1手上的；几十年来，他们主导着汽车行业的发展，什么时候推出什么样的产品，都在他们内部的时间表里，他们通过早已验证有效的方式教育消费者，告诉他们需要什么样的新产品。那么，这条技术路线进展到哪一步了？相信很多爱玩车的人，都尝试过一些进口车上的ACC和LKS功能，也就是自适应巡航和车道线保持功能，开启这个功能，能够让车在结构化道路，如高速公路上，以特定的速度沿车道线行驶，ACC通过视觉和毫米波雷达探测前方行驶车辆的距离和速度，从而控制本车的油门和刹车，在确保安全的前提下，让本车自动驾驶，当前方没有车时，就通过识别车道线，做到沿当前车道以定速行驶，即所谓定速巡航。这些都属于L2功能，从市场角度来说，附加ACC、LKS的车，比同型号的车高出3-5万，目前，大部分的高端车型，都具有这个选项。但是，L2功能还是人类司机在告诉车辆该如何行使，人类司机要时刻关注外部环境，只有到了L3，司机才能够放心的把车交给汽车大脑。目前，很多Tier1对外宣称已经具备了L3的技术水平储备，但耳听为虚，眼见为实，我们还是要看真正量产的是哪些。而现在我们能在市面上看到的，就是2018新款的奥迪A8（和新款奥迪A6），他们搭载了名为“Traffic Jam Pilot”的特定条件的L3自动驾驶，这里的特定条件，具体指：行驶在有对向车流隔离带的高速公路上或多车道公路上所有车道的车行驶缓慢，车辆间距非常小；车速不超过60公里/小时；车辆传感器监控范围内没有交通信号灯或行人；&这些特定条件，将奥迪A8收敛到了一个非常简单的行驶环境——没有信号灯、没有行人的拥堵高速路。这确实是一个非常简单的行驶环境，简单到让人觉得这怎么能叫L3级自动驾驶呢？不过，根据我们前面介绍的定义，能够实现特定场景的不需要人为干预的自动驾驶，确实要比L2更高级一些。但是，离全功能的L3还差很多，还需要突破速度限制、主动换道的限制。一个理想的L3级自动驾驶，应该至少现实从汽车上高速路，到下高速路，或者说从这一个收费站到下一个收费站，能够以最高时速（不违反交规），不需要人为控制，自动实现。目前，Tesla的Autopilot 2.0算是给出了这样的解决方案，Tesla号称目前车载的硬件水平已经达到L4的能力，但是迟迟没有更新软件，再加上Tesla的高事故率，让人无法相信Tesla已经实现了L3级自动驾驶，最近Tesla宣布要开始进行L4无人驾驶路测，其实，做路测这件事并不难（在介绍下一技术路线时会解释），但Tesla的技术积累到底能达到什么程度，笔者并不乐观，我们还是拭目以待吧。在这条技术路线上，传统OEM和Tier1都在摩拳擦掌，并时不时秀一下肌肉。但什么时候能真正拿出一款完整的高速公路L3级自动驾驶，还不确定。个人认为，这个时间，最快应该是在2020年。而国内的技术水平，大概要在2022年实现自主知识产权的量产能力，这个时间点，可能和我们听到的某些国内主机厂提出的2020甚至2019年量产L3级自动驾驶有些出入，原因是，我所说的时间节点，对应的是全功能L3，而国内主机厂，很可能会在年，推出一些阉割版的L3，就类似今年要量产的奥迪A8，或者再强一些。这里强调下主机厂与互联网公司对于L3的分歧。其实，在产业界一直存在关于L3必要性的争论，硅谷新势力认为应该跳过L3，主要依据是从驾驶员角度出发的：根据L3的定义，L3是人机共驾的状态，那么就存在人机切换的问题，比如，当汽车大脑遇到了紧急情况，超出了处理能力时，汽车需要提醒人类驾驶员去接管车辆控制权，但是，这个时间是非常短暂的，这就要求驾驶员还是要保持清醒，并且能够接收到来自汽车大脑的提醒。但实际情况是，大部分人是不太可能做到这一点的，因为人类很可能在L3自动驾驶情况下去看电影，玩游戏甚至睡觉休息，就像Tesla的那几起车祸，在危险来临时，汽车发出了警告，要求驾驶员接管车辆，但是驾驶员要么在睡觉，要么在看《指环王》，最终导致了悲剧的发生。