同渡资本王毅：智驾网联的早期投资策略及创业机会

8月1日，青桐资本邀请技术领域投资大咖同渡资本合伙人王毅，分享了智驾网联的早期投资逻辑。王毅拥有多年早期技术领域投资经验及通讯行业工作经验，主要投资案例包括航星光网、羿娲科技、闲豆回收、众盟、易冲无线、闪送等。

同渡资本是一家人民币基金，聚焦科技类项目的早期投资，以Pre-A和A轮为主。目前主要集中关注ICT产业和医疗产业两大方向。

以下为王毅在“青桐大咖说”第24期上的分享内容：

一.智驾网联的定义及包含要素

智驾网联包含两个层面的含义：智能驾驶和车联网，而智能驾驶细化来说即为单车智能。

单车智能可分为三大板块：传感、控制、执行。

1.传感部分，可分为外部环境感知和车身状态自身感知两种。其中依靠车本身的MU、惯导或陀螺仪，可以达到车身状态的自身感知。外部环境感知则依靠大家熟知的四大传感器（毫米波、雷达、图像和激光）以及GPS定位系统。

2.控制部分，最主要的是中央处理单位，包括决策算法和芯片集成。这一板块前两年受到热点关注，大量创业项目建立，投融资非常活跃。

3.执行部分，包括了电控转向、油门、刹车等，属于传统车企的强项，而非ICT新技术在车载应用的研究方向。

相对应单车智能，智联亦即车联网，其中包含两大板块，通讯系统和TSP/云服务。其中，通讯系统需要相应的通讯协议来规范。

二.自动驾驶领域投资策略

大约三年前开始，无人驾驶的决策算法大热，各种无人车大赛从美国延展到国内。我们从中看到两个问题，一是决策算法非常核心，直接联动到汽车控制系统。在这一领域，我们认为决策算法是OEM，是主机厂的一个核心能力。对于主机厂而言，由于决策算法和汽车安全直接相关，我们认为主机厂启用初创企业的决策算法难度较大，周期相对较长。国外车企往往拥有非常强大的研发团队，有能力自行组建研发团队，来研究决策算法。相对的，国内的车企情况与海外完全不同，难以借鉴。因此，我们认为在一板块并不适合做早期投资。

相比后端决策算法的高难度，在前端的感知层面，我们会应用到很多新技术，如毫米波、LiDAR、视觉等，给创业公司留下了较大机会。在这一层面，海外的情况两极分化，上下游分化明显。上游的ST、英飞凌、NSP为芯片方案的提供商，而下游的Tier1，ABCD、电装等具备很强的集成能力，需要从上游拿到芯片，向OEM提供完整的集成方案。

感知层面如有上游未完全成熟的产品出现，但决策算法没有输入，则难以产生能够商用的控制系统。综合来看，我们认为应在前端感知层面应首先布局。从国内的创业方向来看，前端感知层仍然留有有巨大的创新机会。

三.车载传感器投资策略

如今在车载上使用最多、最先成熟的应用是视觉和毫米波，LiDAR（激光雷达）相对而言稍为滞后。“毫米波+视觉”这一方案已经能够满足99%的场景。由于行业内对于车规级的安全性要求保障极高，LiDAR技术一定会被加以应用。所以我们认为，将来三大传感器会作为互补的关系在车上出现。

同渡资本在车载传感器方面有以下投资策略：

1.关注产业链上游。决策算法层面长期而言会有两级存在，一级是芯片解决方案提供商，一级是Tier1。国内缺少和国外水平相当的Tier1，所以短期内国内存在一系列做模组的机会。Tier1的实力较弱直接导致其集成能力较弱，直接做芯片输出给Tier1是不现实的。因此，国内会出现一波提供模组解决方案的供应商。但是由于我们主要投资早期，所以我们认为更好的方向是尽可能从芯片开始寻找解决方案。

2.关注有融合能力的团队。智能驾驶是典型的多传感器融合的场景，如果没有融合的能力，只能做单点传感器的信息输出，后续企业将存在壁垒。因此，我们会更关注具备算法能力的和硬件解决方案的融合型团队。

3.关注前端数据预处理创新。从目前来看，车载上传感器提供的有效信息过多，车辆难以做决策，主要原因是器件尚未成熟。例如LiDAR识别的远度和精度还不够成熟。整体而言，传感器提供了大量的冗余信息，导致后续数据处理时对于算力的要求很高，而算力又直接影响着整车的功耗。因此，我们会寻找能够在前端实现数据处理、完成有效前端采集过滤的企业。

