但围绕激光雷达，从来不缺争议。特斯拉创始人马斯克曾经说：“傻子才用激光雷达”。也有造车新势力创始人称：“说激光雷达没用的非蠢即坏，特斯拉不是所有事都对”。
从大佬们旗帜鲜明的表态，我们可以窥见自动驾驶发展过程中两条截然不同的路径：一种是特斯拉为代表的纯视觉方案，主要依赖摄像头+AI来获取路况信息；而另一种则是多传感器融合，在车上安装摄像头、激光雷达、毫米波雷达等多种传感器。
那么，马斯克投了反对票的激光雷达到底是什么，能发挥什么作用？
最近，我们请到了激光雷达行业的资深从业者、深圳力策科技创始人&CEO张忠祥博士与峰瑞资本合伙人杨永成就自动驾驶技术成熟之路上的挑战与机遇，进行了一场深入的对话。
张忠祥在激光雷达研发领域深耕近十载，是光电系统与集成光学领域专家。在张忠祥看来，过去10年“不仅是中国汽车智能化的历史，也是国产汽车逆袭的历史。”
中国智驾10年：波澜壮阔的逆袭之路
杨永成：自动驾驶和新能源汽车是峰瑞长期关注的方向，我们投资了与自动驾驶相关的各种传感器项目，包括毫米波雷达、激光雷达以及与之相关的芯片等。张博士，你是怎么走上深耕激光雷达这条路的？
张忠祥：我从事激光雷达的研发将近10年时间。我本科毕业设计的内容是量子密码系统的单光子光源和探测，这个跟我现在做的激光雷达工作其实挺接近的。大学期间，我还获得了去台湾国立清华大学访问的机会，第一次接触到激光加速电子和非线性光学这些前沿物理，我触动很大，于是申请博士的时候就直接选了电子工程方向。
博士毕业后，我在香港工作了3年多，觉得工作太枯燥，萌生了创业的念头。当时，深圳刚推出“孔雀计划”，吸引我回到深圳创业。2013年，我注册了力策科技，最初没有计划融资，而是通过接项目来维持公司运转，前后累计接的项目金额超过200多万。
最开始我们做的是用于玻璃检测的拉曼激光雷达。入驻了留学生创业大赛的场地后，我发现楼上楼下有很多服务机器人公司，需求几乎都是测距型雷达，于是我们果断转向测距激光雷达。
2016年到2017年，车载激光雷达市场开始火热，我们决定将研发方向锁定在纯固态的光学相控阵激光雷达。
纯固态光学相控阵激光雷达是一种基于固态光束操控（Beam Steering）的三维测距系统，核心模块包括测距模块和扫描成像模块。测距模块的工作原理主要依赖于激光发射器发射激光脉冲，目标物体反射激光后，返回信号被接收端收集到，从而计算出物体的距离。
目前测距技术已经非常成熟，不少激光雷达团队的创新大多围绕如何完成高速三维成像去做。光学相控阵芯片其实就是完成从单点测距到三维成像的一个高效扫描引擎。
电扫式固态激光雷达样机实物与量产机想象图，图片来源：力策科技
杨永成：张博士是一个跨学科的创业者，既学过光学，又学过电子，如今他的创业方向正是电子与光学的融合。这种跨学科的交叉融合能力是峰瑞在选择和投资项目时非常看重的一点。
力策的产品与自动驾驶上下游息息相关，能否分享一下你对新能源汽车及自动驾驶行业的看法？
张忠祥：实际上，中国新能源汽车过去10年的发展，可以用“波澜壮阔”来形容。这不仅是中国汽车智能化的历史，也是国产汽车逆袭的历史。从汽油到电池的动力系统转变只是一个方面，而真正深远的影响来自于汽车智能化的发展。
我用四个数据来简要描述行业的现状，这些数据来自中国汽车工业协会以及中国汽车流通协会。第一个数据是67.6%，这是今年9月份自主品牌汽车在中国市场的占有率。第二个数据是46.3%，指的是今年9月新能源汽车在整体市场中的比例。第三个数据是约13%，这是今年上半年激光雷达在新能源汽车中的搭载率。
