Tesla besteht darauf, seine Modelle mit vollautonomer Fahrhardware auszustatten

Am 19. Oktober (Ortszeit in den USA) gab Tesla eine Erklärung heraus, in der es hieß, dass alle derzeit im Werk produzierten Tesla-Autos, einschließlich des noch nicht auf den Markt gebrachten Modells 3, mit Hardware ausgestattet werden, die eine vollständige Selbstfahrfähigkeit ermöglicht. Dazu gehören 8 Kameras rund um die Fahrzeugkarosserie, 12 der neuesten Ultraschallsensoren, 1 verbessertes Vorwärts-Millimeterwellenradar und NVIDIAs Drive PX 2, ein Bordcomputer mit einer 40-mal höheren Verarbeitungsleistung als die vorherige Generation. Seine Funktionen und Einbauorte sind in Tabelle 1 und Abbildung 1 dargestellt. Tesla möchte folgende Unternehmensvision verwirklichen:

Bieten Sie allen eine höhere Fahrsicherheit als beim Fahren durch Menschen.

Sorgen Sie für niedrigere Transportkosten für Autobesitzer;

Bereitstellung kostengünstiger Mobilitätsdienste auf Abruf für Menschen ohne Auto.

Tabelle 1 Tesla-Hardware und ihre Funktionen

Abbildung 1: Installationsorte der Tesla-Hardware

Tesla-Gründer Elon Musk ist der Ansicht: „Verkehrsunfälle verursachen weltweit jedes Jahr 1,2 Millionen Todesopfer, darunter mehr als 30.000 Amerikaner. Die Grundlage für vollständig autonome Fahrzeuge ist bereits vorhanden, und ihre Sicherheit ist mindestens doppelt so hoch wie die von menschlichen Fahrern. Warum also diesen Prozess nicht beschleunigen?“ Theoretisch ist das sinnvoll, denn die im Auto installierten Sensoren können unermüdlich in Echtzeit eine große Menge an Informationen rund um das Auto erfassen, die der Mensch nicht wahrnehmen kann. Die Computerausrüstung an Bord verarbeitet diese Informationen zeitnah und reagiert mit einer Geschwindigkeit, die der Mensch nicht erreichen kann. Tatsächlich haben die meisten Menschen jedoch aufgrund des bedauerlichen Todes eines Tesla-Besitzers in Florida (USA), der im Mai dieses Jahres bei einem Autounfall während der Nutzung des Autopiloten ums Leben kam, nicht mehr viel Vertrauen in das Autopilot-System von Tesla.

Wie immer hat die Nachricht über Teslas vollautonomes Fahren unmittelbar nach ihrer Veröffentlichung weltweit für hitzige Diskussionen gesorgt. In den Augen von Teslas Fans ist Elon Musk ein gewiefter und visionärer Unternehmer, doch in den Augen von Kritikern und Konkurrenten (vor allem traditionellen Autoherstellern) sind einige von Musks Entscheidungen zu riskant und sogar leichtsinnig: Elon Musk setzte sich das Jahr 2017 als Frist für die Entwicklung eines selbstfahrenden Autos, das automatisch von Los Angeles nach New York fahren kann. Ford , GM und Google setzten sich das Jahr 2021 als Frist, Baidu 2019. Das zeigt Musks Ehrgeiz und Radikalität.

Mittlerweile sind seit Bekanntwerden der Neuigkeit fast zehn Tage vergangen und der größte Teil der Aufregung hat sich gelegt. Bei sorgfältiger Analyse der von Tesla veröffentlichten offiziellen Dokumente und der Berichte maßgeblicher Medien werden wir feststellen, dass jede Entscheidung von Elon Musk auf wissenschaftlicher Grundlage und rationalem Denken beruht und lediglich die typische Denkweise der IT-Unternehmen im Silicon Valley sowie die Leidenschaft der Unternehmer im Silicon Valley widerspiegelt, die Welt zu verändern.

Warum wird LiDAR in der Hardwarekonfiguration von Tesla nicht verwendet?

