提到自动驾驶的商业竞争，车联网无疑是其中最为惨烈的一个领域，里面充斥着各种巨头博弈、屌丝逆袭的励志故事。
可是，自动驾驶赛道的复杂性远远不是台面上所显露出的那么简单。
当自动驾驶进入到以Robotaxi为代表的公开道路测试阶段时，如何提升测试效率、更加精进技术、加快落地速度，成为行业迫切需要解决的问题，此时，自动驾驶模拟仿真平台的重要性被凸显出来。
事实上，Waymo、腾讯、百度一直将其视为自己在自动驾驶领域的核心能力，最近华为也加入到这一领域的竞争，推出了自动驾驶云服务Octopus（八爪鱼）。
另外一个维度，以AutoX、文远知行、Pony．ai、希迪智驾等为代表的几乎所有的自动驾驶初创公司也根据各自的需求，自主研发模拟仿真环境。
与此同时，行业也逐渐培育了诸如赛目科技、51VR等在自动驾驶模拟仿真测试平台有所专长的独角兽。
问题来了，让行业巨头趋之若鹜的虚拟仿真市场到底藏着些什么秘密？
自动驾驶模拟仿真，既是商业之争，也是标准之争
众所周知，自动驾驶在研发的过程中需要进行大量的测试，这也是美国的凤凰城以及国内大大小小各类测试区存在的意义所在，可是对于行业而言，即便算上那些允许进行测试的开放道路，目前能够进行测试的场地和环境还是远远不够，其中的原因有二。
其一为自动驾驶研发需要“喂养”极为庞大的数据。
美国兰德智库有一项估算，一套自动驾驶系统至少需要经过110亿英里（约170－180亿公里）的验证才能达到量产条件。这是一个什么概念呢？即组建一支100辆测试车构成的自动驾驶车队，以25英里（40公里）的平均时速全天24小时不停歇的测试，也要花费大约500年的时间。
谁能等到这一刻？
其二为极端场景测试可遇不可求。
开放道路的测试可以验证绝大多数场景，但对于自动驾驶系统在暴雪、暴雨、台风等极端场景下的安全性和可靠性的测试则只能“等”了，这不光效率极低，成本巨大，而且还有一定的危险性。
综合以上两点，模拟仿真跃然而上成为行业刚需。
根据《中国自动驾驶仿真技术研究报告（2019）》的预测，未来5年仿真软件与测试的国际市场总规模可在百亿美元左右。
不久前由11部委落章的《智能汽车创新发展战略》也明确提到要构建“包括突破复杂环境感知、重点支持研发虚拟仿真、软硬件结合仿真、实车道路测试等技术和验证工具，以及多层次测试评价系统、开展特定区域智能汽车测试运行及示范应用、验证车辆环境感知准确率等工作内容”的任务。
读到这里，“智能相对论”发现，其中的矛盾产生了：行业明确了模拟仿真的重要性，就技术而言，搭建一个仿真环境进行测试的难度也不大，这也是几乎每个自动驾驶企业都自建了自己的仿真工具或平台的原因所在，那么模拟仿真市场的商业需求在哪？华为、腾讯、百度等为代表的巨头在这个领域竞争的又是什么呢？
在希迪智驾智驾产品总监宋汉辰看来，目前虽然各家都在自建仿真平台，但都面临着建立完整仿真体系的资源占用和功能全面性两个问题，“仿真环境的搭建需要用到一长串的工具链，涉及大量的研发和适配，特别是与硬件适配完成的平台上，使用效率会提高很多。对单个自动驾驶企业来说，自己搭建的仿真平台胜在需求满足精准，缺在受限于资源和时间，所能支持的硬件、算法、场景、车型有限，无法做到全面周到。”
这时，巨头的机会来，他们可以集中大体量的资源优势，快速形成仿真平台产品，完成这项技术整条工具链的搭建，从而建立起以自己为核心的商业生态。
以华为的八爪鱼为例，建在华为自动驾驶云上，又与MDC（移动数据中心）等车端硬件平台和ADAS系统无缝对接，如果八爪鱼这个产品能被行业认可，则在模拟仿真市场建立了一个“华为生态”，即云服务、硬件设备、数据甚至自动驾驶整体解决方案。
这与当前的车联网生态是不是高度相似？车联网既是自动驾驶大生态的一部分，同时又“自成一派”，以车联网为核心形成了一个小生态，在模拟仿真领域，巨头们依然采用的是全家桶式的商业模式。
还有比建立仿真平台生态更有诱惑力的吗？这个问题的答案是肯定的。
湘江智能副总经理李焱表示，目前行业对虚拟仿真测试确实存在大量需求，但其中的问题在于测试手段和测试工具等都没有形成统一的测试标准，这就使得技术从落地到推广缺乏科学指引，“大家都说自己的好，但我们又怎么评判呢？”
