2024年上半年，激光雷達在中國新能源汽車中的搭載率大約在10%~13%。也就是說，大概每10輛新能源車中，就有1輛搭載激光雷達。對于汽車而言，激光雷達就像一個帶著手電筒的視覺系統，能夠直接測量出汽車與障礙物的距離。

但圍繞激光雷達，從來不缺爭議。特斯拉創始人馬斯克曾經說：“傻子才用激光雷達”。也有造車新勢力創始人稱：“說激光雷達沒用的非蠢即壞，特斯拉不是所有事都對”。

從大佬們旗幟鮮明的表態，我們可以窺見自動駕駛發展過程中兩條截然不同的路徑：一種是特斯拉為代表的純視覺方案，主要依賴攝像頭+AI來獲取路況信息；而另一種則是多傳感器融合，在車上安裝攝像頭、激光雷達、毫米波雷達等多種傳感器。

那么，馬斯克投了反對票的激光雷達到底是什么，能發揮什么作用？

最近，我們請到了激光雷達行業的資深從業者、深圳力策科技創始人&CEO張忠祥博士與峰瑞資本合伙人楊永成就自動駕駛技術成熟之路上的挑戰與機遇，進行了一場深入的對話。

張忠祥在激光雷達研發領域深耕近十載，是光電系統與集成光學領域專家。在張忠祥看來，過去10年“不僅是中國汽車智能化的歷史，也是國產汽車逆襲的歷史。”

中國智駕10年：波瀾壯闊的逆襲之路

楊永成：自動駕駛和新能源汽車是峰瑞長期關注的方向，我們投資了與自動駕駛相關的各種傳感器項目，包括毫米波雷達、激光雷達以及與之相關的芯片等。張博士，你是怎么走上深耕激光雷達這條路的？

張忠祥：我從事激光雷達的研發將近10年時間。我本科畢業設計的內容是量子密碼系統的單光子光源和探測，這個跟我現在做的激光雷達工作其實挺接近的。大學期間，我還獲得了去臺灣國立清華大學訪問的機會，第一次接觸到激光加速電子和非線性光學這些前沿物理，我觸動很大，于是申請博士的時候就直接選了電子工程方向。

博士畢業后，我在香港工作了3年多，覺得工作太枯燥，萌生了創業的念頭。當時，深圳剛推出“孔雀計劃”，吸引我回到深圳創業。2013年，我注冊了力策科技，最初沒有計劃融資，而是通過接項目來維持公司運轉，前后累計接的項目金額超過200多萬。

最開始我們做的是用于玻璃檢測的拉曼激光雷達。入駐了留學生創業大賽的場地后，我發現樓上樓下有很多服務機器人公司，需求幾乎都是測距型雷達，于是我們果斷轉向測距激光雷達。

2016年到2017年，車載激光雷達市場開始火熱，我們決定將研發方向鎖定在純固態的光學相控陣激光雷達。

純固態光學相控陣激光雷達是一種基于固態光束操控（Beam Steering）的三維測距系統，核心模塊包括測距模塊和掃描成像模塊。測距模塊的工作原理主要依賴于激光發射器發射激光脈沖，目標物體反射激光后，返回信號被接收端收集到，從而計算出物體的距離。

目前測距技術已經非常成熟，不少激光雷達團隊的創新大多圍繞如何完成高速三維成像去做。光學相控陣芯片其實就是完成從單點測距到三維成像的一個高效掃描引擎。

電掃式固態激光雷達樣機實物與量產機想象圖，圖片來源：力策科技

楊永成：張博士是一個跨學科的創業者，既學過光學，又學過電子，如今他的創業方向正是電子與光學的融合。這種跨學科的交叉融合能力是峰瑞在選擇和投資項目時非常看重的一點。

力策的產品與自動駕駛上下游息息相關，能否分享一下你對新能源汽車及自動駕駛行業的看法？

張忠祥：實際上，中國新能源汽車過去10年的發展，可以用“波瀾壯闊”來形容。這不僅是中國汽車智能化的歷史，也是國產汽車逆襲的歷史。從汽油到電池的動力系統轉變只是一個方面，而真正深遠的影響來自于汽車智能化的發展。

