1. 从一份行业预测报告说起我们该如何看待“20年”这个数字最近一份来自IHS Markit关于自动驾驶汽车销量的长期预测在业内又激起了一些讨论。报告的核心结论很吸引眼球预测在未来20年内全球自动驾驶汽车的销量将达到一个惊人的数字。每当看到这类跨越数十年的宏大预测我的第一反应不是去质疑那个具体的数字而是会先问自己几个问题这份预测的底层逻辑是什么它描绘的是一条怎样的技术演进和商业落地的路径更重要的是作为从业者或者观察者我们应该如何解读这类长期预测并从中提取出对当下有实际价值的洞察自动驾驶从来不是一个单纯的技术问题它是一个技术、法规、基础设施、商业模式和公众接受度深度耦合的复杂系统。任何脱离了这个系统背景只谈一个孤立数字的预测都容易失之偏颇。IHS Markit作为一家权威的市场研究机构其预测模型必然包含了大量的变量和假设。我们真正要关注的不是“20年后能卖出XX万辆”这个结果而是支撑这个结果的“关键假设”和“驱动变量”是什么。这些假设的变动会如何剧烈地影响最终的数字这背后其实隐藏着行业未来发展的几种可能性剧本。因此这篇文章我不想仅仅复述或解读那个预测数字而是想结合我过去几年在汽车科技领域的观察和项目经验拆解一下做出一份靠谱的自动驾驶长期预测需要考量哪些核心维度。我们会看到从L2级辅助驾驶的渗透率爬坡到L4级Robotaxi的商业化突围每一个环节都充满了不确定性但也都有其内在的逻辑。理解这些远比记住一个数字更重要。2. 预测模型的基石拆解自动驾驶普及的五大核心变量任何长期预测都建立在关键变量的趋势判断上。对于自动驾驶汽车销量预测我认为以下五个变量构成了模型的基石它们相互影响共同决定了最终曲线的陡峭程度。2.1 变量一技术成熟度与成本曲线的下降速度这是最根本的变量。自动驾驶系统主要包含感知传感器、摄像头、雷达、决策计算平台、算法和执行线控底盘三大模块。传感器成本激光雷达曾被诟病为“量产杀手”其成本从早期的数万美元一路下降。预测模型必须对激光雷达、4D成像雷达、高清摄像头等核心传感器的成本下降轨迹做出假设。是遵循电子产品的“摩尔定律”式快速下降还是会在某个成本平台遇到瓶颈计算平台算力与能效自动驾驶芯片的算力需求每年都在飙升但车规级芯片对功耗、可靠性和成本的要求极其严苛。预测需要估算未来几年满足L4级别需求的芯片成本以及它占整车BOM物料清单的比例。这里有一个关键的权衡是用一个性能冗余的昂贵芯片“一步到位”还是用多个中等算力芯片通过架构优化来实现软件与算法效率这关乎“需要多少算力才能解决一个问题”。如果算法效率大幅提升可能就不需要那么昂贵的硬件成本门槛会显著降低。例如特斯拉一直推崇的“纯视觉”路线就是在算法上寻求突破以规避对昂贵激光雷达的依赖。预测模型必须对算法进步的速率有一个判断。注意技术成熟度不是线性的。它可能因为某个核心技术的突破如固态激光雷达量产、Transformer模型在感知上的成功应用而突然加速也可能因为遇到难以解决的“长尾问题”Corner Cases而陷入平台期。好的预测模型会包含不同的技术发展情景。2.2 变量二法规政策的演进路径与全球协同性自动驾驶汽车上路法律必须回答一个问题出了事故谁负责是车主、汽车制造商、软件供应商还是自动驾驶系统本身法规的清晰度和一致性直接决定了产品上市的速度和范围。责任认定框架目前全球主要市场都在探索。有的地区倾向于修改现有交通法规将自动驾驶系统视为“驾驶员”有的则在推动专门立法。预测模型需要判断未来5-10年在关键市场如中美欧形成相对稳定、明确的责任框架的可能性有多大。