2009 年 3 月，特拉维斯·卡拉尼克（Travis Kalanick）创建 Uber 时，那时的他难以预料多年后会在投资人的压力下宣布辞职。
在公开辞职信中，卡拉尼克说，「我爱 Uber 胜过世界上任何东西。」他一手打造的 Uber，重塑了个人出行方式，也把共享经济模式从概念推向现实。尽管退出中国市场的运营，也在欧洲一些城市被禁止使用，但它仍然是全球市场占有率最大的共享出行平台。
但卡拉尼克的野心不只如此，在接受《财富》杂志采访时，他曾表示，Uber 提供的服务将「介于生活方式与物流之间」，希望「实时满足」用户的需求，在他们需要时立即为他们提供各种商品和服务。
他也在积极行动。2015 年，Uber 进军自动驾驶领域，2016 年 8 月，收购专注于自动驾驶卡车的 Otto，并在两个月之后，完成卡车送货首秀。2017 年 5 月，推出 Uber Freight，打造物流界的 Uber。
但如今，卡拉尼克辞去 CEO 职位，在一定程度上决定 Uber 未来的自动驾驶业务走向如何？
入局自动驾驶，扼住 Uber 命运的咽喉
卡拉尼克将一切努力赌在了自动驾驶上，他曾警告，如果不能率先将自动驾驶车推上市场，Uber 的生存将面临着致命的威胁。「如果我们不是第一个，那么最先进入自动驾驶市场的公司，会推出比 Uber 更便宜或更质量更高的乘车平台，Uber 将不复存在。」
追溯历史，汽车自动化的实验自 1920 年代就已开始，并在 1950 年代出现可行的实验，且取得部分成果。1980 年代，美国国防部高级研究计划局（DARPA）制定自主地面车辆 ALV 计划，与卡内基梅隆大学、斯坦福大学等机构合作，利用激光雷达、计算机视觉首次实现了机器人自主控制下的自动驾驶，并在无人车上首次使用了便携式计算设备，速度达到 31Km/h。1989 年，卡内基梅隆大学率先使用神经网络引导控制自动驾驶汽车，由此发展形成了现代控制策略的基础。
2009 年，硅谷巨头谷歌进入自动驾驶领域，在一辆改装的丰田普锐斯上搭载视频系统、雷达、自动导航技术，在太平洋沿岸行驶一年多，共 1.4 万英里。
科技巨头的进入引爆自动驾驶市场，自动驾驶汽车也进入公众视野。不仅是硅谷巨头，包括传统汽车制造厂商，他们进入自动驾驶领域的消息不绝于耳。
「自动驾驶技术不仅会冲击传统汽车行业，同时也会冲击 Uber 这样的共享出行公司。」加州大学伯克利分校计算机系博士生高阳告诉机器之能。
2016 年，Lyft 联合创始人兼总裁约翰·兹莫（John Zimmer）曾在一篇文章中表示，到 2025 年，私家车将会成为过去，大量居民将会使用共享汽车平台代替原有私家车，通过统一管理的平台部署、管理自动驾驶汽车，将是最佳的方式。
如果自动驾驶完全普及，人们将不必拥有私家车，那时，只需要依靠智能手机，就能便捷地预约共享汽车或自动驾驶出租车，车辆将自行来到预约者身边，带其到达目的地。
作为美国第二大共享出行公司，不仅 Lyft 看到了这个趋势，与 Google 达成合作，就连传统汽车制造厂商奔驰母公司戴姆勒集团也有着同样的判断，早在 2008 年就已经推出汽车共享项目——Car2Go，该项目目前已从欧洲、北美拓展至中国。2017 年，戴姆勒与博世合作，组建开发联盟，推出自动驾驶汽车，加快自动出租车生产，并推进城市自动驾驶共享汽车系统。
正如卡拉尼克所言，谁率先将自动驾驶汽车推向市场，Uber 就面临着致命威胁，因为以现有的业务模式，如果仅靠人类司机的叫车服务，Uber 无法与满大街的自动驾驶出租车抗衡。
Uber 不得不涉足自动驾驶领域，但同时，这对 Uber 来说，涉足自动驾驶也意味着巨大的商机。