Im Silicon Valley herrscht ein klares Prinzip: die Nutzung billiger Ressourcen zu maximieren und wertvolle Ressourcen so weit wie möglich einzusparen. Diese Vorgehensweise wurde ursprünglich von der Huffman-Kodierung inspiriert, die aus Shannons erstem Gesetz abgeleitet wurde und in der Wirtschaftswissenschaft als „Gilders Gesetz“ bekannt ist. Aufgrund des Mooreschen Gesetzes verdoppelt sich beispielsweise die Anzahl der auf einem integrierten Schaltkreischip integrierten Transistoren alle 18 Monate (siehe Abbildung 2). Umgekehrt halbieren sich die Kosten eines Mikroprozessors mit gleicher Leistung alle 18 Monate, was ihn zu einer günstigeren Ressource macht. Um die Gesamtbürokosten zu senken, werden IT-Giganten wie Google und Facebook daher zwangsläufig immer mehr Arbeit, die ursprünglich von Ingenieuren – einer teureren Ressource – erledigt wurde, an Computer auslagern.

Abbildung 2 Änderungen der Transistoranzahl in Mikroprozessoren und Moores Gesetz

Konkret lässt sich das „Gilder’sche Gesetz“ auch zur Erklärung des vollautonomen Fahrsystems von Tesla heranziehen, das statt LiDAR (Light Detection And Ranging) wie Google und Uber auf eine Lösung mit „Kamera + 40-facher Rechenleistung“ setzt. Wie in Abbildung 3 dargestellt, sinken die Kosten für Rechenleistung unter dem Einfluss des Mooreschen Gesetzes mit der Zeit in einer steileren Kurve, während die Kosten für mechanische rotierende Lidar- und mechanische Fertigungskomponenten nicht zeitabhängig sind und nur aufgrund des Skaleneffekts gesenkt werden können, der durch die Massenproduktion entsteht.

Abbildung 3: Kostenänderungen von Komponenten für selbstfahrende Autos im Laufe der Zeit (Quelle: UISEE Technology)

Da die Autos von Tesla bereits in Massenproduktion hergestellt werden, ist die Kostenkontrolle für die Steigerung der Verkaufszahlen von entscheidender Bedeutung. Im Gegensatz dazu befinden sich die selbstfahrenden Autos von Google und Uber noch in der Testphase und es würde nicht viel kosten, selbst wenn Hunderte von ihnen alle mit 80.000 Dollar teuren Lidar-Systemen ausgestattet wären. Daher ist Teslas Entscheidung für „niedrige Kostenwahrnehmung + Hochleistungsrechnen“ für Tesla sehr vernünftig, um die Kosten des gesamten Fahrzeugs kurzfristig zu kontrollieren.

Obwohl Elon Musk bei vielen Gelegenheiten gesagt hat: „Ich bin kein großer LiDAR-Fan und glaube nicht, dass es in diesem Zusammenhang Sinn ergibt“, können wir Musks Worte als Gehirnwäsche der Medien und Benutzer verstehen, wenn man bedenkt, dass Bill Gates eine ähnliche Haltung zum Ausdruck brachte, als Microsofts DOS-System mit Apples „Windows + Maus“-System konkurrierte, aber heimlich das Windows 3.0-System entwickelte. Dabei nutzt er sein persönliches Prestige, um die Sicherheit der Tesla-Lösung zu propagieren und Zeit zu gewinnen, bis der LiDAR-Preis sinkt, da ausgereifte Solid-State-LiDAR-Produkte von Unternehmen wie Velodyne und Quanergy entwickelt werden. Laut öffentlichen Informationen dieser beiden Unternehmen können ihre Kosten auf weniger als 250 US-Dollar gesenkt werden.