测试与准入标准车辆需要经过什么样的测试才能获得上路许可是实车里程积累、仿真测试还是二者结合是否有国家或地区性的认证标准标准的不统一会极大增加企业的合规成本延缓全球化部署。数据安全与跨境流动自动驾驶车辆产生海量数据其中包含地理信息、车辆状态、甚至车内影像。这些数据如何存储、处理、跨境传输受到各国数据安全法的严格监管。这直接影响了跨国车企和科技公司的技术迭代效率。一个乐观的预测通常假设主要市场的法规会在未来10年内逐步协调统一为自动驾驶的商业化扫清障碍。而一个保守的预测则可能认为法规博弈会持续更久形成区域性的市场壁垒。2.3 变量三基础设施的适配与升级投入“聪明的车”需要“智慧的路”来配合至少在某些场景下是如此。这里的设施不仅指物理道路更指车路协同V2X通信网络和高精度地图。车路协同V2X通过车辆与道路基础设施如信号灯、路侧单元通信可以获取超视距信息弥补单车智能的感知盲区提升安全性和通行效率。但V2X的大规模部署需要巨大的投资。预测模型需要评估政府和社会资本有多大意愿投资建设这样一个全国性或城市级网络。是会在特定区域如高速公路、工业园区先行还是全面铺开高精度地图的鲜度与覆盖度对于L3及以上自动驾驶高精度地图几乎是必需品。但道路每天都在变化施工、改道。维持地图的“鲜度”实时更新需要庞大的众包采集和更新体系成本高昂。预测需要判断高精度地图的商业模式能否跑通最终是作为一项基础服务还是成为整车的一个可选套件道路设施的数字化改造简单的如统一、清晰的交通标识复杂的如为自动驾驶车辆预留的专用车道或通信接口。这部分投入同样巨大且周期长。基础设施的变量使得自动驾驶的普及可能呈现出明显的“地理不平等”。预测报告中的全球销量很可能是由少数几个在基础设施上投入巨大的国家或城市集群率先贡献的。2.4 变量四商业模式的可行性与用户付费意愿车造出来卖给谁怎么赚钱这是决定销量的直接动力。个人消费市场To C这是最大的想象空间。用户愿意为自动驾驶功能支付多少溢价是愿意一次性买断还是订阅服务例如每月支付一定费用开通高速导航辅助驾驶功能这取决于功能带来的价值感知是节省了通勤时间、降低了驾驶疲劳还是提升了安全性早期尝鲜者可能愿意支付高溢价但大众市场对价格极其敏感。预测模型必须对自动驾驶功能的“价格弹性”做出假设。出行服务市场To BRobotaxi这是目前L4级自动驾驶公司主攻的方向。商业模式的核心是测算“每公里总成本”。这包括车辆折旧、能源消耗、远程运维、安全员成本如果有的话等。只有当自动驾驶出租车的每公里成本显著低于传统网约车尤其是司机成本时商业模式才成立。预测需要判断这个成本交叉点会在何时到来。货运与物流市场To B干线物流/末端配送这是一个对成本极度敏感但场景相对结构化尤其是高速公路的市场。自动驾驶在这里的价值主张非常明确节省人力成本、实现24小时运行。这个市场的销量预测与货运行业的利润率、司机短缺程度、政策对无人卡车的开放程度紧密相关。不同的商业模式对应不同的车辆形态乘用车/商用车和销量曲线。一份综合预测报告通常会分场景进行预测后再加总。2.5 变量五社会接受度与信任建立这是最软性但至关重要的变量。技术再成熟法规再完善如果公众不信任、不敢用一切归零。安全记录的积累与传播自动驾驶需要通过数百万甚至数十亿公里的安全行驶数据来证明自己比人类驾驶员更安全。但公众对机器事故的容忍度远低于对人类事故。一次严重的自动驾驶事故可能让整个行业的公众信任倒退数年。预测模型需要考虑“黑天鹅”事件严重事故发生的概率及其对市场信心的冲击。用户体验与交互设计自动驾驶不是让用户完全放手而是在不同级别下进行人机共驾或交接。