四.车载三大传感器具体投资分析

目前，同渡在车载三大传感器上的分析和研究如下：

视觉传感器

这可能是目前技术最成熟应用最广的传感器。

1.单目视觉。以Mobileye为代表的单目视觉，过去几年已在特斯拉成功商用。不过从特斯拉出的几起事故来看，单目视觉的缺陷也比较明显：一是需要大量的识别图来做物体测距及识别训练。二是当现实出现的物体不在识别库里或者没有办法准确识别时，就没有办法做准确的距离估算，会出现较大的安全出行隐患。

从目前来看，纯单目要做到高度自动驾驶是非常难的。单目最好还是要配合像毫米波雷达这样的传感器才能比较好的适配自动驾驶。

2.双目视觉。视觉未来主要会以双目为主，这也是我们现在主要布局的一个方向。双目的好处是利用了时差原理，这跟人眼识别物体的远近原理是一样的，对整个距离的估算会比单目要准很多。相比毫米波雷达利用回波原理也会更精确。但是，双目其实也有一个缺陷，即校准标定工作非常烦琐，要把两个camera信号同步做好，否则会对后续处理有极大干扰。

双目视觉也存在挑战。它的基线（base line），就是两个摄像头之间的距离越远，用三角测距原理所得的测距精度会越高，因为视差的差度会越大。若离的近则难度会越高，因为视差会更小。所以，如何在相对较小的base line下，把测量精度提高，这是对企业核心能力的一个考验。

毫米波雷达

毫米波雷达的产品应用现在也相对比较成熟，不仅仅是在车领域。

1.从频段层面来讲，在车载测距方面，未来中长距离肯定是以77G为主，四个角做BSD盲点探测是以24G为主。

最早的毫米波雷达用在车上是24G的窄带，带宽不到200兆，测距精度前后只有75厘米，目标分离能力也只有1.5米。这个参数在车载来说，即便是做盲点检测也低了一点。

后来出现了24G的一个超宽带毫米波雷达，带宽最高可以到7G，精度可以到2.2厘米。但24G毫米波雷达也有一个缺陷，就是发射功率太低，信兆比比较低。发射工作的高低直接跟探测距离是相关，所以24G在车载上的应用还是很受限。我们能看到的主要还是在BSD四角盲点探测的应用。

大家都在研究在车载上的应用，哪个频段会更好，最终确定下来就是77-79 G，因为它带宽足够、精度够高。从国内情况来看，77G的毫米波雷达测试工作从去年就开始了，由车联信息联盟TIAA牵头，工信部可能会根据TIAA的测试结果正式颁布77G的频谱划分。

2.从工艺层面来讲，目前毫米波雷达的两个主要工艺，一个是SiGe，一个是CMOS。SiGe的好处是传统半导体技术很成熟，在77G上SiGe的片子已经实现了大规模量产。CMOS的好处是集成度更高，它未来其实可以把基带和射频都集中在一个SoC上，这是一个非常好的技术优势。从出货量上来看，目前还是SiGe比较大，因为在大功率情况下SiGe的性能比CMOS要好一些。这两种技术目前是并存的，未来的一段时间也将持续并存。

3.从芯片层面来讲，国内应该是有3-4家可以去提供给毫米波雷达。77G能够量产或者说小批量的有1家，24G的现在有2-3家，正在过渡往77G的有1家。77G已经明确划分专门给车载做应用。但是，车是一个非常慢的传统行业，要进车载尤其是前装，需要非常长的周期。从芯片研发到下游模组成熟配合，到整套方案给OEM，再到试用、确认合规，上车，这个周期至少需要5年。

所以综合来看，我们会更倾向找24、77都能做的团队，长短期结合。从长期来看，77是核心能力，从阶段性来看，尤其是现阶段的国内ADAS渗透率不到3%的情况下，24的用武之地还是很广。24G是一个公用频段，并没有限制在车载领域，很多停车场、闸机等领域，24G的毫米波雷达都可以使用，企业也可以在较短时间内实现营收。

激光雷达

这几年，激光雷达的创业、融资、投资可以说是非常疯狂。大概的种类可以分成三种：机械式的、混合固态和纯固态。

1.机械式。LiDAR是里面的一个代表。从批量使用考虑，机械式显然是不合适的。因为有机械转动，就意味着长期运动会出现不稳定性，会有很明显的故障点，而且体积较大不易于集成。所以机械式目前也就在高精地图采集车上，或者用于一些DEMO的车上验证，以后上整车做前装肯定是不适用的。