这也是长沙既要和华为合作，搭建湖南智能网联汽车产业云，又要和赛目科技、腾讯合作建设智能网联汽车仿真实验室的原因所在。
前者从服务自动驾驶企业研发的角度出发，希望通过八爪鱼的生态力量来推动行业研发水平的整体提升；后者从测试手段、测试方式等方面入手，不但能对自动驾驶系统或者产品的能力进行评判，还能对传感器、汽车架构等硬件进行仿真测试，这实际上也是对建立自动驾驶行业模拟仿真测试标准的一次实践探索。
如此一来，巨头入局的虚拟仿真市场的用意就非常明显了，既是市场占位的商业之争，也是打破混沌的标准之争。
巨头间的交锋有哪些看点？
毫无疑问，和车联网市场一样，几乎所有的科技巨头也都在模拟仿真市场聚首，作为吃瓜群众，这场竞争的看点在哪？巨头们到底用怎样的打法完成市场割据呢？
1、腾讯：搭建自动驾驶的“绿洲”
腾讯用虚实结合、线上线下一体的自动驾驶仿真系统TAD Sim（Tencent Autonomous Driving Simulator）作答。
TAD Sim结合了专业的游戏引擎、工业级车辆动力学模型、虚实一体交通流等技术。去年11月的Techo开发者大会X论坛上，腾讯自动驾驶仿真业务负责人孙驰天在《自动驾驶与“头号玩家”》的演讲中就谈到，“通过高精度地图、大数据、AI和云技术，腾讯自动驾驶仿真系统可以让虚拟场景无限接近真实世界。”
孙驰天对此的解读为，TAD Sim就像运转一部大型的RPG游戏，需要强大的游戏引擎作为基础，才能保证场景还原有足够的真实度。就如销售常挂嘴边的那句话，“你正好需要，我正好有”一样，腾讯本身就有着非常丰富的游戏研发经验和技术储备，遵循着这一路径在模拟仿真赛道跑出也就不难理解了。
当然TAD Sim不是简单的游戏引擎的移植。
腾讯认为，在场景的几何还原上，模拟仿真平台要做到三维场景仿真和传感器仿真，让环境和测试车辆条件都与现实世界相同；在场景的逻辑还原上，要在虚拟世界中模拟出测试车辆的决策规划过程；在场景的物理还原上，需要模拟出车辆的操控和车身动力学作用结果。
三种层次的还原之后，才能在虚拟世界中看到与现实世界无限接近的自动驾驶测试结果。同时仿真平台还要满足高并发的特点，实现所有场景下车辆反应的排列组合。
敲黑板，划重点。
说了那么多的三维重建，TAD Sim的侧重还是在自动驾驶的模拟仿真测试上。腾讯后手还藏了一个大招，在模拟仿真平台、高精地图平台和数据云平台的基础之上，腾讯还推出了一个城市级的仿真平台，构建了一个运行在云端，与现实物理世界平行的虚拟世界。
城市仿真不仅包含静态的环境信息，也包含交通、人流等动态信息，还可在其中叠加诸如交通流这类虚拟信息，既可支撑自动驾驶的开发和安全验证，还可为智慧城市、智能交通的建设助力。
不难看出，在模拟仿真市场的竞争中，腾讯最大的优势是把握住了“仿真”二字，如同电影《头号玩家》中的“绿洲“一样，在虚拟世界中最大程度的还原真实世界。
像腾讯与国家智能网联汽车（长沙）测试区仿真实验室的合作项目，就是基于高精度地图和模拟仿真技术，将对测试区的地理全貌进行数字化建模，实现在仿真环境下进行安全、高效的智能汽车实验。
此外，腾讯还认为闭环的数据应用体系，提升数据利用效率，是自动驾驶产品落地的关键。
腾讯布局自动驾驶云生态的开发平台，则基于云端存储及算力支撑，构建了数据采集管理、样本标注、算法训练评测、诊断调试、云端仿真、实车反馈闭环全流程云服务，提供支撑自动驾驶研发的全链路云服务和开发平台。
2、华为：云＋AI＋软硬件＋芯片的组合生态
华为从自动驾驶的数据服务入手，继而延伸到训练服务和仿真服务的领域。
众所周知，自动驾驶测试会产生极为庞大的数据，除了数以百亿技的测试里程之外，一辆自动驾驶测试车1小时就能产生约8TB的数据，一天按测试8小时计算，就会有64TB的数据。一个月按22天工作日则产生约1．3PB／月的数据，但其中有效数据仅为0．05％，同时还有80万张／车／天图片有待人工标识。
此外，现有的仿真工具多为烟囱式孤岛，分散，不利于大数据的统一、AI能力的统一构建，及高效运营管理。
华为的逻辑是通过“八爪鱼”构建一个按需获取的全栈云平台，除了可以迈过数据处理这座高山，还能覆盖自动驾驶的模型、训练、仿真、标注等全生命周期业务。因而“八爪鱼”可以向用户提供以下几种核心能力。