因此，互联网公司认为L3是个伪需求，应该跳过L3，直接为用户提供L4级自动驾驶。这个说法确实有一定的道理，但是在笔者看来，L3还是有其必要性的，要阐释L3的必要性，我们可以从车企和用户两个角度出发：首先，从车企的角度来看，车企最关心的问题就是量产并且占领市场，而L4/L5级无人驾驶，到可量产还需要5-10年，这期间巨大的市场需求，不可能空置，不断地推出智能驾驶功能，比如从L1的碰撞预警，到L2的自适应巡航，再到L2.5的自主巡航，再到L3的特定条件自动驾驶，这是一个不断去教育市场，占领市场的过程，如此长的价值链条，OEM是不会轻易放过的，即使通用收购了Cruise，我们也并不认为通用不会推出L3级产品；其次，从用户的角度看，以Tesla为例，就算在经历了多次事故、Tesla反复强调Autopilot不是自动驾驶而是辅助驾驶的情况下，我们仍然能看到个人车主把它当做L3去使用；再比如奥迪A8的Traffic Jam Pilot，他能够帮助用户在城市道路拥堵情况下，在保持跟车的同时去干点别的事情，这些都是用户能够实际使用的，解决很多痛点的问题。笔者曾有幸体验过一家国内创业公司的从外观上完全看不出改装痕迹的L3级自动驾驶汽车，在高速公路上，汽车以最高120km/h的速度高速行驶，并且能够完成主动变道超车，那一刻，我突然想到自己经常深夜开车回家，有时候还会打瞌睡，非常危险，这辆车简直就是我的福音，当时我就问那家创业公司的团队，能不能把我的车给改装成L3级。所以说，从用户角度看，市场需求是确实存在的，有需求就有市场，有市场，OEM就不会错过。为什么那些互联网公司或者有互联网基因的创业公司打算跳过L3？其实，除了上文提到的原因，还有一个很重要的原因，那就是这些公司可能并不能搞定L3。因为L4的关键性技术突破在于算法，从感知融合到决策规划，都需要更强大的算法，这是互联网公司的强项，而L3的技术突破点，在于将现有的算法量产。换句话说，现在的算法已经足够解决L3的问题了，关键是要怎么量产，而想要量产，感知、决策、控制就都要达标，创业公司想做好控制，没有多年汽车制造的积累是搞不定的。L4是个长板效应，只要算法搞定了，造车这事就能成。而L3是个短板效应（木桶效应），有任何一个环节搞不定，都做不出L3的量产车。所以，虽然从L4到L3存在降维打击的概念，但是，真让一个做L4的创业公司去做L3级量产，恐怕要比做出L4还难。我们看到不少创业公司，包括百度，最初又做L3又做L4，但是慢慢的，就不做L3了，其中的原因一定很复杂，但是是否具备改装车、设计车底层控制的能力，一定是个大难题。三、特定场景第三条技术路线是锁定特定场景的无人驾驶。我们已经在杭州的大路上、在清华的校园里，看到阿里和京东的无人配送机器人，而在一些港口、产业园区、地下停车场、高尔夫球场、矿区、公园等等特定场景中，也有无人作业的车辆在运行。国内autowise.ai发布的无人驾驶清洁车这条路线的特点是：首先，因为是在特定场景，所以环境相对简单可控，在具备高精度地图的情况下，对于感知和决策的算法要求就没那么高，有些场景甚至是固定路线的，所以，这条技术路线的技术门槛并不高，但却存在很多的know how，需要非常多的积累；其次，因为是特定场景，很多情况下，不需要等待国家的法律法规就可以实现，因为矿区、港口等封闭场景都存在各自的交通法规体系，因此更加灵活，在技术成熟的条件下，能够更快落地，从而就离现金流更近一些。我们简单的算一笔账。