系统如何清晰地向用户传达它的状态我能做什么不能做什么在需要人类接管时如何平稳、安全地完成交接糟糕的体验会摧毁信任。伦理与隐私担忧在不可避免的事故中自动驾驶系统如何做出决策著名的“电车难题”变体车辆收集的数据如何被使用这些社会讨论会影响公众的接受度。信任的建立是一个缓慢的过程但崩塌可能在一夜之间。因此对于社会接受度的预测往往是最困难的它需要结合社会学、心理学和传播学的视角。3. 从L2到L4不同级别自动驾驶的销量驱动逻辑截然不同在讨论自动驾驶销量时必须分级讨论因为L2辅助驾驶、L3有条件自动驾驶和L4高度自动驾驶的产品形态、责任主体、商业模式和用户价值完全不同它们的销量驱动逻辑也截然不同。3.1 L2/L2渗透率提升的“现在进行时”销量主力军我们目前正处在这个阶段。L2级辅助驾驶如自适应巡航ACC车道居中LCC已经成为中高端车型的标配并快速向入门车型渗透。驱动逻辑功能价值驱动 成本下探。它的价值清晰可见在高速、拥堵等场景减轻驾驶疲劳提升舒适性和安全性。随着芯片和传感器成本下降这套系统的价格已经从数万元人民币下降到数千元甚至成为“免费”的标配。它的销量预测相对简单主要跟随全球汽车总销量和功能渗透率曲线走。渗透率从现在的30%-40%中高端市场提升到未来的80%以上是确定性很高的事件。这部分销量会构成未来10年“自动驾驶”相关销量的绝对主体。预测关键核心是预测渗透率提升的速度和成本下探的底线。需要关注中国供应商如地平线、黑芝麻、禾赛科技在降低核心硬件成本方面的进展他们的竞争会极大加速普及。3.2 L3责任转移的“门槛”销量存在不确定性L3是技术上和法规上的一个关键门槛。系统在限定条件下负责驾驶驾驶员可以脱手脱眼但需要在系统请求时接管。这意味着事故责任从驾驶员转移到了制造商。驱动逻辑法规驱动 品牌溢价。L3功能如交通拥堵导航辅助TJP、高速导航辅助驾驶NOA的上市严重依赖于国家法规的明确批准。目前全球仅有少数地区如德国、日本批准了有限的L3功能上路。对于车企来说推出L3既是技术实力的展示也能形成品牌溢价。但用户是否愿意为“有限场景下的脱手”支付高昂费用存在疑问。预测关键L3的销量预测波动性最大。它取决于1有多少国家/地区在何时批准L32首批搭载L3功能的车型定价和用户反馈3与强大的L2功能如带高精地图的NOA但责任仍在驾驶员相比其价值优势是否明显。我个人认为L3可能是一个相对短暂或与L4并行的过渡阶段其独立销量规模可能不会像L2那样庞大。3.3 L4商业运营的“未来式”销量是结果而非目标L4级自动驾驶如Robotaxi、无人配送车在特定设计运行域ODD内完全由系统驾驶无需人类干预。它的产品形态可能不再是个人购买的车辆而是运营商的资产。驱动逻辑商业效率驱动。L4车辆的销量不直接取决于个人消费者的购买意愿而取决于出行服务或物流公司对其“单位经济效益”的测算。当自动驾驶车辆的每公里总成本含购车、运维、充电等低于人力服务成本时运营商就会开始批量采购。预测关键这里的“销量”预测本质是“车队规模”预测。核心是建立精细的成本模型车辆硬件成本包括所有自动驾驶套件和车辆本身。预计初期非常昂贵数十万人民币级别但随着量产和技术迭代快速下降。运营成本能源、保险、清洁、日常维护、远程监控中心成本。边际成本最重要的是能否彻底拿掉安全员。保留安全员的L4成本优势有限。真正的拐点在于“全无人”运营的可靠性和法规批准。收入端每公里运费定价、日均运营时长、车辆利用率。因此对L4销量的预测更像是对一个新兴行业进行“市场规模-渗透率”分析。报告中的数字很可能是基于对Robotaxi和无人货运市场总规模的预测再除以单车年均收入或运输量倒推出来的所需车辆数。