编者按：本文来自微信公众号 远川科技评论 （ID:kechuangych），作者：刘少山，创业邦经授权发布。
最近几年，科技卡脖子的问题经常被提起，这也是目前我国科技界、经济界、投资圈的讨论热点之一。卡脖子技术的重灾区是半导体行业，首当其冲者是芯片设计上游的工业软件（EDA软件）。虽然国内许多公司具备芯片设计能力，但是IC设计的高端软件EDA工具仍然基本由外国公司垄断。EDA受制于人，足见工业软件对一个科技时代的重要性。
随着科技行业进入机器人时代，我国有着天然的先发优势。以新能源智能汽车为例，目前中国是最大的生产国，也是最大的消费国，但是我国的自动驾驶技术却没有走在最前头，特别是在技术研发范式上仍然采用手工作坊模式。为了在机器人时代免于被卡脖子，我们必须大力投入到自动驾驶以及机器人的工业软件自主化中，以形成生产、技术快速迭代、消费的闭环。特别是，自动驾驶是机器人技术的高地，应用于新能源智能汽车的自动驾驶技术及其供应链经过量产的洗礼后，很容易降维到不同的机器人行业，孵化出无数的细分机器人产业。
形成生产、技术快速迭代和消费的闭环的关键在于工业软件，正如芯片行业强依赖EDA软件，机器人行业技术研发的效率也强依赖机器人的工业软件。本文将介绍什么是机器人的工业软件，以及笔者使用工业软件提升研发效率的经验。
01 机器人时代的来临
随着越来越多的机器人以及无人车出现在我们的日常生活，机器人时代已经来临。在深入研究机器人时代之前，让我们首先回顾一下信息科技的演变。信息技术腾飞于20世纪60年代，当时仙童半导体公司和英特尔公司通过生产微处理器奠定了信息时代的基础，随之而来的是硅谷的爆炸式发展。尽管微处理器技术极大地提高了工业生产力，但普罗大众接触它的机会非常有限。
情况在20世纪80年代发生了变化，随着个人电脑的出现，以及后来的苹果Macintosh和微软Windows的图形界面（GUI）使得个人计算快速普及，规模经济效应使得个人计算的价格大幅降低。最终，计算机在全球范围内普及的愿景，在2000年左右实现了。
21世纪初，在每个人都拥有个人电脑的基础上，雅虎和谷歌通过搜索引擎连接了人与信息，衍生出了互联网行业。从2004年的Facebook开始，社交网络在互联网的基础上让人与人便利地连接起来，将整个人类社会从线下转移到了线上。随着互联网社会的人口增长，诸如Airbnb（2008年）、Uber（2009年）等应用开始在互联网社会提供商业服务，形成了一个互联网的商业社会，我国在互联网的商业社会独步全球，各种基于互联网的APP将用户体验做到了极致，但是实现互联网应用的基础设施依然基本依赖于美国提供的技术。
技术时代的窗口再一次敞开，眼下已经进入了机器人时代，服务机器人、无人机、送货机器人、智能车将为人类提供服务，特别在我国老龄化日益严重的背景下可以提供充裕的生产力。因此，在机器人时代我国不能再被卡脖子，必须要成为世界上机器人技术研发效率最高的国家。而研发效率取决于研发工具，特别是机器人研发工业软件可以把机器人技术的研发从劳动密集型升华为智慧密集型，使得研发的技术更容易规模化落地。
02 机器人研发的手工作坊时代
目前随着新能源车行业在我国的快速崛起，自动驾驶变成了行业的香饽饽，各大车厂也就自动驾驶技术人才展开了激烈的竞争。但在该领域，我国的人才储备与美国差距悬殊。我们做过一个估算，中国目前在无人驾驶领域的人才储备不足500人，而美国的这一数字可以达到4000到5000人。我们将这里的“人才”定义为对整个自动驾驶技术栈有系统性理解并且能够深入挖掘至少一个细分领域的工程师。
比人才储备差距问题更严重的是研发范式问题，据笔者了解，国内大多数厂商还停留在手工作坊时代。调试一个算法，然后算法集成到一个系统，到附近的几个道路跑路测，跑出问题了再找出问题，根据问题修复，修复的代码可能又带来新的问题。很多技术点都是通过手工的打磨，在一个地区测试出来的成果放在一个新的环境可能又会失效。这种研发方法效率低、成本高、难以规模化生产。比如许多公司会维护一个测试车队，等待合适的天气环境进行不同的无人驾驶测试，这样的测试覆盖率不可能高。而且一个在上海测试的车即使在上海表现很好，换了一个城市，比如广州，就可能出现问题，如果换了一个国家，比如巴黎，可能就更加难以适应当地环境了。
在这种手工作坊的研发范式下，机器人技术研发还停留在劳动密集型阶段，研发成果难以规模化落地，每一个新的市场与场景都需要一个新的团队来覆盖。特别在我国的人才储备已经落后的情况下，劳动密集型的研发范式很难确保中国在这个新兴产业筑建壁垒。
因此，笔者认为应该加大在自动驾驶以及机器人的工业软件中的投入，比如仿真引擎，然后让引擎自动迭代算法，如此可以做到真正的高效率研发，研发出的技术也可以更轻松覆盖多个市场，实现规模化发展。
03 机器人时代的工业软件
