文丨智驾网 阿森

编辑｜浪浪山与明知山

在一个月前的6月4日，工信部公布9家车企入围智能网联汽车准入、试点联合体，在部分城市放开乘用车L3级城市路测和L4级的Robotaxi商业化运营尝试。

几乎整整一个月后，昨天，（7月3日），工信部等五部门正式公布了“车路云一体化”首批试点城市名单，北京、上海、重庆、鄂尔多斯、沈阳、长春、南京、苏州、无锡、杭州、合肥、福州、济南、武汉、十堰、长沙、广州、深圳、海南、成都等20个城市入选。

单车智能与车路协同在一个特定的历史节点再次被放到一起审视。

相比五年前的2019年，中国汽车工业协会常务副会长兼秘书长付炳锋在上海嘉定举办的第11届中国汽车论坛上表示：汽车信息安全已摆到了决策者的桌前，智能汽车的技术路线即将纳入统一管理，车路协同被视为自动驾驶的中国方案。

今天单车智能随着一方面算力大幅提升，同时激光雷达等传感器成本下降，在中国市场，高阶智驾正成为头部智能汽车品牌的标配，对车路协同数据的需求正直线下降。‍‍‍

车路协同做为中国自动驾驶的中国方案正受到越来越多的怀疑。‍

从当前的历史节点来看，车路云一体化发展的紧迫感和焦虑感比以往都要具像化地强烈。‍

为什么说紧迫？因为从发布试点通知到正式官宣名单，整个时间不足6个月。

今年1月17日，五部门联合发布《关于开展智能网联汽车“车路云一体化”应用试点工作的通知》（以下简称《通知》），至昨日首批试点城市名单正式公布。五部门协同30余个城市便完成了试点方案申报、汇总审核、专家评审等多项工作。

整体解读来看，此次入选的20个试点城市，五部门联合想向外界传达之意为，此名单共呈现三大共性特点：

一是：多数入选城市具有“双智”试点和示范区的基础，“底子”更好。

毕竟，北京、上海、广州、武汉、合肥、济南等12个双智试点城市，在政策保障体系支撑、智能基础设施建设、场景示范应用等方面积累了丰富的实践经验和成果，后续升级改造时的投入成本将更低。

二是：入选城市普遍具有良好的汽车产业基础，包括北京、上海、广州、武汉、重庆、长春、沈阳、十堰等地均是我国重要的汽车产业基地，对推动汽车产业智能化转型的积极性较高。

因为，深圳、海南、杭州、无锡等地在智能网联汽车领域发展较快，在政策突破、产业聚集等方面具备一定优势，可以为“车路云一体化”应用试点提供有力的政策和产业支撑。

三是：入选城市对智能网联汽车发展重视程度更高，投入决心更加明显。与部分城市、企业的观望态度不同，入选城市对“车路云一体化”应用试点有着明确的目标和发展规划，多数城市已建立跨部门协同工作组织机制，形成了由市政府领导、各部门分工协作、共同参与的工作专班，跨部门、跨领域统筹推进“车路云一体化”相关工作。

名单对海南省做了重点描述：海南省突破当前国内以单一城市或市辖区为单位创建国家级应用试点、先导区的模式，以“全省一盘棋、全岛同城化”的理念开展省级示范。

看完这份名单，你或许对车路协同和单车智能是共生关系还是一场零和博弈关系感到更为好奇。

争议多年之后的今天，两者到底存不存在一种胜负关系？

这是市场经济的自由选择还是一场带有计划经济色彩的顶层设计？

那么，今日这份五部门联合发布的名单意义又在哪里？

01.专家认为非两条独立的技术路线

无论是单车智能还是车路协同，L3级以上功能面临的核心问题都是技术成熟度。

单车智能和车路协同主要的参考依据是感知和处理主要依赖于边缘计算还是云计算，根据这个分为两类：

主要依赖于单车感知和处理的边缘计算，单车自主决策，属于单车智能。

主要依赖于路段以及环境设施感知和处理的云计算，路端给出信号，车端以路端信号为主要决策参考，属于车路协同。

中国工程院院士、清华大学车辆与运载学院教授、中国汽车工程学会理事长李骏在第十一届国际智能网联汽车技术年会（CICV 2024）上表示，目前自动驾驶两条技术路径——单车智能和车路云一体化并不是两条独立的技术路线，而是具有相互促进的作用。

