一阵特斯拉自动驾驶造假的事情，各位都有所耳闻吧。
2016 年特斯拉公布了一段视频，里头的 Model X 搭载了 Autopilot 系统，全程无人驾驶开到终点，丝滑的一批。
结果呢，这些画面被曝出都是剪辑拼接的，特斯拉只是想靠着它骗一波投资和股价罢了。
我说为啥看着这么科幻呢，原来真的是编的。
不过，这个在当时极其离谱的功能，放到现在却并不难。
不信?你看，这是某自主品牌自动驾驶系统的路试镜头：
这是另一个：
就连翻车的特斯拉，现在也能部分实现当时吹的牛逼了：
上面这些能够实现点到点自动驾驶的功能，有个专门的名字叫 NOA ( Navigate On Autopilot )，直译过来就是 “ 导航辅助自动驾驶 ” 。
NOA 最近可是太火了。有多火呢，这么说吧，几乎所有新能源品牌，都宣称会在今年 OTA 推送 NOA 功能，比如理想、小鹏、极氪等等。
从大趋势看，NOA 应该就是近几年自动驾驶领域最炙手可热的香饽饽了。
因为 NOA 的落地，很可能是我们离所谓 “ 自动驾驶 ” 最近的一次。
所以，到底啥是 NOA ?
NOA ，学名领航辅助行驶，是目前最符合 L3 级自动驾驶定义的功能。
从直译就能看出来，它跟导航和自动驾驶多少都沾点。
简单来说，有了 NOA ，我们只需在导航上定好起点和终点，车子就能自己开过去。
根据使用场景的不同， NOA 还被分成了两个细分方向，一是高速 NOA ，二是城市 NOA 。
我们先来看高速 NOA 。顾名思义它的适用场景是高速行驶。
打开以后，车子就可以自动完成超车、变道、跟车、上下匝道等操作。
就好比咱们放假开高速回家，往常的做法呢，是在出发前定好导航路线，然后一路听着导航指示开。
说简单也简单，说累也是真的累。因为得时刻关注车道和路口怎么走，要是下错高速出口，还得绕一大圈远路。
在打开高速 NOA 以后，只要车子上了高速就可以让它完全自己操作。走哪条道、从哪个出口高速 NOA 也能提前规划好，走错是不可能走错的。
下了高速之后，城市 NOA 就该起作用了。
和高速 NOA 比起来，城市 NOA 能够实现的操作要复杂许多，相对会更接近我们理解中的自动驾驶。
就比如晚高峰下班的时候，只需在上车以后定好从公司回家的路线，剩下的交给城市 NOA 就好。
遇到堵车，它能让车子在正确的车道上自动跟车、并线;遇到十字路口，它能根据红绿灯的情况安全通过;甚至，在到家了以后，还能找到车位并停好。
出租车：我免费了!
不过，虽然 NOA 看着很美好，想要做好却并不简单。
拆开看，NOA 其实就是一些常用功能的组合。
比如高速 NOA ，就是自适应续航、车道保持和自动变道等功能的叠加。这些技术已经比较成熟，所以，它的实现难度并不高。
城市 NOA 则完全不是一个 LEVEL ，难度，超级大。因为城市 NOA 需要处理的场景不仅量大，还经常不按常理出牌。
就比如，路口，不一定是横平竖直的，有可能是奇形怪状的。行人也不是一直都在人行道上走，还有可能突然窜出来一只狗啥的...
这，大概就是乱纪元吧( 来自周文王的肯定 )...