· 处理海量数据，自动化挖掘及标注，能够节省70％以上的人力成本；
· 软硬件加速，平台提供华为自研昇腾910 AI芯片和MindSpore AI框架能大幅提升训练及仿真效率；
· 丰富的仿真场景，高并发实例处理能力：通过集成场景设计和数据驱动的方法，合计提供超过1万个仿真场景；系统每日虚拟测试里程可超过500万公里，支持3000个实例并发测试；
· 云管端芯协同，车云无缝对接：Octopus天然支持无缝对接MDC（移动数据中心）等车端硬件平台和ADAS系统，实现车云协同；
以上可以看出，华为的自动驾驶仿真能力并不是单独出现的，而是作为华为“八爪鱼”生态中的一种能力而存在，仿真能力是整个生态数据闭环的一个节点，当这个节点与其他环节产生协同合作时，才能体现出“八爪鱼”生态的优势。
我们可以注意到，“八爪鱼”并非仅仅是云＋AI的结合体，整个生态中还包含芯片、MDC等车端硬件平台和ADAS系统，华为表示，未来还会将高精地图、5G及V2X技术等能力集成到“八爪鱼”中，如是看来，“不造车”的华为在仿真市场的布局颇为宏大。
3、百度：补动力仿真短板
百度在模拟仿真领域也拥有较强的实力，其主要体现在两个方面。
首先，另辟蹊径提升仿真的“真实性”。
去年3月百度论文《AADS：Augmented autonomous driving simulation using data－driven algorithms》登上《Science》杂志子刊《Science Robotics》，该论文提出了一套全新的自动驾驶仿真系统：增强现实的自动驾驶仿真系统（AADS）。
有别于传统的自动驾驶仿真环境都根据游戏引擎或高保真计算机图形创建的方式，AADS系统是一种以数据驱动的端到端自动驾驶仿真方法，通过模拟交通流来增强现实世界图像，进而创建逼真的、媲美现实世界渲染的仿真场景。
其次，Apollo平台去年7月迎来5．0版升级的时候，新增了车辆动力学模型。
传统的建模方式在模型的复杂度、模型的精准度、模型的可迁移性、可扩展性等维度上都具有很多局限性。Apollo5．0将传统的车辆动力学建模方式升级到基于机器学习的Apollo动力学模型，这一技术一下将传统方式建模结果在误差上减少了80％。
可以看出，百度在模拟仿真市场的打法强调技术的“独占性”，即人无我有，人有我强，技术具有非常鲜明的“百度”特色。
看似性感的模拟仿真也有难题
抛开陈腐的技术和标准之争，回到现实的商业层面，仿真平台的最终客户是谁？
单凭大大小小的自动驾驶研发公司显然无法支撑起一个百亿美元级的市场，且当自动驾驶技术与汽车量产结合，事情又回到了原点，如何获得主机厂的信任，突破主机厂的壁垒？在“智能相对论”看来，模拟仿真遇到了和车联网一样的问题。
1、既要懂“仿真”，也要懂汽车
从自动驾驶技术的研发来看，当前的模拟仿真平台似乎都能满足需求，但如果从自动驾驶汽车的研发需求来看，国内这些IT巨头的仿真平台就有那么些“不够看”了。
首先，IT巨头们的优势能力集中在云、数据处理、软件等层面，在底盘、芯片、以及汽车核心零部件等硬件方面缺乏足够的数据和技术积累，直白的说，就是不“懂”汽车。
其次，汽车仿真是一项跨学科的综合技术，其中包括了计算机图形、多媒体、传感器、光学和显示、材料、电子半导体、动力学等多项技术，但大多数IT企业只熟悉少数门类，这也造成现在的仿真平台大多体现真实世界的“还原”能力，即IT企业的技术长项上来。
2、平地起高楼，没有地基难生根
如果将自动驾驶汽车视为传统汽车的升级，那么自动驾驶的仿真亦是传统汽车仿真的升级。这也意味着只需在传统汽车仿真的基础上进行延展即可进化成自动驾驶仿真。
然而目前的现实是，就像平地起高楼一般，之前的地基是传统汽车仿真打的，自动驾驶仿真若要站的更高，要么自己从头做起，要么受制于人，借用传统汽车仿真地基。其中可能是一段强强联手的佳话，也可能是兄弟闫墙的故事。
3、车企传统体系惯性大，难突破
在车企的研发体系中，本来就有固定的仿真测试平台，IT巨头们所面临的问题是标的少（汽车厂商就那么多），壁垒高（传统车企的体系固化，很难轻易更换仿真技术体系），届时和车联网的竞争一样，IT巨头除了激烈的内部竞争之外，还不可避免的要与Tier1们迎头撞上。
文 ｜ 魏启扬