通过这些数据可以看出，不论是新能源汽车的增长速度，还是国产品牌的市场占比，都远超我们3年前的预期。而激光雷达作为智能化的重要标志，目前13%的搭载率也是一个相当不错的成绩。
不过，还有一个比较严峻的数字是4.9%，这是今年1到7月份中国汽车制造业大概的利润率，这是个非常低的数字，反映了当前行业的内卷程度。这种压力自然传导到供应链上，包括作为激光雷达企业的我们身上。因此，过去3年，降本一直是客户最迫切的需求。
通过技术创新来降本，才能保持产业链的健康运转。大多数量产车的自动驾驶系统，实际上都是在极致的成本控制下，努力去提升算法的稳定性、普适性和安全性。
因此，过去10年自动驾驶的发展历史大致可以分成两个阶段：2016年到2020年是以无人驾驶为主，例如百度Apollo这样的项目，当时资本关注的焦点也是无人驾驶；而2020年之后，量产车成为主角，高阶辅助驾驶和自动驾驶已然成为大家生活的一部分。
二、与自动驾驶相关的事故是怎么发生的？
杨永成：随着人工智能的兴起，大家对自动驾驶的探索也越来越深入。现在从特斯拉到国内的一些新兴造车势力，辅助驾驶甚至更高阶的自动驾驶功能已逐步投入市场。比如，像Robotaxi这样的自动驾驶出租车已经在服务行业中得到应用。自动驾驶似乎不再是遥不可及的梦想，而是触手可及的技术。
但另一方面，关于自动驾驶的负面消息也时有发生。例如，最近就有一起自动驾驶汽车在高速上未识别到水马并发生碰撞的事件。你怎么看待这些事故和自动驾驶行业的未来？
张忠祥：就像刚才提到的，自动驾驶在过去10年取得了长足的进步，但大规模推广至量产车上也就是最近3年的事情。现阶段我们称其为辅助驾驶，但实际上已超越了传统的 L2辅助驾驶，更接近“L2+”或“L2++”的水平，虽然还未到达L3，但距离已不远。
科技发展总是伴随试错过程，难免会有波折，甚至可能付出一些惨痛的代价，这是历史上无数科技创新的共同之处。自动驾驶也是如此。公众一定会经历一个过程，从质疑、尝鲜、小心翼翼的体验，最终逐步普遍接受。在这个过程中，人们的认知是螺旋上升的。
关于自动驾驶的事故，例如你提到的水马事故，这类情况也发生过不少。根据一些公开信息，自2021年起，美国国家公路交通安全管理局（NHTSA）调查了超过上千起特斯拉Autopilot相关事故。虽然由于数据隐私原因，这些报告未完全公开，但今年7月《华尔街日报》发布了一篇报道，分析了联邦文件及当地警方记录的事故细节，共涉及千余起事故，其中 222 起较为详细的事故记录。
根据报告，其中有44起是Autopilot系统突然转向的情况，31起因未能识别障碍物直接发生碰撞，这与水马事故情境类似。此外，报告中还披露了12个车祸视频，其中8起发生在夜间、2起在光线不足的黄昏环境。
这也符合我们的认知：摄像头作为无源传感器，在光线不足的环境下可能发生误判，因此未来的技术迭代中，多传感器融合应该是必然的方向。
杨永成：刚才提到的自动驾驶事故，我特地看了视频，当时是在高速公路上，路况也比较简单，施工人员在几百米远的位置设置了一排水马挡住车道。这种情况下，按理说车辆应该切换到旁边车道，避免撞上水马。但视频中显示车辆没有减速，径直撞上了水马，幸好没有造成严重事故。
当时能见度高，路况简单，为什么车辆还是撞上了？即使是纯视觉系统，至少也应该看到障碍物并采取减速动作。从技术上看，这是因为摄像头的局限性，还是智能驾驶算法的问题？
张忠祥：我不是自动驾驶算法方面的专家，但从逻辑上看，我猜测这起事故可能是车辆的传感器或算法没有识别到障碍物，否则应该会触发刹车动作。
