至于L3、L4等级的自动驾驶，虽然也有若干家公司声称进行了大量的路试和模拟训练，但并未缩短量产落地的预期时间。就连公认处于自动驾驶技术前沿的Waymo，其技术落地也未有任何明确时间表。
资本对自动驾驶的热情，早已在两年前就已跌落。如今还在进行中的项目，基本都是存量了。被主机厂收购的初创公司(譬如Cruise)，难免再次庆幸当初的选择。
技术瓶颈：虽咫尺而千里
自从优步自动驾驶的路试发生致命事故后，该项目实际上已经搁浅，并非由于事故本身，而是这条技术路线(深度学习)，看上去正在走进死胡同。
学术界越来越认同，当前自动驾驶的难点在于感知和决策规划。纯视觉方案虽然还在量产车上应用，但是正在被前沿抛弃。
而决策依赖算力。算力越来越便宜，可以在车机上运行更复杂的神经网络。但是，后者不仅训练成本高，研究人员还绝望地发现，当前系统无法适应现实道路的复杂。真实世界的复杂变化，很难用数学模型拟合出来。
而且，AI在模拟人类决策方面，也做得一塌糊涂。如果风卷起一堆枯叶在空中飘落，人类会照常行驶，而雷达和摄像头都认为是障碍物，需要停车或者避让。
训练系统认识落叶的形态，显然是愚蠢的。就算是一片水洼、路边的松鼠，都会给机器决策带来无穷无尽的麻烦，人类几乎不会受到影响。
现在处于试验阶段的L3、L4级自动驾驶，无一例外都装有多个激光雷达、毫米波雷达，很难在试验道路上遇到撞车这种事，但经常对简单路况(在人类看来)表现得傻里傻气，不是过于谨慎，就是一惊一乍。人们不认为，现阶段的AI拥有真正意义上的思考和判断能力。
技术团队越来越深刻地认识到，不存在工程手段，能给所有范式提供彻底解决方案。
显然，风投资本对此已经丧失了耐心。
商业化：水中望月
不需要深厚的知识储备，只要稍微涉及一点自动驾驶的技术就能明白，现阶段让人放开手脚的自动驾驶(L4、L5)的大规模应用，是不可能的。无论自动驾驶在测试道路上表现得多么完美和顺滑，至少3-5年内不会有人尝试将其商业化。
能够商业化的技术，必然能利用现有技术和工业基础，工程化样品没有明显瑕疵，再通过大规模工业生产压低成本，广泛应用，创造利润。
而这么做的前提是，技术已经走完了所有的研发阶段。
首先就是理论突破。科学家在很久之前就在理论上预见，并证明了可行性。现在芯片技术的理论基础是量子力学，后者在100年前就已被发现，并形成完整理论体系。
然后是技术突破。技术团队突破了技术实现的壁垒，做出了接近理论预期的样品。很明显，高等级自动驾驶正处于Demo阶段，问题在于，与预期相差太远。我们因此怀疑，从一开始是否就走错了路。
最后则为工程化阶段。逐一解决产品设计、方案优化、性能稳定、良品率的问题。
2019年诺贝尔化学奖授予发明锂离子电池的三位科学家。尽管伏打电池已经诞生超过200年，但是直到1979年，科学家才在实验室中实现锂离子电池的实用化方案。而我们如今使用的EV，则来源于1979年实用方案的工程化落地。
历史不会简单重复，但可以昭示一点让人冷静的规律。工程化的科技产品，从试验室走向工厂，大概要经历20年或者更久。位于第二阶段早期的自动驾驶技术，无论资本此前多么狂热，迟迟无法工程化，也足以让他们冷静下来。
现阶段，无人驾驶工程师们都紧盯着知名期刊上发表的所谓最新进展，希望获得工程化的灵感，反而说明了这一行业还远未到成熟的阶段。
资本的不理智之处在于，在第二阶段还未走完的情况下，强推进入第三阶段。打脸是一定的，投入越多，打得越狠。
但是，在特定场景下，譬如矿山、港口、仓库、工业园区等，以低速实现L4、L5级自动驾驶，现在已经没有障碍。这和泛化的L4技术完全是两回事。
现在这一趋势已经很明显了，新投资很少进来。有些初创公司在发布会上发布的自动驾驶视频，是以电影手法，一段一段剪辑出来的，甚至在现场偷着用笔记本电脑遥控车辆，希望忽悠投资人，让后者相信技术前景是光明的。投资人如今还被骗的概率，已经相当低了。如今若还这么做，等同于宣布自我了断。
未来出路：灰烬中的火星
既然追求中短期回报的资本不再进来，长期资本还在继续熬。譬如谷歌分拆的Waymo和通用的Cruise。不过，至少从公开资料上看，他们依然处于瓶颈期，尚无突破迹象。
而云端解决方案，因为5G的发展，正在赶上来。和单车智慧相比，依赖5G和云端指挥的车路协同，是一条不错的路。
云端指挥的基础是大数据。先收集驾驶经验数据，相当于拥有优秀驾驶经验池，而且针对每一条道路，都有最佳解决方案。
同时，道路和交通设施布满了传感器，走万物互联路线。两者共同告诉车机该如何行驶，后者不必理解为什么要这么做，只须根据场景引用。
而云端不是为了取代车端智能，而是降低后者的算力压力，简化设计，更快进入工程化。
云端将处于一个小区域范围的车辆组成了临时“局域网”。每一辆车都通过其它车辆获取观测数据，感知周围环境，以解决盲区和漏检。
信息互通的情况下，超车、通过十字路口都提前给周围车辆发送请求，云端通过统一策略协调，其它车辆无须盲猜对方意图，提升效率和安全性。毕竟数据链传送，远远快于车辆机械运动和制动。云端协调方式，比设计单车复杂行为逻辑、训练AI模型要简单得多。
但是，这不但需要5G、物联网(IoT)的高度发展，还意味着要翻新整个城市交通基础设施，需要投入天量资金，旷日持久。
如前所述，在AI训练上屡受挫折的技术团队，开始怀疑整个理论基础。AI训练的基础是人工神经网络，后者则受到神经系统结构的启发。但是冯·诺依曼体系(计算机基础架构)模拟生物能力，在推理、联想和潜意识判断等高级领域，完全无能为力。这是人类驾驶员的核心能力。
而人类对自身认知的规律理解层次非常浅，我们搞不懂大脑如何运作、记忆如何存储、信息如何搜索、灵感如何产生，所有神经深层次机制，全都知之甚少。这意味着AI用算法对人类的模拟，一定是拙劣的、浮于表面的。
自动驾驶作为应用学科，不可能跑到生命科学基础理论的前面，在后者还停留在小学水平上的时候，就取得重大突破，完全是痴人说梦。
从这一角度，自动驾驶已经凉了，只是资本意识到这一点的时间不长而已。当然，这项技术仍会发展，将在有限场景下获得有限的高等级应用。大批资本将在2-3年内退出，产业界将会转而寻求走5G支持下的云端+低算力车机道路。
