在过去十年里，Waymo总共从真实道路上积累了多少关于“甲级极端工况”的场景数据呢？答案是：0.29个可能引发人员死亡的场景，19.25个可能引发人员受伤的场景，50.25个可能引发轻微事故（没有人身伤亡）的场景。除此之外，都是一些在人类司机开车时十分好对付的Easy Case。
考虑到Waymo的车队主要是在路况和天气状况比较好的区域跑，车辆在这些地方遇到极端工况的几率低于在美国其他地区，上一段的数字可能是“高估了”，而不是“保守了”。
然而，Waymo可能乐观得太早了。
随着数据对自动驾驶的价值日渐凸出，Waymo的软肋也越来越明显——既要走重资产模式又无法在短期内拿掉安全驾驶员，意味着其车队很难规模化复制，进而很难在数据规模上实现重大突破。
其实，走渐进式自动驾驶路线的特斯拉也并不轻松。特斯拉虽然掌握了很多数据，但要实现大量数据的低成本回传并不容易。此外，欧洲法律对公民隐私的“过度保护”，也将成为特斯拉等公司做数据采集时必须面对的重大障碍。
当然了，Waymo也会受到欧盟“数据隐私保护”相关法规的制约。若这些隐私法案真正得以实施，则无论特斯拉还是Waymo，在欧洲所能收集到的数据将呈数量级地减少。
下一步，Waymo将何去何从呢？
一．商业化进展缓慢导致人才流失
2012年9月25日，在加州参加一次关于自动驾驶安全法案的讨论时，谷歌创始人谢尔盖.布林就说：全自动驾驶实现的年数，可以用一只手的手指数得过来——不超过5年。
然而，到了2017年底，布林所设想的盛况并未出现。直到2018年底，Waymo才小心翼翼地推出了几百辆名不副实的“全自动驾驶汽车”——这些车上，都配备了安全驾驶员。
2019年8月份，Waymo开始在为数极少的自动驾驶试运营车辆上拿掉了安全驾驶员，但很少为外人所知的是，Waymo还为这些所谓的“全自动驾驶”汽车配备了一辆“跟踪车”——“跟踪车”上是两名准备随时去处理各种意外情况的Waymo员工。
这些“rider only”的无人车，测试成本反而要比有安全驾驶员的车辆高许多。
此外，为确保安全，Waymo还为这些“全自动驾驶汽车”配备了远程操控员。按中国工信部在今年3月份出炉的《汽车驾驶自动化分级》标准，这仍然属于“L3”。
据美国交通部门的数据，人类开车平均每35.7万英里遭遇一次或大或小的事故，而Waymo在2019年的加州路测成绩是每1.32万英里就需要一次人工干预。粗略地算，截至2019年底，Waymo自动驾驶系统的可靠程度大约为人类司机的1/27。
既然技术还很不成熟，为何又要强行以“商业化”的名义推出？2018年12月份，Waymo One项目刚启动时，曾担任过谷歌全球副总裁、对谷歌文化颇为了解的李开复在接受媒体采访时说：“为了留住人才。”
李开复说这句话的背景是，由于自动驾驶项目商业化进展缓慢，很多人才有强烈的挫败感，他们觉得在这里待着“很没劲”。
2017-2019年间，国内某自动驾驶公司创始人曾多次赴硅谷，跟10位以上Waymo工程师做过一对一交流，他说：“刚加入Waymo的人大多对无人驾驶的前景很乐观，而待过三五年以上的老员工则普遍很悲观。”
这些Waymo“老员工”悲观的原因是：无人驾驶的链条太深长、技术太深了。“他们甚至需要专门的人做松鼠的感知，就怕路边突然有松鼠蹿出来，无人驾驶车辆碾过去。”
既然老东家的进展如此缓慢，但如果自己出去创办一个自动驾驶公司，“跟现东家的差距应该不会太大”，在2016年，有这个念头的人很多。
谷歌在2015年底拿出巨额奖金奖励了自动驾驶团队，许多人在实现财务自由后离职创业的念头更加强烈了。接下来的事情我们都很熟悉了：2016年，成立刚满7年的谷歌自动驾驶部门经历了一段“七年之痒”。
这一年，谷歌自动驾驶项目流失掉的顶级人才有：
明星工程师Anthony Levandowski，他后来创办了自动驾驶卡车公司Otto，并投奔了Uber；
