一位出身技术圈的资深投资人，跟我们「头脑风暴」了自动驾驶公司的投资逻辑 |独家

类辅助的低级自动驾驶场景中可行，但在更高级别的自动驾驶场景，例如车里的人做别的事让车自己行驶，那么这种方法就可能出现问题。Mobileye 在这个技术路径上积累了多年经验，已收集和迭代了全球各种驾驶场景的数据。国内也有走与 Mobielye 相同路线的公司，但想在算法和数据上超越 Mobileye 基本上是非常困难的，需要很长的时间和大量资源的投入。所以我们就想，到底机会在哪？从自动驾驶场景的基本属性来看，交通场景属于非结构化的场景。什么是非结构化？简单来说，结构化的数据是可以通过一、两个物理量表征出来的，但非结构化数据和场景却很难用一、两个量表征出来。例如，一个复杂的十字路口就没有办法单纯滴用几个人、几盏灯、几个小孩这样的量来表征。而随着这一轮人工智能的兴起，深度学习在自动驾驶场场景中就起到了非常关键的作用，可以通过一系列数据训练模型来解决问题，而且随着数据量的增加，模型的识别和判断能力会逐渐提升。如此看来，投资走模式识别技术路线的公司在短期内机会相对较小，所以我们转向深度学习这一块。而从技术角度出发，深度学习能力的判断无非就是考量模型和数据。我们首先看的是数据，想看看有没有一些特殊的方式能够让一家公司能够拥有先于业内其他企业数据获取能力，拥有更低成本、更高效率的数据获取方式，这是我们当时考量的一个基础。其实，我们在理解数据上也走很长的一段路。最开始，我们以为在出租车上挂一个行车记录仪出去跑一跑、拍一拍就 OK 了，但这跟实际需要的数据相差甚远。为什么呢？因为实际需要的数据需要多元化的数据。可能在高速公路了拍了几万公里但是由于车辆少、场景单一，大多数数据都没什么用。后来我们了解到，实际需要的数据叫做全驾乘状态的车辆数据。除了摄像头自身标定出来的有人和物的数据，还要伴随着场景中的汽车状态数据，例如 CAN 总线数据、GPS 数据等。相比之下，简单依靠出租车搭载行车记录仪得到的数据并不完备，这种全驾乘状态的车辆数据才是核心，而且必须与专业机构、车厂合作才能获取。另外一点就是模型。在考量算法模型时，我们其实有很大的顾虑。现在有很多成熟的开源框架，例如 TensorFlow、Caffe 等等。这些开源算法框架的存在似乎是把门槛降低了。但是理解之后，我们发现，同样是 TensorFlow，不同企业、不同厂家拿过来使用以后，产生的效果是不一样的。原因在于，模型优化这件事情有三个层面。第一个层面是简单的参数调整。例如对某一个网络层的某一个参数进行调参，并不知道调出来的效果是什么样的，只能一次一次的试，有点像算命。第二个层面是可以改开源算法框架的源代码，进而优化里面的细节公式。这个层面可能需要对 TensorFlow 体系有比较深入的理解，同时对工程化有比较深入的认知，往往具备产业背景。第三个层面不但可以调整技术源代码，还可以根据自己的数学理解和开发能力，用不同的数据方法优化底层的数据公式。这个层面除了对产业和工程存在要求，最好还要具备比较深的数学功底。这些经历可以帮助研发人员在模型尝试的过程中少走很多弯路。2016 年的时候，国内也冒出了很多自动驾驶创业公司，我们也看了很多，但一直没有找到特别合适的企业，所以一直在等机会。直到有一次，我们碰到 CalmCar 这个企业，这家公司与我们之前描绘的企业画像非常匹配。在模型上，公司的 CTO 谢晓靓是美国数学博士, 拥有多年硅谷深度学习算法开发经历。在数据上，这家公司已经与国内的一些机构和整车厂展开了比较深入的合作。第三是汽车产业背景。汽车行业是一个非常独特的工业体系，产品量非常大、对技术和工程要求又极其苛刻。创始团队的汽车产业背景，有助这种行业规则和行业工程属性的认知，实现事半功倍的效果，相对走起来不会那么辛苦。因为那些整车厂、tier1 厂商手里拿着需求，通过与这些厂商各种繁琐的、庞杂、频繁的产品沟通、技术解析，最终掌握产品特性和要求，进而打开市场。而且具备产业背景也是进入汽车前装的一个要素。我们投资自动驾驶领域就是奔着汽车前装去的，熟悉行业玩法和规矩非常重要。我们理解的是，前装、后装是两个完全不同的市场，后装不涉及安全，前装却有特别多的规矩，挑战更大。所以你看，凡是做前装的基本上创始人都有整车厂或是 Tier1 的背景。譬如 CalmCar，这家公司的 CEO 王曦拥有十年英国、澳洲汽车电子核心研发的工作经验。所以，我们当初看到 CalmCar 的时候，就迅速布局了这家公司。激光雷达主流技术路径的取舍逻辑德联资本在 2016 年底完成了 ADAS 领域的布局，对激光雷达公司的投资则是在 2017 年。激光雷达也有很多技术路线，比较复杂。当时有四个主流路线。第一个是机械旋转式激光雷达。这类激光雷达有机械旋转机构，相对笨重，如果要将旋转机构做到可靠性高，满足车规级要求，成本会很高。我们认为，这类激光雷达的机会是窗口性的，未来其他技术成熟了，这类激光雷达可能会退出市场。这也是所谓的非固态激光雷达，人们通常把下面这三种成为固态激光雷达。第二类是 MEMS 激光雷达。这类激光雷达是把所有的机械结构做到半导体工艺上，集成到单个芯片。目前，国外有以色列公司 Innoluce 正在尝试这一技术路径，国内也有走类似路线公司，但国内在其核心原件 MEMS 振镜一直量产能力不强。而且这个方案在成本上不太可靠。第三类是光学相控阵激光雷达。这类激光雷达对工艺要求极其苛刻，因此量产也是一个问题。第四类是面阵激光雷达。之前面阵激光雷达较多应用于航天军工领域，精度较高，但是造价昂贵。2017 年上半年，我们大致梳理好了对激光雷达领域的看法与思路，但并没有找到好的标地。而在下半年，激光雷达领域出现了一种新的思路，就是用硅基来做传感器，用模拟的方式把激光信号转成数字。当然这个过程涉及模拟信号的提取、降噪，也是非常复杂的。机缘巧合下，我们碰到了飞芯这家公司。飞芯做的面阵探测器接收芯片这部分，无论是技术路径还是创始人的产业背景都与我们的画像非常匹配。当时飞芯的芯片还没有做出来，但我们觉得这是一个大趋势，做出芯片对这些人来说只是时间和钱的问题，而且从公司创始人和核心技术人员的产业经历，做出合格的芯片应该是个大概率事件。我们愿意赌这个方向，为这个领域配置资源，不管这个项目有没有成功，都可以给行业培养一些领域内的技术人才。不仅自动驾驶，在其他领域也可以应用。