随着人工智能、物联网、5G移动通信等新一代数字技术的发展与成熟，其与实体产品的融合日趋紧密，汽车是其中的典型代表。近年来，汽车企业持续推进整车的自动化智能化水平，市场对无人驾驶的接受程度也在逐步的提升，具有辅助驾驶或无人驾驶功能的汽车销量迅速增加，自动化与电动化一起成为改变全世界汽车产业格局的重要力量。未来无人驾驶仍有巨大的发展空间，且会向无人驾驶的方向发展。同时也要看到，无人驾驶汽车的发展也面临技术、成本、数据、基础设施和法律等方面的制约和挑战，需要积极采取一定的措施加以应对。

  汽车产业规模大、先进的技术集成度高、产业关联度强，是美国、中国、日本、德国等制造大国的重要支柱产业。无人驾驶作为一项颠覆性技术，其发展水平必然的联系各国汽车产业的国际竞争力和全球产业分工格局，因此世界主要国家都格外的重视无人驾驶的发展，不少传统汽车大国发布无人驾驶路线图和发展目标，在交通法规、监管政策等方面积极探索，推出一系列支持无人驾驶的产业政策，以重塑汽车产业竞争优势、保持和强化全球竞争地位。例如，美国在联邦和州政府层面发布了一系列法规，逐步对无人驾驶向更高等级发展进行松绑。我国将无人驾驶作为新兴起的产业发展的重点领域，工信部等相关部委出台了一系列自动驾驶相关的发展战略、规划和标准，一些地方也在积极开展关于自动驾驶的地方立法。随着自动驾驶技术的逐步成熟和性能提升、成本下降，市场接受度不断提高，产业呈现快速发展势头。总体上看，国内外自动驾驶汽车呈现以下五个方面发展特点：

  一是技术水平快速提升。国际汽车工程学会（SAE）2014年1月发布的J3016标准定义了从无驾驶自动化（L0）到完全驾驶自动化（L5）等6个驾驶自动化等级，2021年4月该标准更新到第4版。我国2021年8月发布并于2022年3月1日实施的《汽车驾驶自动化分级》（GB/T 40429-2021）国家标准与国际汽车工程学会的划分大体一致，将驾驶自动化划分为6个等级，0级是应急辅助，1级是部分驾驶辅助，2级是组合驾驶辅助，3级是有条件自动驾驶，4级是高度自动驾驶，5级是完全自动驾驶。自动驾驶的核心硬件主要包括高分辨率摄像头、激光雷达、毫米波雷达、各种专用芯片，软件主要包括智能泊车、导航辅助驾驶（NOA）、高级驾驶辅助系统（ADAS）以及集成各种功能的智能座舱。在国家、企业、科研机构等各种力量的共同推动下，自动驾驶的软硬件性能、车载计算平台的算力持续提高。例如，Mobileye在2014年量产的EyeQ3芯片算力为0.256TOPS，2018年量产的EyeQ4芯片算力为2.5TOPS，目前的智能驾驶芯片算力已达到200TOPS。目前，包括自适应巡航控制系统、车道保持辅助、后方及侧方盲点监控、辅助停车、变道辅助等L1/L2级自动驾驶功能已经非常成熟，L2+技术方案逐步应用到越来越多的车型。根据工信部的数据，2022年，L2级乘用车新车渗透率达到了34.5%。从Github技术社区新建研发项目的数量变化也能看出自动驾驶技术的进步，L3/L4级自动驾驶新建研发项目占比从2016年的18.2%提高到2022年的55.6%，L1/L2级占比相应地从81.8%下降到44.4%。