长期担任项目负责人的Chris Urmson，他后来创办了自动驾驶公司Aurora；
硬件主管Bryan Salesky，他后来创办了自动驾驶公司Argo；
首席工程师Dave Ferguson和早期团队成员朱家俊，他们后来联合创办了自动驾驶公司Nuro。
最新的一则消息是，曾在2017年初离开Waymo加入滴滴担任自动驾驶首席工程师的贾兆寅，要离开滴滴加入Cruise了。
如今，除Otto之外的几家，都是自动驾驶行业的明星公司。也许，有朝一日，他们都有能力从Waymo口中夺食。
为限制人才流失，Waymo曾不惜一切代价对“叛将”Anthony Levandowski穷追不舍，哪怕在Anthony Levandowski被Uber开除后，Waymo也没放过他，最终导致其被罚1.79亿美元，并面临着牢狱之灾。
不过，由于硅谷没有真正意义上的竞业，Waymo对Anthony Levandowski的封杀并没有起到“杀鸡儆猴”的作用。因此，直到2019年，仍然有Waymo骨干工程师离职创业，如轻舟智航公司的四位创始人均来自Waymo。
国内一位自动驾驶公司CEO说：Waymo迟迟无法将技术商业化，意味着他们将被迫成为行业的“黄埔军校”，为他人做嫁衣裳。
二．极端工况的数据严重匮乏
早在2013年，谷歌便尝试将半自动驾驶技术商业化，但在测试中发现了定位于高速上的L3级自动驾驶汽车很难避免“人的不靠谱”后，他们便决定调整方向：一步到位直接做L4。
Mobileye、特斯拉等公司从L2逐步向L4迭代，可以“坚持理想，顺便赚钱”，相比之下，谷歌选择直接做L4，无论技术从商业上还是技术上都是最难的。
之所以选择这条最难的路，除过对L3的不信任外，另一个原因是：Waymo不相信“从L2向L4迭代”这条路能走通。
L2与L4，在系统的软硬件架构等很多方面都是不同的。
如在L2中,AEB、ACC等功能算法都是彼此独立的，并且这些功能算法主要都是和传感器对应整合的，例如 AEB 和 ACC 会整合到雷达中，LKA 则会整合到摄像头中。
但到了 L3、L4，一个功能可能会用到很多传感器，这时功能算法就需要去融合，甚至 AEB 也会导入到一个横向的控制功能中，这就意味着，整个算法的开发都不能再沿用原来 L2 的模式了。
在2015年5月份，时任谷歌自动驾驶项目CTO的Chris Urmson在一次TED演讲中戏谑道：相信一款自动驾驶辅助系统只要不断迭代，就可以越做越好，最终达到完全的自动驾驶水平，这就相当于说“只要我努力地练习跳跃，迟早有一天，我就会飞起来”。
但Waymo直接做L4也很难：一方面，技术迟迟无法商用，而持续地测试又需要持续地烧钱，不知道何时才是个尽头；另一方面，受成本制约，在可以拿掉安全驾驶员之前，试运营项目都很难规模化复制。
据捷豹路虎官网的信息，2018年3月底，Waymo在跟捷豹路虎签约的时候，计划在“两年内”投放超过2万辆自动驾驶版的I-Pace做Robotaxi。现在，“两年内”这个时间节点已经到了，可Waymo仍未能拿掉安全驾驶员。
简单地算一笔账：
据美国求职网站neuvoo的信息，2019年美国出租车司机的年薪中位数为4.4万美元，通常，安全驾驶员的薪水要比出租车司机高许多，按高30%算的话，每位安全驾驶员的年薪应在5.7万美元左右。
目前，Waymo One项目的车辆是7*24小时运营，三班倒的话，每辆车至少需要3名安全驾驶员。这意味着，每年每辆车的安全驾驶员成本约为17万美元。
Waymo若是要养一支规模达2万辆的包含安全驾驶员的Robotaxi车队，则仅安全驾驶员的薪资成本每年便需要34亿美元左右。
整个2019年，Waymo的总开支只有10亿美元。这意味着，它决然不能在2020年就花34亿美元去养6万个安全驾驶员了。
事实上，从2018年初至今的两年多里，Waymo新增投放的自动驾驶测试车辆只增加了不到200辆（有一部分是I-Pace，另一部分是Pacifica）。
