9月14日，由盖世汽车主办的2021中国商用车自动驾驶大会隆重召开。本次峰会主要聚焦商用车自动驾驶行业发展趋势，共同探讨从感知、决策到执行层面的核心技术，以及港口、矿区、干线物流、园区等不同终端场景的产业化落地方案。下面是麦肯锡全球副董事合伙人陈晴在此次大会上的发言。

大家早上好，感谢盖世汽车的邀请，很高兴有机会跟新老朋友交流对商用车自动驾驶行业的看法。今天我主要分享两大议题，第一个是麦肯锡对商用车自动驾驶总体趋势的预判；第二个是对关键的应用场景趋势的看法。

首先我们看一下对商用车自动驾驶的总体趋势。说到商用车自动驾驶，其实这是一个非常复杂，非常庞大的概念。从运载对象（人和货）、运输情景（城市内、市郊、乡村、高速公路以及各类封闭场地）以及运营主体（车是个人所有，还是私营企业在运作的，还是说市政的一部分），这里至少有二十几种不同的场景，里面有些是乘用车领域，但绝大部分要么是商用车领域，要么就是商用车和乘用车同样能够承担一些功能。

抛出乘用车的领域之外，我们把商用车的用途分几大类，干线物流，最后一公里，相对封闭场景的商用车自动驾驶应用。刚才周总也提到了，我们现在看到第三类封闭的场景在商业化上跑得比较快。这也不难理解，因为我们站在现在这个角度去看，从几个维度判断，不同类型的商用车自动驾驶到底是什么样的水平。比如说场景的变化程度，复杂度，相对封闭的环境是比较可控的；包括这个商用车走的是固定路线，还是说路线是可变的；包括交通环境是比较复杂的，行驶速度是否时快时慢，其他道路使用者是否负责多样等等。不同的因素可以评判不同场景的商用车自动驾驶商业化难度有多高，这跟市场上表现的实际情况是比较相符。

但这里面要区别一个点，这个打分有两个点需要注意。第一点，一大类场景下的各类子场景其实区别非常大，比如说封闭场景，港口和环卫差别就非常巨大。第二点，我们不一定需要被这个打分误导，因为有时候分数很高，但是缺一个口，对这个场景可能是木桶效应。

另外，商用车和乘用车有比较大区别，乘用车把车的智能做好，我对它使用的场景能够把控得住就可以开了。但是商用车一个大的特点，它除了单车智能之外，要和商用车所运行的大的生态环境联合起来。

这里我们举一个例子，刚才讲到三大类，这三大类很多子类和物流是联系在一起的。我们看到物流体系本身有很大的变革，比如说包括自动驾驶在内的自动化，它其实是物流体系大的技术变革五个里面之一。其他还包括物联网，敏捷的IT系统，大数据和AI算法的融入，与客户的交互模式变革。同时随着技术变革，物流行业本身在商业模式上有很多创新。

商用车自动驾驶相关企业，单车智能的技术能不能跟你所覆盖的应用场景大生态有效匹配，这很重要。从技术本身而言，有些企业的技术比另外一个竞争对手技术更先进，单体单车智能程度上更先进，但是没有跟生态很好地融合，从业务模式上，商业模式上的创新没有匹配进整个大环境，导致它在商业化推进过程当中，没有比他技术更次一点的竞争对手吃得开。这是商用车和乘用车自动驾驶很大的区别。

我们也可以看到，除了宏观趋势之外，商用车在车体智能化开发过程当中最大的难度还是在感知、规划这些算法上面。除了算法本身的成熟度，算法也是对商用车自动驾驶技术架构产生最大影响的点。还有一个点比较重要，就是智能硬件，传感器也好，芯片算力平台也好，这些对成本会有比较大的影响。但是这里面最大瓶颈还是算法成熟度对商用化量产的考验。

