V2X的价值依赖于它的普及率，如果公路上的车辆V2V的覆盖率不是100%，那它的意义就会大打折扣，V2I则需要基础设施方面的大量投入。

　　目前自动驾驶研发方面，媒体的聚光灯对准的依然是车厂，但如果要让V2X达到全覆盖，政府的作用是不可替代的。和任何一项大规模的基础设施投资一样，V2I的部署不可能一开始就规划全覆盖，atv，而是先从局部开始，因为这样的投资必须考虑商业回报。

　　我们可以设想，政府可能会先在几条主干高速公路部署V2I，例如G2京沪高速，长三角城市带高速等，以提升道路利用率，获得更高的商业回报。

　　今天，自动驾驶的感知和决策环节的主流技术发展方向逐渐清晰，即基于深度学习与增强学习结合的机器学习，但机器学习需要大数据的驱动才能达到高性能和高可靠性。这意味着，开发者需要将自动驾驶设备先安装到大量的车辆上，让车辆在实际运行中才能产生所需要的数据量，结果就会陷入鸡生蛋还是蛋生鸡的问题：

　　一开始自动驾驶的可靠性不好，无法出售大量设备；

　　设备量不足导致数据量不够，又会制约性能的提升。

　　如果最开始先在某些特定应用方面进行部署，则可以逐步积累数据，提升性能，为更大范围的自动驾驶应用做好准备。

　　谷歌自动驾驶从七年前开始测试，到现在也只跑了3百万公里，而特斯拉的Autopolit从15年10月启用以来的多半年内，已经积累了1.6亿公里以上的行驶里程；Uber更夸张，摩根士丹利曾在一份报告中称：“Uber在24分钟内收集到的数据，就相当于谷歌自动驾驶汽车自诞生以来记录下的所有数据。”

　　这就是通过量产车积累数据的优势。说到底，基于数据驱动的技术必须在实践中才能完善，单个公司的测试规模有限，而且效率太低。在技术史上这样的例子不胜枚举，苹果在推出第一代iPhone的时候，上市后仅仅几周，用户就发现了几百个bug，这还是质量要求苛刻的乔布斯的作品。

　　同时，自动驾驶的开发还有高度的地域性特点，欧洲和北美的驾驶环境不同，中国的驾驶环境与欧美差异更大，比如司机变道频繁、人车混行严重等，车辆特征差异大、道路系统复杂等，这些本地化因素往往导致本来在欧美比较成熟的功能，如变道、过十字路口等，在中国实测的成功率急剧降低。

　　从这个意义上讲，本地化的数据处理和自动驾驶决策算法开发是无法回避的。

　　历史的启迪

　　美国智库兰德公司在其发布的《驶向安全》报告中认为，自动驾驶的安全性需要数亿至数千亿英里，才能验证其可靠性，凸显了在开放道路上全自动驾驶的复杂性，以及由此带来的在测试方法上的巨大挑战。

　　我们相信ADAS依然会持续演进，从目前的Level2向Level3过渡，最终朝Level4的自动驾驶发展；而在技术研发上从感知，到三维场景语义理解，再到环境态势预判、路径规划，场景方面逐渐扩大其适用面，从高速公路到一般道路。同时，ADAS也会从外部感知扩展到对司机的感知和理解，确保在自动驾驶和手动驾驶方面的过渡可靠性。

　　一个有远大抱负的企业往往会希图毕其功于一役，一步到位将革命性的技术投入商业化。摩托罗拉一手开创了移动通信时代，当时移动通信最大的挑战是地面基站的覆盖面不足，并且基站之间的切换可靠性也很差，于是这个当时的技术巨人在发展新一代移动通信技术时，决定建设一个卫星通信系统，彻底解决这一问题，这就是著名的铱星系统。

　　在技术上这是一个伟大的设想，但是令人始料未及的是，地面基站的建设速度超乎预期，并且在普及过程中可靠性逐步完善，而依靠摩托一己之力的铱星系统却独木难支，巨额投资导致服务费用高昂，盈利回报达不到预期，最终黯然退出市场。

　　从某种意义上讲，一个系统，无论是技术，还是政治、经济，只要足够复杂，就很难有一步到位，很难推出一个完善、可靠的系统。在今天自动驾驶的喧嚣声中，历史的启迪或许值得深思。

　　作者：李星宇，地平线机器人汽车业务总监，曾任前飞思卡尔应用处理器汽车业务市场经理，原士兰微电子安全技术专家。