2.混合固态MEMS。之所以称为混合固态，是因为它里面由很多微扫描镜构成，微扫描镜本身是振动的，所以它不是一个纯固态，还是存在机械运动。MEMS相对来说成本较低，扫描距离也可以做得比较远。但是它内部因为有机械振动的原因，长期来看也不是车载使用的最佳方式。所以，现在大家全都转向了纯固态方向。

3.纯固态。它里面没有任何机械转动，所以长期运行的稳定性高了很多。纯固态里面，又分了几种方式，Flash是现在相对来说比较常见，也比较成熟的一种方式。但是Flash的探测距离比较受限，主要是在短距上的应用，长距离应用还有较明显的缺陷。

现在的一个最新方向是OPA光学相控阵。光学相控阵的原理是利用不同相位的光在不同方向上做幅度的叠加，或者是相消。比如说在相位相同的方向上面，相位是叠加，强度会增强，在相反的方向上，则是相消。

作为早期投资基金，我们更愿意看到的是有技术发展潜力的，未来能够在车载领域商用的项目，OPA光学相控阵是我们看好的方向。

五.车联网现状就及创业机会

车联网在国内，主要指的是“V2X”，大概分为V2V车到车，V2I车到基础设施，V2P车到行人。

从技术层面来看，车联网现在主要有两大的技术方向：

1.DSRC专用短程通信技术，这是基于8011P的标准开发的。它的好处就是可以使车之间能够直接通信，在短距范围内效率较高。它的缺陷也比较明显，做长距时，它的可靠性会有问题。

2.LTE-V，LTE-V是专门给车载应用，给车联网做的一个基于LTE改造的协议规范。它的好处是以LTE的蜂窝网作为基础，避免了重复建设，运营商不用再去兴建路边设施，跟现在的基站可以共用。而且频谱比较好划分，可以跟LTE共享频谱，那么它的探测范围就广泛了很多。LTE-V可以把探测的距离扩大，从数十米上百米，到数公里以外，做一个大系统的联动，让你能够知道全局的路况，这对后续的车载决策算法是有很大帮助的。

对比DSRC，LTE-V提供了更高的带宽，更高的传输速率，更大的覆盖范围，而且能够重复现在的基建和频谱。所以我们认为，LTE-V在后续的发展前景要比DSRC好。

纵观整个产业链，还存在以下创业机会：

1.运营服务，这是车联网的最底层。这部分很有可能是三大运营商直接承接，没有太多创业企业的机会了。

2.设备提供，在基站方面，都是传统的通信企业在做，创业企业做的可能性不大。但是有两块产品还是存在创业企业的机会的，一个就是做V2X的路边设备（RSU），一个是车载（OSU）。在OSU方面，T-BOX是一个很好的信息集成和传送的终端。从收集整车数据到跟远程云端和边缘端做数据交换，再到信息内容的下发，T-BOX会有很大的功能区别。所以在这块，我们觉得存在创业企业的创新的机会。

3.内容提供。在车载上，不管是大屏还是T-BOX都有大量的内容服务，包括娱乐的、消费的，整车安全的信息等。内容提供层面也存在创业机会。

4.数据分析和挖掘。联网之后带来的是大量数据的产生和交互。基于这些数据，如何去分析整车的运行状况，进而和安全相结合和UBI保险去结合，这块是一个突破点。

5.数据安全。车的安全要求是非常高的，有一点差错会直接导致出人命。如果网络被劫持，怎么去保证乘车人的安全，这是我们能看到的一个非常核心的痛点。所以在车联网领域，如何做好数据安全又能保证数据的交互性、实时性，我觉得是创业企业可以关注的一个方向。

从使用场景来看，我们觉得国内现在要去做车联网，应该先从商用车入手，乘用车是比较难的。商用车的这张网会先建起来，对于这张网里面的数据如何去使用，创业企业可以去想一想的。另外，在商用车领域，最终的用户不是整车厂而是这些买车的B端用户，比如物流公司。对B端来说，痛点需求是如何把整个车队管好，驾驶员的驾驶行为，车的维修，意外事故的赔偿，车险等这些都跟管理成本直接相关。创业公司也可以在这个场景痛点上多做考虑。