Um eine Fahrsicherheit von selbstfahrenden Autos von über 99,9999 % zu gewährleisten, ist Lidar jedoch weiterhin erforderlich. Dr. Jianxiong Xiao von der Princeton University meint: „Ich bezweifle stark, dass Tesla über eine Sicherheitslösung verfügt, die kein Lidar verwendet. Lidar ist die einzige Lösung, die 100 % Sicherheit erreichen kann.“ Daher haben wir Grund zu der Annahme, dass Elon Musks Haltung eine 180-Grad-Wende vollziehen wird, wenn die Kosten für Festkörper-Lidar auf 100 bis 200 US-Dollar sinken, und dass Teslas selbstfahrende Autos mit Lidar ausgestattet werden. Auf Twitter von Internetnutzern gepostete Fotos, die einen Tesla mit einem auf dem Dach installierten Lidar bei einem Straßentest in Kalifornien zeigen, geben uns einen Einblick in Musks wahre Gedanken.

Darüber hinaus ist es erwähnenswert, dass es in der PC-Ära ein sogenanntes Win-Tel-System gab, das auf dem „Andy Bill Law“ basierte. Damit wurde das Phänomen in der PC-Ära zusammengefasst, dass „Bill Gates‘ Windows-Betriebssystem zusammen mit verschiedenen Softwareherstellern Software-Upgrades durchführte, wodurch die vorherige Prozessorgeneration von Intel-CEO Andy Grove nicht mehr die nötige Leistung aufwies und die Benutzer gezwungen waren, Computer zu kaufen, die mit einer neuen Generation von Intel-Prozessoren ausgestattet waren.“ Auch im Smartphone-Zeitalter gibt es ein ähnliches Android-Qualcomm-System, bestehend aus „Google Android-System – Qualcomm-Handychip“. In der Automobilindustrie gibt es derzeit keine vergleichbare Regelung, die dies unterstützt. Bedenkt man jedoch, dass die durchschnittliche Lebensdauer eines Autos im Allgemeinen bei etwa 10 Jahren liegt und damit fünfmal so lang ist wie die eines PCs oder Smartphones, deutet Teslas Entscheidung für ein bordeigenes Computergerät, das 40-mal (2^5=32) leistungsstärker ist als die vorherige Generation, darauf hin, dass Elon Musk beabsichtigt, ein Tesla-NVIDIA-System für das Zeitalter selbstfahrender Autos zu entwickeln.

Warum verwendet Tesla die OTA-Methode zum Aktualisieren von Software?

In einer Podiumsdiskussion auf der Jahreskonferenz 2016 der China Society of Automotive Engineers (SAECCE 2016), die vor kurzem stattfand, erwähnte Dr. Kai Yu, Gründer von Horizon Robotics, dass „Teslas Ansatz, zuerst das Hardwaresystem zu installieren und dann schrittweise die Software zu aktualisieren, bereits in der vorherigen Autopilot-Generation praktiziert wurde [Hinweis: Wie in Abbildung 4 gezeigt, aktualisiert Tesla seine Fahrzeugsoftware regelmäßig über drahtlose Netzwerke, um die Leistung zu verbessern und Sicherheitslücken zu schließen. Seit vielen Jahren verwendet das Unternehmen diese sogenannten drahtlosen Software-Updates (Over-The-Air Software Update, OTA). Durch dieses clevere Design kann Tesla auch nachdem das Auto das Werk verlassen hat, sofort auf der Grundlage von in die Cloud zurückgesendeten Daten reagieren und so Leistung und Benutzererlebnis kontinuierlich verbessern.]. Für traditionelle Automobilhersteller ist dieser Ansatz jedoch noch immer unvorstellbar.“ Ähnlich wie Dr. Kai Yu äußerte sich auch das Magazin Fortune: „Autos mit Hardware auszustatten, die möglicherweise jahrelang nicht verwendet wird und für deren Freischaltung ein Software-Download erforderlich ist, ist in der Branche beispiellos. (Die Vorinstallation von Hardware im Auto, die möglicherweise viele Jahre lang nicht verwendet wird, und die Notwendigkeit von Software-Updates zur Freischaltung neuer Funktionen ist in der Automobilindustrie beispiellos.)“