Waymo原本计划，仅跟捷豹路虎合作的车队便可在2020年实现“每天运输100万次”的目标。但实际上，当前，Waymo One的月活跃用户只有1500名。
车队规模扩张进展如此缓慢，带来的一个致命问题是：Waymo很难获得训练算法所需要的海量数据。某自动驾驶创始人说：“在我们看来，与特斯拉这种拥有大规模车队的公司相比，Waymo还停留在实验室阶段。”
为弥补真实车队规模的不足，Waymo拿出了仿真测试这个武器。从目前已公开的数据来看，Waymo的仿真能力要比其他公司更有竞争力。
仿真，最核心的价值就是模拟自动驾驶系统在极端工况下如何做决策，而用来做仿真的场景数据的真实性，便成了做仿真最高的壁垒之一。据国内某新能源车企的自动驾驶负责人说，当前，能直接用传感器收集到来自真实道路数据做仿真的公司很少，大部分公司做仿真使用的场景，都是自己用算法生成的。
各公司自己搭建起来的“极端工况”场景，难免跟真实情况下的极端工况有出入；更何况，有很多极端工况，是写算法的工程师们无论如何搜肠刮肚也预料不到的。
而使用来自真实道路的数据做仿真，则可以尽最大可能“减少遗漏”。
从已公开的信息看，Waymo是为数不多的能用来自真实道路的数据做仿真的公司之一。
鉴于仿真是自动驾驶数据发挥价值的最主要方式，笔者接触过的多位业内人士有一个共识是：那些打算从L2向L4迭代的车企，如果没有能力拿来自真实道路的数据在仿真平台上跑决策算法，那无论数据再多，其价值也不能充分发挥出来。
而对Waymo来说，既然场景数据是来自真实道路，那在仿真平台上跑还是在真实道路上跑，对决策算法训练来说，效果就没有明显区别。这是Waymo的护城河之一。
然而，仿真救不了Waymo。就连Waymo CTO Dmitri Dolgov也承认，在真实道路上行驶里程越多，仿真训练结果的可靠性就越高。
实际路测最重要的就是关于极端工况的数据。为表述方便，可简单地将极端工况分为两大类：甲级极端工况，即连人类司机开车时也很难应对的工况；乙级极端工况，即人类开车时能应对但自动驾驶系统很难应对的工况。
L4级自动驾驶技术商业化的前提是，系统的驾驶水平要高于人类司机，所以，如果自动驾驶系统对甲级极端工况的处理能力还拿不到人类司机的水平，那就先别急着谈商业化。而系统对甲级极端工况的应对能力又取决于数据规模。
现在，我们算一算，Waymo这些年究竟在真实道路上收集到了多少关于甲级极端工况的数据：
A.据美国交通部门在过去五年的数据，人类司机开车，平均每1亿英里会出现1.16例死亡、77起碰伤、201个没有人身伤亡的小事故。
B.截至2020年1月份，Waymo的车队累计总行驶里程只有2000万英里；按以往的增长趋势估算，在车队规模没有明显增加的情况下，截至2020年6月底，累计总行驶里程大约为2500万英里。
C.根据前面提到的“事故率”，2500万英里包含的“甲级极端工况”场景数据为：0.29个可能引发人员死亡的场景，19.25个可能引发人员受伤的场景以及50.25个可能引发轻微事故（没有人身伤亡）的场景。除此之外，都是一些在人类开车时很容易搞定的Easy Case。
D.考虑到Waymo的车队主要是在路况和天气状况比较好的区域跑，车辆在这些地方遇到极端工况的几率可能低于在美国其他地区，上一段的数字可能是“高估了”，而不是“保守了”。
这可是几代谷歌Waymo人奋斗了超过十年才取得的成果啊。然而，这个成果，相比于自动驾驶对极端工况数据的需求来说，实在是太少了！
出身豪门的Waymo尚且如此，那些既没有资金又缺乏人才的初创公司直接去做L4，则简直就是“没有Waymo的命，却得了Waymo的病”了。
三．不做L2，也许是个“误终身”的决策
现在回过头看，谷歌当初放弃渐进式路线的两个理由都不完全成立。
其一，L2虽然在系统架构上跟L4不同，但L2的量产车收集到的场景数据却是可以用来开发L4技术的，而站在一个更高的维度上看，场景数据的规模比系统架构更有可能成为一家自动驾驶公司的护城河。
