年烧数十亿，车企再上智驾赌桌

同样押注自动驾驶的，不只是小鹏汽车一家。

“如果以5-10年为期，那今天很多车企都将被淘汰。”在6月16日的未来汽车先行者大会上，余承东语出惊人。

作为华为常务董事、终端BG CEO、智能汽车解决方案BU CEO、智能终端与智能汽车部件IRB主任，余承东认为，实现智能化所需要的投资规模是极其庞大的，极少有车企具备这样的实力。

他坦言:“如果车企没有足够的资金支持，就实现不了智能化，不论今天取得多大的成绩，都有可能在未来被淘汰。”余承东此番言论并非危言耸听，智驾目前是很多车企重点投入领域。

华为每年在汽车领域有100多亿的直接研发投入，其中70%-80%都花在了智驾领域；理想汽车创始人李想表示做基于BEV的城市NOA起码要20亿美元起；蔚来甚至一度降低了子品牌萤火虫的优先级为城市NOA的研发让路，因为“高层认为，难以同时开展两个重量级项目”；就连创始人王传福喊出“自动驾驶就是忽悠”的比亚迪，也组建了3000多人的团队研发辅助驾驶相关软硬件方案，企图在智驾上实现弯道超车。

再次点燃车企智驾竞赛热情的，是特斯拉2021年公布的以Transformer为基础的BEV感知模型。该方案不仅可以提高车辆感知、决策能力，降低对硬件的依赖，还能让车企摆脱对于高精地图的依赖，实现城市NOA的快速落地。

更为关键的是，新技术的出现打破了此前的竞争格局，将所有参赛选手都拉回了同一起跑线，加剧了车企在智驾领域的竞争:曾经落后的企业渴望弯道超车，曾经领先的企业必须要保住优势地位。

在重新起跑的过程中，谁最先甩下高精地图的包袱，便最有可能拔得头筹。

2023年以来，各车企密集推出了不依赖高精地图的城市NOA落地规划。华为、小鹏、理想分别计划于2023年底在45个、50个以及100个城市落地无图方案，毫末智行预计将于2024年上半年在100个城市落地无图方案。

亿欧智库预测，2025年中国城市NOA前装市场规模将达到76亿元。

图young图simple

高精地图从人手一份到人见人嫌，只用了不到两年时间。

车企抛弃高精地图并不是因为高精地图不好，而是高精地图行业还处于发展早期，满足不了城市NOA快速落地的需求。

2021年，小鹏汽车曾花费2.5亿购买高精地图的测绘资质，彼时高精地图凭借能为汽车提供精确的定位能力、超视距的感知能力，以及提前规划好参考轨迹等优势，被认为是通往高阶自动驾驶的必经之路。

然而随着BEV方案的出现，车企看到了不依赖高精地图的可能性，即通过GPS、IMU、轮速计以及导航地图，可以实现精准定位能力；通过BEV+Transformer，可以提升车辆的感知能力和决策能力；除了弥补高精地图的能力之外，BEV方案还可以通过数据闭环不断迭代算法，增强车辆应对coner case的能力。

有了替代方案后，高精地图的缺点愈发显眼:贵、鲜度低以及限制城市NOA落地速度。

贵非常好理解，对于以盈利为目的的企业来说，成本永远是考虑的重点。

中国智能网联汽车产业创新联盟发布的《2020智能网联汽车高精地图白皮书》显示，采用传统测绘车方式，分米级地图的测绘效率约为每天每车500公里道路，成本为每公里10元左右，而厘米级地图的测绘效率约为每天每车100公里道路，成本可能达每公里千元，一辆测绘车的成本也在数百万元至千万元级别。

交通运输部数据显示，目前中国高速公路里程达17.7万公里，厘米级地图测绘一遍的成本大概在1.8亿左右，由于每车每天仅能测绘100公里，所以图商必须还要考虑组建测绘车队的成本。目前顶级图商的车队规模大致在百台左右，考虑上人工、维护等损耗，车队成本很容易就来到了十亿量级。

然而对图商来说，完成17.7万公里的高速公路测绘还只是第一步。

2022年末时，中国公路总里程达535万公里，高速公路占比仅3.3%，现有的高精地图对于城市NOA来说还是too simple。而要想覆盖更多更复杂的城市道路，成本将远远超出承受能力。

同时，碍于采集车的数量限制，城市地图不仅采集慢，后续更新更慢，在变化频率极高的城市场景下，无法保证鲜度的高精地图对于感知能力差的车型更像是定时炸弹。

除了技术和成本问题，政策也限制了高精地图的发展。中国对于地图测绘资质管制极其严格，地图的发布也要每个图商逐城审核，目前高精地图行业本身还未形成适合快速商业化的环境，对于追求城市NOA功能快速落地的车企来说无疑too young。

“重感知轻地图”，既是车企在高精地图缺点面前的无奈之举，亦是将城市NOA把握在自己手中的激进一战。

小鹏汽车创始人何小鹏早已亮明观点:“对自动驾驶而言，高精地图一定是过渡，云端的结合也只是一个辅助，真正的自动驾驶一定要能够全场景驾驶。”

无图不代表无烦恼

对于车企而言，抛弃高精地图并不意味着问题的结束，而是挑战的开始。

虽然BEV+Transformer一定程度上增强了智驾系统的感知、决策能力，但是比起使用高清地图的方案，“重感知轻地图”的方案对硬件还是有一定的要求。

余承东曾表示:“问界M5智能驾驶系统的成本是3万元”，这还是采用了华为自研的MDC610芯片才打下来的价格。

亿欧汽车盘点了目前公布了城市NOA功能的车型，不难看出除了华为以外，对城市NOA布局比较积极的蔚小理均采用了英伟达的Orin-X芯片，成本大概率会高于问界M5的3万元。