  二是产业和市场持续扩大。自动驾驶的巨大潜力吸引了大量投资进入。在我国，自动驾驶领域的融资在2015年出现快速增长，2014年融资事件4起，融资金额0.45亿元，2015年增加到17起5.57亿元，2015年至2021年间融资事件402起，融资金额939.91亿元，其中2021年融资事件111起，融资金额497.8亿元。资金的大量投入催化了自动驾驶技术快速发展、市场接受程度提高，越来越多的车型加载了自动驾驶功能，由此也推动了一批重视自动驾驶的车企快速发展。但由于在推广中遇到各种困难，L3级及以上技术的落地进展较慢，甚至一些投入高级别自动驾驶的明星公司出现经营困难，或被迫转入L2+级的自动驾驶，整体上自动驾驶的实际应用还处于L3以下水平，但L2、L2+级自动驾驶增长很快。全球乘用车L0、L1、L2级智能驾驶上车数量，2020年分别为2330万台、1948万台、1080万台；2021年分别为1800万台、3070万台和1947万台。根据“爱普搜汽车”的数据，2022年1-11月我国国内自动驾驶L1级销量256.86万辆，同比下降18.7%，渗透率14.7%，同比下降2.7%，而L2及L2+级销量600.96万辆，同比增长46.0%，渗透率34.5%，同比增长11.8%。自动驾驶装机量快速增长的同时，相对较高级别的自动驾驶所占比重也在持续提高。世界主要国家也在积极推动自动驾驶向无人化的实际应用方向发展。美国已经开展较大规模的无人驾驶试点，有62家公司获批在加利福尼亚州进行自动驾驶测试。我国多个城市也开启了无人化探索，例如，2022年4月，北京在经济技术开发区60平方公里范围内投放30辆车，在全国率先开展“主驾无人、副驾配备安全员”的自动驾驶出租车(Robotaxi)商业化试点。矿山、码头、园区接驳等封闭、低速运行场景下的路况简单、没有行人干扰，在这类半封闭场景或限定场景下初步实现了L4级别的高度自动驾驶。

  三是多种类型发展模式并存。推动自动驾驶汽车发展的关键力量是自动驾驶技术。自动驾驶的巨大发展潜力吸引了包括原有汽车主机厂、供应商在内的各种力量的加入。自动驾驶行业的不同参与者各具优势，从而也形成了自动驾驶的多种发展模式。主机厂采取多种不同的进入模式，强势主机厂依靠具有自动驾驶技术的传统一级供应商，投资芯片与算法创业公司，通过内部创新循序渐进发展自动驾驶，或者采取上述几种方案的组合；造车新势力将自动驾驶看作核心竞争力的重要组成部分，往往自研芯片、算法；国内小型主机厂多采取与成熟自动驾驶方案供应商合作的模式；还有一些主机厂与自动驾驶解决方案领先企业以合资或战略合作方式孵化独立自动驾驶整车品牌。自动驾驶第三方供应商也有多种类型，包括以博世为代表的传统汽车电子一级供应商，以Alphabet的WAYMO和百度的Apollo为代表的互联网巨头跨界提供自动驾驶解决方案，以地平线、Mobileye为代表的以自研芯片为导向的自动驾驶方案集成商，以Momenta为代表的算法领先型集成商，以及以图森未来为代表的面向特定场景的集成商。此外，不少出行平台公司也在积极开展Robotaxi的技术和方案探索。自动驾驶技术是对汽车产业原有技术路线的颠覆，会引发主机厂、供应商等产业格局的重构，例如，主机厂希望保持传统汽车时代的供应链主导地位，而自动驾驶企业希望拥有更多的供应链话语权甚至控制权，由此主机厂商、传统供应商、新兴供应商围绕供应链价值链主导权展开激烈竞争。

  四是中国国际竞争力不断增强。中国政府高度重视自动驾驶发展，各种类型的企业也纷纷加入自动驾驶技术研发、应用试点和商业化推广。电动化和智能化是汽车产业高质量发展的两大趋势，而且这两大趋势是紧密交织在一起的。相比之下，新能源汽车企业特别是国内外造车新势力将无人驾驶作为形成差异化优势的卖点，发展无人驾驶的动力更强，因此新能源汽车企业成为我国无人驾驶发展的重要推动者，并处于行业领先水平。我国电动汽车产销量连续8年全球第一，有力地带动了自动驾驶技术的发展和应用。在高速领航领域，2020年底以来，蔚来汽车、小鹏汽车、理想汽车先后推出各自的辅助导航驾驶功能NOP、NGP和NOA；在市区导航领域，2021年以来，小鹏汽车推出城市NGP功能，蔚来汽车和理想汽车也拟推出市区导航辅助驾驶功能NAD和NOA。年度平均接管里程（MPI，Miles per Intervention）是衡量自动驾驶水平的核心指标。根据美国加州交通管理局发布的2022年全年自动驾驶数据，MPI表现最好的前10名公司，美国5家，中国4家，德国1家，其中前五名分别为Cruise（美国）、AutoX安途（中国）、Zoox（美国）、WeRide文远知行（中国）、Didi滴滴（中国）；在车队规模排名中，美国公司Waymo、Cruise和Zoox分别384辆、350辆和106辆位居前三，中国自动驾驶公司Pony.ai小马智行、安途、文远知行和滴滴分别居第6、第8、第10和第12位。在自动驾驶零部件领域，国产化也取得很大进步。虽然国内企业在高级驾驶辅助系统（ADAS）的行车领域差距较大，2021年来自德国、日本、美国的大陆、博世、电装、采埃孚、安波福占据前装市场约80%的份额，但在高级驾驶辅助系统（ADAS）的环视及泊车领域，2021年国内市场前五名的供应商为博世、同致电子（TTE）、法雷奥、德赛西威、苏州智华，其中第2、4、5名都为中国企业。