在港口、矿区或者园区环卫方面，最大的成本支出就是人工，假设港口的司机年薪20万，一辆车需要配两个司机，那一年就是40万，如果昼夜两班倒就是80万，而改装一辆车的成本，大概就是这么多，也就是说，一年就能收回成本，所以，在这些特定场景里，无人驾驶的市场是巨大的。因此我们就会看到，这条技术路线虽然没那么高大上，但却很受产业青睐，很多相关行业都在积极布局。赛道玩家作为投资机构，我们最关心的，是有哪些创业团队在这个赛道上比拼，当我们对这个赛道上的玩家从创业公司的团队背景和主要技术路线两个方面进行分类，会发现一个非常明显的分布特点：首先，我们将团队背景分为汽车背景、视觉背景和互联网背景（海归背景），其中，汽车背景，主要指的是那些从清华、同济、北理等老牌汽车强校车辆系或交通系出来的团队，这里面一个非常好的试金石，就是由国家自然科技基金组织的中国无人车未来挑战赛，类似美国的DARPA。从2009年起，每年的赛事都会吸引来自国内的众多高校代表队参加比赛，翻看历史战绩，天津军事交通学院、清华大学、北理的优势较为明显。过去几年，中国无人车未来挑战赛的比赛强度可谓日益提升，能够完整的跑完比赛，甚至夺得名次，没有多方面的积累是做不到的，这就是我们前面提到的短板理论：真正拉出来比赛的时候，感知、决策、执行，有任何一环做不好，都不可能拿到好名次；其次是视觉背景，通过摄像头，Mobileye的单目能够提供L1的前车碰撞预警，斯巴鲁的双目能够提供L2的AEB，更有肖建雄的AutoX，仅通过摄像头实现L4级自动驾驶。所以，视觉背景的团队，在智能驾驶创业公司中也是一支非常重要的力量；第三类，就是互联网背景或者称作海归背景的创业团队，这些团队的核心成员，基本上都是从百度出来的，也有的可能辗转过Waymo、Apple、Tesla、Uber等国外知名智能驾驶团队。显而易见，这种背景的团队，在环境感知和决策算法方面是具备突出优势的，他们最早看到机器学习在图像处理和路径规划上的巨大潜力，最早参与了智能驾驶的研发，带着硅谷高科技公司的先进算法，顶着耀眼的海归光环，他们是国内创业公司中曝光率最高的一类，因此，到目前为止，也是估值最高的一类。如图所示，我们把这三种背景的创业公司，分别按照他们目前的技术路线进行摆放，一个非常明显的趋势就显现出来——汽车背景的团队，集中在特定场景，视觉背景的团队集中在ADAS/L3，海归背景的团队集中在L4/L5。这样的分布趋势，和我们前面介绍技术路线特定形成了很好的相互验证，一个最直观的结论就是——专业的人干专业的事。低速特定场景的这些团队，如果想去做L4/L5，我想他们是很难说服投资人的，因为，他们的算法积累并不好，而如果海归背景的人想要进特定场景，不光投资人不看好，特定场景的产业方也不会认同，因为就连L4团队自己的demo都是找汽车背景的团队去改装的，更别提去改装一个3米宽，20米长的大卡车了。按照这个分类，还有很多的趋势可以去挖掘，比如：接地气：特定场景的落地最快，ADAS/L3次之，L4/L5最晚；赚钱快：特定场景有现金流，能养活自己，ADAS/L3有联合研发项目经费，死不了，L4/L5靠融资活着；想象空间：特定场景局限在特定场景，陷入追求量产、压低成本的泥潭，ADAS/L3面向3000万国内自主品牌产销车，想象空间巨大，L4/L5颠覆汽车产业格局；估值：特定场景最低，ADAS/L3居中，L4/L5势不可挡；其实以上只是一个非常粗略的比较归类和趋势判断，目前，很多汽车背景的团队在招募精通算法的人才，而海归团队也在寻找汽车背景的支持，拿到融资的团队，都在不断的扩大研发队伍，弥补自己的短板，优化自己的解决方案，让自己的“汽车大脑”变得更聪明，更安全。智能驾驶兴起这几年，我们确实看到了创业团队在不断完整、完善，都在朝着独角兽走去。这个赛道上，除了创业者，还有投资者，所以聊完创业团队，我们也来聊一聊自动驾驶投资。