我们通常有一个直观的认知，就是摄像头看到了障碍物，自动驾驶系统就会采取行动，比如刹车或转向。然而，目前通行的纯视觉智能驾驶方案通常是将摄像头数据传递给AI模块，由AI模块来输出障碍物的具体信息，比如障碍物的类型、大小和距离。
而AI模块识别障碍物的信息，取决于是否对该类型障碍物采集和训练了足够的数据。如果AI模型没有足够的数据，它可能无法识别出这个障碍物，相当于“看不见”了。
杨永成：我理解了，这和AI数据的积累有关。所以做自动驾驶的公司都在大量采集数据，积累行驶时长和路况信息，才能让系统更好地识别路上的物体，是这样吗？
张忠祥：对。系统识别到物体后，需要通过过往训练来判断其体积，并将其映射到数字世界的模型中。这种距离判断也和我们日常生活经验类似，比如根据物体在画面中的大小来推测其远近。
杨永成：你是说系统通过图像中的物体大小来判断距离，这是不是和我们人眼判断“远小近大”的逻辑类似？
张忠祥：是这样。
杨永成：那系统就需要一个经验值来辅助判断，要先“知道”这个物体是什么，比如人的大概身高，这样才能通过图像中的大小判断距离。
张忠祥：是的。在马斯克的思维逻辑中，他认为人类的神经网络和硅基的神经网络在本质上是相似的，所以希望车辆也能够像人类一样驾驶。
杨永成：也就是说，系统需要通过采集和训练，事先“认识”这些目标物。我也想起一个类似的事故，一辆车翻倒在高速公路上，底盘朝向后续车辆，后续车辆的系统因未训练过底盘的数据，无法识别出这是一辆车，导致了碰撞。
不过，我还是有些困惑，像水马这样的东西，在高速公路上很常见，是施工人员的标准设备，按理说AI模型应该能识别它。为什么车辆还会撞上水马堆呢？
张忠祥：其实单个水马和一堆水马的组合有很大区别。水马有不同颜色，组合方式也千差万别。摆放水马的人也不会考虑车辆系统曾经训练过的摆放方式。
此外，不同光线、周围环境背景下，水马可能会被识别成不同的障碍物。因此，即便是水马的组合，理论上也可以有无限多种情况。
在高速公路上还算相对规范，而在城市道路、胡同、居民区等地方，路边的物品和组合几乎是无穷无尽的。更重要的一点，在端到端的AI黑盒子中，我们无法人为地给某个场景贴标签，来提高其识别精准度。这也是端到端模型的局限性。
杨永成：大家可能以为随着AI模型的数据积累，自动驾驶系统应该能识别所有的常见物品。但现在看来，短期内不一定能够完全实现。
根据你的解释，AI模型在做目标切分时，有时未必能将连在一起的物体正确地分割，比如像摆放成各种形状的水马组合，它可能会把这些水马当作一个整体，是这样吗？
张忠祥：是的。
杨永成：那就是说，单个物体的种类虽然理论上是有限的，但它们的组合方式却是无穷无尽的，对吧？这样的话，高速公路上的物体组合相对简单些，而在城市道路上，比如胡同或生活区里的物品组合更加复杂，挑战性更大，对吗？
张忠祥：是的，所以城市道路的NOA（Navigate on Autopilot，自动辅助导航驾驶）比高速上的NOA要难实现得多。
杨永成：看起来实现自动驾驶还很遥远，你怎么看？
张忠祥：我觉得也不用太担心，技术其实在快速进步。即便是纯视觉方案，我们也看到，特斯拉的迭代速度非常快，AI和智能驾驶算法也在进步。除了纯视觉方案外，还有更好的技术方案，比如多传感器融合，结合了毫米波雷达和激光雷达。
目前，毫米波雷达已经大规模应用在量产车上，高端车型基本上也都配备了激光雷达。而Robotaxi这样的自动驾驶出租车已在道路上运行，并且配备了多个激光雷达。