美国投资分析机构 ARK 的创始人凯瑟琳·伍德曾在公开场合表示，目前汽车制造商的全球市值是 1 万亿美元，而移动服务（比如优步这类共享公司）价值为 115 亿美元，但如果加上自动驾驶的未来预期，这类移动服务市场的价值可能是如今汽车制造商的两倍。到 2030 年代早期，移动服务的总市场规模将大概 10 万亿美元，20% 的市场规模将属于平台供应商，因此这将是一个 2 万亿美元的商机。
Uber 作为共享出行的超级独角兽，如果在自动驾驶领域取得成功，依托现有的系统和用户量，未来它在运输领域的统治力不仅将难以撼动，其商业价值也将不容小觑。因为大规模自动驾驶成型后，自动驾驶车辆的高效将是人类司机不可比拟的。
2015 年，Uber 与自动驾驶汽车领域鼻祖卡内基梅隆大学的机器人研究中心展开合作，在匹兹堡设立高等技术研发中心（ATC），开发先进的地图、车辆安全、自动驾驶技术，并在一年后快速上路测试。
由易入难，抢先落地自动驾驶卡车，再造物流界 Uber
自动驾驶汽车最终取代人类驾驶的汽车，实现大规模商用，已成为业内共识，但要达到这一目标，道路仍然漫长。机器之心海外网站，驻硅谷分析师陈宝锐认为，自动驾驶包含很多环节，任何一个步骤的疏漏都会带来极大隐患，大量的模拟或许能涵盖 99% 的情况，最后 1% 的提高却需要成倍的付出，实现完全的自动驾驶还需要很长的时间，10 年甚至更久。
但相比城市中的自动驾驶汽车需要面临复杂路况，运输领域的商业用车即物流卡车，却相对简单。因为卡车是在两个物流集散地之间点对点运行，路线固定，行驶道路也几乎是在封闭的高速公路，路况简单，从技术上来说，更容易落地。
而据美国劳工统计局的数据显示，交通和物资运输是美国第四大就业领域，卡车司机是美国最受欢迎的职业之一，从业人员高达 900 多万人，尽管如此，美国卡车运输协会却宣称，美国卡车司机面临大量缺口，而在 2022 年，这一缺口将会达到 24 万。
如果卡车实现自动驾驶，卡机司机缺口问题自然迎刃而解。而卡车作为商业用车，出于降低成本、增加安全性的考虑，企业也更有动力进行技术升级。
2014 年 4 月，Uber 宣布试水快递业务，在纽约推出自行车快递服务 UberRUSH，在旧金山推出送餐服务 UberEATS，在华盛顿推出杂货配送服务 UberEssentials，2015 年上线其快递平台，在内部成立负责物流业务 UberEverything。
2016 年 8 月，Uber 以超过 6.8 亿美元的价格收购专注自动驾驶卡车业务的初创企业 Otto。两个月之后，Uber 完成自动驾驶卡车送货，证明了自动驾驶卡车商业上的巨大潜力。
有了 Otto 技术，再加上首次用无人驾驶卡车送货成功，2017 年 5 月，Uber 推出 Uber Freight，与打车应用类似，Uber Freight 基于位置，使卡车公司更高效地配货，并帮助司机减轻压力，而据优步宣称，Uber Freight 可在数秒时间内确认费率和载货量，在数天内交付货款，而通常来说，这需要 1 个月。
目前，Uber Freight 已在德克萨斯州正式运营。这样的商业模式，再加上将来在自动驾驶卡车上的落地，显然，卡拉尼克的野心是再造一个物流界的自动驾驶共享平台。
技术短板与冲突文化，掣肘 Uber 自动驾驶未来
技术的开发与落地挑战重重，Uber 这一路实在不算顺畅。2017 年 3 月，Uber 的自动驾驶汽车在路测时，与人类驾驶车发生碰撞事故，被掀翻在地。相比之下，Waymo 自动驾驶车在路测时为数不多的故障，都是轻微剐蹭，或被其他车追尾。
「Waymo 测试的里程更多，且没有出现过这样严重的事故，这可能说明 Waymo 的测试驾驶员更加小心，或者 Waymo 的技术对其他人类司机的错误更加鲁棒。」高阳分析。
尽管目前自动驾驶还缺乏特别完善的衡量标准，但陈宝锐认为，人类介入距离（Disengagement Rate，指自动驾驶时每隔多远的距离需要人类干预）可以作为一个参考。Uber 目前的成绩据报道是大概每英里都需要介入，根据加州车辆管理所 2016 年的数据，横向对比其他公司，或许能得到一些启发。