李想曾透露过智驾硬件成本的信息，“特斯拉Autopilot的硬件BOM成本在差不多1500美元，而使用双OrinX的方案成本基本都在4000美金以上。”

根据中汽协2022年的数据，在中国乘用车市场，燃油车主要销量贡献区间为10-15万元，新能源车主要销量贡献区间为15-20万元。

然而对于中国城市NOA玩家来说，哪怕不考虑研发费用，仅落地到单车上的硬件成本便超过了3万，如果要保证盈利，那城市NOA功能便无法普及到目前的主流消费市场中。

让各车企最担心的，不是自己的硬件成本高，而是别人的硬件成本低。

根据原特斯拉Autopilot Machine Learning Lead 谷俊丽透露的消息，特斯拉造一台Model 3的BOM成本是16万，ADAS系统成本是7000块，占到总BOM成本的约4.4%。较低的智驾成本不仅使得特斯拉现有车型拥有较大的降价空间，也使得特斯拉可以在价格更亲民的车型中实现FSD。

此前每次特斯拉将发布更低价车型的消息都能引发大量关注，一旦更便宜的车型和FSD同时进入中国市场，那对于中国的城市NOA玩家来说将是一场致命的降维打击。消费者对于性价比的追捧，从比亚迪数两百多万的年销量中可见一斑。

当然还有另外一种更可怕的未来，便是特斯拉将FSD授权给传统车企。

有了大众和小鹏汽车合作的前车之鉴，传统车企和特斯拉合作也并非绝无可能。

数据闭环决定上限

如果说硬件成本决定了城市NOA的下限，那数据闭环能力便决定了上限。

在自动驾驶的研发过程中，无论是端到端还是模块化的方法，基于规则的方法正在被由数据驱动的机器学习方法所取代，数据已经成为自驾AI算法的基础，因此只有通过数据闭环的方式高效利用数据，才能促进智驾算法模型的快速迭代。

完整的数据闭环通常包括数据采集、数据回流、数据处理、数据标注、模型训练、测试验证等环节，这对车企提出了三个要求:高效的算力、完善的算法模型以及大量有效的数据。

抛开算法模型这个相对难以量化的部分，仅是数据和算力方面的挑战便让车企应接不暇。

在城市NOA大规模落地之前，车企数据采集仍需要靠采集车来完成，即使是城市NOA大规模落地后，短期内在数据量上和特斯拉“百万车队+影子模式”仍会有显著的差距。

自2021年3月以来，特斯拉FSD Beta版累计行驶了2亿英里里程。而截至今年7月，小鹏汽车高速NGP累计行驶里程才3160万公里，销量更高的理想汽车NOA行驶里程也刚(7月20日)突破2亿公里，其中基于BEV架构的行驶里程更是微乎其微。

采集数据还只是第一步，车企还要对回流回来的数据进行数据处理、数据标注、模型训练、测试验证等工作，这些环节对于算力有极高的要求，因此能提供高效算力的智算中心是车企持续迭代算法的关键。

而高算力的本质，就是烧钱。

蔚来在合肥建设了“蔚来云”智算中心，小鹏汽车在乌兰察布建设了“扶摇”智算中心，吉利汽车在湖州建设了“星睿”智算中心，长城汽车旗下的毫末智行发布了“雪湖·绿洲”智算中心，理想汽车也预计于今年三季度交付智算中心。

IDC数据显示，搭建人工智能计算中心时，主机厂及一级供应商对搭建人工智能计算中心的预算普遍超过1亿元；自动驾驶独角兽的预算普遍处在1至5千万之间。

建设投完成后，智算中心后续运营费用依然不菲。

特斯拉预计2024年将在Dojo超级计算平台上投入超10亿美元。何小鹏也判断，“小鹏在算力方面的投入，每一年年度费用可能从2025年开始要超过10个亿，如何把算力不断提高，如何把成本不断控好，如何把相关的技术铺垫做好，是未来的首要问题。”

对于本就未能实现盈利的车企而言，每年再增加10亿量级的研发投入，无疑会增加运营压力。

结语

城市NOA不仅能提高车企竞争力，更能促进整个汽车行业的发展。

城市NOA规模化落地既能为消费者提供更好的用车体验，又能避免交通事故从而减少人员伤亡，同时，城市NOA也是中国自主品牌车企实现弯道超车的绝佳机会。然而与特斯拉相比，目前中国车企共同面临智驾系统硬件成本高、可用数据量少等问题。

亿欧汽车认为，在城市NOA落地的过程中，各企业间合作的重要性远大于竞争，只有合作才能实现共赢。

高精地图虽然有种种缺点，但其作为软件服务几乎没有边际成本，一旦地图测绘完成，便可以低成本地快速复用，降低车端硬件成本，使得主流消费市场的车型也能用上城市NOA服务。如何搭建一套成本低、鲜度高的地图方案，需要政府、车企以及图商共同探讨。

同时，面对数据量少的问题，各车企和自动驾驶公司或许也可以共同建立一套相对标准的可以共用的数据库，不仅能成倍数地提升每家车企可用的数据量，也能给自动驾驶方向的学者提供科研上的帮助，加速技术的进步。

车企需要的，是高水平的竞争，而不是低水平的内卷。