三、激光雷达还是摄像头？自动驾驶的路线之争
杨永成：实际上这个行业里存在两大技术流派。一派是特斯拉的纯视觉流派，主要依赖摄像头来获取路况信息；而另一派则是多传感器融合流派，采用摄像头、激光雷达、毫米波雷达等多种传感器。这个理解正确吗？
张忠祥：是的，目前主流的三类传感器就是摄像头、毫米波雷达和激光雷达。
杨永成：激光雷达和毫米波雷达是什么关系？是竞争、替代还是其他？
张忠祥：我先说结论，两者是关系互补，融合才是最优解。我是多传感器融合派，激光雷达和毫米波雷达不是替代关系，和摄像头也不是。最优方案是将它们融合，同时保持成本可控。
毫米波的最大优势是抗恶劣天气能力，但成像能力较弱，即使是更高阶的4D毫米波雷达，与激光雷达在成像方面也不可相比。它们在自动驾驶系统中承担不同角色，我们可以对比一下它们的优缺点。
4D毫米波雷达从去年开始比较火，特斯拉带火了这一技术。4D毫米波雷达具备一定的三维成像能力，价格大约在1000~1800元人民币，对比目前激光雷达仍有一定成本优势，但比普通毫米波雷达贵不少。
但是在性能上，4D毫米波雷达与激光雷达差距非常大。比如测距精度这个指标，4D毫米波雷达的测距精度约为几十厘米，而激光雷达通常为2厘米。
随着激光雷达成本进一步降低，产品形态逐步固态化，4D毫米波的优势就会减弱，主要优势是抗恶劣天气。所以，我们认为最好的方案是融合，用毫米波雷达和激光雷达共同保障自动驾驶系统的安全和稳定。
杨永成：你刚才提到毫米波雷达的分辨率比激光雷达低很多，这是不是设计上的原因？还是因为物理上的限制？
张忠祥：这是由于物理上的限制。每种成像手段都有物理极限，这一极限取决于用于成像的电磁波波长。毫米波的波长是毫米级，而激光雷达的波长是微米级（1微米相当于1米的一百万分之一），差了3个数量级。这注定了毫米波雷达的分辨率不可能与激光雷达相比。
典型的毫米波雷达每秒输出约3万个点，而激光雷达每秒则可输出超过100万个点，这导致两者在空间分辨率上有很大的差距。
激光雷达的优势可以用一句话概括：它是目前人类掌握的最高效、最精准的三维成像工具。与摄像头相比，激光雷达在物理层面有两个特性：第一，激光雷达是有源传感器，也就是主动式传感器，能够自主发光；而摄像头是被动传感器，依赖环境光来成像。这一差异确保了激光雷达在任何光线环境下都能正常工作。
杨永成：主动和被动传感器，这两个概念具体指什么？各自的优点是什么？
张忠祥：主动式传感器，也叫有源传感器，就是自身可以发光，比如激光雷达会发出光并接收自己发出的光；而被动传感器，比如摄像头，是依靠环境光成像，所以环境光的好坏会影响它的成像质量。
杨永成：激光雷达就像一个带着手电筒的视觉系统，而这个“手电筒”就是激光，是我们目前所能发现的最好的光源。
张忠祥：对，这个比喻非常精准。
杨永成：那就是说，因为激光雷达有一个稳定的光源，它的接收端能够最大程度上保持数据的准确性，受外部环境的光线影响也最小。
你刚才还提到3D传感器，激光雷达的3D传感和摄像头的传感有什么区别呢？
张忠祥：这正是第二点区别。激光雷达输出的是三维点云（Point Cloud）信息，而摄像头输出的是RGB平面信息，即我们常说的二维信息。
点云是一种三维空间数据表示方式，通常由大量的点组成，每个点代表空间中某一位置的坐标（如x、y、z）。点云在多种领域中具有广泛应用，特别是在 3D 扫描、计算机视觉、激光雷达（LiDAR）测量、虚拟现实（VR）、增强现实（AR）等技术中。