这么说可能不太直观，我们来看看对比。这是高速 NOA 眼中的路况，简单宽敞，轻松写意：
而这，是城市 NOA 眼中的路况，肉眼可见的难度 Max ：
想要搞定这样的环境，首先得保证尽可能 “ 看清 ” 周边环境是个啥情况，其次还得高效地处理分析里面的信息，然后才能告诉车辆应该怎么操作。
所以呢，同样是功能叠加，城市 NOA 需要的是高精度感知硬件当 “ 眼睛 ” 、高算力芯片当 “ 大脑 ” 以及合理的软件算法当 “ 逻辑 ”。
三者一同发力，才能保证系统安全运行。
这么一看，如果说高速 NOA 是智能驾驶的高考，那城市 NOA 绝对就是奥赛水平了。
而奥赛的最后一道大题，无疑就是数据收集。
既然是奥赛，那肯定就得备考。目前想要实现自动驾驶，需要通过 AI 学习的方式。也就是让它了解人们的驾驶习惯，然后再上手操作。
其实就是先看书，再考试。NOA 背后也是这个道理。
但问题就在于，书上的知识从哪来。
大部分厂家的做法呢，是先把AI 放到模拟环境里练上一段时间，类似于考驾照的时候会先让学员在驾驶模拟器里开上一会，而后再上路测试。
甚至，还有公司用那个游戏来验证自动驾驶的算法。
就离谱。
这样做，也确实能在短时间内获得相当多的模拟数据，尽快搭建起自动驾驶系统的基础。
就比如美国的自动驾驶公司 Waymo ，截至目前就已经累积了接近 200 亿公里的模拟训练数据。
相比之下，现实道路的行驶仅有 1600 多万公里，很明显前者的效率要高得多。
模拟测试乍一看挺合理，却存在着一个非常致命的问题，那就是它无法完全再现现实世界的情况。
举个例子，按理来说在开阔道路上，所有车都应该按车道前进。
诶，但有时候就会有车突然变道给你来上个惊吓↓
再比如，本应禁止行人通过的机动车道，有时候也会突然窜出人来↓
这类比较极端事件，被称作Corner Case 长尾事件。它们极少出现，但一定会出现，还不知道会怎么出现。
对于照着书本答题的自动驾驶来说，这确实有点超纲。
最有代表性的例子，就是 2018 年 UBER 无人车的事故。
当时 UBER 无人车就是在开阔道路上正常行驶，但是当推着自行车的行人横穿马路时，由于没有考虑到横穿马路的情况，系统并没有将其识别为人，而是一个相对静止的车辆，这才导致了事故的发生。
想要比较好地解决长尾场景，也只有一个土办法：碰上了再说。这就意味着不管模拟多久，还是得尽可能多的上路测试。
但因为实际路测的效率较低，所以对于目前的自动驾驶而言， “ 高效的办法不合理，合理的方法不高效 ” 是一个致命的死循环。
所以，即使是像 NOA 这样 “ 有条件的自动驾驶 ” ，想要实现安全地让车辆自主操作，也是一定需要经过长时间、大量的实际路测才能经历尽可能多的极端情况。
说到底，这是个时间问题。
为了搞定数据问题，车企们自然也是各显神通。
就比如特斯拉就用上了 “ 人海战术 ” ，每一台车都配有 “ 影子模式 ” ，能在日常驾驶中收集信息、学习驾驶习惯。
因为保有量巨大，特斯拉能够在短时间内收集到大量的驾驶数据，训练模型的迭代速度也能相对提升。
而在数量上不占优势的品牌，就会在效率上做文章。
比如蔚来的思路就是 “ 算得快 ” ，愣是往一台车里塞了四块 256 TOPS 算力的英伟达 Orin 芯片，大幅提高了单车的信息处理能力。
小鹏呢，则是用了 XNet 感知架构让数据标注的速度大幅加快，声称能用 16.7 天就完成 2000 人的年标注量，也就是让 AI “ 学得快 ” 。
但是这些方法，说到底还是让自动驾驶这个时间问题中的时间，变得更短、更快一些。然而强如 Waymo 这样的自动驾驶领军公司，目前也没有完全解决处更是路况下，自动驾驶可靠性与稳定性的难题。
而由于自动驾驶识别错误引发的事故，无时无刻也都在我们身边上演。
就比如，它们可能会把路面光线识别成车道线...
说白了，NOA ，特别是城市 NOA ，是一个真正需要时间沉淀的技术。不光是因为它的复杂，更是因为它是最接近自动驾驶的技术。
自动驾驶的初衷，是帮助人们缓解驾驶的疲劳、提升出行的便利。而这，是以100% 的可靠与安全为基础的。
脖子哥想说的是，无论宣传话术多么天花乱坠，不管所谓的解决方案多么先进，厂商们如果无法保证长尾场景的全覆盖，不能让人们彻底放心地交出方向盘，
那么现阶段的城市 NOA ，就只是一个不如不用的、不合格的功能。
着急忙慌追求落地，最终伤害的也只能是车主和品牌的利益。
99.99%=0 。安全的标准啊，就是这么高。