现在的投资者已经很少是纯财务投资的了，带上产业性质的资本，在智能驾驶这个产业，跟创业者的关系会变得非常密切。而单纯从产业协同的角度出发，我们认为，汽车、地产、物流、出行都会因为智能驾驶的到来而发生重大变化。汽车和出行行业我们不再解释，前面已经说得很清楚，而很多时候，因为一件事情很贴近我们的生活，就会让创业者或投资人更容易去想象他的发展空间，而除了乘用车，除了共享出行外，商用车领域同样存在巨大的智能驾驶的落地价值。我们先看物流。物流行业大概可以分为三类，普通快递，货车运输和重型设备物流。对于普通快递，目前我们已经看到了阿里、京东的物流机器人在城市道路上跑，送快递，送外卖，可能现在的效率还不高，但是随着技术的迭代升级，我们非常确定他会取代相当一部分的人工快递工作，为社会节约更多的劳动力，创造更多的价值；京东的无人配送机器人其次，货车运输，这种物流的模式是在全国各地分布了非常多的物流中心，货车往返物流中心运输各类货物，所以它的特点是路线基本固定，而且是通过交通干道运输，这就为智能驾驶提供了成熟的落地条件，目前我们已经看到很多公司，不管曾经是否从事物流行业，都在布局干线物流，投资创业公司，收购物流车队，甚至布局高精度地图、收购货车主机厂；最后一类，是重型设备物流，这个领域是个容易被大家忽略的方向，因为他离我们的生活实在太远，然而正是这种巨型卡车或者板车，他们常年以不到60迈的速度行驶在高速公路的特定车道上，运输这各类如压路机、摊铺机、巨型变压器等等重型物资，成为了智能驾驶最可能率先落地的场景——低速、特定场景、结构化道路。中国是物流大国，据统计，全国有超过700万辆长途重卡、100万辆重型板车和3000万物流司机，整体物流也占GDP的17%，这是一个怎样的市场可想而知，如果把一半的物流司机换成智能驾驶，按物流司机年薪10万来计算，那也是一个万亿级的市场。而智能驾驶除了降低物流成本，还会让物流交通更安全，因为“汽车大脑”是不会存在疲劳驾驶的，而超过一半的物流交通事故起因都是疲劳驾驶。因此，不论从成本还是安全角度去考虑，物流行业很可能成为第一个被智能驾驶洗牌的万亿级市场。再看地产，地产分很多种，我们认为，商业地产、园区地产是智能驾驶落地更快的场景。如今的各位地主，都在提倡智慧家园、智慧园区的概念，如何体现智慧？一个很好的方式，就是无人驾驶的摆渡车或是通勤车，早期，可以在小区或者园区内进行运营，而后，就可以将覆盖范围拓展到附近的地铁站或超市，解决小区内居民或园区用户的短途出行问题。我们相信，未来的地产商进行区域规划时，一定在社区交通、设施布局等方面，把智能驾驶的因素考虑进来。When：智能驾驶的重要时间节点介绍了智能驾驶的这些创业公司和产业前景，一个非常关心的问题就会浮现出来，那就是智能驾驶的产业化时间节点。其实，在前文在介绍技术路线时，我们已经剧透了本节的内容。最近新媒体平台车云和陈卓博士共同写了一本新书，名叫《智能汽车决战2020》，我想，不管是以上哪种技术路线还是从目前各个主机厂公布的量产计划，2020年都是一个非常关键的时间节点。先看特定场景。虽然现在有些场景已经有demo入场，但是demo终究是demo，demo的作用，是适应场景，收集反馈信息，完善算法，这个demo可能并不是最终配置，可能不是车规产品，可能在某些情况下不能工作，但是，如果真的量产，是一定要做到在任何工况下都满足安全标准的，这就对软件算法和硬件质量有很高的要求。以最简单的通讯信号为例，在特定场景，智能网联是很重要的技术环节，但是目前的通讯并不能够保证任何时间都信号接受良好，那么一个很自然的问题就是，如果通讯信号断了，汽车能不能安全的停下来，或者继续安全行驶，直到恢复信号，这一点，目前很多创业公司是不敢拍胸脯保证的。