可是，自動駕駛賽道的復雜性遠遠不是臺面上所顯露出的那么簡單。
當自動駕駛進入到以Robotaxi為代表的公開道路測試階段時，如何提升測試效率、更加精進技術、加快落地速度，成為行業迫切需要解決的問題，此時，自動駕駛模擬仿真平臺的重要性被凸顯出來。
事實上，Waymo、騰訊、百度一直將其視為自己在自動駕駛領域的核心能力，最近華為也加入到這一領域的競爭，推出了自動駕駛云服務Octopus(八爪魚)。
另外一個維度，以AutoX、文遠知行、Pony.ai、希迪智駕等為代表的幾乎所有的自動駕駛初創公司也根據各自的需求，自主研發模擬仿真環境。
與此同時，行業也逐漸培育了諸如賽目科技、51VR等在自動駕駛模擬仿真測試平臺有所專長的獨角獸。
問題來了，讓行業巨頭趨之若鶩的虛擬仿真市場到底藏著些什么秘密?
自動駕駛模擬仿真，既是商業之爭，也是標準之爭
眾所周知，自動駕駛在研發的過程中需要進行大量的測試，這也是美國的鳳凰城以及國內大大小小各類測試區存在的意義所在，可是對于行業而言，即便算上那些允許進行測試的開放道路，目前能夠進行測試的場地和環境還是遠遠不夠，其中的原因有二。
其一為自動駕駛研發需要“喂養”極為龐大的數據。
美國蘭德智庫有一項估算，一套自動駕駛系統至少需要經過110億英里(約170-180億公里)的驗證才能達到量產條件。這是一個什么概念呢?即組建一支100輛測試車構成的自動駕駛車隊，以25英里(40公里)的平均時速全天24小時不停歇的測試，也要花費大約500年的時間。
誰能等到這一刻?
其二為極端場景測試可遇不可求。
開放道路的測試可以驗證絕大多數場景，但對于自動駕駛系統在暴雪、暴雨、臺風等極端場景下的安全性和可靠性的測試則只能“等”了，這不光效率極低，成本巨大，而且還有一定的危險性。
綜合以上兩點，模擬仿真躍然而上成為行業剛需。
根據《中國自動駕駛仿真技術研究報告(2019)》的預測，未來5年仿真軟件與測試的國際市場總規?？稍诎賰|美元左右。
不久前由11部委落章的《智能汽車創新發展戰略》也明確提到要構建“包括突破復雜環境感知、重點支持研發虛擬仿真、軟硬件結合仿真、實車道路測試等技術和驗證工具，以及多層次測試評價系統、開展特定區域智能汽車測試運行及示范應用、驗證車輛環境感知準確率等工作內容”的任務。
讀到這里，“智能相對論”發現，其中的矛盾產生了：行業明確了模擬仿真的重要性，就技術而言，搭建一個仿真環境進行測試的難度也不大，這也是幾乎每個自動駕駛企業都自建了自己的仿真工具或平臺的原因所在，那么模擬仿真市場的商業需求在哪?華為、騰訊、百度等為代表的巨頭在這個領域競爭的又是什么呢?
在希迪智駕智駕產品總監宋漢辰看來，目前雖然各家都在自建仿真平臺，但都面臨著建立完整仿真體系的資源占用和功能全面性兩個問題，“仿真環境的搭建需要用到一長串的工具鏈，涉及大量的研發和適配，特別是與硬件適配完成的平臺上，使用效率會提高很多。對單個自動駕駛企業來說，自己搭建的仿真平臺勝在需求滿足精準，缺在受限于資源和時間，所能支持的硬件、算法、場景、車型有限，無法做到全面周到。”
這時，巨頭的機會來，他們可以集中大體量的資源優勢，快速形成仿真平臺產品，完成這項技術整條工具鏈的搭建，從而建立起以自己為核心的商業生態。
以華為的八爪魚為例，建在華為自動駕駛云上，又與MDC(移動數據中心)等車端硬件平臺和ADAS系統無縫對接，如果八爪魚這個產品能被行業認可，則在模擬仿真市場建立了一個“華為生態”，即云服務、硬件設備、數據甚至自動駕駛整體解決方案。
這與當前的車聯網生態是不是高度相似?車聯網既是自動駕駛大生態的一部分，同時又“自成一派”，以車聯網為核心形成了一個小生態，在模擬仿真領域，巨頭們依然采用的是全家桶式的商業模式。
還有比建立仿真平臺生態更有誘惑力的嗎?這個問題的答案是肯定的。
湘江智能副總經理李焱表示，目前行業對虛擬仿真測試確實存在大量需求，但其中的問題在于測試手段和測試工具等都沒有形成統一的測試標準，這就使得技術從落地到推廣缺乏科學指引，“大家都說自己的好，但我們又怎么評判呢?”