在自动驾驶算法中，摄像头输出的信息会被转化为一个三维模型。例如，特斯拉在2022年AI Day上发布了Occupancy Network（特斯拉在自动驾驶中使用的一种深度学习方法），原理是通过摄像头识别物体，估算它在三维空间中的位置概率，从而重构现实环境，为决策提供支持。而激光雷达则是直接输出三维点云模型，不需要这一步的转换。
是否发光以及输出信息的形态，是激光雷达和摄像头的基本物理差异，这也决定了它们并非竞争关系，而是互补的关系。特别是在L3及以上的自动驾驶系统中，激光雷达是不可或缺的传感器。多传感器融合大概率比单一摄像头更安全。
杨永成：你刚才提到激光雷达可以提供额外的一维数据，这个额外的数据是否就是距离信息？也就是说激光雷达能够直接测量出障碍物的距离，不需要像人类靠生活经验或AI模型靠数据积累来推断，是这样吗？
张忠祥：是的。
激光雷达可同时获取灰度与距离信息。图片来源：力策科技
杨永成：这样解释得很清楚了。不过，马斯克曾经说“傻子才用激光雷达”，正如你提到的，人类开车靠的是眼睛，这也是一种直观的逻辑。所以，虽然高端车配备激光雷达，但不少中低端车仍然依赖纯视觉系统。有没有可能，未来纯视觉系统成功，从而不再需要激光雷达？
张忠祥：但也有人说 ，“不用激光雷达非蠢即坏”。其实马斯克还提到，激光雷达是一个“诱人的局部最大值”（local maximum）。他解释说，道路系统是基于人类的神经和视觉系统设计的，因此通用的自动驾驶解决方案应基于硅基神经网络和摄像头。
马斯克说的 “局部最大值”，其实是指激光雷达围绕车辆本体，基于本地传感器返回的信息来决策。这个概念很精准，如果在未来的高阶自动驾驶架构中不考虑成本因素，那么谁会放弃这种局部最大值呢？激光雷达直接输出三维点云，和摄像头需要通过大量数据训练来实现三维重构的步骤，其实是殊途同归的，最终都是为了让机器理解物理世界，从而做出驾驶决策。
但从商业化的角度来看，过去激光雷达的成本过高，而特斯拉起步比较早，没有其他选择，只能选择摄像头方案。随着AI和算力的提升，基于视觉的自动驾驶算法会更加稳定，这也是为什么马斯克认为纯视觉是有别于局部最大值的“全局最大值”。
纯视觉方案需要云端支持，在不同国家落地时需独立构建云计算中心，而且多摄像头的视频数据需经过压缩才能上传，这对本地算力要求更高。因此，激光雷达和纯视觉两个方案相比，前者是看得见的硬件成本高，后者是隐性成本高，特斯拉FSD的高订阅费也反映了这一点。
还有一点，即便不考虑全自动驾驶，在辅助驾驶系统中，激光雷达也可以显著提高自动紧急刹车的识别率。激光雷达的价值，地板是作为安全冗余，而天花板则是高阶无人驾驶系统。
激光雷达的价值显而易见，使用与否更多是商业考量，而不是技术上的必然选择。
杨永成：总的来说，自动驾驶技术路线有两种，一种是基于纯视觉加AI，另一种是多传感器融合，通过激光雷达直接获取3D数据，包括距离和速度信息，即使算法较简单也能实现智驾功能。
不过，这两种方案其实并不矛盾，可以互相融合。这让我想到医学的发展史，早期医学没有现代的X光、B超，中医主要依靠 “望闻问切” 积累经验。相比年轻中医医师，老中医积累的“大数据”多，判断也更精准。而现代医学则借助B超和生化检测做判断。激光雷达和视觉系统有些类似这种“直接测量工具”的作用，不需要大数据训练就能判断物体信息，对吗？
张忠祥：对，而且在自动驾驶中，人们对汽车驾驶的期待远高于人类驾驶水平，所以自动驾驶系统不仅需要实现和人类持平的驾驶能力，还要超越人类。
