阿尔法公社
一个大力帮助企业家的天使投资基金
现在有传统厂商、大型科技公司、初创公司等几十家公司，在以各种方式探索自主车技术。显然，这些公司和方法不可能都成功；但我们可以从中学习和探索：在自主驾驶领域，会不会出现赢家通吃的情况，哪些厂商或路线有机会实现？这个行业有没有网络效应？像互联网行业，一两个巨头会成为最后的赢家，还是五到十家公司激烈竞争？
自动驾驶领域，玩家多，组件复杂。
这些问题很重要，因为有可能知道未来汽车行业的趋势和格局。未来，一个汽车巨头OEM会从ABS模块这样的供应商那里购买成熟的自动驾驶系统，还是像微软、英特尔(改变了PC行业格局)这样的自动驾驶厂商或新车厂商会改变汽车行业的格局？
首先，用于自动驾驶的硬件和传感器(包括汽车电子的传感器)将成为高度可替代的商品。就像当初的液晶屏，可能需要很多科学和工程上的改进才能成熟，但一旦成熟，并不是不可替代的。他们可能有很强的规模效应，但没有网络效应。比如现在激光雷达的成本可能是5万美元。当其未来成本下降到几百美元时，某个头厂商可能成为细分市场的赢家，但因为没有网络效应，不会影响整个格局。就像索尼做了最好的图像传感器(它是苹果和很多头机厂商的供应商)，并没有帮助索尼的智能手机业务变得像苹果一样强大。
3D激光雷达成像
另一方面，在自主驾驶领域，可能不存在PC或智能手机这样的占主导地位的第三方软件开发者生态系统。Windows超越了封闭的Mac，Android打败了Windows Phone，因为他们为开发者提供了一个开发自己应用的平台，形成了良性循环。自动驾驶系统可能不存在这种循环，因为你不会因为某个软件而买车，而是会有一个全面的购买决策。
至于自动驾驶软件系统，会在全市范围内进行路线优化选择，也就是说要把所有具有自动驾驶能力的车作为一个整体来对待，而不仅仅是一辆自动驾驶的车或者一个“自动驾驶出租车”车队。网络车模式无疑具有网络效应，但随着自动驾驶技术的加入，会变得更加复杂(自动驾驶技术可能会使网络车的乘坐成本降低四分之三甚至更多)。自动驾驶网络车队会动态的对自己的车进行预定位，这些车以及可能的所有其他车会实时协调自己的路线，以达到最大效率(也许是跨团队)，从而避免所有车同时选择相同的最优路线，造成冲突。
Windows Office让微软成为个人电脑时代的赢家
从技术角度来说，这三个层面(驾驶、自动选路优化、按需配车)在很大程度上是独立的。优步可以用通用的自驾，可能会用Waymo的自驾技术。然而，很明显，一些制造商希望捆绑这些水平的技术发挥作用。比如特斯拉计划吃掉整车、自动驾驶、网络车业务；优步不会要求你只用自己的自动驾驶系统。但是，虽然微软利用Office和Windows的绑定形成了网络效应，成为了PC时代的赢家，但是一个小OEM坚持让你用它的自动打车服务，就像1995年苹果坚持让你买Apple Works而不是微软Office一样。我怀疑可能还有更中性的方法。如果我们协调所有跨城市的车辆，甚至在路口的车辆之间进行通信(应该存在)，那么可能需要某种公共楼层(虽然我一直认为分散式系统更好)。但这些预测毕竟只是猜测，就像你在1900年预测现在的交通拥堵一样。
地图和驾驶数据会产生网络效应
我们可以讨论一下自主驾驶领域的关键网络效应会出现在哪里。这可能和硬件有关；传感器和软件。但更多的是和一些重要的数据有关。对于自主驾驶，两种数据很重要：地图和驾驶数据。
高精度地图