机器人时代的工业软件的一个例子是自动驾驶研发中的仿真引擎。通过在数字孪生环境中的仿真与数据积累，自动驾驶算法研发的效率可以得到极大地提升，实现成本最小化，从而以最优的价格推出最佳的自动驾驶产品，快速实现规模经济，最终达不可逾越的高技术与商业门槛。与手工作坊的范式相比，工业软件可以把自动驾驶的研发从劳动密集型升华为智慧密集型，降低投入的同时提高产出。例如，目前的手工作坊范式为了测试汽车如何处理大雪环境，测试团队可能需要等待几个月，直到大雪来临，然后在路上收集物理测试数据。使用了仿真软件作为研发测试引擎后，我们可以轻易地在数字孪生环境中建造一条道路并产生一个大雪场景，然后根据需要产生各种高质量的测试数据。
仿真对汽车行业来说其实并不陌生，例如，车辆动态模拟器已经被广泛用于开发过程中，如转向系统的开发。在自动驾驶软件研发中，仿真器已被用于测试和验证决策模块和路径规划模块。但目前的仿真环境缺乏对世界的高保真重现。最近，基于游戏引擎的高保真模拟器已经被开发出来，比如Carla和LGLVS使用计算机图形模型、渲染算法和物理模型来尝试产生一个高保真环境。但是目前虚拟环境与现实之间的差距还是过大：首先，这些模拟器只提供虚拟城市的地图，其中的地理和物理环境特征与真实世界的道路测试并不相同。其次，移动物体的行为，如车辆和行人，都是写死的，很难模仿真正的交通参与物的行为（例如，巴黎行人的行为可能与新德里行人的行为不同）。最后，这些仿真引擎不能很好地对传感器数据进行高保真仿真，因此很难产生精准的感知数据。碍于上述技术限制，中国的自动驾驶研发基本仍停滞于手工作坊的范式，追求短平快地在市场上推出产品。这样的做法在短期内让人感觉进展很快，但是在技术发展的长跑中很容易暴露出效率问题，后继乏力。
我们认为基于仿真引擎的研发是一个先进的工业化研发范式，而不仅仅是一组技术的堆砌。如图2所示，根据实际部署经验，我们总结了基于仿真引擎的自动驾驶研发范式的几大原则：
原则1：结构仿真。数字孪生体应该包括精确的环境三维模型，它呈现出与物理环境相同的地理和几何特性。基于结构孪生体，自动驾驶的周边环境可以得到很好地模拟。例如，利用目标环境的几何信息，可以合成真实的激光雷达点云和摄像机图像，从而进行很好的感知仿真。
原则2：物理仿真。物体运动、碰撞和感应的物理过程应该在仿真器中得到真实体现。例如，一个车辆动力学模型需要一组参数来精确地模拟物体的运动。又例如，地理的信息也应该被真实地体现，比如把高精地图数据导入到仿真系统中。
原则3：逻辑仿真。模拟的交通参与者（如车辆和行人）在与自动驾驶车和其他物体互动时，应该有类似于他们的物理环境的行为。这一原则对于测试自动驾驶汽车的规划和决策模块至关重要，特别是在交通繁忙的场景中。
04 效率的提升
在实现了很真实的结构仿真（传感器），物理仿真（车体模型），以及逻辑仿真（行为模拟）后，我们对比了物理测试的成本以及仿真测试的成本。物理测试无人驾驶算法的成本约为180美元/小时，而基于仿真引擎的测试仅为2美元/小时。在同样的预算下，较之于手工作坊的研发范式，工业软件驱动的研发范式可以把效率提升两个数量级。目前业界还有许多声音认为仿真引擎不可靠，手工作坊才是正途。但是效率的提升不会骗人，引用更先进的研发方法的团队最终可以达致更高的效率，从而淘汰低效率的方法。在美国，许多突出的自动驾驶公司，比如Tesla以及Waymo，在仿真上的投入已经越来越高了，最终这些自动驾驶仿真软件上的投入会溢出到各个机器人的应用中，快速培育这些垂直应用的发展。
特别是Tesla，在每年的技术发布会上都会详细介绍自身的技术栈，大家都会被Tesla的芯片、深度学习、机器人产品等耀眼的技术所吸引，而媒体也会铺天盖地地宣传这些耀眼的新兴技术点。而笔者认为，支撑Tesla研发迭代最核心的引擎就是他们的仿真引擎，而仿真引擎的介绍在Tesla的技术发布会上往往被一笔带过，不容易被注意到。但是通过对比Tesla的研发范式与我国新能源车公司的研发范式，我们很容易发现双方在技术研发上的显著代差，如同冷兵器之于火器。
05 总结
机器人时代是中国科技与经济的极大机遇，中国已经占据了明显的先发优势，目前中国是新能源智能汽车的最大生产国以及消费国，但中国公司的研发范式还停留在手工作坊时代，很难高效地通过先进技术将生产与消费相连接形成闭环。而海外突出厂商已经进化到以工业软件为核心的研发范式。笔者与团队自身研发的经验也确认了以工业软件为核心研发范式相对手工作坊范式有两个数量级的效率提升。突出的机器人工业软件可以极大地提升研发效率，把生产端与消费端相连接形成闭环。这个闭环将确保我国在机器人时代拥有技术以及商业上的绝对优势，因此，机器人时代的工业软件自主化，中国不能再错过！
本文为专栏作者授权创业邦发表，版权归原作者所有。文章系作者个人观点，不代表创业邦立场，转载请联系原作者。如有任何疑问，请联系editor@cyzone.cn。
