文|刘学（北京大学光华管理学院组织与战略系教授）
最近，“萝卜快跑”可以说爆火。数百辆无人驾驶汽车行驶上武汉街头，北京市也拟支持自动驾驶汽车用于城市公共电汽车客运、网约车、汽车租赁等城市出行服务。自动驾驶汽车越来越走进市民的日常生活，也正标志着以无人驾驶为代表的智能汽车，进入了新的发展阶段。
智能汽车产业的未来格局会是怎样？如何超前布局颠覆性创新产业？北京大学光华管理学院组织与战略系教授刘学老师基于理论回顾和产业实践观察，在新书《终局思维》中构建了一个将纵向参照与横向参照相结合的产业终局洞察模型。刘学教授从产品和产业两个层次，将颠覆性创新产业与最佳替代产业、最佳参照产业的技术结构、功能结构，以及产业经济特征进行识别描述、比较参照，从而形成对颠覆性创新产业终局的判断。从这本书中， 或许我们可以窥见智能汽车产业的未来。
一、运用产业参照法洞察终局的三个步骤
从方法和过程角度，运用产业参照方法洞察产业终局包括三个关键步骤：
首先，寻找最佳替代产业。所谓最佳替代产业，是指当某种潜在颠覆性创新出现时，技术结构、功能结构与创新性产品相似，可能受到直接冲击或受影响最大的产业。智能汽车的最佳替代产业毫无疑问就是传统汽车制造业。
其次，寻找最佳参照产业。所谓最佳参照产业，是指产品在技术结构、功能结构上与颠覆性创新产品相似，在创新的时间进程方面具有领先性，且产业总体格局基本清晰的产业。本书选择智能手机产业作为智能汽车产业的最佳参照产业。
找到最佳替代产业、最佳参照产业后，分别描述其产业规模、竞争格局、利润空间、主导设计、主流的商业模式、产业供应链生态及结构、产业运营服务体系及结构等指标。最佳替代产业——传统汽车业、最佳参照产业——智能手机产业的基本格局均为客观现实，只需收集全面、准确的数据，就可以清楚、明确地加以描绘。将最佳替代产业、最佳参照产业的格局描述清楚，洞察颠覆性创新产业终局时，就有了参照的基准。
最后，描述颠覆性创新产业的技术特征和经济特征，识别颠覆性创新产业与最佳替代产业、最佳参照产业的异同，对未来的产业规模、竞争格局、利润空间、主导设计、主流的商业模式、产业供应链及结构、产业运营服务体系及结构等指标进行判断。
以技术结构、功能结构具有相似性，且创新方面具有先行性的最佳参照产业为参照对象，有助于看清变化的方向。以总体格局清晰明确的最佳替代产业作为参照基准，有助于看清变化的内容、范围和幅度。将二者结合起来，便可对智能汽车产业终局做出基本判断。
二、智能汽车产业的终局判断
《终局思维》一书分别描述了传统汽车制造业、智能手机制造业的产业规模、产业集中度、利润空间、主导设计、主流的商业模式等指标，仔细识别了智能汽车与传统汽车、智能手机产业在技术结构与功能结构、经济特征方面的异同，在此基础上对智能汽车的终局做如下判断：
1.产业规模。从产品销量增速和产业营收总量两个维度对智能汽车产业达到成熟阶段的规模进行预判。
随着经济增长、成本下降，全球对智能汽车的需求量一定会增长。智能硬件极快的技术进步与汽车利用率提高两个因素结合，将使汽车更新频率提高。因此，成熟阶段的智能汽车的产量一定会显著高于目前传统汽车的产量。
但智能汽车的功能结构将影响智能汽车需求量的增速。自动驾驶实现之后，个人拥有的汽车可能用于出租；出租车供给增加且不需要司机，使用出租车的成本相对下降，便捷性显著提高，加上共享产权意识进一步增强，中低收入者拥有汽车的欲望可能降低。
综合这些因素，假设其他条件不变，相对于传统汽车需求量的自然增长速度，智能汽车需求量的相对增长速度将会略低于传统汽车。
智能化改变了汽车的技术结构、功能结构，进而影响产业的内涵和边界，制造与运营的一体化程度将会明显提高。这会重构车企的收入来源与现金流结构，从而使以收入来度量的产业规模将会倍增。未来部分智能车企的收入来源与现金流结构将会变为：
（1）硬件销售收入。包括汽车及关联产品销售。可以预期，智能汽车的更新频率会提高。
（2）软件服务收入。因为智能化服务的部分功能与智能手机重叠，所以如果不考虑未来涌现的新功能，再加上汽车硬件的价格远高于手机，这部分收入在车企收入中的占比会低于智能手机厂商软件服务收入在总收入中的占比。