长期以来，以特斯拉为代表的企业在单车智能方面处于领先地位，而车路云被业内视为自动驾驶的中国方案。

对于单车智能与车路云一体化存在的“角力”关系，多位业内人士向智驾网表示：“单车智能重点发展车端，而车路协同重点发展车侧和路侧的数据融合，将单车智能和车路协同两端的东西结合起来。”

因此这两者协同前进是非常有必要的。

两者的互补优点分别在于：

单车智能更依赖人工算法和高端的芯片做决策，这两个领域都是美国科技企业的核心优势，因此以特斯拉为代表的美国科技企业都选择了这一流派。

单车智能擅长的是解决车路协同“规模化和商业化”瓶颈问题。

而车路协同更依赖于道路的基础设施，比如5G基站、卫星互联网、道路上架设的传感器和边缘计算等设备，这些都属于新基建。

所以车路协同可以助力单车智能解决“长尾问题”以及广域的交通信息交互需求（例如几公里外的桥梁坍塌等信息），弥补单车的局限性，拓展自动驾驶的运行设计域（ODD）。

按照《智能网联汽车技术路线图2.0》的定义，智能网联汽车需要进行环境感知、决策、控制、执行，才能实现无人驾驶。在环境感知的过程中，牵扯到单车智能和车路协同的选择。

单车智能感受到的是相对近距离的信息，而车路协同可以实现超视距的感知。如果单车智能相当于一个不依靠工具而凭借个人经验上路的人，那么车路协同就是在个人经验的基础上加上工具的支持，以获得更多信息。通过车路协同可以节省大量人力、降低单车成本，有利于最终实现无人驾驶。

当然，在协同发展的过程中，这需要各方做好自己份内的事情包括但不限于：

车企必须做好应用功能的开发；智能驾驶技术供应商则应该提升单车传感器、控制器性能和可靠性，推进技术迭代升级；

网联服务供应商要做好网络建设和运营服务；交通系统建设方要做好硬件基础设施的投入和商业模式的建立；

政府要发挥好牵头作用。

02.打破单车智能高成本的悖论

在固有认知里，具备高阶智驾能力的车型若仅依赖于单车智能，则必须进行包括激光雷达、摄像机、毫米波雷达等多传感器感知信息的融合，并对决策控制算法精度提出了非常高的要求，因此，其高昂的硬件和软件成本导致高阶智驾的汽车难以大规模民用化。

但随着目前激光雷达下探至千元级别，单车智能正趋近实现L3及以上自动驾驶功能。

高精度地图也是实现L3+自动驾驶系统不可或缺的技术底座。

对于L3级自动驾驶，传统的静态地图已不再适用，需要静态与动态交通信息结合的高精度地图数据，需求数据精度也提升至20-50cm。

而L4级自动驾驶则需要精度更高的激光点云辅助分析，可将数据精度提升至10-30cm。

高精地图也被视为是支撑整个车路协同的底层架构之一。

车路协同里很重要的一项能力就在边缘侧，边缘侧的设备要具备感知、计算、存储、分发、决策、分析等边缘计算能力，这些能力对空间融合、空间基准的要求非常之高。

而高精地图能够满足地图匹配、辅助环境感知、路径规划等多种需求，所以一直被视为是实现车路协同的底层支撑技术。

但是，所谓用车路协同和高精地图方案都只是特定场景的解决方案，不会是大规模铺设的乘用车方案。

国内某头部地图厂商曾表示：“原来依靠车路协同的时候，导航的数据提供都是车路协同来提供，包括红绿灯变灯时间、何时临时管制灯信息。但现在单车智能通过我们自己的大数据预测就可以做到这些功能，并不需要第三方来提供数据。”

那么有人会问，若完全依赖单车智能，corner case是不是将更难以得到解决？

这个说法如果放在端到端、生成式AI尚未兴起之前，或许是为车路协同辩证最好的武器。

但大模型加速上车、各类新技术的智能涌现、端到端的方案炸起，自动驾驶水平当下有了明显飞跃。

特斯拉 FSD V12 通过神经网络，人工编程的 C++控制代码由30万行缩减到了3000行。

元戎启行曾做过统计，如果手动处理case，一位工程师一天只能处理10 多个，但端到端模型可以用AI的方式去解决问题，系统性学习老司机。

那些端到端「反常识」的优点，就是在为车企降本增效。

这怎么不算破解了单车智能和车路云的无限游戏？

03. 车路云，一笔复杂的经济账

今年1月，工业和信息化部、公安部、自然资源部等五部委印发《关于开展智能网联汽车“车路云一体化”应用试点工作的通知》，应用试点以城市为主体自愿申报，试点期为2024-2026年。