這也是長沙既要和華為合作，搭建湖南智能網聯汽車產業云，又要和賽目科技、騰訊合作建設智能網聯汽車仿真實驗室的原因所在。
前者從服務自動駕駛企業研發的角度出發，希望通過八爪魚的生態力量來推動行業研發水平的整體提升;后者從測試手段、測試方式等方面入手，不但能對自動駕駛系統或者產品的能力進行評判，還能對傳感器、汽車架構等硬件進行仿真測試，這實際上也是對建立自動駕駛行業模擬仿真測試標準的一次實踐探索。
如此一來，巨頭入局的虛擬仿真市場的用意就非常明顯了，既是市場占位的商業之爭，也是打破混沌的標準之爭。
巨頭間的交鋒有哪些看點?
毫無疑問，和車聯網市場一樣，幾乎所有的科技巨頭也都在模擬仿真市場聚首，作為吃瓜群眾，這場競爭的看點在哪?巨頭們到底用怎樣的打法完成市場割據呢?
1、騰訊：搭建自動駕駛的“綠洲”
騰訊用虛實結合、線上線下一體的自動駕駛仿真系統TAD Sim(Tencent Autonomous Driving Simulator)作答。
TAD Sim結合了專業的游戲引擎、工業級車輛動力學模型、虛實一體交通流等技術。去年11月的Techo開發者大會X論壇上，騰訊自動駕駛仿真業務負責人孫馳天在《自動駕駛與“頭號玩家”》的演講中就談到，“通過高精度地圖、大數據、AI和云技術，騰訊自動駕駛仿真系統可以讓虛擬場景無限接近真實世界。”
孫馳天對此的解讀為，TAD Sim就像運轉一部大型的RPG游戲，需要強大的游戲引擎作為基礎，才能保證場景還原有足夠的真實度。就如銷售常掛嘴邊的那句話，“你正好需要，我正好有”一樣，騰訊本身就有著非常豐富的游戲研發經驗和技術儲備，遵循著這一路徑在模擬仿真賽道跑出也就不難理解了。
當然TAD Sim不是簡單的游戲引擎的移植。
騰訊認為，在場景的幾何還原上，模擬仿真平臺要做到三維場景仿真和傳感器仿真，讓環境和測試車輛條件都與現實世界相同;在場景的邏輯還原上，要在虛擬世界中模擬出測試車輛的決策規劃過程;在場景的物理還原上，需要模擬出車輛的操控和車身動力學作用結果。
三種層次的還原之后，才能在虛擬世界中看到與現實世界無限接近的自動駕駛測試結果。同時仿真平臺還要滿足高并發的特點，實現所有場景下車輛反應的排列組合。
敲黑板，劃重點。
說了那么多的三維重建，TAD Sim的側重還是在自動駕駛的模擬仿真測試上。騰訊后手還藏了一個大招，在模擬仿真平臺、高精地圖平臺和數據云平臺的基礎之上，騰訊還推出了一個城市級的仿真平臺，構建了一個運行在云端，與現實物理世界平行的虛擬世界。
城市仿真不僅包含靜態的環境信息，也包含交通、人流等動態信息，還可在其中疊加諸如交通流這類虛擬信息，既可支撐自動駕駛的開發和安全驗證，還可為智慧城市、智能交通的建設助力。
不難看出，在模擬仿真市場的競爭中，騰訊最大的優勢是把握住了“仿真”二字，如同電影《頭號玩家》中的“綠洲“一樣，在虛擬世界中最大程度的還原真實世界。
像騰訊與國家智能網聯汽車(長沙)測試區仿真實驗室的合作項目，就是基于高精度地圖和模擬仿真技術，將對測試區的地理全貌進行數字化建模，實現在仿真環境下進行安全、高效的智能汽車實驗。
此外，騰訊還認為閉環的數據應用體系，提升數據利用效率，是自動駕駛產品落地的關鍵。
騰訊布局自動駕駛云生態的開發平臺，則基于云端存儲及算力支撐，構建了數據采集管理、樣本標注、算法訓練評測、診斷調試、云端仿真、實車反饋閉環全流程云服務，提供支撐自動駕駛研發的全鏈路云服務和開發平臺。
2、華為：云+AI+軟硬件+芯片的組合生態
華為從自動駕駛的數據服務入手，繼而延伸到訓練服務和仿真服務的領域。
眾所周知，自動駕駛測試會產生極為龐大的數據，除了數以百億技的測試里程之外，一輛自動駕駛測試車1小時就能產生約8TB的數據，一天按測試8小時計算，就會有64TB的數據。一個月按22天工作日則產生約1.3PB/月的數據，但其中有效數據僅為0.05%，同時還有80萬張/車/天圖片有待人工標識。
此外，現有的仿真工具多為煙囪式孤島，分散，不利于大數據的統一、AI能力的統一構建，及高效運營管理。
華為的邏輯是通過“八爪魚”構建一個按需獲取的全棧云平臺，除了可以邁過數據處理這座高山，還能覆蓋自動駕駛的模型、訓練、仿真、標注等全生命周期業務。因而“八爪魚”可以向用戶提供以下幾種核心能力。