谷歌为了维持系统架构的一致性而忽略了数据积累的必要性，可谓“拣了芝麻丢了西瓜”。
其二，Waymo是在发现L3“不靠谱”后决定直接上L4的，但其实哪怕对渐进式路线来说，SAE标准下的L3也不是必经阶段。如同样坚持走渐进式路线的Mobileye就在上个季度宣布绕过L3，甚至自2019年以来，Mobileye官网上便很少出现“L3”的自研，取而代之的是”L2+”。
其实，在传感器配置和芯片既定的情况下，一款车的自动驾驶等级被定义为L4、L3还是L2，对收集到的场景数据的质量并无任何影响。也就是说，对最关键的极端工况数据采集工作来说，L2的车完全能够胜任。
如果说L4属于自动驾驶的“珠穆朗玛峰”的话，那特斯拉卖L2及L2+的自动驾驶量产车，则算是在攀越珠峰的过程中“沿途下蛋”，这个过程不仅能挣到钱、将供应链都培育起来、降低关键零部件成本，而且，零成本收集的数据都可成为进一步“攀越珠峰”的神助攻。
AI计算的一个明显特点是：数据量，在某种程度上可以弥补技术能力的不足，甚至，技术能力会因为数据量的增加而快速提升。
如某互联网巨头在2013年做街景地图，起初用1万张照片做训练时，深度学习模型对人脸和车牌的识别准确率只有85%；到了2014年，当用来做训练的照片样本量增加到10万张时，虽然技术手段并没有变化，但深度学习模型对人脸和车牌的识别准确率超过了95%！
相反，若没有足够的数据，技术能力再先进也是白搭。
Waymo只瞄着最高峰这个目标，对其他的不管不问，结果，可能还没爬到半山腰，就已经弹尽粮绝了。因为背靠谷歌，钱的问题解决难度或许不大，而数据的积累，则没有捷径可言，并且是花钱也买不来的。
Waymo由于不认同L3便放弃了渐进式路线、放弃了通过L2量产车来挣钱和收集数据的机会，这可能是个会“误终身”的决策。
在现有的商业模式下，Waymo扭转真实道路数据太少的被动局面的策略是：用AI自动生成比真实数据“更优秀”的数据。但这一做法的可靠性如何，就只有Waymo自己才知道了。
也有不少挺Waymo的人认为，Waymo的车上使用了多颗激光雷达，并且使用的摄像头也要比特斯拉多得多，因此数据的质量更高。但站在纯视觉路线派的角度，使用太多激光雷达如同“作弊”，对训练算法能力是不利的。
并且，对主要依靠影子模式来收集极端工况场景数据的特斯拉来说，传感器配置相对简单，反而有利于“影子系统”把更多因为传感器没检测到障碍物而导致“决策失灵”的场景归类为“极端工况”并触发数据回传。这便最大程度地避免了某些“介于简单和复杂之间“的工况被“影子系统”遗漏掉。
形象地说，Waymo的传感器配置是“飞机+大炮”，特斯拉的传感器配置则是“小米加步枪”，最终结果，飞机+大炮未必会胜出。
当然了，特斯拉的渐进式路线也没那么好走。一个外人关注很少但又特别重要的是：美国的流量费很贵，那么多数据，是如何低成本回传的？
来自简单路况的数据占数据总量的95%以上，这些都是无效数据。特斯拉需要做的就是通过影子模式把那些“极端工况“的数据筛选出来，即在影子系统的决策算法与人类司机的决策不一致时才触发数据回传。
但即便是经过筛选后的数据仍然是很多的，这些数据不可能全部回传。Uber ATG在2017-2018年拆解过好几辆特斯拉的车，在检查网关后没找到数据回传的痕迹。
国内某自动驾驶公司负责人在跟某特斯拉早期员工交流时，对方给他的反馈是：通常情况下没有数据回传，只有当车开到特斯拉官方的超级充电站时，才会通过Wifi自动回传数据。
而国内某新能源车企的自动驾驶负责人告诉笔者，他们已经找到了通过4G网络以比较低的成本回传数据的方式，但具体细节不便对外公开。
在数据回传问题被解决后，渐进式路线的优势就能真正发挥出来了。中国的造车新势力理想和小鹏都坚定不移地计划通过渐进式路线实现L4。