在清华大学自动化系系统工程研究所教授、博士生导师姚丹亚看来，先导区的试点示范把汽车、交通、通讯等多领域整合起来，将智能辅助驾驶与交通管理、城市基础设施结合起来，实际上是在帮助未来实现智能驾驶上路“排雷”。

事实上，自2016年以来，我国陆续出台了一系列政策并实施多个试点项目，推进车路协同发展从未停过。但由于车路协同系统复杂性高、路侧设施覆盖率低且分布较散、标准不统一等原因，导致车路协同效果难以显现。

不过从这次全国试点城市申报和建设规模来看，都是城市级别，不同以往示范区那样小规模。

此次名单中对这20个试点城市的总投资预计在800到1000亿左右。

这会打破一直以来政策热、市场冷的局面吗？

毕竟，车路云融合强调协同，前提条件是一定要从政府层面推动。

车云试点申报对应的资金主要来自国家专项债或超长期国债，地方财政和企业也会出资建设。地方政府会有一定比例的配资，但主要依靠国家专项债。

但据联合早报报道，我国今年1-5月财政收入下降2.8%，其中税收收入同比下降5.1%，非税收入同比增长10.3%。联合早报在文中对该数据的分析观点总结为：显示需求疲软拖累中国经济复苏。

财政收入的减少一定程度上意味着车路云的发展受到限制，政府因此会减少对车路云企业的扶持和签单概率。

某业内知名“车路云一体化”自动驾驶系统的企业在四年前曾向智驾网透露，如果对道路进行智能化改造，一公里大概需要200多万元人民币。

判断200多万元的信息基础设施建设成本高不高，需要拿来和高速公路的建设成本做比例运算。

通常而言一条标准的双向4车道高速公路，每公里造价起步在3000万元左右。因此，200多万元几乎占到传统基建10%的成本，不可谓不高。

中国工程院院士、清华大学教授、中国汽车工程学会副理事长、国家智能网联汽车创新中心首席科学家李克强在CICV上，对当前业界对车路云一体化方案的三点误解给出了回答。

其中一项是对信息基础设施建设成本高，网联行驶难以大范围部署推广的误解做出了澄清：传统道路扩建受限，通过新技术赋能，以小于传统基建1%的成本，可有效实现交通扩容。同时通过车路云一体化，将部分感知、算力移至路侧和云端，将避免车端配置过度堆积，实现大系统成本总体最优。

1%和10%之间的成本差距，很难说没有在为车路云做辩护。

据一位早期成立于硅谷、现扎根上海的某智驾厂商CTO看来：“随着外资、美元基金大量撤入中国之后，很多投资机构都变成国资背景的，有很多地方政府加国资背景为主的基金在投车路协同，他们是无法接受车路协同在三年之后还看不到收益的，尤其是现在的市场状况。”

这并非偏见，车路云一体化能不能用起来，是决定未来能否实现商业化闭环的关键。

蘑菇车联CTO郭杏荣在不久前的CICV 论坛上表示，要进一步提高车路云一体化的规模化应用。

他指出，当前车路云一体化的应用仅限于智能网联汽车和部分试点城市，2023年5G和C-V2X前装搭载量仅为170万辆和30万辆，应用规模不足导致公众感知不够，其商业价值尚未显现。

除了上述讲到的感知、通讯、集成等技术难点外，当前车路协同试点最大的难点是商业模式。

无论是通讯计算的部署、上车辆、还是道路部署，规模和体量是远远不够的。而规模化牵引出来的另一个问题是：谁来投资、谁来运营；以及路端基础设施的建设、维保谁又来掏钱等经济问题。

李克强院士对于车路协同路线在今年提出了8类可商业化落地场景：车路云一体化公交系统、智能环卫系统、无人送货车、网联式智能驾驶乘用车、无人出租车（Robotaxi）、智慧矿山、干线物流和数据闭环与数据增值。

在这8大场景中，乘用车排在了第四位，最直观的应用场景像公交系统，环节系统都属于市政公共服务以及物流体系。

也就是说，车路协同正与单车智能分道扬镳，二者不再是替代关系。‍‍

正如亚当·斯密在《国富论》中写到的，“在一切改良中，以交通运输的改良最为有效”。

自动驾驶的发展道路注定不会平坦，存在着诸如伦理、道德、价值等方面的问题，也存在着诸如芯片、标准、网络安全等方面的难题亟待解决，但正是因为有问题要解决，才会有更多进步与发展。