驾驶|在自动驾驶领域，谁有机会成为那个通吃的赢家？( 三 ) 领域|网约车|通吃|机会|赢家

文章插图
因此，存在间接的网络效应：你拥有的真实路况的驾驶数据越多，你的仿真模拟就越准确，你的自动驾驶系统软件就越强大。仿真还具有明显的规模优势，当你拥有更强的算力，更多的工程人员，尤其是有经验的工程人员，那么你的系统也会越强。例如，加入Google显然为Waymo带来了优势：据报道，加入Google前，Waymo每周可行驶25,000个“真实”的自动驾驶里程，而加入Google后，则平均每周可以测试1900万英里。

文章插图
所以，可以说特斯拉在地图和驾驶数据方面均处于领先地位：自2016年底以来，特斯拉在量产车上搭载了自动驾驶组件，这包括八个摄像头（它们提供了近360度的视野），以及前向雷达和超声波传感器。这些传感器都可以收集驾驶员真实的行为数据，并将其发送回特斯拉。问题在于，由于只有前向雷达，特斯拉建立世界模型的数据大部分来自摄像头的成像。但就如前文所说，这样的数据组成的世界模型，有其局限性。显然，特斯拉在走一条与依靠激光雷达的自动驾驶厂商们不同的道路；它将赌注都下在了计算机视觉的开发速度上，而不再等待未来可能出现的廉价/实用的激光雷达。而这同时意味着，计算机视觉软件将不得不解决更难的问题，因此带来了更大的挑战，成熟的时间也会更慢一些。如果未来激光雷达在较短的时间内成熟（更小，更便宜），而特斯拉主要基于计算机视觉的自动驾驶系统不能在同一时间段拥有相应的性能，那么它在前期积累的优势可能被消弭，结果如何，我们拭目以待。
谁将掌握数据，数据越多越好么？
因此，能够产生赢家通吃效应的网络效应，体现在：行驶数据和地图中。这带来两个问题：谁来获取数据，以及你需要多少数据？
数据的所有权是一个有趣的权力和价值链问题。很明显，特斯拉计划自己构建所有重要的自动驾驶技术部分，并将其安装在自己的汽车上，所以它拥有完整的数据。而一些OEM厂商认为，因为他们的汽车和客户的关系，所以他们自己应该拥有的数据和其分配权，而不是给任何技术合作伙伴的。我不确定销售GPU、摄像头或激光雷达这些“商品”的厂商是否希望保留数据；但那些开发成套自动驾驶系统的公司需要拥有数据，因为这就是它的工作方式。如果它们不能把数据投入到系统中去，它的技术就无法得到改进。这意味着OEM为供应商创造了网络价值，而自己却没有得到任何价值，除了更好的自动驾驶性能。这就是PC或安卓OEM厂商的处境：他们通过同意在产品中使用软件来创造网络效应，这使得他们的产品得以畅销，但他们的产品已经近乎变成了商品（可替代性强），网络价值归科技公司所有。这是一个循环，大部分价值都归厂商，而不是OEM。当然这也是大多数汽车OEM厂商想自己做自动驾驶技术的原因：他们不想落得像康柏电脑那样的下场。
这让我想到最后一个问题：你到底需要多少数据？随着你添加更多的数据，系统会无限制的变得越来越好，还是说有一个S曲线—是否有一个点，达到这个点之后，添加更多的数据会有递减的回报？
那就是—网络效应有多强？
对于地图来说，这是一个很明显的问题。你需要多大密度的布置测试车辆，用多高的频率测量和更新数据，地图的数据精度才足够高。每一个参与者最低的市场份额是多少，整个市场给了参与者多少空间？最后这个市场是会有十家公司，还是只剩得下一两家。是否可以有一群二线OEM厂商，将它们所有的地图数据集中和整合起来？这个生态不像是消费软件生态系统—RIM和诺基亚不能把黑莓和S60用户群集中起来，但你可以把地图集中起来。这是一个进入的障碍还是一个进入的条件？
这个问题也适用于行驶数据，事实上是适用于所有的机器学习项目：随着你添加更多的数据，收益会越来越少，曲线在什么时候会变平，有多少人可以得到这么多的数据？对于一些互联网应用，比如搜索，数据带来的改进似乎确实是无限的，它的结果总是能变得更相关。但对于自动驾驶，从准确度来说，似乎确实应该有一个上限—如果一辆自动驾驶汽车可以在意大利那不勒斯很好的运行一整年，那它应该也能在其他地方运行，那么还有多少需要改进的地方？在某些时候，你实际上就可以说它具有了足够好的能力。所以，网络效应意味着，如果你有更多的用户，你的产品就会变得更好，但在产品停止明显改善之前，你需要多少用户？你需要卖出多少辆具有自动驾驶系统的汽车，你的自动驾驶的能力才会和市场上最好的汽车一样好？有多少公司有能力达到这种水平？而与此同时，机器学习本身也在快速变化，能帮助你的系统达到完全自动驾驶能力的数据量或许是在变少的。