传统车企中，通用一方面在通过Cruise直接做L4，另一方面也打算由另一个团队将Super Cruise系统从L2迭代至L4。若这条路线被证明更好，则许多传统车企在解决了电子电气架构问题、具备做影子模式的能力后，也可能加入渐进式路线的阵营。
若到那时Waymo还未能将L4商业化，则形势危矣。
四．用户有权对数据采集说“不”
接下来，无论是特斯拉还是Waymo，数据采集工作将比以往更加艰难。因为，他们正面临着一个共同的威胁：欧盟和美国的“数据隐私保护”相关法规。
2018年，欧盟议会通过了《通用数据保护条例》（全称General Data Protection Regulation,以下简称 GDPR），主要内容是，互联网/物联网公司在收集用户的个人信息时，需要将“同意权”交给用户，所有未经用户同意的个人数据采集都是非法的。
GDPR于当年5月在欧盟各成员国生效后，互联网行业已经被罚款了无数次。2019年，各项违规活动的罚款总额超过14.5亿美元；也是在这一年，超过 90,000 的商业公司主动报告了数据漏洞，以便符合 GDPR 的要求。
2020年1月底，欧洲数据保护委员会（全名European Data Protection Board，以下简称EDPB ）发布了Guidelines 1/2020 on processing personal data in the context of connected vehicles and mobility related applications （以下简称EDPB的《指导方针》）草案，这实际上是GDPR在汽车产业的“实施细则”。
根据该《指导方针》（草案），自动驾驶汽车的制造商或运营商在采集用户的“个人信息”时需遵守以下几个原则：
1.以书面的形式将收集数据的目的及打算保存的期限告知用户；
2.非经用户同意不得收集；
3.不得将“同意收集”设置为用户购买、租赁一辆车或使用车辆某一具体功能的前置条件；
4.哪怕是同意了，用户仍然保留关闭数据收集功能的权利；
5.数据处理尽量在车端完成，减少回传；
6.默认情况下只处理车辆运行所必需的数据；
7.制造商收集的数据，需要在一定时间内删除。
如何定义“个人数据”是GDPR得以实施的关键。根据GDPR的定义，所谓个人数据，主要是指那些可以跟用户的身份对应起来的信息，如人脸、车牌号、车辆的定位，或者是那些尽管跟用户的身份没有直接关系、但跟其他信息结合起来后可推断出用户身份的信息，如驾驶风格等。
而在EDPB的《指导方针》（草案）中，自动驾驶汽车收集的大部分数据将被视为“个人数据”，最具代表性的是以下三类：
1.跟车辆所在位置相关的信息；
2.跟车主及乘客的生物特征相关的信息；
3.可以揭露车主交通违章或其他违法犯罪行为的数据（如行驶里程、驾驶风格、车速、发动机转速、轮胎压力等，只能在当局的严格监管下在车端处理）。
通常，前两类跟“极端工况”的关系不大，而禁止收集第三类信息（司机的驾驶行为数据），则意味着特斯拉这种公司在欧盟的道路上做不了影子模式，进而无法高效地筛选出极端工况场景数据。
以特斯拉为代表的广大汽车制造商们当然不愿意忍受这些条款的舒服。2月 日，EDPB将该《指导方针》（草案）在网上公示，征求各种利益相关者的吐槽，期限为三个月。
接下来，广大利益相关者纷纷表达了自己的不满。
如代表了16家车企的欧洲汽车制造商协会（ACEA）抗议道：《指导方针》对“个人数据”的定义过于宽泛，如车外传感器探测到的乘客或行人是无法被汽车制造商识别出来的，不必过分敏感；同样，行驶速度属于技术数据，与数据主体无关，也不会对隐私有任何影响。
大众、沃尔沃、欧洲汽车零部件协会等组织的反应也大抵如此。
特斯拉的回应则是“先卖乖，后抗议”。
“卖乖”的部分为：
1.特斯拉一般采用数据最小化的原则，只收集做技术分析或安全关键事件分析所必需的要点(例如与速度有关的要点)。
2.自动驾驶数据共享在我们的车辆中是默认关闭的，并需要得到驾驶员的明确同意才能激活。