Abbildung 4: Tesla OTA-Upgradeverlauf

Cheng Jinglei, Chefingenieur der SAIC Group, sagte bei der Bewertung der Unterschiede zwischen Automobilunternehmen und IT-Unternehmen auf der SAECCE 2016: „Automobilunternehmen sind alle Schüler von Newton und IT-Unternehmen sind alle Schüler von Shannon.“ Die wissenschaftliche Grundlage der Praktiken traditioneller Automobilunternehmen ist das „mechanische Denken“, das sich über 300 Jahre aus der im 17. Jahrhundert entstandenen Newtonschen Mechanik entwickelt hat. Alle Entscheidungen, die auf mechanischem Denken beruhen, basieren auf Determinismus oder Reduktionismus. Der konkrete Ansatz besteht darin, alles planen zu können, alle möglichen Situationen im Voraus zu antizipieren und Gegenmaßnahmen vorzubereiten und danach zu streben, auf Anhieb erfolgreich zu sein. Wenn ein einziges Glied nicht berücksichtigt wird, sind die Folgen katastrophal. Das typischste Beispiel ist das Fließbandproduktionsmodell, das auf Taylors wissenschaftlichem Management basiert. Henry Ford nutzte dies zur Massenproduktion von Autos im frühen 20. Jahrhundert:

Zerlegen Sie zunächst komplexe Produkte in einfache Teile und entwerfen und fertigen Sie diese separat, d. h. 2 = 1 + 1.

Das Ergebnis eines Prozesses ist vorhersehbar. Wenn Sie die entsprechenden Teile am Startpunkt der Produktionslinie platzieren und sie durch das Fließband zusammenbauen, erhalten Sie auf jeden Fall das gewünschte Produkt, d. h. 1 + 1 = 2.

Der obige Vorgang ähnelt dem Einsetzen der Anfangsparameter in die Gleichungen der Newtonschen Mechanik, wodurch die Bewegungsbahn des Objekts definitiv berechnet werden kann. Alles ist sicher und kann wiederhergestellt und zerlegt werden.

Doch mit der Entwicklung der Wissenschaft haben Wissenschaftler festgestellt, dass die Welt nicht sicher ist. Ob es sich um die chaotischen Phänomene handelt, die der französische Mathematiker Henri Poincaré beim Dreikörperproblem entdeckte, um die vom amerikanischen Meteorologen Edward Lorenz bei der Wettervorhersage und in anderen makroskopischen Welten entdeckten Phänomene oder um das vom Physiker Werner Heisenberg in der mikroskopischen Welt entdeckte Unschärfeprinzip, sie alle zeigen, dass die Welt in den meisten Fällen unvorhersehbar ist (z. B. 1 + 1 ≠ 2).

Ausgehend von der Annahme, dass die Welt unsicher sei, entwickelten die amerikanischen Mathematiker Norbert Wiener und Claude Shannon während des Zweiten Weltkriegs nach und nach jeweils eine neue Reihe von Methoden, nämlich die Kybernetik und die Informationstheorie. Silicon Valley und Israel, deren Entwicklung erst nach dem Ende des Zweiten Weltkriegs richtig begann, ließen die Newtonsche Mechanik und das mechanische Denken hinter sich, die die ersten beiden industriellen Revolutionen geprägt hatten, und übernahmen diese neue Methodik direkt. Sie vermieden so historischen Ballast und wurden zu den aktivsten Regionen für IT-Innovation und Unternehmertum auf der Welt.