（3）运营服务收入。不仅前向垂直整合的制造企业会提供智能汽车运营服务，而且专业运营服务平台如滴滴、优步也可能后向一体化到整车制造。这两类车企的运营收入都将统计到智能汽车产业的营收中，并在车企收入中占据很重要的比例。
这三项收入的总和，再加上未来可能涌现的新功能带来的收入增加，使得智能汽车产业的总规模将远高于目前传统汽车的水平，至少两倍于目前的规模。
2.产业竞争格局。由于全球智能汽车产业的规模太大了，不可能像智能手机产业那样，前5家企业占据70%以上的市场，苹果一家企业攫取产业利润的80%左右。智能汽车产业可以容纳的企业数量不仅将显著多于智能手机产业，而且将多于传统汽车产业。
智能汽车硬件技术进步速度快；汽车制造既有产品生产端的规模经济性，又有软件用户端的规模经济性；数据的黑洞效应非常显著；汽车和操作系统平台具有一定的网络效应；事关安全，客户对品牌声誉极为关注。这些因素使得掌控核心软硬件的前两家企业集团将会在全球市场上居于绝对的领导地位，其市场份额可能接近50%。还有5家左右的企业集团面向全球市场，将在全球市场上竞争30% 左右的份额。另外将有数十家以上的全产业链资源整合型企业争夺最后20%的市场。
智能驾驶系统的产业集中度将会与智能手机操作系统产业类似，前两家企业将占80%以上的份额。当然，在智能汽车导入期和高速成长阶段，产业将处于相对分散的状态。随着激烈竞争，优胜劣汰，产业将趋于集中，最后达到相对稳定的格局。
汽车运营行业的格局将随着智能化的提高而发生重大变化。由于制造与运营的一体化，汽车运营行业高度分散的格局将会被打破，产业集中度将会显著提升。
3.主流的商业模式。智能汽车的技术结构、功能结构与智能手机更为一致，智能软硬件系统对商业模式的影响和决定性作用更大。另外，智能汽车的安全责任将在主机制造商、自动驾驶系统提供商、汽车运营商（者）及其他交通相关方之间分配，其中主机制造商很可能是安全责任的主要承担者。基于责任承担的考虑，制造商前向一体化，直接运营汽车，或者运营商后向垂直一体化，参与制造汽车，将成为重要趋势。参照智能手机产业主流的商业模式，结合汽车制造业的特点，可以推断智能汽车产业未来主流的商业模式如下：
● 掌控核心软件（智能驾驶系统）和关键硬件（重要芯片、关键传感器等）的整车制造与运营型。数量极少，极可能只有1～2家。这类企业很可能将价值链向前延伸，进入汽车运营领域。
● 独立的核心软件（操作系统+智能驾驶系统）提供型。产业达到成熟阶段，独立的操作系统+智能驾驶系统提供商不会超过2 家。
● 掌控上游关键部件或模块的整机制造及运营服务提供型。这类企业掌控关键部件或模块，如电池（包括氢能源电池）动力系统、部分芯片或者感知设备等，将产业链向前延伸至整机制造及运营服务。有些类似于三星在智能手机产业中的模式。
● 掌控流量（车辆运营和用户需求）的后向垂直整合型。源自汽车运营方（如优步、滴滴、大型物流公司等）的后向一体化。
● 专注于设计（ODM）与制造（OEM）的专业制造型。类似于富士康。这类企业可能是传统车企转型而来，也可能是目前代工厂业务范围延展而来。
● 专业化的全产业链资源整合型。这类企业的技术控制能力和用户控制能力都相对薄弱，因此很难建立产业壁垒。它们从核心软件提供商那里获得自动驾驶系统，完成整车制造，构建自己的品牌和销售服务网络，并参与汽车运营服务。
4.主导设计。主导设计无法通过参照的方法来识别，只能通过比较哪种技术模式能够解决颠覆性创新产品导入市场的关键挑战以及生态系统的综合能力来判断。
特斯拉推出的第一个端到端AI自动驾驶系统FSD BetaV12采用自主学习的生成式大数据AI，不再基于规则驱动，而是基于数据驱动。通过L2、L3级别汽车获得的真实驾驶事件的数十万个视频帧来训练其神经网络，使其能够自主学习、自主决策，而不是像以前的版本那样使用数万行代码。这使得代码减少、模型简化，对芯片性能的要求相对较低，从而能够在本地运行的情况下有效处理相关问题，更重要的是，使得困扰AI 驾驶系统的“AI算法、长尾数据、安全法规不可能三角困境”能够在一定范围内得到解决。