杨永成：这是不是也暗示了机器的进化史或科技进步路径不一定要模仿人类？比如最高效的交通工具是四轮汽车、火车和飞机，但它们并不依赖人类的两条腿。也就是说，技术进步不一定要走人类进化的路线，不一定以人类标准为最优，对吗？
张忠祥：是的。
自动驾驶，在哪里驾驶最难？
杨永成：据我了解， Robotaxi上的传感器，包括激光雷达，数量比普通商用车更多，这是不是和它在城市道路上行驶的复杂性有关？比如出租车可能会开进胡同这样的区域。
张忠祥：是的。
杨永成：如果从自动驾驶难度来看，你认为哪个场景最难？
张忠祥：事实上，高速自动驾驶的难度低于城区自动驾驶。在自动驾驶算法中，最先应用的是高速公路的NOA。我们看最近几年车厂发布的顺序来看，车厂通常先推高速自动驾驶，接着才是城区自动驾驶。
主要原因在于，高速驾驶虽然速度快，但对计算速度和传感器响应速度的影响不大。反而因为高速路环境封闭，路况相对简单，行车规则也明确，算法更容易成熟。而城市道路则复杂得多，需要处理更为复杂的道路环境和行人状况。
还有另一个高频场景——泊车。泊车看似低速，但体验要做好非常困难。目前大多数带自动泊车的车型都在用户手册中提醒车主，启动自动泊车前需确保周围环境适合。如果周围有消防栓等立体障碍物，自动泊车可能就无法正常运行。泊车虽然慢，但需要关注的环境范围广，精度要求高。所以，泊车的算法难度高于城区自动驾驶，而城区自动驾驶又高于高速自动驾驶。
杨永成：泊车和城市道路确实更复杂，那是否还和道路状况有关呢？比如泊车的空间通常很小，尤其是在中国，车位之间可能只剩下10到20公分的距离。而城市道路也比高速公路要窄，所以是否对传感器的精准度提出了更高要求？
张忠祥：是的，不仅是传感器的精准度，传感器需要覆盖的空间范围也更广。
杨永成：我们讨论了很久激光雷达，也基本了解了它在自动驾驶中的重要性和其提供的精准数据的价值。激光雷达的使用率其实并不高，并不是所有车型都配备激光雷达，这是为什么呢？
张忠祥：目前激光雷达在新能源汽车中的搭载率大约在10~13%，也就是说每 10 辆车中大概有一辆搭载激光雷达。以目前激光雷达的价格来看，这个比例不算低了。当前搭载激光雷达的车型主要是20万人民币以上的车型，而出货量最大的车型价格区间大概是10~20万人民币。
搭载率较低的首要原因是激光雷达的成本。目前主流的和已经上车的激光雷达价格已经从过去的数万元调整到了数千元，但是即便是这样，对于高度内卷的汽车市场，激光雷达依然是一个非常昂贵的传感器，特别是对于售价低于20万元的车型和未来的高阶自动驾驶，这种单车可能需要搭载3个激光雷达的场景，成本问题依然是车载激光雷达行业的痛点。任何工程创新的首要目标都是降本，这是核心价值所在。
另一个问题是激光雷达的鲁棒性。带有运动部件的激光雷达在汽车的工作环境下，耐久性和可靠性尚未经过长时间验证。随着自动驾驶算法对激光雷达依赖程度的提高，尤其是在L3、L4阶段，对激光雷达可靠性的要求也会更高。因此，成本和可靠性是目前限制激光雷达使用率的两个主要原因。
五、激光雷达进化史
杨永成：你正在做相控阵激光雷达项目，相控阵激光雷达的优势是什么？目前的进展如何？
（左）小尺寸OPA芯片与驱动ASIC（右）大口径OPA芯片，图片来源：力策科技
张忠祥：相控阵激光雷达和微波相控阵原理是一脉相承的，许多人可能因为军事应用，对微波相控阵更熟悉。这两者的工作原理都是通过相位延时量的调整，实现电磁波的相干叠加，从而改变电磁波传播方向。
