曹旭东：20年后智能车“造脑”公司可能只有Momenta和另一家
今年以来，L4级自动驾驶公司纷纷布局L2级辅助驾驶系统。目前已知的消息显示，有元戎启行、智行者、轻舟智航，MINIEYE、文远知行等企业加入。
自动驾驶公司与主机厂合作上也呈现两极分化的现象。大部分自动驾驶公司都还处于刚起步规划阶段，但Momenta却已经获得了多数主机厂的合作。
公开资料显示，Momenta已经与上汽高端品牌智己汽车，长城汽车高端品牌沙龙智行都展开了深度合作，为它们提供高阶辅助驾驶方案。此外，Momenta还与比亚迪汽车和路特斯汽车都分别成立了自动驾驶公司。有媒体报道，还有很多主机厂的意向合作正在沟通中。
为什么其他L4级企业都才刚开始布局L2，而Momenta却可以连续获得主机厂青睐？
这还要从Momenta对自动驾驶的理解谈起，Momenta CEO曹旭东认为，自动驾驶的终局一定是数据驱动的“升级打怪”模式。所以Momenta在创立之初就确认了L2、L4双线并行的战略思路。
一个飞轮两条腿三大法宝
在这个理念下，Momenta提出了“一个飞轮，两条腿”的战略思路，并且基于此衍生出了3大法宝的L4量产三要素。
一个飞轮指的是Momenta从一开始就坚持的技术路线，即数据飞轮技术；
两条腿指的是公司的两条产品线，L2级别的量产自动驾驶Mpilot，L4级别的无人驾驶MSD；
3大法宝指的是L4级无人驾驶的量产三要素：量产数据、数据驱动的算法、闭环自动化。
量产数据
业内共识，规模化L4的最终实现，必须要有千亿公里的数据来发现长尾问题。比如最典型的红绿灯问题。不同地方的红绿灯存在巨大的形体差异，有圆的，有方的；显示状态上，有的带数字，有的是箭头。算法必须通过海量数据不断升级，把周围车辆的驾驶行为也考虑进来，才能解决这样的长尾问题。
这些海量数据通过大规模量产的Mpilot产生，用来推动MSD不断升级迭代。
数据驱动的算法
Momenta认为，规模化L4的最终实现，要解决真实场景中的海量问题，必须通过数据驱动的算法才能高效解决。其核心逻辑就是化被动为主动。
目前业内在场景处理上，常见的是规则驱动的算法框架，有一个case，解决一个问题，成本高，效率低。
为了提升系统的自我学习能力，Momenta研发了一套基于数据驱动的规划算法离线自动调参框架，可自动化解决规划的调参需求，解决海量长尾场景。比如，面对机动车、行人交织的闹市路口，过去人工调参需要花费一位工程师一周甚至更多的时间，但新框架可以自动调参，仅需几天就能完成。
此外，新框架还能自动学习人的驾驶习惯，避免急刹、重刹等问题，提升出行舒适感。
闭环自动化
规模化L4的最终实现，要量产数据和数据驱动的算法之间形成自动迭代的闭环，闭环自动化正是这样一套工具链：通过建立对问题自动化发现、记录、标注、训练、验证的闭环过程，为技术和产品提供自动化的迭代能力，驱动L4系统迭代。
总结起来就是一句话，在设定好的数据驱动框架下，用L2的海量数据来训练L4的系统。
海量数据是成败关键
那么，Momenta的设想能够成功吗？
按照曹旭东的说法，这个思路在商业逻辑上是走得通的。L4的商业化落地一定滞后于L2，并且中间的时间跨度非常长。Momenta内部预计的时间节点认为，一直到2024年，Robotaxi才开始正式商业化落地，真正的爆发在2028年。这中间漫长的时间段里，自动驾驶公司只能通过别的方式来持续输血，保证企业的正常运转，而L2就是最大的血源。
事实也证明了曹旭东的判断，今年开始，大多数L4级自动驾驶公司开始转型降做L2，原因就是因为L4迟迟无法商业化落地。
那么，与OEM厂商发力L2就能获得海量数据了吗？
自动驾驶数据主要包括环境感知、高精地图、预测等环节。根据Momenta介绍，其已经在这些领域实现了完全数据驱动，并通过闭环自动化持续迭代升级。