Shannons Informationstheorie lässt sich vereinfacht so verstehen, dass sie Informationen nutzt, um Unsicherheit zu eliminieren (d. h. Informationsentropie). Das heutzutage oft erwähnte „Big Data-Denken“ ist im Wesentlichen Shannons Informationstheorie. Wieners Kybernetik lässt sich vereinfacht so verstehen, dass die Ausgabe auf der Grundlage von Rückmeldungen ständig angepasst wird und man auf zu viele Vorhersagen über die Zukunft verzichtet, weil der Zufall überall präsent ist. Bei Google befolgen Produktmanager die Regel: Ziehen Sie keine Schlussfolgerungen ohne Daten. Dies spiegelt lediglich die Denkweise der Informationstheorie und Kybernetik wider. Dr. Wu Jun erwähnte in „The Age of Intelligence“: „Die Errungenschaften der Menschheit auf dem Gebiet der maschinellen Intelligenz bestehen eigentlich darin, verschiedene intelligente Probleme kontinuierlich in Probleme der Beseitigung von Unsicherheiten umzuwandeln und dann Informationen zu finden, die die entsprechende Unsicherheit beseitigen können, das ist alles.“ Dies gilt sowohl für die hohe Übereinstimmung zwischen Google-Online-Anzeigen und Nutzern als auch für Nate Silivers präzise Vorhersage der Ergebnisse aller 50 Bundesstaaten und Washingtons, D.C. bei der US-Wahl 2012.

Was speziell selbstfahrende Autos betrifft, so basiert auch der Ansatz von Google, dem ersten Entwickler solcher Fahrzeuge, auf dem Prinzip „Informationen nutzen, um Unsicherheiten zu beseitigen“ und auf dieser Grundlage „die Ergebnisse anhand von Feedback kontinuierlich anzupassen“. Das selbstfahrende Auto von Google ist eine Erweiterung des Google Street View-Projekts und kann nur an Orten fahren, an denen die Street View-Autos große Datenmengen gescannt und gesammelt haben. Die Google-Ingenieure passen das Programm offline basierend auf den Testergebnissen an. Wenn die Big Data von Google zum autonomen Fahren vollständig sind, das heißt alle möglichen Situationen abdecken, wird die Unsicherheit vollständig beseitigt und selbstfahrende Autos erreichen eine Sicherheit von 100 %. Tatsächlich ist dies für Google jedoch schwierig, da die Zahl der selbstfahrenden Autos, die das Unternehmen testet, relativ gering ist – nur ein paar Hundert. Laut einem Bericht des Wall Street Journal vom 5. Oktober (Ortszeit USA) gab Google bekannt, dass sein selbstfahrendes Auto gerade 2 Millionen Meilen auf der Straße zurückgelegt hat . Sechs Jahre sind vergangen, seit die New York Times im Jahr 2010 das selbstfahrende Auto von Google enthüllte. Da die Zahl der mit Tesla Autopilot ausgestatteten Autos um ein Vielfaches höher ist, verkündete Elon Musk einige Tage später auf seinem persönlichen Twitter, dass die Gesamtfahrleistung von Tesla Autopilot im Jahr nach seiner Veröffentlichung 222 Millionen Meilen erreicht habe. Daher hat Tesla bessere Chancen, als Erster die Vollständigkeit der Big Data zu erreichen.

Natürlich lässt sich die Vollständigkeit von Big Data nicht über Nacht erreichen. Wenn die Betriebsbedingungen eines Fahrzeugs wie viele Phänomene in Natur und Gesellschaft der Pareto-Verteilung (d. h. der Potenzfunktion) folgen, dann machen die wenigen häufig auftretenden Betriebsbedingungen, die in Abbildung 4 durch den grünen Teil dargestellt werden, einen absoluten Anteil an der Häufigkeit aller Betriebsbedingungen aus (z. B. mehr als 80 %), während die große Anzahl seltener Betriebsbedingungen im langen gelben Schwanz der Abbildung verteilt ist. Da jedoch die Zahl der genutzten Autos Hunderte von Millionen erreicht hat, ist die Anzahl der Vorkommnisse der Bedingungen mit geringer Wahrscheinlichkeit im Long Tail erschreckend hoch, wenn man sie mit 10^9 multipliziert. Um die Betriebsbedingungen mit geringer Wahrscheinlichkeit im Long Tail abzudecken, müssen wesentlich mehr Kilometer gesammelt werden als bei den 80 % der häufig auftretenden Betriebsbedingungen. Beispielsweise sind für Letzteres 1 Million Kilometer erforderlich, für Ersteres können es 10 Milliarden Kilometer sein. Ähnliche Beispiele finden sich auch bei Suchmaschinen. Aufmerksame Benutzer werden feststellen, dass bei der Suche nach allgemeinen Schlüsselwörtern, wie etwa „künstliche Intelligenz“, die Ergebnisse bei Google und Microsoft Bing ähnlich sind. Bei obskuren Schlüsselwörtern, wie etwa „Rembrandts frühe Werke“, sind die Ergebnisse jedoch viel genauer als bei Bing, da die langfristig gesammelten Daten von Google ausreichen, um das Klickmodell dieser „Long-Tail-Suchen“ zu trainieren.