这是对商用车自动驾驶全局初步的判断，我们后面对三大类场景进行分享。首先是干线物流，干线物流最主要是重卡，麦肯锡觉得这个自动驾驶应该会分四个步骤实现，前面两个是列队的过程，列队分成两大类，一大类是每个车有驾驶员在。第二类是两台车前面有驾驶员，后面是无驾驶员的自动驾驶车辆跟着。再往前一步是有限的自动驾驶，这是什么意思呢？这跟乘用车不一样，乘用车走到L3或者L4，可能司机还是要坐在那边，特别是L3还要接手去开。但是重卡干线物流，我们所谓有限自动驾驶是说，从DC到DC之间，某一段是完全自动驾驶，司机是不在车上的。但是下了匝道，匝道到DC这个车司机要上去。最后是全自动，物流DC到DC，重卡端到端都可以自动驾驶。

基于这种模式，我们测算了下，一个重卡跑干线物流整个生命周期的全成本。在不同模式下，第一个列队基本上成本节俭比较有限，大概1%；第二种是可以有额外10%的节俭，这不是累加，是叠加的过程。我们测算到最后如果真的能DC到DC时候实现完全自动驾驶，可节俭空间大概45%左右，但这是理论上最大的潜力。我们也看了一下不同国家的情况，中国市场自动驾驶生命周期成本的节降潜力比欧洲市场大，但美国市场的特点使得其在干线物流自动驾驶节俭空间比中国更大一些。

主要有几个方面对成本影响比较大。第一，美国卡车司机比较贵，比欧洲更贵一些。中国其实不比欧洲便宜，主要是中国单车大多不会只有一个驾驶员。第二，卡车在生命周期里面行驶里程越大节俭潜力越大，美国平均车速比中国和欧洲要快，所以同样运作的时间里面，开得里程比较多。中国车速不如美国快，但是中国的行驶时间更长，司机有可能轮班开这个车。第三，自动驾驶能够节降的点主要是设备折旧之外的部分，因为固定的成本，设备折旧在自动驾驶里很难把这部分节降下去的，但是设备折旧中国市场占比明显比其他两个市场要高。总体而言，美国市场在干线物流这块自动驾驶成本节降是最大的。

自动驾驶除了经济上的考虑之外，还有安全考量。我们知道人的生命是无价的，2019年中国公路货运事故率还是比较高的，最大两个原因，一个是司机的问题造成的，包括不好的驾驶习惯，也包括疲劳驾驶。另外一个是跟车的设备有关，这里最主要是一些盲点，包括右侧盲点，倒车盲点。如果我们自动驾驶，不管是到了全自动，还是过程当中有限自动，其实对你设备问题的解决，包括对人导致事故发生都有弥补作用。

综合前述考虑，我们预判中国干线物流（重卡）自动驾驶渗透率将比美国和欧洲市场更快，但是中国市场特点是，有限自动驾驶提升空间会比其他两个国家更大一些。当然这是基于麦肯锡比较偏理性的，根据前面的分析得出来的结论。

第二个场景是对最后一公里的分享。干线物流自动驾驶在某些程度上来讲是锦上添花，没有也问题不大，但是最后一公里出发点就不一样。我们看到一个数据，左边是即时配送的订单增长量，右边是中国劳动力人口变化趋势，别看外卖小哥，过几年外卖小哥变得非常珍贵。这个情况下，商用车自动驾驶在大的生态体系，像配送的物主，各个平台其实对这个需求非常庞大。

这是世界经济论坛和麦肯锡对全球2000多个城市配送物流情况的跟踪。这里拿了全球最大的100个城市作为例子。根据现在看到的市内配送需求，如果我们对配送技术不做任何突破性的发展，到2030年整个城市为了物流配送的车辆保有增长将近40%，排放二氧化碳增加30%以上。还有是交通的堵塞，平均单程所需时间，全球最大的100个城市，还会再往上涨20%多。如果在上海，你开车上班的时间还要延长20%。如果我们要实现市内物流配送的需求，不做任何技术上突破，这就是我们面临的一个问题。所以我们也一直在思考要解决这样的问题，不能一直这样放手不管，解决这个问题有很多干预的措施，包括自动驾驶里面涉及到对现有车辆的改进（更多是从DC到城市内部驿站或者门店），新的车辆的引入（门店到客户真正最后一公里也有很多新的运输工具出现）。