我用四個數據來簡要描述行業的現狀，這些數據來自中國汽車工業協會以及中國汽車流通協會。第一個數據是67.6%，這是今年9月份自主品牌汽車在中國市場的占有率。第二個數據是46.3%，指的是今年9月新能源汽車在整體市場中的比例。第三個數據是約13%，這是今年上半年激光雷達在新能源汽車中的搭載率。

通過這些數據可以看出，不論是新能源汽車的增長速度，還是國產品牌的市場占比，都遠超我們3年前的預期。而激光雷達作為智能化的重要標志，目前13%的搭載率也是一個相當不錯的成績。

不過，還有一個比較嚴峻的數字是4.9%，這是今年1到7月份中國汽車制造業大概的利潤率，這是個非常低的數字，反映了當前行業的內卷程度。這種壓力自然傳導到供應鏈上，包括作為激光雷達企業的我們身上。因此，過去3年，降本一直是客戶最迫切的需求。

通過技術創新來降本，才能保持產業鏈的健康運轉。大多數量產車的自動駕駛系統，實際上都是在極致的成本控制下，努力去提升算法的穩定性、普適性和安全性。

因此，過去10年自動駕駛的發展歷史大致可以分成兩個階段：2016年到2020年是以無人駕駛為主，例如百度Apollo這樣的項目，當時資本關注的焦點也是無人駕駛；而2020年之后，量產車成為主角，高階輔助駕駛和自動駕駛已然成為大家生活的一部分。

二、與自動駕駛相關的事故是怎么發生的？

楊永成：隨著人工智能的興起，大家對自動駕駛的探索也越來越深入。現在從特斯拉到國內的一些新興造車勢力，輔助駕駛甚至更高階的自動駕駛功能已逐步投入市場。比如，像Robotaxi這樣的自動駕駛出租車已經在服務行業中得到應用。自動駕駛似乎不再是遙不可及的夢想，而是觸手可及的技術。

但另一方面，關于自動駕駛的負面消息也時有發生。例如，最近就有一起自動駕駛汽車在高速上未識別到水馬并發生碰撞的事件。你怎么看待這些事故和自動駕駛行業的未來？

張忠祥：就像剛才提到的，自動駕駛在過去10年取得了長足的進步，但大規模推廣至量產車上也就是最近3年的事情。現階段我們稱其為輔助駕駛，但實際上已超越了傳統的 L2輔助駕駛，更接近“L2+”或“L2++”的水平，雖然還未到達L3，但距離已不遠。

科技發展總是伴隨試錯過程，難免會有波折，甚至可能付出一些慘痛的代價，這是歷史上無數科技創新的共同之處。自動駕駛也是如此。公眾一定會經歷一個過程，從質疑、嘗鮮、小心翼翼的體驗，最終逐步普遍接受。在這個過程中，人們的認知是螺旋上升的。

關于自動駕駛的事故，例如你提到的水馬事故，這類情況也發生過不少。根據一些公開信息，自2021年起，美國國家公路交通安全管理局（NHTSA）調查了超過上千起特斯拉Autopilot相關事故。雖然由于數據隱私原因，這些報告未完全公開，但今年7月《華爾街日報》發布了一篇報道，分析了聯邦文件及當地警方記錄的事故細節，共涉及千余起事故，其中 222 起較為詳細的事故記錄。

根據報告，其中有44起是Autopilot系統突然轉向的情況，31起因未能識別障礙物直接發生碰撞，這與水馬事故情境類似。此外，報告中還披露了12個車禍視頻，其中8起發生在夜間、2起在光線不足的黃昏環境。

這也符合我們的認知：攝像頭作為無源傳感器，在光線不足的環境下可能發生誤判，因此未來的技術迭代中，多傳感器融合應該是必然的方向。

楊永成：剛才提到的自動駕駛事故，我特地看了視頻，當時是在高速公路上，路況也比較簡單，施工人員在幾百米遠的位置設置了一排水馬擋住車道。這種情況下，按理說車輛應該切換到旁邊車道，避免撞上水馬。但視頻中顯示車輛沒有減速，徑直撞上了水馬，幸好沒有造成嚴重事故。