  尽管自动驾驶技术快速发展、市场需求不断成熟，整个行业呈现繁荣发展的景象，但自动驾驶进一步发展需要更好地解决在技术、成本、数据、基础设施等多方面存在的问题，法律法规的缺位与不健全也成为自动驾驶向更高等级发展的掣肘因素。

  第一，技术成熟度的制约。自动驾驶的发展水平取决于各种硬件、软件、计算能力等方面的技术进步及其整合效果。尽管自动驾驶的软硬件取得很大进展，但现有技术仍存在不足，对自动驾驶向高阶发展形成制约。例如，激光雷达穿透雨雾的能力有限，易受强光干扰；摄像头视觉感知的灵敏度在夜间和恶劣天气中会显著下降。近年来，不乏知名品牌自动驾驶车辆或头部自动驾驶公司的测试车型发生事故，不少是因为自动驾驶系统没有对障碍物准确识别造成的，暴露出自动驾驶技术不成熟的问题。由于不同的方案具有各自的优缺点，因此目前自动驾驶的技术路线并未确定，无论在感知层、决策层均有多条不同的技术路线在竞争。例如，在感知层，特斯拉的Autopilot坚持视觉主导的方案，且未采用高精度地图，这种方式成本低廉，但是易受环境、天气影响；小鹏汽车的XPILOT选择激光雷达主导方案，并配合高精地图，这种方案精度高、探测距离远，受天气、环境影响较小，但成本高。还需要注意到，随着自动驾驶向更高自动化水平发展，车载芯片的数量大幅度增长，对算力的需求也显著提高。当前，我国地平线、华为海思等芯片企业在芯片算力方面与英伟达、特斯拉、Mobileye、高通仍存在较大差距，同时中国大陆的芯片先进制程制造能力相比世界先进水平也存在较大差距，在美国等西方国家加强对芯片产业链控制、将芯片作为大国博弈工具的形势下，我国车载芯片的供应链安全存在较大风险。

  第二，软硬件成本的制约。自动驾驶功能虽然会将车辆驾驶员解放出来、给用户带来更好的用车体验，但是新功能的实现需要付出额外的成本，用户会在新增功能与额外成本之间进行权衡。如果实现自动驾驶的成本过高，只会有少数“领先用户”采用，销量不够大、企业利润不够多，就会缺乏资金进行技术创新投入，迟滞技术的迭代升级进程。自动驾驶高昂的软硬件成本成为其普及和功能升级的重要阻碍。一方面，虽然摄像头、激光雷达、V2V/V2I、处理器等软硬件单位成本有了显著下降，但无人驾驶功能仍然会显著增加车辆成本；另一方面，自动驾驶功能升级将会进一步增加车辆的硬件数量和代码量，L3级及以上对增加硬件冗余备份的要求更高，会进一步增加成本。L3级别自动驾驶的算力需求为20TOPS，是L2级的10倍，L4级、L5级的算力需求分别达到400TOPS和4000+TOPS。罗兰贝格预测，自动驾驶从目前的L2级升级到2030年的L3级时，对应的单车软件价值会从8000-16000元提高到16000-32000元。有分析表明，单车智能价值的零部件成本在10-20万之间，这么高的成本是普通家庭难以承受的，相对而言对商用车总售价的影响较小，目前在商用车领域应用的可能性更大。