Abbildung 5 Pareto-Verteilung

Als Automobilunternehmen mit Sitz im Silicon Valley, das sich selbst als „IT-Unternehmen“ bezeichnet, ist sich Tesla der oben genannten Wahrheit natürlich bewusst: Wenn ein Produkt ein bestimmtes Niveau erreicht hat, kann es nur noch verbessert werden, indem man es online stellt, Feedback einholt und es dann modifiziert. Wenn zu viele unbekannte Faktoren vorhanden sind, ist es in der Praxis nahezu unmöglich, in einem Rutsch ein perfektes Produkt zu entwerfen und zu entwickeln. Seine OTA-Praxis (Over-The-Air) zur Aktualisierung des Softwaresystems, die in den offiziellen Dokumenten von Tesla wie folgt beschrieben wird: „Bevor wir die durch die neue Hardware ermöglichten Funktionen aktivieren, werden wir das System mithilfe von Millionen von Kilometern realer Fahrten weiter kalibrieren, um eine signifikante Verbesserung von Sicherheit und Komfort zu gewährleisten.“ spiegelt die Denkweise wider, „Informationen zu nutzen, um Unsicherheiten zu beseitigen“ und „die Ausgabe kontinuierlich auf Grundlage von Feedback anzupassen“: Tesla wird mit geringer Wahrscheinlichkeit entsprechend auf neue Betriebsbedingungen reagieren und rechtzeitig Gegenmaßnahmen formulieren, was sich völlig von der Vorgehensweise traditioneller Autohersteller unterscheidet.

Normalerweise versuchen Automobilhersteller, alle möglichen Szenarien bereits in der frühen Forschungs- und Entwicklungsphase vorherzusehen und diese dann während des Entwicklungsprozesses zu berücksichtigen. Bei traditionellen Automobilherstellern wird die Verbindung zwischen den beiden Fertigungsstraßen unterbrochen, sobald das Auto das Fließband verlässt, und die Automobilhersteller wissen tatsächlich nichts über den Betriebszustand des Autos. Autohersteller schenken Daten nicht viel Beachtung. Sie erfassen die bei jedem Flug eines Flugzeugtriebwerks generierten Daten nicht so gewissenhaft wie General Electric und nutzen die gewonnenen wertvollen Informationen für die Entwicklung der nächsten Produktgeneration. Kann der Autohersteller beispielsweise nach Verlassen des Werks das kalibrierte MAP-Diagramm des Verbrennungsmotors basierend auf den unterschiedlichen Fahrgewohnheiten und Betriebsbedingungen jedes Besitzers ändern, um die Wirtschaftlichkeit oder die Leistung zu verbessern? NEIN! Denn traditionelle Automobilunternehmen basieren im Wesentlichen auf der Newtonschen Mechanik und schenken Unsicherheit und Personalisierung keine Beachtung.

Was die Entwicklung selbstfahrender Autos betrifft, ist der Ansatz traditioneller Automobilhersteller, vor der Veröffentlichung neuer Autos absolute Sicherheit gewährleisten zu wollen, nicht umsetzbar, da die Betriebsbedingungen mit geringer Wahrscheinlichkeit im Long Tail nur schrittweise abgedeckt werden können, indem man per OTA eine große Menge an Daten sammelt, wie es Tesla getan hat. Es ist erwähnenswert, dass Teslas scheinbar radikaler Ansatz, solange die passive Sicherheitstechnologie des Autos vorhanden ist, keine irreversiblen Folgen haben wird, aber tatsächlich die Fahrsicherheit insgesamt verbessern kann.