當時能見度高，路況簡單，為什么車輛還是撞上了？即使是純視覺系統，至少也應該看到障礙物并采取減速動作。從技術上看，這是因為攝像頭的局限性，還是智能駕駛算法的問題？

張忠祥：我不是自動駕駛算法方面的專家，但從邏輯上看，我猜測這起事故可能是車輛的傳感器或算法沒有識別到障礙物，否則應該會觸發剎車動作。

我們通常有一個直觀的認知，就是攝像頭看到了障礙物，自動駕駛系統就會采取行動，比如剎車或轉向。然而，目前通行的純視覺智能駕駛方案通常是將攝像頭數據傳遞給AI模塊，由AI模塊來輸出障礙物的具體信息，比如障礙物的類型、大小和距離。

而AI模塊識別障礙物的信息，取決于是否對該類型障礙物采集和訓練了足夠的數據。如果AI模型沒有足夠的數據，它可能無法識別出這個障礙物，相當于“看不見”了。

楊永成：我理解了，這和AI數據的積累有關。所以做自動駕駛的公司都在大量采集數據，積累行駛時長和路況信息，才能讓系統更好地識別路上的物體，是這樣嗎？

張忠祥：對。系統識別到物體后，需要通過過往訓練來判斷其體積，并將其映射到數字世界的模型中。這種距離判斷也和我們日常生活經驗類似，比如根據物體在畫面中的大小來推測其遠近。

楊永成：你是說系統通過圖像中的物體大小來判斷距離，這是不是和我們人眼判斷“遠小近大”的邏輯類似？

張忠祥：是這樣。

楊永成：那系統就需要一個經驗值來輔助判斷，要先“知道”這個物體是什么，比如人的大概身高，這樣才能通過圖像中的大小判斷距離。

張忠祥：是的。在馬斯克的思維邏輯中，他認為人類的神經網絡和硅基的神經網絡在本質上是相似的，所以希望車輛也能夠像人類一樣駕駛。

楊永成：也就是說，系統需要通過采集和訓練，事先“認識”這些目標物。我也想起一個類似的事故，一輛車翻倒在高速公路上，底盤朝向后續車輛，后續車輛的系統因未訓練過底盤的數據，無法識別出這是一輛車，導致了碰撞。

不過，我還是有些困惑，像水馬這樣的東西，在高速公路上很常見，是施工人員的標準設備，按理說AI模型應該能識別它。為什么車輛還會撞上水馬堆呢？

張忠祥：其實單個水馬和一堆水馬的組合有很大區別。水馬有不同顏色，組合方式也千差萬別。擺放水馬的人也不會考慮車輛系統曾經訓練過的擺放方式。

此外，不同光線、周圍環境背景下，水馬可能會被識別成不同的障礙物。因此，即便是水馬的組合，理論上也可以有無限多種情況。

在高速公路上還算相對規范，而在城市道路、胡同、居民區等地方，路邊的物品和組合幾乎是無窮無盡的。更重要的一點，在端到端的AI黑盒子中，我們無法人為地給某個場景貼標簽，來提高其識別精準度。這也是端到端模型的局限性。

楊永成：大家可能以為隨著AI模型的數據積累，自動駕駛系統應該能識別所有的常見物品。但現在看來，短期內不一定能夠完全實現。

根據你的解釋，AI模型在做目標切分時，有時未必能將連在一起的物體正確地分割，比如像擺放成各種形狀的水馬組合，它可能會把這些水馬當作一個整體，是這樣嗎？

張忠祥：是的。

楊永成：那就是說，單個物體的種類雖然理論上是有限的，但它們的組合方式卻是無窮無盡的，對吧？這樣的話，高速公路上的物體組合相對簡單些，而在城市道路上，比如胡同或生活區里的物品組合更加復雜，挑戰性更大，對嗎？

張忠祥：是的，所以城市道路的NOA（Navigate on Autopilot，自動輔助導航駕駛）比高速上的NOA要難實現得多。

楊永成：看起來實現自動駕駛還很遙遠，你怎么看？

張忠祥：我覺得也不用太擔心，技術其實在快速進步。即便是純視覺方案，我們也看到，特斯拉的迭代速度非常快，AI和智能駕駛算法也在進步。除了純視覺方案外，還有更好的技術方案，比如多傳感器融合，結合了毫米波雷達和激光雷達。