4. 地域性差异为什么中美欧会成为三大主战场而节奏各不相同自动驾驶的普及绝不会全球同步。IHS Markit的全球预测数字一定是各个主要市场预测的加总。而中美欧这三大市场将遵循完全不同的发展路径。4.1 中国市场应用创新与政策驱动的“快速迭代”模式中国市场的特点是强烈的政策导向、极高的消费者对新科技的接受度、激烈的市场竞争、以及完善的基础设施建设能力。优势政策与基础设施中国可以通过“新型举国体制”在特定区域如示范区、智慧高速公路快速推进车路协同基础设施建设和法规试点。各地政府有很强的动力引入自动驾驶项目作为智慧城市和产业升级的标志。市场与数据庞大的汽车销量和复杂的交通场景为算法提供了海量、高质量的训练数据。消费者对电动化和智能化的热情高涨愿意为先进的辅助驾驶功能付费。供应链与成本中国拥有全球最完整、反应最快的电动汽车和智能汽车供应链能够以惊人的速度降低硬件成本。挑战与路径法规虽然试点开放但国家级别的、统一的L3/L4准入和责任法规仍在制定中这可能导致商业化落地“先地方、后全国”。竞争车企、科技公司、初创企业混战可能导致功能定义和用户体验的碎片化。预测侧重在中国市场的预测中L2/L2的渗透率会快速攀升至全球最高水平。L4的Robotaxi和无人配送可能会在政策支持的特定城市区域如北京亦庄、上海嘉定、深圳前海率先实现规模化车队运营然后再逐步扩大范围。因此中国的销量曲线前期由L2主导中后期L4车队采购开始放量。4.2 美国市场技术原生与法规分散的“创新试错”模式美国市场的特点是强大的技术研发能力、相对灵活的法规环境州级主导、成熟的资本市场、但对基础设施的大规模投资较谨慎。优势技术与资本硅谷拥有全球顶尖的AI和软件人才风险资本活跃催生了Waymo、Cruise等头部L4公司。特斯拉的FSD也在推动一种不同的技术路径。法规各州如加州、亚利桑那州可以自行制定自动驾驶测试和部署法规形成了“监管沙盒”允许企业快速试错。挑战与路径基础设施大规模部署车路协同V2X面临投资巨大和决策缓慢的问题更依赖单车智能。社会接受度公众和媒体对自动驾驶事故的审视极为严格任何安全事故都可能引发广泛的质疑和诉讼。预测侧重美国的预测会更关注头部L4公司Waymo, Cruise的商业化进展和车队扩张计划。同时特斯拉FSD的订阅率及其向L3/L4的演进也是影响个人市场销量的关键变量。美国的L2渗透率也会很高但可能略低于中国因为其汽车消费市场更传统和分散。4.3 欧洲市场安全合规与渐进主义的“稳健演进”模式欧洲市场的特点是极其严格的安全与合规标准UN-ECE/WP.29、强大的传统车企、对数据隐私的高度重视、以及相对保守的消费者。优势法规与标准欧盟正在努力建立统一、清晰的自动驾驶法规框架如ALKS法规强调功能安全ISO 26262、预期功能安全SOTIF和数据安全。一旦批准将在全欧盟范围内生效为车企提供确定性。高端品牌奔驰、宝马等车企在L3系统上取得了首批法规认证他们更倾向于通过增加价值豪华、安全来推动高级别功能而非价格战。挑战与路径速度严格的审批流程可能导致技术落地速度慢于中美。创新生态相比中美欧洲在颠覆性自动驾驶初创企业和互联网科技公司的活跃度上稍逊一筹。预测侧重欧洲市场的预测会与主要车企如奔驰、宝马、大众发布的L3车型上市时间表和产能规划高度绑定。L2的渗透率会稳步提升但L4的Robotaxi可能首先在有限的、可控的环境如机场、校园或特定城市如巴黎、慕尼黑开展小规模运营。欧洲的销量曲线可能最为平缓和稳健。5. 