相控阵激光雷达（OPA）芯片是一个固态扫描元件，可以显著减少激光发射和接收元件的数量，简化光学系统，降低光学装配难度，从而大幅度降低成本和产品尺寸。同时，由于没有机械磨损，固态激光雷达在可靠性和寿命方面显著提升。激光雷达也会从机械扫描，过渡到电子扫描的时代。
杨永成：事实上，当年我们的微波雷达也经历了类似的发展路径，最早是机械式的，像一个大锅一样，用电动或手动摇动扫描，后来就发展成了相控阵。这种相控阵技术在军用和高端微波雷达上非常普及，从外观上看就是一个平板，没有任何活动部件。当相控阵排布在军舰上，美国民众叫它“宙斯盾”，我们称之为“中华神盾”。
从技术上看，力策在光学领域实现了类似微波波束扫描的控制技术，这确实是个不错的技术，期待它的快速发展。比起早期海外昂贵的激光雷达，现在中国制造的激光雷达确实做出了很大贡献。有行业分析认为，激光雷达能够实现普及的定价大约是100美元。你觉得100美元的激光雷达有可能实现吗？
张忠祥：完全有可能实现。
六、特朗普上台对激光雷达行业有什么影响？市场未来机会在哪里？
杨永成：最近美国大选刚刚结束，特朗普又一次当选总统。你觉得特朗普上台会对激光雷达行业有什么直接影响吗？
张忠祥：特朗普当选在一定程度上也是马斯克的胜利，对FSD进入中国可能会有更强的预期。在中国这种复杂的交通状况下，特斯拉未来更有可能接纳激光雷达作为辅助传感器。
此外，2024年10月份有一则关于国家地理信息数据被境外公司非法获取的消息引起了热议。视觉自动驾驶方案依赖本地数据与云端的交互，汽车采集到的道路和行人数据会上传到企业的私有云端，虽然上传的数据是经过简化的函数，但在中国，中短期甚至长期内开放图像信息采集和上传的可能性较低。激光雷达基于本地算力完成自动驾驶的局部决策，在这种环境下优势明显，有可能成为唯一可行的自动驾驶方案。
杨永成：你创业多年，市场对激光雷达技术的需求和关注也在变化，你在心态上有过什么变化吗？
张忠祥：我们在OPA这条线上坚持了这么久，最重要的是我们始终坚信这件事能做成，而且做成后会有用。当我们看到实际展示的电扫激光雷达的点云效果时，我们验证了自己这么多年来的信念是真的，因为我们在一个接近单线激光雷达的成本结构里实现了200线的效果。所以，技术的坚持上，我们心态没有变化。
不过，从整个行业和市场环境来看，与几年前相比，现在的车载激光雷达市场已大不相同。几年前，我们主要关注技术研发和底层突破，现在阶段的考验更多是工程化迭代速度以及与车厂的商务能力，这可能是我们目前核心关注的点。
杨永成：你怎么看待自动驾驶的商用前景？从技术上讲，自动驾驶现在发展到了什么程度？
张忠祥：自动驾驶起步较早的公司中，特斯拉的FSD（Full Self-Driving，完全自动驾驶）版本其实一直在更新。每次更新后都能看到系统接管次数的大幅下降，说明技术是不断进步的。
不过，也可以看到在某些复杂环境中，系统平顺性仍然不足，让乘客感觉到颠簸，需要人工干预。特斯拉代表了国外自动驾驶技术的前沿，而在国内，许多团队起步稍晚，但在高阶辅助驾驶方面普遍采用了多传感器融合配置，而非特斯拉的纯视觉方案。
这几年来，以华为的“乾崑”系统为代表，智能驾驶系统也在快速进步，使用体验已显著改善，自动驾驶确实在一定程度上减轻了我们的驾驶负担。
至于现在的发展阶段和未来的演进速度，我想引用一个比喻：坐过高铁的人都有体验，当我们站在站台上看一列远处驶来的高铁时，会觉得它很慢，但当它离我们越来越近时，我们还没回过神，它已经呼啸而过。面对新技术、新潮流和新的商业模式，往往会有类似的体验。自动驾驶也是如此，我相信当我们真正看清它时，可能它已经离我们很近了，未来其实已不遥远。
