原创 烧钱千亿的自动驾驶，靠云能实现降本突围吗？
如果有人给你一千亿美元，你会买两座肯德基母公司，或是每天发射一枚长征三号火箭连射十年？近期有个行业烧钱的速度远超想象，一千多亿美元砸进了自动驾驶赛道—— 通用旗下 Cruise、谷歌 Waymo 这些头部玩家，一年烧十多亿美元都不算稀奇，烧钱能力连影视角色王多余看了都要喊内行。
自动驾驶竞争进入下半场，商业化落地成了核心关键词，豪横烧钱的游戏难以为继，降本成了所有车企的迫切诉求。毕竟烧钱的最终目的，是赚钱。但车企又陷入两难：要保证安全和性能，就得持续烧钱；要守住市场竞争力，就得拼命降本，这道题堪称行业送命题。
自动驾驶的烧钱之处，主要集中在三个环节。
第一是数据存储。作为算法优化迭代的 “养料”，自动驾驶车辆产生的海量数据需要妥善储存。Gartner 估算，一辆车每天至少产生 4TB 数据，年上传量可达 PB 级。市面上一个 36TB 移动硬盘售价 6000 元，存储 1PB 数据就需要 28 块这类硬盘，成本约 16.8 万元，这还只是单台车的年存储成本。若是百万台自动驾驶车辆上路，成本将变成天文数字。
第二是数据标注环节。这项工作看似不起眼，实则繁琐又烧钱。有自动驾驶车企供应商透露，用人工轮岗标注时，哪怕给每人每天 100 元的低工资，1000 人团队一天就要 10 万元，三个月就近千万元。若是标注车道线这类需要像素级识别的数据，人均一天只能标注几张，成本还要翻几倍，甚至有车企远赴非洲寻找标注员来压缩开支。
第三是算法训练。这才是最难啃的硬骨头。自动驾驶就像只会做原题的学生，遇见从没见过的场景就会失控。比如马路上飘的气球，L4 级自动驾驶只能识别成像素点，即便搭载激光雷达，没经过专门训练也不知道该如何处理，高速行驶时很容易引发事故。
相对封闭的场景比如大学城、高速路段，遇到的情况有限，算法训练难度不高；但开放的城市路况，倒在路中央的树、举停车牌的人、葬礼队伍、天上掉的砖头等突发状况层出不穷。中国路网总里程 520 万公里，公路和高速公路仅占 5%，超复杂的路况下极端场景频繁出现，但车企不可能为每个场景都单独训练。
再加上单台自动驾驶测试车成本高达 20 万到 40 万美元，根本没法和传统燃油车竞争。
真正破解这道送命题的，当属特斯拉。十几万车主上路产生的实时数据，会上传到云端超算中心，用于分析训练、迭代算法。特斯拉官方表示，上云后效率大幅提升，过去几个月的工作量，现在一周就能完成，自动驾驶训练速度提升了 30%，这也是它能快速抢占市场的重要原因。
但特斯拉的方案门槛极高：仅云端超算的硬件成本，预估就超过 1 亿美元，持续运营的费用更是天文数字，绝非普通车企能负担。
多数车企没法自建云端超算，借助腾讯、阿里、华为等云服务商完成数字化转型，成了当下主流选择。
以腾讯智能汽车云为例，其逻辑和普通用户常用的云盘类似，实现云端本地一体化、软硬件结合，比起业界常规方案，能节省约 50% 的存储成本，数据读取效率提升十倍。
测试环节也是一笔不小的开支，想要模拟北京五环早晚高峰这类极端场景，真实路测不仅费钱还耗时间。但腾讯智能汽车云的虚拟仿真系统，可以模拟 50 公里见方的城市区域，容纳超百万辆交通流同时仿真运行。这套系统融合了腾讯游戏技术和云计算能力，能反复模拟复杂场景，直到算法打磨成熟。
另外，数据安全也是车企的核心投入点。自动驾驶车辆收集的数据涉及用户隐私和国土安全，国家政策不断调整，车企每次都要跟着调整流程，成本不菲。腾讯智能汽车云可以提供合规的数据闭环服务，数据先在车上加密，上传云端后脱敏提取，再传给研发团队，让研发人员可以专注算法开发，不用再被合规问题牵绊。
有人认为自动驾驶是骗局，是车企给资本讲故事的幌子，把风险留给用户。这种说法并非毫无依据，行业顶风口时确实鱼龙混杂，但从行业发展历程看，自动驾驶一直在突破。1925 年第一辆自动驾驶汽车诞生，只能实现启动发动机、按喇叭等简单功能，还不如现在的遥控玩具车；但不到百年，我们已经拥有了无人出租车、物流车、环卫车等各类产品。
新能源汽车初期也曾被质疑是骗局，但如今中国车企已经实现弯道超车，连马自达都要从中国采购电池。希望自动驾驶赛道上，中国也能复刻这样的荣光，让行业真正实现商业化落地。