特斯拉的智能驾驶系统研发与车辆制造一体化，可以实现有效数据获取与模型训练优化的无缝衔接，而且特斯拉采用专利公开、代码开源的生态战略，愿意分享产业发展的果实而不谋求独占市场。因此，只要其技术模式能够有效解决智能驾驶的关键问题，很容易得到客户认可和其他伙伴的支持。
特斯拉现在采用的摄像头视觉感知+ 神经网络模型的技术模式，最有可能成为智能驾驶的主导设计。未来经过两年左右的进一步改进，很可能实现智能驾驶的安全保障。
智能汽车的核心技术AI驾驶系统，复杂性、新颖性非常高，成熟性比较低，研发过程周期较长，很难一步到位。配套的辅助设施，包括路端、云端需要的辅助设施投资规模较大，周期较长。智能驾驶汽车关乎安全，包括用户、行人、其他车辆的安全，甚至社会的安全、国家的安全，产品准入需要进行大量的试验和测试，而且过往没有相关的产品准入政策可供参考，制定相应的准入政策和管理政策需要在干中学。所有这些因素综合在一起，意味着主导设计形成之前的周期较长，技术开发也是一个渐进的逐步提升的过程。在这种情况下，自下而上的火箭战略，就是更好的选择。相反的情形，如智能手机导入市场，对某些公司来说，瀑布战略也是一种合适的选择。
作为在位者的传统车企与作为挑战者的科技公司在资本和政府力量加持下的博弈，最终谁更可能胜出？起步阶段，传统车企占据明显有利的地位。科技公司相对分散，而传统车企相对集中，科技公司的智能软件必须装载在传统车企的汽车上才能够导入市场，再加上资源能力方面的明显优势，传统车企有了发展自己可以掌控的“灵魂”的底气。
但是，传统车企发展智能驾驶系统，不仅投资成本高昂，而且智能软件业务与传统机械制造业务的组织基因差异极大，奉行完全不同的管理逻辑：
● 固定资本密集vs.人力资本密集。
● 供应商关系、供应链管理vs.知识资产的快速形成、积累和迭代。
● 过程可观察的流水线生产方式vs.过程不可观察的脑力创造过程。
● 机械式组织vs.有机式组织。
● 产品中心模式vs.服务中心模式。
● 硬件生产端的规模经济性vs.软件用户端的规模经济性。
显然，传统整车集成业务的组织基因、管理逻辑与智能软件业务差别巨大，使得两种业务管理决策所需的知识基础，人员管控模式和激励政策，组织架构与组织文化等，均存在重要的不同。将这两类业务整合在一起，历史悠久、地位崇高的传统业务部门依然是公司现金流的主要来源，但受到电动车的冲击，收入趋于下降；新建立的智能软件部门则是公司主要花钱却短期内无法产生明显回报的部门，而且新部门人员的薪酬待遇又明显高于传统部门。在这种情况下，新老业务之间的冲突，包括资源竞争、权力冲突在所难免。平衡好新旧部门之间的关系，使其协同运作，需要付出极高的管理和协调成本。这一挑战被绝大多数传统车企的决策者严重低估了。
主导设计初步形成后，智能汽车潜在市场转化为现实市场在5年左右。传统车企没有太多的时间培育智能驾驶系统业务所需的核心资源与能力，而且主导设计一旦形成，将加速传统汽车业务的萎缩，导致传统车企的现金流承压，很难支撑电动化、智能化的双重转型。这将是全世界所有传统车企共同面临的挑战，这也意味着全球汽车产业格局将面临重大的调整与重构的过程。
三、结语：洞察终局，顺势而为
汽车制造业一直被视为全球第一大产业。这个诱惑力无限的产业格局在全球范围内的重构，必将给许多企业带来巨大的机遇，也会给许多企业带来重大的挑战。
面对这个大变局时代，汽车产业生态中的每个企业，不仅需要洞察全球智能汽车产业的终局，更需要洞察本企业所在的具体业务领域的终局，包括对产业规模、竞争格局、利润空间、主导设计、主流的商业模式等进行预判，然后审视自身与对手拥有的资源能力，在理想雄心和现实可能之间寻找一个最佳的平衡点，以决断本企业在未来产业终局中的定位；然后谨慎选择达成目标的路径，在资源能力方面提早布局，在步调节奏方面顺势而为。
提供洞察产业终局的系统方法，指导你超前布局颠覆性创新产业；
深度解析汽车产业演化实例，完整呈现智能汽车产业的未来格局；
站在未来看现在，在不确定性时代锁定确定性
《终局思维》，刘学 著，中国人民大学出版社 2024年7月出版