首先是地图。不知不觉中，人脑会不断对传感器(眼睛、耳朵、皮肤触摸)数据进行实时处理，构建出我们周围世界的三维模型；这样，当我们穿过森林时，我们就不会被树根绊倒，也不会把头撞到树枝上。在自动驾驶中，这被称为SLAM(同步定位和绘图)——我们绘制周围环境的地图，并在其中定位自己。很明显，这是自动驾驶的基本要求：一辆车需要使用各种传感器来找出自己在道路上的位置和周围的特征(直道、弯道、路肩、红绿灯等)。)，并且还需要找出其他车辆的相对位置及其行驶速度。在真实道路上实时执行此操作仍然非常困难。人类可以用视觉和声音进行定位，但是从成像(尤其是2D成像)中提取周围环境的数据并生成精确的三维模型仍然是一个未解决的问题。机器学习可以提高这种可能性，但目前还没有足够的能力实现高精度的实时自动驾驶。这就是为什么几乎所有的自动驾驶项目都将成像与360度激光雷达结合在一起：每个传感器都有其局限性，但通过将它们结合起来(“传感器融合”)，您可以获得完整的图像。在未来的某个时刻，仅仅通过成像就有可能建立一个你周围世界的模型，但是使用更多的传感器可以更快地到达那里，虽然需要等待这些传感器的成本和尺寸满足未来的使用要求。
如果激光雷达是SLAM的捷径，那么另一个更可行的方法是使用预先构建的地图。你可以提前测量所有的道路(不需要实时处理所有的数据，建立道路模型)，然后把完整的地图安装在任何一辆自驾车上。有了高精度的地图，自驾汽车不必在高速行驶时实时处理所有数据，识别各种弯道、红绿灯或各种意想不到的杂物；而是可以在高清3D模型上找到关键地标，快速定位自己在路上的位置。因此，自主车辆可以使用相机和激光雷达，将感知到的图像与预先构建的高精度地图进行比较，而无需从头开始，从而提高定位的速度和精度。
地图有网络效应。当任何一辆自驾汽车沿着预先设计好的道路行驶时，它不仅会将道路与地图进行比较，还会更新地图数据：每辆自驾汽车都可以同时作为测试车。如果你已经卖出了50万辆自驾，而别人只卖出了1万辆，你的地图就会更新得更频繁，变得更准确，这样你的自驾车遇到的新的、意想不到的路况和事故就少了。你卖的车越多，它们的自动驾驶性能就越好——这符合网络效应的定义。从长远来看，这里的风险是，就像自主车辆可以在没有激光雷达的情况下完成SLAM一样，它们也可以在不使用高精度地图的情况下完成SLAM——毕竟，人类也可以这样做。目前还不清楚高精度地图的使用是否会成为未来的主流，但目前已经销售了很多具有自动驾驶功能的汽车，很多自动驾驶测试车正在道路上行驶。
地图是第一个有网络效应的数据，下一个是自主车了解周围环境后的行为数据。在空旷的道路上或者满是自驾汽车的封闭道路上行驶，是现在自驾汽车的主要场景，但是要搞清楚其他司机会怎么做，在真正的道路上怎么做，又是另外一个问题。
机器学习是自主驾驶突破的重要推动力：机器学习不是用复杂的规则来解释人、车、路的动作，而是用数据(数据越多越好)。你收集的关于真实世界中真实驾驶员的行为和反应的数据越多(你可以测试汽车或学习特斯拉)，你的自动驾驶系统软件就越能更好地了解周围的情况，更智能地规划和反映汽车下一步应该做什么。就像地图一样，你的测试车会在发售前收集尽可能多的数据，你卖出的每一辆车都会在发售后收集并返回数据。所以就像地图一样，卖的车越多，自动驾驶系统越强，可以达到网络效果。
在自动驾驶系统的模拟训练中，驾驶数据还可以带来其他优势。比如你想解决以下问题：“如果发生X，我们的自动驾驶系统软件会有什么反应？”解决办法之一是派一辆自动驾驶测试车在城市附近的道路上开一整天，看看它对这种事件的反应。但问题是这不是一个受控实验，现实中这些随机情况发生的概率很低，所以测试的效率会很低。所以，更好的办法是用仿真软件测试各种情况。例如，您可以反复测试“激光雷达会检测到那辆卡车吗？”这样的场景，你也可以将测试数据和情况与真实的道路数据进行比较。
所以有一个间接的网络效应：你对真实路况的驾驶数据越多，你的模拟就越准确，你的自动驾驶系统软件就越强大。模拟在规模上也有明显优势。当你的计算能力更强，工程师更多，尤其是经验丰富的工程师，你的系统就会更强大。比如加入Google，显然给Waymo带来了优势：据报道，加入Google之前，Waymo每周可以驾驶2.5万“真实”自动驾驶里程，但加入Google后，平均每周可以测试1900万英里。