Was ist das Geschäftsmodell des vollständig autonomen Fahrsystems von Tesla?

Selbstfahrende Autos können als neue Technologie betrachtet werden, und wenn eine neue Technologie positive Auswirkungen auf die gesamte Gesellschaft haben soll, muss sie von einem entsprechenden Geschäftsmodell begleitet werden. Was die bisherige Automobilindustrie betrifft, so hat sich das Geschäftsmodell der traditionellen Automobilunternehmen in den letzten hundert Jahren im Wesentlichen nicht wesentlich verändert. Grob zusammengefasst lässt es sich wie folgt darstellen: Teilehersteller liefern Teile an Fahrzeughersteller, und diese stellen wiederum den Händlern im Vertriebsnetz Automobilprodukte zur Verfügung. Händler sind im Autoverkauf, in der Wartung und bei anderen Dienstleistungen tätig, und Finanzdienstleister bieten dann Finanzdienstleistungen für das Auto an, beispielsweise Autokredite und Autoversicherungen.

Dies lässt sich anhand der strukturellen Verteilung der Kapitalausgaben und der Talente der Unternehmen zwischen traditionellen Automobilherstellern und Technologieunternehmen wie Tesla erkennen (siehe Abbildung 6). Erstere konzentrieren sich eher auf die Entwicklung und Herstellung von Hardware, also Produktionsaktivitäten, die einen hohen Bedarf an Produktionsmitteln und Finanzkapital, aber auch hohe Grenzkosten mit sich bringen. Dies steht auch im Einklang mit den Merkmalen der Unternehmen, die in der zweiten industriellen Revolution entstanden sind. Letztere tendieren eher zur Softwareentwicklung, die einen hohen Bedarf an Humankapital und niedrige Grenzkosten mit sich bringt. Dies steht auch im Einklang mit den Merkmalen von Unternehmen, die im Zuge der Informationsrevolution entstanden sind. Das Ergebnis ist, dass Toyota unter den Automobilunternehmen mit nur 15 % die höchste Bruttogewinnspanne aufweist, während die Bruttogewinnspannen der Technologieunternehmen im Silicon Valley im Allgemeinen über 60 % bis 70 % liegen.

Abbildung 6 Vergleich der Investitionsausgaben und der Talentstrukturverteilung zwischen Automobilherstellern und Technologieunternehmen

Vielleicht liegt darin die bereits erwähnte „Achillesferse“ der traditionellen Automobilindustrie: Das von Elon Musk für die selbstfahrenden Autos von Tesla entworfene Geschäftsmodell umfasst neben dem traditionellen Autoverkauf auch einen Transportdienstleister, nämlich Tesla Network, was sich mit dem Hauptgeschäft von Uber überschneidet. In Teslas offiziellem Dokument heißt es:

„…Bitte beachten Sie auch, dass die Nutzung eines selbstfahrenden Tesla für Carsharing und Mitfahrgelegenheiten für Freunde und Familie in Ordnung ist, dies zu Gewinnzwecken jedoch nur im Tesla-Netzwerk zulässig ist. Einzelheiten dazu werden nächstes Jahr veröffentlicht.“ 】

Wenn man sich die öffentlich geäußerten Meinungen anderer Fachleute der Branche ansieht, stellt man fest, dass Musk nicht der einzige ist, der ähnliche Ansichten vertritt – für die Nutzer ist nicht der Besitz des Autos wichtig, sondern das Recht, es zu benutzen; Für Unternehmen ist es möglicherweise einfacher, erfolgreich zu sein, wenn sie die Zusammenhänge zwischen den Dingen im gegenwärtigen Moment kontrollieren, als wenn sie direkt eine große Menge an Anlagevermögen besitzen – und er ist nicht der Einzige.

Robin Chase, Gründer von Zipcar, dem Pionier der Autovermietungsbranche, veröffentlichte am 10. August einen Artikel auf Medium mit dem Titel „Selbstfahrende Autos werden unsere Städte verbessern. Wenn sie sie nicht ruinieren“, in dem er darauf hinwies, dass Carsharing enorme Veränderungen im Transportwesen und auf dem Arbeitsmarkt mit sich bringen werde und die Regierung im Voraus Pläne machen sollte.