  第三，基础设施的制约。自动驾驶的技术路线包括单车智能和车路协同两个方向。自动驾驶向更高水平发展甚至进入到完全无人驾驶阶段，不仅需要单车智能方面的硬件和软件进一步的技术发展和性能提升，还需要通信端、路端、云端等基础设施与车辆形成协同。例如，美国联邦交通运输机构筹资成立的研究所历时数十年发展包括“车辆对车辆通信”（vehicle-to-vehicle，V2V）与“车辆对基础设施通信”（vehicle-to-infrastructure，V2I）在内的“车对外界的信息交换（vehicle-to-everything，V2X）”技术。目前，单车智能路线受到车端传感器安装位置、探测距离、视场角、时间同步等限制，在繁忙路口、恶劣天气、逆光等复杂环境下难以解决精准感知识别和高精度定位问题；而路侧数字基础设施本身具有道路信息感知、道路信号发布和控制等功能，通过无线通信网络实现与车辆的数据交互共享，能够弥补车端感知有限视距、感知盲区等短板，进一步提高自动驾驶车辆对道路环境的感知能力，辅助车辆作出更安全高效的决策，进而提高交通效率、减少交通事故。但总体上看，适应自动驾驶发展的信息基础设施在我国尚处于探索、试点的早期阶段，离大规模商用要求还存在不小差距。

  第四，数据丰富度的制约。自动驾驶是数据驱动的技术，无论是摄像头方案还是激光雷达方案，都需要收集大量且场景丰富的数据，用于自动驾驶算法的训练和迭代升级。车辆是一种对安全性要求非常高的产品，自动驾驶的安全性只有远超过传统汽车的水平才有可能取代人类驾驶。但是自动驾驶场景中的数据呈现出典型的长尾分布特征，即大多数场景会频繁出现，而边缘场景（corner case）出现的概率很低。特别是在当前无人驾驶被限定在相对固定、有限的区域，更是限制了多元化场景数据特别是边缘数据的获取。虽然高阶辅助驾驶功能在相对简单的路况下（如高速公路等车道线清晰、车流适中的场景）能够较好地实现，但是面对城市道路等复杂的场景却难以做到完全让人放心，在一些长尾路况中可能会由于对环境的误判而发生事故。自动驾驶向更高等级发展特别是高等级自动驾驶从测试场地到有限区域再到全天候路况扩张，场景的复杂度逐步的提升，对数据的规模和质量也提出更高的要求。边缘场景的低概率特征决定了在实际路况下获取数据需要大量行驶里程的积累，这是一件非常耗时、成本高昂的工作。据估计，无人驾驶要超过人类司机的安全性，需要超过80-100亿英里的测试里程。测试里程不够，无人驾驶的安全性就无法提高；而安全性不高，高级别无人驾驶就被限制在测试阶段和有限区域，又会制约测试里程的增长。一种替代的办法是构建数字化仿真场景，使用模拟数据进行训练，但仍存在边缘情景收集和标注难度大，仿真场景构建壁垒高等问题。此外，高精地图的覆盖率较低，也需要花费时间和资金用于数据采集和制图。

  第五，法律法规不足的制约。当无人驾驶进入到L3级之后，车载系统就在相当大的程度上取代驾驶员实施对车辆的控制，也正因如此，国际汽车工程学会2021年更新的标准将L0-L2级称为“驾驶员辅助系统”，L3-L5级称为“无人驾驶系统”，也就是说，达到L3级的车辆才真正可称为“无人驾驶”。从L3级开始，自动驾驶系统可以在不同程度上驾驶车辆，因此车辆或者其背后的生产厂商需要承担更多的责任。目前，对于L3及以上无人驾驶在权责认定、道德伦理等方面存在较大争议和法律缺失的情况。在系统操控车辆的情况下，当车辆发生事故造成损害时，对人类无法诉诸过错侵权，适用于无人驾驶汽车的注意义务标准也不同于人类驾驶者。目前，国内外一些法律法规对无人驾驶车辆中的交通事故责任进行了划分。例如，2022年8月实施的《深圳经济特区智能网联汽车管理条例》规定，“完全无人驾驶的智能网联汽车在无驾驶人期间发生交通事故造成损害，属于该智能网联汽车一方责任的，由车辆所有人、管理人承担赔偿责任”，因智能网联汽车存在缺陷造成损害的，车辆驾驶人或所有人、管理人在按规定赔偿后，可以依法向生产者、销售者请求赔偿。但是一方面，事故原因的判定还需要更多明确的条例和规范，另一方面，这些法律仍然没有解决当发展到无人驾驶阶段后，由抽象的理论转变为现实的“电车难题”。所谓“电车难题”是指当电车面对突发意外时，如果电车沿原有路线行驶，就会造成更多的人员伤亡；拐向岔路可以比沿既定路线行驶减少伤亡，但会把与电车原本无关的人员卷入其中，在这种情况下如何选择就会面临伦理困境。由人类驾驶的车辆在突发事件发生时，驾驶员会作出判断和应对，并承担由此造成的后果。但是在无人驾驶的情况下，车载系统做出应对方案选择的依据是什么？汽车厂家又是依据什么预先设定算法？算法的设计者即汽车厂家又应该因此承担什么样的责任？因此，为了规避法律方面的风险，即使目前已有企业在技术上实现了L3级甚至L4级的一些无人驾驶功能，仍然推迟发布L3级产品，要求车辆行驶中需要驾驶员配合并随时接管车辆控制权。法律的缺失以及由此造成的不确定性风险，成为无人驾驶发展的制约因素。