因此，可以说特斯拉在地图和驾驶数据上都处于领先地位：从2016年底开始，特斯拉在量产车上配备了自动驾驶组件，包括8个摄像头(提供近360度视角)，以及前向雷达和超声波传感器。这些传感器可以收集司机的真实行为数据，并将其发送回特斯拉。问题在于，由于只有前向雷达，特斯拉世界模型的大部分数据来自于摄像头的成像。但如前所述，由这类数据组成的世界模型有其局限性。显然，特斯拉走的是一条不同于依赖激光雷达的自动驾驶仪制造商的道路；它赌的是计算机视觉的发展速度，而不是等着未来可能出现的廉价/实用的激光雷达。同时也意味着计算机视觉软件将不得不解决更多的难题，所以会带来更多的挑战，更加缓慢的成熟。如果未来的激光雷达在短时间内(更小更便宜)成熟，而特斯拉以计算机视觉为主的自动驾驶系统在同一时间段内无法有相应的性能，那么其前期积累的优势可能会被淘汰，我们拭目以待结果会如何。所以能产生赢者通吃效应的网络效应就体现在行车数据和地图上。这就带来了两个问题：谁获取数据，你需要多少数据？
数据所有权是一个有趣的权力和价值链问题。很明显，特斯拉计划把自主驾驶技术的所有重要部件都造出来，装在自己的车上，所以有完整的数据。然而，一些原始设备制造商认为，由于他们的汽车和客户之间的关系，他们应该拥有数据及其分销权，而不是为任何技术合作伙伴。我不确定销售GPU、相机或激光雷达等“商品”的供应商是否想保留数据。但是开发整套自动驾驶系统的公司需要数据，因为这就是它的工作原理。如果他们不能把数据放入系统，他们的技术就无法提高。这意味着原始设备制造商为供应商创造网络价值，但除了更好的自动驾驶性能，他们没有获得任何价值。这就是PC或Android OEMs的情况：他们同意在产品中使用软件来创造网络效应，这使得他们的产品卖得很好，但是他们的产品几乎已经成为商品(具有很强的替代性)，网络价值属于科技公司。这是一个循环，大部分价值属于厂商，而不是OEM。当然，这也是大多数汽车原始设备制造商想制造自己的自动驾驶技术的原因：他们不想像康柏电脑一样结束。
这就引出了最后一个问题：你需要多少数据？随着你添加更多的数据，系统会越来越好，没有任何限制，还是存在一个S曲线——是否存在一个点，在这个点上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。测试车辆需要布置的密度有多大，测量和更新数据的频率有多高，才能使地图的数据精度足够高。每个参与者的市场份额最低是多少，整个市场给参与者多大的空间？到底这个市场会有十家公司，还是只剩下一两家？有没有可能有一群二级原始设备制造商整合他们所有的地图数据集？这个生态系统不像消费软件生态系统——RIM和诺基亚不能共用黑莓和S60用户，但你可以共用地图。这是进入的障碍还是条件？这篇文章是由阿尔法公社从投资者和分析师本尼迪克特埃文斯的个人博客上汇编的。
阿尔法创业基金(Alpha Startup Fund)是中国领先的早期投资基金，由带领公司在纳斯达克上市的胥思清和创新工场(innovation works)前联席管理合伙人姜亚梦于2015年创立。
阿尔法公社基金的三个特点是系统投资、社会企业家社区运作和重工业资源加速增长。重点做好半导体、企业服务软件、人工智能应用、物联网技术、金融技术等科技创新领域的前期投入。目前已投资白山云科技、薪酬、美琪/乘云、ADVNACE等30多个项目。AI，还有威沃科技。
阿尔法公社荣获“2017年中国最受欢迎的20家企业家天使投资机构”、“2019年中国最具发现性的10家企业服务投资机构”、“2020年中国最受欢迎的50家企业家早期投资机构”等36个奖项。还获得了“2018年中国早期基金30大最佳回报”、“2019年中国早期基金30大最佳回报”、“2020年中国投资机构10大软实力GP100科技实力”等奖项。
创始合伙人胥思清荣获“2019年中国50大早期投资者”、“2018年中国企业服务10大投资者”、“2019年企业服务20大投资者”等奖项。创始合伙人姜亚梦荣获2019年《福布斯》中国最佳风险投资家奖和2019年中国中生代50强投资人奖。