排放也好，运输成本也好，交通拥堵也好，可以看到跟自动驾驶有关的，特别是从门店到最后客户那一段有两个大的工具，一种工具是非常小的小车，还有一种是能走机动车道的。这两种模式，我们测算下来占机动车道的，一车能够带很多单的模式，从成本上也好，对交通的堵塞也好，是相对有些负面的影响。反倒只放一两单非常小的小车，可以走人行道的，其实对我们的成本控制，排放、交通拥堵也好会有一些帮助。但是这里有一个区别，2000多个城市分成不同种类，有些城市是政府驱动非常强的，政府对排放拥堵都是有额外的惩罚措施，另外一个极端是政府不管，其实是比较收的状态，这些城市更多驱动力是来自客户。这两种不同类型的城市，各类自动驾驶方案对成本、排放、交通拥堵的影响程度会有区别。

总结一下，有几个新的方案跟自动驾驶相关。第一，最小的一两单带着货从门店到消费者，这个在中国挺多场景下走得比较超前了，有些已经在试用阶段或者实际已经到商业化的阶段。第二，无人机；以及第三类，放着很多多单货物，占机动车车道，类似有点像L5自动驾驶的新型配送车，其实从成熟度上，包括法律法规上还是有些差距。第四，类似波士顿动力这些机器人，真的有机器人把货送到客人手上，这个相对就会更加遥远一些。

第三个场景是封闭的场景，从港口、机场到矿区，每个类型的挑战机遇点完全不一样。这里举一个例子，以矿山作为一个例子。有点类似最后一公里，矿山的自动驾驶出发点还是必要性非常强。其实在矿山出事故是很严重的一个问题，虽然我们的事故率在下降，但是我们的伤亡人数还是比较高。另外，矿山是非常苦的活，很多驾驶员，你看到矿区工程机械车驾驶员，基本上60，70占主体，80，90再往后很多人是不愿意在这些工作场景里面。我们跟这些驾驶员也有一些跟踪，平均来讲是三年左右就走了，所以在人才缺失上面也是非常严重的一个问题。

自动驾驶在里面其实是运输的过程，运输本身有自动化的方式，但是它跟我们物流一样，也是商用车的特点。单车智能一定是要跟整个体系整合起来，比如说矿区，运输车的智能要和塔台匹配，跟前后流程自动化所有设备都要连起来。如果打不通，单体智能化一个是效果不好，另外也会出现问题。

麦肯锡与全球很多矿区进行合作，最近几年引入很多自动驾驶的算法和设备，这里举一个例子。这个例子是一个大的矿，但是要开一个新的小矿，整个过程我们引入了很多新的自动驾驶的设备，可以看到确实在人员成本的节控，新车的使用量，道路宽窄，因为是自动驾驶人为容错率不需要那么大，建设成本可以节俭。当然引入自动化有些成本是增加的，比如说塔台控制，客户使用自动驾驶算法和自动驾驶设备成本进去，所以这个项目从头到尾通过自动驾驶的引入NPV增长了20%，这个项目从成本投入到回收几年的时间，内部收益率差不多20%左右。

这个项目刚开始做的时候，预期收益率是更高的，但是我们发现商用车自动驾驶会遇到最痛的问题是，这个是真正非常运营驱动的业务。刚才设想的这个场景，为什么最后有些没有达到预期，因为对运营挑战非常大。比如说自动驾驶所有设备在矿区很多特殊环境下面，对设备的影响，效率会降低。包括我们在把司机拿掉的时候，特别是在国外，它的劳动合同绑得很死，这些成本应不像刚开始想的那么容易去扣除。这里举的例子是运输车辆的自动驾驶，它的作用跟你前面的开采和后面的筛选，不同自动化的设备，因为在衔接上有些时候排班排期没有做到最佳精益状态，导致中间效益环节没有最大化。

时间有限，我就分享这些观点。如果有机会，我们再根据具体问题进行深入交流，谢谢大家。