· 處理海量數據，自動化挖掘及標注，能夠節省70%以上的人力成本;
· 軟硬件加速，平臺提供華為自研昇騰910 AI芯片和MindSpore AI框架能大幅提升訓練及仿真效率;
· 豐富的仿真場景，高并發實例處理能力：通過集成場景設計和數據驅動的方法，合計提供超過1萬個仿真場景;系統每日虛擬測試里程可超過500萬公里，支持3000個實例并發測試;
· 云管端芯協同，車云無縫對接：Octopus天然支持無縫對接MDC(移動數據中心)等車端硬件平臺和ADAS系統，實現車云協同;
以上可以看出，華為的自動駕駛仿真能力并不是單獨出現的，而是作為華為“八爪魚”生態中的一種能力而存在，仿真能力是整個生態數據閉環的一個節點，當這個節點與其他環節產生協同合作時，才能體現出“八爪魚”生態的優勢。
我們可以注意到，“八爪魚”并非僅僅是云+AI的結合體，整個生態中還包含芯片、MDC等車端硬件平臺和ADAS系統，華為表示，未來還會將高精地圖、5G及V2X技術等能力集成到“八爪魚”中，如是看來，“不造車”的華為在仿真市場的布局頗為宏大。
3、百度：補動力仿真短板
百度在模擬仿真領域也擁有較強的實力，其主要體現在兩個方面。
首先，另辟蹊徑提升仿真的“真實性”。
去年3月百度論文《AADS:Augmented autonomous driving simulation using data-driven algorithms》登上《Science》雜志子刊《Science Robotics》，該論文提出了一套全新的自動駕駛仿真系統：增強現實的自動駕駛仿真系統(AADS)。
有別于傳統的自動駕駛仿真環境都根據游戲引擎或高保真計算機圖形創建的方式，AADS系統是一種以數據驅動的端到端自動駕駛仿真方法，通過模擬交通流來增強現實世界圖像，進而創建逼真的、媲美現實世界渲染的仿真場景。
其次，Apollo平臺去年7月迎來5.0版升級的時候，新增了車輛動力學模型。
傳統的建模方式在模型的復雜度、模型的精準度、模型的可遷移性、可擴展性等維度上都具有很多局限性。Apollo5.0將傳統的車輛動力學建模方式升級到基于機器學習的Apollo動力學模型，這一技術一下將傳統方式建模結果在誤差上減少了80%。
可以看出，百度在模擬仿真市場的打法強調技術的“獨占性”，即人無我有，人有我強，技術具有非常鮮明的“百度”特色。
看似性感的模擬仿真也有難題
拋開陳腐的技術和標準之爭，回到現實的商業層面，仿真平臺的最終客戶是誰?
單憑大大小小的自動駕駛研發公司顯然無法支撐起一個百億美元級的市場，且當自動駕駛技術與汽車量產結合，事情又回到了原點，如何獲得主機廠的信任，突破主機廠的壁壘?在“智能相對論”看來，模擬仿真遇到了和車聯網一樣的問題。
1、既要懂“仿真”，也要懂汽車
從自動駕駛技術的研發來看，當前的模擬仿真平臺似乎都能滿足需求，但如果從自動駕駛汽車的研發需求來看，國內這些IT巨頭的仿真平臺就有那么些“不夠看”了。
首先，IT巨頭們的優勢能力集中在云、數據處理、軟件等層面，在底盤、芯片、以及汽車核心零部件等硬件方面缺乏足夠的數據和技術積累，直白的說，就是不“懂”汽車。
其次，汽車仿真是一項跨學科的綜合技術，其中包括了計算機圖形、多媒體、傳感器、光學和顯示、材料、電子半導體、動力學等多項技術，但大多數IT企業只熟悉少數門類，這也造成現在的仿真平臺大多體現真實世界的“還原”能力，即IT企業的技術長項上來。
2、平地起高樓，沒有地基難生根
如果將自動駕駛汽車視為傳統汽車的升級，那么自動駕駛的仿真亦是傳統汽車仿真的升級。這也意味著只需在傳統汽車仿真的基礎上進行延展即可進化成自動駕駛仿真。
然而目前的現實是，就像平地起高樓一般，之前的地基是傳統汽車仿真打的，自動駕駛仿真若要站的更高，要么自己從頭做起，要么受制于人，借用傳統汽車仿真地基。其中可能是一段強強聯手的佳話，也可能是兄弟閆墻的故事。
3、車企傳統體系慣性大，難突破
在車企的研發體系中，本來就有固定的仿真測試平臺，IT巨頭們所面臨的問題是標的少(汽車廠商就那么多)，壁壘高(傳統車企的體系固化，很難輕易更換仿真技術體系)，屆時和車聯網的競爭一樣，IT巨頭除了激烈的內部競爭之外，還不可避免的要與Tier1們迎頭撞上。