3.如果客户需要，数据共享可以在任何时候关闭。
特斯拉的抗议如下：
1.《指导方针》中说汽车制造商“只在绝对必要的情况下”才能收集车辆的位置数据，可到底什么才算“绝对必要的情况”？这个说法非常主观。
2. GDPR第9款并未将位置数据视为个人数据，事实上，在决定是否可以收集时，我们更应该关注数据处理的预期目的，而不是数据的性质。
3.严格限制自动驾驶汽车收集和存储位置信息，可能对车辆的舒适性和安全性造成影响，并且还可能波及到道路上其他车辆和行人的安全。
4.在许多国家，获得“用户同意”可能是困难的、不切实际的，甚至是不可能的，例如，在司机或乘客与车主没有关系、乘客身份不明等情况下，收集数据“征得用户同意”就很难操作。因此，用户同意不应被作为收集数据的前提条件。
目前，双方仍在博弈，“草案”还有修改的空间。但根据欧洲长期以来的“隐私文化”来看，EDPB的《指导方针》并不会完全朝着特斯拉所希望的方向调整。
据一位曾供职于博世的自动驾驶公司创始人透露：行车记录仪在欧洲无法推广，最关键的原因便是欧洲人对隐私非常敏感。
一位常驻德国某Tier 1总部的朋友说：这里隐私大于天，红绿灯处也不会安装摄像头，我给自己的房子安装个摄像头，也必须要抹黑不属于我私人领地的部分。
这位朋友还透露，某法国公司的自动驾驶量产车，回传的数据只是车架号、时间、电量、GPS信号灯基本信息，但并不包括传感器数据。
自动驾驶汽车的传感器未回传，这个说法令人感到震惊。传感器检测到的其他车辆和行人，以及各种障碍物的排列规则、运动轨迹等场景信息，算不算跟隐私相关的“个人信息”？
EDPB的《指导方针》中没有明说。结合欧盟议会在2018年10月份做出“自动驾驶汽车在行驶过程中产生的‘遥测数据’应该适用《版权法》，所有权归汽车制造商”来看，这些信息应该不属于“个人数据”。
理论上讲，这些数据中在经过脱密处理（如对人脸、车牌号等过于具体的信息打上马赛克）便可上传，但在具体实践中，这些数据可能处于模糊地点。如司机并不确定你在回传时是否已经对人脸等做了脱密处理，因此便可能会选择“不同意”。
针对这种文化，上述德系Tier 1的人士说：特斯拉如果诞生在欧洲，早就死了八百回了。
当然，EDPB的《指导方针》的适用对象并不限于特斯拉等车企。
根据“草案”的第30条，除制造商外，零部件供应商、汽车维修公司、经销商、车辆服务运营商、租车公司、共享出行公司、车队管理公司、保险公司、车载娱乐服务商、电信运营商、道路基础设施运营商都要受该《指导方针》的约束。
很明显了，Waymo无论是以Robotaxi运营商的角色还是以技术供应商的角色出现，都会受到影响。
此外，尽管《指导方针》中并没有明说，但我们推测，Robotaxi受到的影响应该比私家车少一些。
比如，私家车的车速等数据被认为可能用做判断车主是否违反交通规则或有犯罪行为的证据，因而车主会不同意采集，但很难说Robotaxi的车速数据会被用做乘客是否违法犯罪的证据。因此，Robotaxi的数据采集权限可能要比自动驾驶私家车更宽泛一些。
比如，对私家车车主来说，“不同意采集”可能已经成为一种习惯，因此，大多数数据都不会被采集；而对那些偶尔才乘坐Robotaxi的用户来说，他未必真正理解数据收集意味着什么，也未必会每次都选择“不同意”。
不过，由于Waymo等直接做L4的公司原本就更加缺数据，因此，欧盟的数据隐私相关法规一旦实施，哪怕只限制了很少一部分的数据采集，对他们也算得上是“重创”了。
需要注意的是，美国的一些州在数据隐私保护方面正在“向欧盟看齐”。
2018年6月，加州通过了《消费者隐私法案》（英文简称为CCPA），这几乎是一个“加州版的GDPR”，其核心原则也是：车辆制造商采集跟安全无关的信息，需要以书面的形式告知车主，并经过车主同意。
CCPA于2020年1月生效。不过，截至目前，加州尚未出台关于CCPA如何适用于自动驾驶产业的“实施细则”或“指导方针”。
