当地时间10月12日，特斯拉首席执行官埃隆·马斯克(Elon Musk)发布推特称：“按照承诺，下周二将发布有限的完全自动驾驶能力(FSD)的测试版。首先，这将只限于少数细心和精于驾驶的驾驶员。”

此前，马斯克在推特上透露，最新版本的完全自动自动驾驶能力软件能够实现“零干预驾驶”。

依靠自动驾驶技术划分而言，需要人类驾驶员共同驾驶的汽车通常被认为是第2级(L2)或第3级(L3)。共同完成驾驶任务的汽车被描述为半自动驾驶，通常包含多种自动附加组件，称为ADAS(高级驾驶辅助系统)。

由人工智能完全自主驾驶，在驾驶过程中没有任何人工辅助的汽车被认为是第4级(L4)和第5级(L5)。

在L2+自动驾驶规模化量产的当下，L3级自动驾驶乃至更高级别的L4/L5级无人驾驶，让人们对智能汽车的到来充满期待。

特斯拉的大招真的恐怖如斯么?

从某种意义上来说，这或许是一场精妙的文字游戏，目前特斯拉的“完全自动驾驶能力”并不能做到完全自动驾驶。

特斯拉官网显示，完全自动驾驶能力包括：自动泊车(平行泊车与垂直泊车);自动辅助变道：在高速公路上自动辅助变换车道;自动辅助导航驾驶：自动驶入和驶出高速公路匝道或立交桥岔路口，超过行驶缓慢的车辆;智能召唤：停在车位的车辆会响应召唤，在停车场的任意角落找到您。并且即将推出“识别交通信号灯和停车标志并做出反应”，以及“在城市街道中自动辅助驾驶”两项功能。

另外值得我们注意的是，特斯拉国内车主一直诟病完全自动驾驶功能在国内道路并没有想象中好用，性价比不如免费的基础版辅助驾驶功能，尤其是在高速公路匝道的驶入驶出仍有不少改进余地。

市场已至下半局，国内企业进展如何?

根据2020年10月12日中国电动汽车百人会、腾讯自动驾驶与中汽数据有限公司联合发布的《中国自动驾驶仿真蓝皮书2020》显示，当下“该融资的都融到了，该发布技术的已经发布了，大部分企业都进入了潜心研发的阶段，这是自动驾驶企业进入下半场的标志。”

针对当下国内自动驾驶的行业瓶颈问题，蓝皮书倡议，在统一的标准格式内，各单位进行基础场景库的共建，并在此基础上各自拓展个性化场景库，避免“重复设计轮子”的过程。与此同时，还可以将仿真平台应用于更加实用的领域，如智慧城市、智慧交通管理、智能网联汽车认证等领域。为适应即将到来的智能网联汽车与传统汽车混行的道路环境，研发仿真系统的公司也应及时开展混行交通与人机交互相关的场景模拟。

最后，蓝皮书中还提到，自动驾驶仿真技术作为自动驾驶的底层核心技术之一，应当确保国产化，如此才不至于因为外国的技术封锁导致产业进入停滞。

为什么说自动驾驶是AI发展的关键钥匙?

有资本方认为，人工智能时代的第一个“杀手级”应用就是智能汽车。智能汽车算力的指数级增长，意味着它具备引领行业往前推进的核心资源，而这样的资源会外溢成为下一步发展的很多基础设施。谁能掌握自动驾驶最核心技术的推动力，谁就掌握了下一代人工智能发展的钥匙。

从细分情景来看，自动驾驶单套算法需要177亿公里验证，就传感器而言其主要包括雷达和光学摄像头，相当人的耳朵和眼睛，主要功能是车辆收集周围的“即时信息”，实时了解车辆周围的环境，为无人驾驶车辆提供完整、准确的各类环境数据。

尤其是摄像头作为众多预警、识别类ADAS功能的基础。车载摄像头主要包括环视摄像头、内视摄像头、后视摄像头、前置摄像头、侧视摄像头等。其中，光学摄像头是场景解读的较佳工具，能较好地分辨颜色，但是没有立体视觉效果时，缺乏“深度“，无法判断物体和相机(车辆))间的距离。

依照人工智能产业的发展时间线划分，在曾经，人工智能行业首先落地于安防。

在行业发展中，以雪亮工程为例，其主要应用于深度学习、视频结构化、人脸检测、人脸特征识别、人体特征识别、车牌识别、车辆特征识别、大数据分析及应用等。通过人工智能技术，可以对前端采集的原始监控图像进行结构化解析，按照规范标准，把原始的视频图像数据自动转化为准结构化和结构化数据，形成相对应的主题数据库，并将数据提交至大数据平台进行相关的数据模型、技战法等使用，形成丰富的实战应用，如人车轨迹刻画、落脚点分析、预测预警等服务，充分发挥监控图像的实战价值。

可以说，在过去与安防行业的结合中，人工智能积累了大量有价值的数据和算法。依照行业发展而言，在已有大量图像相关的算法和数据后，若要更进一步，投身自动驾驶行业属意料之中的事实。

同时，在落地安防行业的过程中，人工智能技术还诞生了一系列的问题。例如随着新技术和硬件设备的发展，人工智能技术已经进入一个日新月异的地步，在雪亮工程中我们也常常看到视频智能分析、深度学习、大数据等技术的身影。然而，要想利用视频智能分析挖掘出视频图像中更多的信息，对视频成像质量有非常高的要求。目前，环境对监控摄像头的视频成像质量的影响很大，可能会有光照不足、目标遮挡或者尺寸很小等一系列问题。

另外，由于编码和网络带宽等因素，会导致视频卡顿、视频画面模糊等问题，无法实现视频的智能化分析。深度学习技术只能保证设备制造过程中的学习，并且不能保证实时进一步研究和分析所收集的图像。

再加之早期的智能化工程中，智能分析技术并不成熟，多为单场景地对目标进行检测和对目标行为的分析，这种单场景的分析一般对视频内容的理解能力偏弱，针对大范围场景的关联行为分析比较少，没有较多的有效经验来支撑异常分析，以及对风险做预测。

因此，想要解决这些问题，那么一个相对而言更加“严苛”的环境则是必要的。那么我们也可以到的这样一个类比，如果将人工智能比作矿石，那么落地安防行业便是初步的熔炼打磨，若想成钢，更加严苛的淬打必不可少。这样就是为何在资本的眼里，未来谁掌握了自动驾驶的核心技术，谁就有人工智能发展的核心钥匙。