预测环节可以通过大量的仿真试验来完成。
高精地图数据方面，Momenta在2018年拿到了地图测绘牌照，但如何让高精地图“保鲜”是全行业的难题。
对此，Momenta采取的办法是数据众包的战略思路。在传感器上切入GPS和IMU模块的办法来获取地图数据，不断更新高精地图。
2017年，Momenta与东赢交通达成合作，在重庆进行试点。在车辆上安装行驶信息采集设备，获取交通环境数据以及司机行为数据。
最重要的就是环境感知数据，不少自动驾驶公司采取自建车队采集数据的办法，但这个办法成本太高，效率太低。曹旭东算过一笔账：如果靠自建车队实现千亿公里路测目标，需要100万辆车每天不间断运行10小时，连续跑1年。同时，这些车要装载激光雷达、传感器、芯片等，一颗激光雷达的价格就是10万元，平均每辆车的成本约10万美元（约合人民币70万元），总投入资金高达1000亿美元，非单个创业公司可以承受。
Momenta认为，最高效获取数据的办法就是与OEM厂商合作，即Momenta两条腿中的Mpilot方案。
但这其中也存在一些问题，不少业内人士表示，数据降维使用相对容易，但L2及以下级别的数据，很难用作整套L4级别的数据验证，可以应用的领域很有限。比如摄像头缺乏全场景重构的能力，无法验证一些“what if”的问题。
Momenta的办法是和车企采取定制化合作的路线，共同开发车型，包括进行硬件选型的讨论，将自动辅助驾驶功能前置到车内。保证L2的数据能够直接为L4所用。
此外，还有一个问题就是数据源的稳定性问题。业内潜规则，目前自动驾驶公司与OEM厂商的合作，产生的数据默认归OEM厂商所有，自动驾驶公司只有使用权，没有所有权。一旦OEM不授权数据给自动驾驶公司使用，后者就失去了稳定的数据源，不利于算法的持续迭代。
也有一些业内人士表示，目前整个行业都属于粗放发展阶段，数据问题与企业间的需求实现方式、利益，政策法规要求等都有关系。这个问题其实难有统一定论，也就是说数据最终的归属和使用问题，短期看企业间的协议，长期看行业的发展趋势。
数据驱动是否自动驾驶正解有争议
即便获取了海量数据，所有的数据都输入Momenta的数据飞轮。依然存在其他方面的挑战。
根据Momenta的说法，它自研了一套数据自动处理系统，包括数据采集、提取、转化。可自动化进行数据发现—记录—标注—训练—验证的闭环过程。
一位自动驾驶从业人员表示，数据闭环各家都在做，说起来容易，做起来难。以其中最难的数据标注来看，尽管现在业内都在强调数据标注的自动化率，但实际上，数据的自动标注现在还处于初级阶段，准确率依然无法保证，需要不断学习和迭代。
此外，Momenta和特斯拉一样，是坚定的纯视觉自动驾驶路线拥护者，而目前业内车企都是激光雷达派。那么，他们之间的合作能持续多久也存在不确定性。
还有一个更致命的问题是，数据驱动的自动驾驶究竟是不是正解业内也有不同意见。
图森首席科学家曾公开发布文章表示，对于一个纯数据驱动的算法架构，出事故是早晚的事情。一位L4的同行也表达了同样的观点，高级别的自动驾驶，不是一个能依靠数据量升级的深度学习问题。
不管怎么说，Momenta能够获得如此多OEM厂商的青睐，说明它的战略思路和技术积累获得了不少认可。至于最终能不能跑到最后，把答案交给时间。
曹旭东对此倒是颇为自信，2019年，有媒体采访时问他，“有多少家创业公司可以活到20年后？”（这里的创业公司主要指自动驾驶公司）
曹旭东回答，每个国家可能一两家。美国两家、欧洲两家、中国两家。共享出行平台运营身体，主机厂造身体，tier 1造眼睛、鼻子、耳朵、脑壳，而造“大脑”的（即软件服务供应商）可能只有两家。他自信地讲到，中国是Momenta和另一家。
推荐阅读：