五．补短板——用物流车避开隐私限制，收购车企
据EDPB《指导方针》（草案）第31条，商用车（大客车、卡车、物流车）的司机在受雇于某个公司的情况下，其跟雇主的关系适用于劳动法，而不是该关于隐私的《指导方针》。
这意味着L2及L2+的自动驾驶商用车不大会因为司机“不同意”而无法回传数据。诚然，传感器采集到的车牌号、行人的脸等仍然需要进行脱密处理，但由于车上没有司机“滥用否决权”，收集数据显然要方便得多（只有“车外隐私”，没有“车内隐私”）。
以往，在讨论自动驾驶技术在物流领域的商用会早于Robotaxi时，我们更多地是从“物流车对舒适性没要求”“物流车路线相对固定”“高速上路况简单”及“末端配送车速低”等角度考虑，如今，再加上“物流车受隐私限制少”“这个非常关键的因素，那自动驾驶物流车在商用上相比于Robotaxi的优势就更明显了。
Waymo已决定加大对自动驾驶物流车相关技术的投入。
或许，今后，通过做同城配送的Pacifica积累城市道路上的极端工况数据，通过自动驾驶卡车积累高速上的极端工况数据，然后，再将基于这些数据训练而成的算法用于Robotaxi及自动驾驶私家车，可以成为将“隐私保护法”带来的不利影响降至最低的新策略。
相比之下，特斯拉的自动驾驶轻卡主要是被用户作为私家车来使用的，因此，仍在隐私相关法规的限制之列，所以，短期内，特斯拉比Waymo更难以挣脱“隐私保护法”的束缚。
当然，在那些对隐私保护不是很严格的市场上，跟特斯拉相比，Waymo 在对数据的掌控能力方面仍然处于绝对的劣势。
为了扭转这一局面，如果觉得有必要，Waymo应该会收购一家汽车制造商，然后售卖L2及L2+级自动驾驶私家车，然后，这些私家车便成了Waymo的 数据采集终端。
但Waymo收购汽车制造商的难点在于：实力强的制造商不愿意轻易被收购；而品牌比较弱的，销量不行，难以达到采集数据的目的。
最终，Waymo应该会选择一家品牌力很强、但财务状况不佳的制造商，对其溢价收购，或是双方交叉持股、深度捆绑。
不知，若干天以后，在看到Waymo收购一家汽车制造商的消息后，马斯克会不会想起2013年春天，当特斯拉因为缺钱而命悬一线时，他曾去谷歌总部“觐见”拉里.佩奇“求收购”的那个上午？
如果您对这个话题有不同的理解,或有其他关于无人驾驶的经验可分享的,欢迎加作者微信(charitableman)交流。
参考资料：
In 2016, there were 1.8 deaths for every 100 million miles driven in the United States
https://www.justiceforyou.com/accidents/autonomous-vehicle-safety/
EDPB Draft Guidelines on Connected Cars Focus on Data Protection by Design and Push for Consent
https://fpf.org/2020/02/19/edpb-draft-guidelines-on-connected-cars-focus-on-data-protection-by-design-and-push-for-consent/
Guidelines 1/2020 on processing personal data in the context of connected vehicles and mobility related applications
https://edpb.europa.eu/our-work-tools/public-consultations-art-704/2020/guidelines-12020-processing-personal-data-context_en