目前，毫米波雷達已經大規模應用在量產車上，高端車型基本上也都配備了激光雷達。而Robotaxi這樣的自動駕駛出租車已在道路上運行，并且配備了多個激光雷達。

三、激光雷達還是攝像頭？自動駕駛的路線之爭

楊永成：實際上這個行業里存在兩大技術流派。一派是特斯拉的純視覺流派，主要依賴攝像頭來獲取路況信息；而另一派則是多傳感器融合流派，采用攝像頭、激光雷達、毫米波雷達等多種傳感器。這個理解正確嗎？

張忠祥：是的，目前主流的三類傳感器就是攝像頭、毫米波雷達和激光雷達。

楊永成：激光雷達和毫米波雷達是什么關系？是競爭、替代還是其他？

張忠祥：我先說結論，兩者是關系互補，融合才是最優解。我是多傳感器融合派，激光雷達和毫米波雷達不是替代關系，和攝像頭也不是。最優方案是將它們融合，同時保持成本可控。

毫米波的最大優勢是抗惡劣天氣能力，但成像能力較弱，即使是更高階的4D毫米波雷達，與激光雷達在成像方面也不可相比。它們在自動駕駛系統中承擔不同角色，我們可以對比一下它們的優缺點。

4D毫米波雷達從去年開始比較火，特斯拉帶火了這一技術。4D毫米波雷達具備一定的三維成像能力，價格大約在1000~1800元人民幣，對比目前激光雷達仍有一定成本優勢，但比普通毫米波雷達貴不少。

但是在性能上，4D毫米波雷達與激光雷達差距非常大。比如測距精度這個指標，4D毫米波雷達的測距精度約為幾十厘米，而激光雷達通常為2厘米。

隨著激光雷達成本進一步降低，產品形態逐步固態化，4D毫米波的優勢就會減弱，主要優勢是抗惡劣天氣。所以，我們認為最好的方案是融合，用毫米波雷達和激光雷達共同保障自動駕駛系統的安全和穩定。

楊永成：你剛才提到毫米波雷達的分辨率比激光雷達低很多，這是不是設計上的原因？還是因為物理上的限制？

張忠祥：這是由于物理上的限制。每種成像手段都有物理極限，這一極限取決于用于成像的電磁波波長。毫米波的波長是毫米級，而激光雷達的波長是微米級（1微米相當于1米的一百萬分之一），差了3個數量級。這注定了毫米波雷達的分辨率不可能與激光雷達相比。

典型的毫米波雷達每秒輸出約3萬個點，而激光雷達每秒則可輸出超過100萬個點，這導致兩者在空間分辨率上有很大的差距。

激光雷達的優勢可以用一句話概括：它是目前人類掌握的最高效、最精準的三維成像工具。與攝像頭相比，激光雷達在物理層面有兩個特性：第一，激光雷達是有源傳感器，也就是主動式傳感器，能夠自主發光；而攝像頭是被動傳感器，依賴環境光來成像。這一差異確保了激光雷達在任何光線環境下都能正常工作。

楊永成：主動和被動傳感器，這兩個概念具體指什么？各自的優點是什么？

張忠祥：主動式傳感器，也叫有源傳感器，就是自身可以發光，比如激光雷達會發出光并接收自己發出的光；而被動傳感器，比如攝像頭，是依靠環境光成像，所以環境光的好壞會影響它的成像質量。

楊永成：激光雷達就像一個帶著手電筒的視覺系統，而這個“手電筒”就是激光，是我們目前所能發現的最好的光源。

張忠祥：對，這個比喻非常精準。

楊永成：那就是說，因為激光雷達有一個穩定的光源，它的接收端能夠最大程度上保持數據的準確性，受外部環境的光線影響也最小。

你剛才還提到3D傳感器，激光雷達的3D傳感和攝像頭的傳感有什么區別呢？

張忠祥：這正是第二點區別。激光雷達輸出的是三維點云（Point Cloud）信息，而攝像頭輸出的是RGB平面信息，即我們常說的二維信息。

點云是一種三維空間數據表示方式，通常由大量的點組成，每個點代表空間中某一位置的坐標（如x、y、z）。點云在多種領域中具有廣泛應用，特別是在 3D 掃描、計算機視覺、激光雷達（LiDAR）測量、虛擬現實（VR）、增強現實（AR）等技術中。