* Google: 5,127.9 miles (635,868 miles driven, 124 disengagements)
* BMW: 638 miles (638 miles driven, 1 disengagements)
* Nissan: 263.3 miles (6,056 miles driven, 23 disengagements)
* Ford: 196.6 miles (590 miles driven, 3 disengagements)
* General Motors: 54.7 miles (8,156 miles driven, 149 disengagements)
* Delphi Automotive Systems: 14.9 miles (2,657.7 miles driven, 178 disengagements)
* Tesla: 2.9 miles (550 miles, 185 disengagements)
* Mercedes-Benz: 2 miles (673 miles, 336 disengagements)
* Bosch: 0.68 miles (983 miles driven, 1,448 disengagements)
「尽管一次事故并不足以判断更多问题，但这至少说明 Uber 自动驾驶技术还不完全成熟，对人类司机容错的程度不高。」陈宝锐说，「如果结合 Uber 自动驾驶车辆的人类介入距离，可以得出一个结论，Uber 在自动驾驶上还任重道远。」
为了改进自动驾驶汽车软件，2017 年 5 月，Uber 在加拿大多伦多成立新的人工智能团队，聘请多伦多大学教授、机器学习和电脑视觉领域专家 Raquel Urtasun。Raquel 是被广泛认可的自动驾驶数据集 KITTI 的作者之一，在车辆的 3D 检测方面保持着世界领先的水平。而 Uber 最新的测试车型包含四种传感器：光学摄像机、雷达、激光雷达、超声波传感器。
「任命计算机视觉教授 Raquel，会对 Uber 自动驾驶的感知与理解有巨大的帮助。」陈宝锐说。
然而，来自日本的机器学习研究员 Joni 告诉机器之能，卡内基梅隆大学的机器人研究中心内部认为，他们与 Uber 的合作并不成功，2017 年 2 月以后，Uber 自动驾驶项目多位高管的出走就能证明这一点，这些出走的高管大部分都来自卡内基梅隆大学机器人研究中心。
那么，Raquel 带领的人工智能团队，与 Uber 能否进行良好的合作，是 Uber 自动驾驶未来面临的挑战之一。
Joni 认为，相比 Facebook、Google 这样的技术导向公司，Uber 创始人卡拉尼克本身的领导文化，导致 Uber 内部原始企业文化很难以技术为主导。
Joni 表示，Uber 要重新发力，雇佣更有冲劲的年轻学者是好事，但不能仅仅以商业，比如融资的角度雇佣，Uber 需要尊重学者，并为他们提供更多的资源。「Uber 需要重塑以技术为主的管理文化，使其成为技术导向公司。」
「Uber 做自动驾驶在业务模式上的优势很明显，但最大的问题是，这个团队能不能快速重整，推进自动驾驶的开发，不然以所有公司都虎视眈眈的局面来看，先天优势还能给它多少时间窗口就不好说。」与 Uber 有过业务接触的国内某激光雷达类企业高管如是说。
在陈宝锐看来，合作是唯一出路。Uber 掌握大量路径规划数据，但缺乏对自动驾驶研究帮助很大的数据，比如传感器数据等。作为自动驾驶与消费者接触的最后环节，Uber 应加强与上游的合作，整合自己的优势力量，形成联盟，成为自动驾驶生态的一环。