David Zimmer, Mitbegründer von Lyft, das früher als Uber in den Carsharing-Bereich eingestiegen ist, veröffentlichte am 18. September auf Medium einen Artikel mit dem Titel „Die dritte Transportrevolution“, in dem er die „positiven externen Effekte“ beschreibt, die das Geschäftsmodell des fahrerlosen Carsharings mit sich bringen wird.

Sebastian Thrun, der Vater des selbstfahrenden Autos von Google, äußerte am 29. Oktober in einem Zhihu Live erneut seine Ansicht zu „Transportation as a Service“, was bedeutet, Reisedienste auf Abruf zu nutzen, aber keine Autos zu kaufen.

Auch im Anfang Oktober von McKinsey und Bloomberg New Energy Finance veröffentlichten Bericht „An Integrated Perspective on the Future of Mobility“ wurden gemeinsam genutzte selbstfahrende Autos als eines der wichtigsten Verkehrsmittel aufgeführt, wie Abbildung 6 zeigt.

Abbildung 6 Eines der städtischen Verkehrsmittel aus Sicht von McKinsey: Seamless Mobility

Wenn das Tesla-Netzwerk wirklich effektiv implementiert wird, wird es früher oder später zu einem Kampf zwischen Tesla und Uber kommen. Die Vorteile für beide Seiten ergeben sich aus den großen Datenmengen, die sie derzeit in ihren Händen halten - Tesla verfügt über mehr Daten zu den gefahrenen Kilometern und Uber über mehr Daten zu den Reisegewohnheiten der Nutzer - und sie sind dabei, in das Territorium des jeweils anderen vorzudringen oder beabsichtigen dies - Tesla beabsichtigt, Fahrdienste für Autos zu entwickeln und Uber hat sich der Entwicklung selbstfahrender Autos über Level 4 verschrieben - und konkurrieren um die Position der Knotenpunkte im Reisenetzwerk (wie Google für das Internet und Facebook für die sozialen Netzwerke), um den Billionen-Dollar-Reisemarkt zu monopolisieren. Es ist alles andere als klar, wer gewinnen und wer verlieren wird.

Zusammenfassung von Car Cloud

Die veröffentlichten Details zu Teslas vollautomatischem, fahrerlosem System spiegeln die Denkweise des Informationszeitalters wider: Informationstheoretisches Denken, „Informationen nutzen, um Unsicherheit zu beseitigen“, und kybernetisches Denken, „Ausgabe kontinuierlich auf Grundlage von Feedback anpassen“. Darüber hinaus offenbart die Kooperation zwischen Tesla und NVIDIA implizit Elon Musks Ambition, das Win-Tel-System der PC-Ära und das Android-Qualcomm-System der Smartphone-Ära in der Automobilindustrie neu zu erfinden. Die Einführung des Tesla Network könnte einen jahrhundertelangen Kampf mit Uber um den Billionen-Dollar-Reisemarkt auslösen.

Hoffentlich kann Elon Musk, einer der wenigen Männer, zu denen der hochgesinnte Larry Page aufschauen kann, ein weiteres Wunder vollbringen.

Als Gewinner des Qingyun-Plans von Toutiao und des Bai+-Plans von Baijiahao, des Baidu-Digitalautors des Jahres 2019, des beliebtesten Autors von Baijiahao im Technologiebereich, des Sogou-Autors für Technologie und Kultur 2019 und des einflussreichsten Schöpfers des Baijiahao-Vierteljahrs 2021 hat er viele Auszeichnungen gewonnen, darunter den Sohu Best Industry Media Person 2013, den dritten Platz beim China New Media Entrepreneurship Competition Beijing 2015, den Guangmang Experience Award 2015, den dritten Platz im Finale des China New Media Entrepreneurship Competition 2015 und den Baidu Dynamic Annual Powerful Celebrity 2018.