在自動駕駛算法中，攝像頭輸出的信息會被轉化為一個三維模型。例如，特斯拉在2022年AI Day上發布了Occupancy Network（特斯拉在自動駕駛中使用的一種深度學習方法），原理是通過攝像頭識別物體，估算它在三維空間中的位置概率，從而重構現實環境，為決策提供支持。而激光雷達則是直接輸出三維點云模型，不需要這一步的轉換。

是否發光以及輸出信息的形態，是激光雷達和攝像頭的基本物理差異，這也決定了它們并非競爭關系，而是互補的關系。特別是在L3及以上的自動駕駛系統中，激光雷達是不可或缺的傳感器。多傳感器融合大概率比單一攝像頭更安全。

楊永成：你剛才提到激光雷達可以提供額外的一維數據，這個額外的數據是否就是距離信息？也就是說激光雷達能夠直接測量出障礙物的距離，不需要像人類靠生活經驗或AI模型靠數據積累來推斷，是這樣嗎？

張忠祥：是的。

激光雷達可同時獲取灰度與距離信息。圖片來源：力策科技

楊永成：這樣解釋得很清楚了。不過，馬斯克曾經說“傻子才用激光雷達”，正如你提到的，人類開車靠的是眼睛，這也是一種直觀的邏輯。所以，雖然高端車配備激光雷達，但不少中低端車仍然依賴純視覺系統。有沒有可能，未來純視覺系統成功，從而不再需要激光雷達？

張忠祥：但也有人說 ，“不用激光雷達非蠢即壞”。其實馬斯克還提到，激光雷達是一個“誘人的局部最大值”（local maximum）。他解釋說，道路系統是基于人類的神經和視覺系統設計的，因此通用的自動駕駛解決方案應基于硅基神經網絡和攝像頭。

馬斯克說的 “局部最大值”，其實是指激光雷達圍繞車輛本體，基于本地傳感器返回的信息來決策。這個概念很精準，如果在未來的高階自動駕駛架構中不考慮成本因素，那么誰會放棄這種局部最大值呢？激光雷達直接輸出三維點云，和攝像頭需要通過大量數據訓練來實現三維重構的步驟，其實是殊途同歸的，最終都是為了讓機器理解物理世界，從而做出駕駛決策。

但從商業化的角度來看，過去激光雷達的成本過高，而特斯拉起步比較早，沒有其他選擇，只能選擇攝像頭方案。隨著AI和算力的提升，基于視覺的自動駕駛算法會更加穩定，這也是為什么馬斯克認為純視覺是有別于局部最大值的“全局最大值”。

純視覺方案需要云端支持，在不同國家落地時需獨立構建云計算中心，而且多攝像頭的視頻數據需經過壓縮才能上傳，這對本地算力要求更高。因此，激光雷達和純視覺兩個方案相比，前者是看得見的硬件成本高，后者是隱性成本高，特斯拉FSD的高訂閱費也反映了這一點。

還有一點，即便不考慮全自動駕駛，在輔助駕駛系統中，激光雷達也可以顯著提高自動緊急剎車的識別率。激光雷達的價值，地板是作為安全冗余，而天花板則是高階無人駕駛系統。

激光雷達的價值顯而易見，使用與否更多是商業考量，而不是技術上的必然選擇。

楊永成：總的來說，自動駕駛技術路線有兩種，一種是基于純視覺加AI，另一種是多傳感器融合，通過激光雷達直接獲取3D數據，包括距離和速度信息，即使算法較簡單也能實現智駕功能。

不過，這兩種方案其實并不矛盾，可以互相融合。這讓我想到醫學的發展史，早期醫學沒有現代的X光、B超，中醫主要依靠 “望聞問切” 積累經驗。相比年輕中醫醫師，老中醫積累的“大數據”多，判斷也更精準。而現代醫學則借助B超和生化檢測做判斷。激光雷達和視覺系統有些類似這種“直接測量工具”的作用，不需要大數據訓練就能判斷物體信息，對嗎？

張忠祥：對，而且在自動駕駛中，人們對汽車駕駛的期待遠高于人類駕駛水平，所以自動駕駛系統不僅需要實現和人類持平的駕駛能力，還要超越人類。

楊永成：這是不是也暗示了機器的進化史或科技進步路徑不一定要模仿人類？比如最高效的交通工具是四輪汽車、火車和飛機，但它們并不依賴人類的兩條腿。也就是說，技術進步不一定要走人類進化的路線，不一定以人類標準為最優，對嗎？