对从业者与投资者的启示在不确定性中寻找确定性面对一份跨越20年的预测报告无论是行业从业者、投资者还是相关领域的观察者更重要的是从中提炼出对当下决策有指导意义的“信号”而不是纠结于那个遥远的“数字”。5.1 关注“拐点性”事件而非线性外推技术的发展很少是线性的。要密切关注那些可能改变曲线斜率的关键事件技术拐点例如固态激光雷达或4D成像雷达成本降至500美元以下端到端End-to-End自动驾驶模型取得突破性进展大幅降低对规则和复杂模块的依赖。法规拐点某个主要经济体如欧盟或中国正式颁布全国性的L3/L4车辆准入和责任认定法规。商业拐点某头部Robotaxi公司在某个大城市实现正向现金流扣除所有成本后盈利特斯拉FSD的订阅用户突破某个临界点如1000万证明大规模C端软件付费的可行性。成本拐点L4自动驾驶套件的BOM成本降至1万美元以下使得Robotaxi的采购成本进入可大规模复制的区间。这些拐点事件的发生时间比20年后的总销量数字更有参考价值。5.2 产业链机会分布不均找准自己的生态位自动驾驶的普及将重塑整个汽车产业链。机会并不均匀分布上游核心硬件激光雷达、雷达、摄像头、自动驾驶芯片、域控制器等领域的头部供应商将享受行业增长的红利但竞争会异常激烈最终可能只有少数几家能存活并盈利。软件与算法这是价值制高点但壁垒极高。除了全栈自研的巨头为车企提供特定模块解决方案如高精定位、仿真测试、数据闭环工具链的软件公司可能有更清晰的商业模式。中游集成与制造代工厂如麦格纳、富士康和传统Tier 1如博世、大陆在将自动驾驶系统集成到整车的过程中扮演关键角色。他们的价值在于规模化、可靠性和供应链管理能力。下游运营与服务当L4车辆规模化后车队运营、充电维护、保险、远程监控等服务将成为一个巨大的市场。这个市场的玩家可能完全不同于今天的车企或科技公司。基础设施与支持高精度地图服务商、车路协同设备商、仿真云服务商、数据标注公司等都是生态中不可或缺的环节。对于个人职业发展或投资而言需要判断在哪个细分环节自己的技能或资本能建立可持续的竞争优势。5.3 对预测本身保持审慎乐观拥抱多种可能性最后我们必须清醒地认识到所有长期预测都注定是不准确的。它们的作用不是预言未来而是帮助我们系统性地思考未来规划今天的行动。情景规划优于单点预测与其相信一个数字不如思考几种可能的情景。例如乐观情景技术突破快法规协同好成本下降超预期。L4 Robotaxi在2030年前后开始大规模部署。基准情景技术稳步发展法规逐步放开成本按预期下降。L2高度普及L3/L4在特定场景和区域稳步推进。悲观情景遇到难以解决的技术或伦理瓶颈重大安全事故频发法规收紧社会接受度低。自动驾驶长期停留在高级辅助驾驶阶段。建立自己的判断框架参考权威机构的预测但更重要的是建立自己基于核心变量的分析框架。定期审视技术、法规、成本、接受度这些变量是朝着哪个方向变化是加速还是减速聚焦可行动的当下无论20年后的数字是多少今天的确定性是L2级功能正在快速普及软件定义汽车的趋势不可逆转数据驱动的研发范式已成为主流。对于企业当下的重点是打磨好可量产落地的辅助驾驶体验构建数据闭环能力。对于个人则是深入学习相关技能如感知算法、软件架构、功能安全。在我个人看来自动驾驶的终局一定会到来因为它背后的经济和社会驱动力安全、效率、解放人力是真实而强大的。但通往终局的道路绝非坦途必然充满波折、反复甚至局部倒退。那份预测报告里20年后的惊人销量数字描绘的是这条道路终点可能到达的壮丽景象。而我们真正要做的是看清脚下这段路的路况准备好合适的车辆和装备然后扎实地走好每一步。在这个过程中保持耐心、保持思考、保持对技术和市场的敬畏或许比仰望那个遥远的数字更为重要。