  不少机构对无人驾驶的发展趋势作出了乐观的判断。例如，甲子光年预测，到2026年全球乘用车L0、L1、L2级智能驾驶上车数量分别达到535万台、2531万台和6010万台；科尔尼预测，L4级别车型将于2024/2025年上市，到2030年，L2+级别无人驾驶普及率达到90%，其中L3及以上级别达到50%；IHS Markit预测，L3级无人驾驶与全自动停车、全高速自动巡航等L4级功能将于2025年在大众市场普及，到2030年，L4级无人驾驶在大众市场普及，L5级功能在高端车型实现。根据国家发改委预测，2025年我国智能汽车数量将达2800万辆，渗透率82%，2030年智能汽车达到3800万辆，渗透率达到95%。但是要实现这些目标，需要采取措施解决无人驾驶在技术、基础设施、数据、法律法规等方面的制约。

  首先，加快无人驾驶技术发展。将无人驾驶作为国家科技研发重点支持的领域，加大对车规芯片、激光雷达等关键硬件和操作系统、智能座舱等软件系统及其产业链上下游、V2I基础设施等领域在基础科学、产业共性技术上的研发投入。深化科技体制改革，支持企业与高校、科研机构联合申报国家科技项目，促进科技成果的产业转化和相关科技人才进行科技创业。鼓励整机厂商、零部件供应商、数字科技企业加大对无人驾驶技术的研发投入，组建技术联盟、建立开源社区，积极参与国际技术合作与国际技术标准的制定。

  其次，推进车路协同基础设施建设。推动车用无线通信网络（如LTE-V2X）、新一代车用无线X）的建设，在部分城市、高速公路率先应用。逐步推进市政道路的数字化改造，重点在目前开展高等级无人驾驶区域的道路安装智能摄像头、激光雷达、智能信号灯等基础设施，推进车路协同的实现。推动制定高精度地图国家标准，支持无人驾驶企业、地图导航企业、出行服务企业建立战略联盟，共享道路实时数据，推动高精地图的动态更新，提供更精准服务。

  再次，促进数据的积累。支持地方政府扩大高等级无人驾驶运行区域，鼓励各类无人驾驶企业增加路测和运营车队规模，积极参与国内外法律法规宽松地区的路测和实际运营。促进无人驾驶仿真技术开发，构建行业性数字化仿真公共平台，鼓励企业采取仿真模拟方式增加数据积累。完善无人驾驶数据采集、存储、传输、交易的相关法律，在保证公共安全的前提下，支持车企采取“影子模式”，通过在有人驾驶状态下开启传感器探测车辆行驶道路周围的数据，支持车企将无人驾驶数据进行交易共享。

  最后，推进无人驾驶立法工作。鼓励地方政府制定无人驾驶地方性法规，对无人驾驶的安全设计、开发、测试和应用等方面作出规定，包括具有高等级无人驾驶功能的车辆上路行驶条件，发生事故时的事故原因鉴定流程、事故责任划分依据和赔偿责任，车辆保险政策和赔付规则，对无人驾驶车辆、制造商、供应商、Robotaxi的监管等。总结国外和地方立法实践中的经验教训，根据技术发展、市场需求，适时制定全国性的无人驾驶法律法规。

  【注：本文系中国社会科学院研究所创新工程项目“全球先进制造业竞争与中国制造强国建设研究”（项目批准号：2022GJS02）及中国社会科学院登峰战略优势学科（产业经济学）项目研究成果】