張忠祥：是的。

自動駕駛，在哪里駕駛最難？

楊永成：據我了解， Robotaxi上的傳感器，包括激光雷達，數量比普通商用車更多，這是不是和它在城市道路上行駛的復雜性有關？比如出租車可能會開進胡同這樣的區域。

張忠祥：是的。

楊永成：如果從自動駕駛難度來看，你認為哪個場景最難？

張忠祥：事實上，高速自動駕駛的難度低于城區自動駕駛。在自動駕駛算法中，最先應用的是高速公路的NOA。我們看最近幾年車廠發布的順序來看，車廠通常先推高速自動駕駛，接著才是城區自動駕駛。

主要原因在于，高速駕駛雖然速度快，但對計算速度和傳感器響應速度的影響不大。反而因為高速路環境封閉，路況相對簡單，行車規則也明確，算法更容易成熟。而城市道路則復雜得多，需要處理更為復雜的道路環境和行人狀況。

還有另一個高頻場景——泊車。泊車看似低速，但體驗要做好非常困難。目前大多數帶自動泊車的車型都在用戶手冊中提醒車主，啟動自動泊車前需確保周圍環境適合。如果周圍有消防栓等立體障礙物，自動泊車可能就無法正常運行。泊車雖然慢，但需要關注的環境范圍廣，精度要求高。所以，泊車的算法難度高于城區自動駕駛，而城區自動駕駛又高于高速自動駕駛。

楊永成：泊車和城市道路確實更復雜，那是否還和道路狀況有關呢？比如泊車的空間通常很小，尤其是在中國，車位之間可能只剩下10到20公分的距離。而城市道路也比高速公路要窄，所以是否對傳感器的精準度提出了更高要求？

張忠祥：是的，不僅是傳感器的精準度，傳感器需要覆蓋的空間范圍也更廣。

楊永成：我們討論了很久激光雷達，也基本了解了它在自動駕駛中的重要性和其提供的精準數據的價值。激光雷達的使用率其實并不高，并不是所有車型都配備激光雷達，這是為什么呢？

張忠祥：目前激光雷達在新能源汽車中的搭載率大約在10~13%，也就是說每 10 輛車中大概有一輛搭載激光雷達。以目前激光雷達的價格來看，這個比例不算低了。當前搭載激光雷達的車型主要是20萬人民幣以上的車型，而出貨量最大的車型價格區間大概是10~20萬人民幣。

搭載率較低的首要原因是激光雷達的成本。目前主流的和已經上車的激光雷達價格已經從過去的數萬元調整到了數千元，但是即便是這樣，對于高度內卷的汽車市場，激光雷達依然是一個非常昂貴的傳感器，特別是對于售價低于20萬元的車型和未來的高階自動駕駛，這種單車可能需要搭載3個激光雷達的場景，成本問題依然是車載激光雷達行業的痛點。任何工程創新的首要目標都是降本，這是核心價值所在。

另一個問題是激光雷達的魯棒性。帶有運動部件的激光雷達在汽車的工作環境下，耐久性和可靠性尚未經過長時間驗證。隨著自動駕駛算法對激光雷達依賴程度的提高，尤其是在L3、L4階段，對激光雷達可靠性的要求也會更高。因此，成本和可靠性是目前限制激光雷達使用率的兩個主要原因。

五、激光雷達進化史

楊永成：你正在做相控陣激光雷達項目，相控陣激光雷達的優勢是什么？目前的進展如何？

（左）小尺寸OPA芯片與驅動ASIC（右）大口徑OPA芯片，圖片來源：力策科技

張忠祥：相控陣激光雷達和微波相控陣原理是一脈相承的，許多人可能因為軍事應用，對微波相控陣更熟悉。這兩者的工作原理都是通過相位延時量的調整，實現電磁波的相干疊加，從而改變電磁波傳播方向。

相控陣激光雷達（OPA）芯片是一個固態掃描元件，可以顯著減少激光發射和接收元件的數量，簡化光學系統，降低光學裝配難度，從而大幅度降低成本和產品尺寸。同時，由于沒有機械磨損，固態激光雷達在可靠性和壽命方面顯著提升。激光雷達也會從機械掃描，過渡到電子掃描的時代。