诸如此类的问题，我们认为，要完成这样的迭代、优化，大概还需要1-2年的时间，所以，真正特定场景的量产，要等到2020年。现在，我们在清华的校园里已经能看到无人配送车送快递、送外卖了，在一些矿区，我们也看到机器人在代替人类旋转方向盘，左脚刹车、右脚油门去控制高大的矿车，我们相信，这些demo进入特定场景后能够得到快速的迭代，他们很快就会为这些场景带来巨大的变化。再看L3级自动驾驶，我们有很大的信心，认为到了2020年，中国的高速公路上可以行使L3级自动驾驶，从进入高速，到出高速，汽车大脑帮我们解决这段路程的各种驾驶问题，我们能把时间花费在更有意思的事情上。很多人会疑惑：明明政策还没出来，法律法规还没出来，到时候出了车祸怎么办？看似还有很多问题摆在我们面前，但是，我们要相信技术的强大生命力，所有那些问题，在任何一个新生技术出现时都存在，但是，没有任何一项技术是因为那些问题而夭折，原因就是，当技术成熟时，整个产业都会被市场推着向前走，哪怕身上挂着各种制约因素。奥迪A8今年量产，虽然是阉割版的L3，但是两年的时间，难道还不会把其他的功能补齐吗？所以，我们最关心的问题应该是，到了2020年，3000万国产汽车中，有多少能搭载L3级自动驾驶，而为这些自动驾驶汽车提供“汽车大脑”控制器的，是主机厂自己，还是国外的Tier1巨头，还是国内的创业公司？从政策、国家安全、技术储备、市场等各方面考虑（若展开讲需要很大的篇幅），笔者的判断是：汽车就是武器，汽车的安全标准是仅次于军工而远高于工业的，而作为智能驾驶的汽车大脑，一定要有国家自主知识产权的市场空间，这个比例有多大我们不好判断，但可以确定的是，到了2020年，国内一定会有一两家，甚至四五家创业公司（毕竟中国有70多家主机厂），成长为L3级智能驾驶解决方案的供应商，面对3000万的国产汽车，这个市场空间是巨大的。再说L4/L5，在前文介绍中，我们提到L4/L5的落地应用，至少还有5-10年的时间，但是，在此之前，我们一定会看到很多创业公司，在某些特定的地方，比如一个经济开发区，一个智慧小镇，提供L4级无人驾驶共享出行的运营服务，就像现在Waymo已经在拉斯维加斯开始试运营一样，不去采集这些数据，算法是永远不会改进的，而能否做好一个小镇的无人驾驶共享出行，将是这些创业公司最好的试金石。2020年，将会成为智能驾驶产业最重要的年份之一，它将是国内这些创业公司的决战年，在这一年，将会有一次现存创业公司的大洗牌，谁能拿到量产订单，谁能拿出真刀真枪的运营数据，谁就能走向伟大，成为智能驾驶领域真正能撑得起10亿美元甚至100亿美元估值的独角兽企业。这是最坏的时代，也是最好的时代。中美贸易摩擦不断升级，中国知识产权政策遭受质疑，《中国制造2025》面临严峻挑战，智能驾驶、智能网联是人工智能的集大成者，是国家重要的战略发展方向，能否在这条赛道上取得世界领先位置，就是由我们上面提到的这些创业公司和OEM决定的，2018年，智能驾驶东风正盛，将有更多的资本涌入这个赛道，我们希望在资本的助力下，智能驾驶技术能快速发展，政策能进一步开放，评估机制能尽快落地。最后，我们2020年见！收藏00本文为OFweek公众号作者发布，不代表OFweek立场。如有侵权或其他问题，请联系举报。自动驾驶、车联网、传感器、算法等+关注文章页右侧位置300*250
相关公众号
北汽新能源汽车 专注汽车研发车丽安是深圳市卡视达科技有限公司旗下汽车应急启动电源自主品牌网嘀救援以丰富的数据分析为汽车服务描绘互联网新蓝图。汽车观察家，洞察车界一切。以科技视角解读汽车，畅享未来科技车生活！投诉文章问题&营销广告重复、旧闻格式问题低俗标题夸张与事实不符疑似抄袭我有话要说确定取消取消
用户登录&请输入用户名请输入密码登 录使用一下账号直接登录