楊永成：事實上，當年我們的微波雷達也經歷了類似的發展路徑，最早是機械式的，像一個大鍋一樣，用電動或手動搖動掃描，后來就發展成了相控陣。這種相控陣技術在軍用和高端微波雷達上非常普及，從外觀上看就是一個平板，沒有任何活動部件。當相控陣排布在軍艦上，美國民眾叫它“宙斯盾”，我們稱之為“中華神盾”。

從技術上看，力策在光學領域實現了類似微波波束掃描的控制技術，這確實是個不錯的技術，期待它的快速發展。比起早期海外昂貴的激光雷達，現在中國制造的激光雷達確實做出了很大貢獻。有行業分析認為，激光雷達能夠實現普及的定價大約是100美元。你覺得100美元的激光雷達有可能實現嗎？

張忠祥：完全有可能實現。

六、特朗普上臺對激光雷達行業有什么影響？市場未來機會在哪里？

楊永成：最近美國大選剛剛結束，特朗普又一次當選總統。你覺得特朗普上臺會對激光雷達行業有什么直接影響嗎？

張忠祥：特朗普當選在一定程度上也是馬斯克的勝利，對FSD進入中國可能會有更強的預期。在中國這種復雜的交通狀況下，特斯拉未來更有可能接納激光雷達作為輔助傳感器。

此外，2024年10月份有一則關于國家地理信息數據被境外公司非法獲取的消息引起了熱議。視覺自動駕駛方案依賴本地數據與云端的交互，汽車采集到的道路和行人數據會上傳到企業的私有云端，雖然上傳的數據是經過簡化的函數，但在中國，中短期甚至長期內開放圖像信息采集和上傳的可能性較低。激光雷達基于本地算力完成自動駕駛的局部決策，在這種環境下優勢明顯，有可能成為唯一可行的自動駕駛方案。

楊永成：你創業多年，市場對激光雷達技術的需求和關注也在變化，你在心態上有過什么變化嗎？

張忠祥：我們在OPA這條線上堅持了這么久，最重要的是我們始終堅信這件事能做成，而且做成后會有用。當我們看到實際展示的電掃激光雷達的點云效果時，我們驗證了自己這么多年來的信念是真的，因為我們在一個接近單線激光雷達的成本結構里實現了200線的效果。所以，技術的堅持上，我們心態沒有變化。

不過，從整個行業和市場環境來看，與幾年前相比，現在的車載激光雷達市場已大不相同。幾年前，我們主要關注技術研發和底層突破，現在階段的考驗更多是工程化迭代速度以及與車廠的商務能力，這可能是我們目前核心關注的點。

楊永成：你怎么看待自動駕駛的商用前景？從技術上講，自動駕駛現在發展到了什么程度？

張忠祥：自動駕駛起步較早的公司中，特斯拉的FSD（Full Self-Driving，完全自動駕駛）版本其實一直在更新。每次更新后都能看到系統接管次數的大幅下降，說明技術是不斷進步的。

不過，也可以看到在某些復雜環境中，系統平順性仍然不足，讓乘客感覺到顛簸，需要人工干預。特斯拉代表了國外自動駕駛技術的前沿，而在國內，許多團隊起步稍晚，但在高階輔助駕駛方面普遍采用了多傳感器融合配置，而非特斯拉的純視覺方案。

這幾年來，以華為的“乾崑”系統為代表，智能駕駛系統也在快速進步，使用體驗已顯著改善，自動駕駛確實在一定程度上減輕了我們的駕駛負擔。

至于現在的發展階段和未來的演進速度，我想引用一個比喻：坐過高鐵的人都有體驗，當我們站在站臺上看一列遠處駛來的高鐵時，會覺得它很慢，但當它離我們越來越近時，我們還沒回過神，它已經呼嘯而過。面對新技術、新潮流和新的商業模式，往往會有類似的體驗。自動駕駛也是如此，我相信當我們真正看清它時，可能它已經離我們很近了，未來其實已不遙遠。

本文來自微信公眾號：峰瑞資本，對話嘉賓：張忠祥 楊永成