2009 年 3 月，特拉維斯·卡拉尼克（Travis Kalanick）建立 Uber 時，那時的他難以預料多年後會在投資人的壓力下宣佈辭職。
在公開辭職信中，卡拉尼克說，「我愛 Uber 勝過世界上任何東西。」他一手打造的 Uber，重塑了個人出行方式，也把共享經濟模式從概念推向現實。儘管退出中國市場的運營，也在歐洲一些城市被禁止使用，但它仍然是全球市場佔有率最大的共享出行平臺。
但卡拉尼克的野心不只如此，在接受《財富》雜誌採訪時，他曾表示，Uber 提供的服務將「介於生活方式與物流之間」，希望「實時滿足」使用者的需求，在他們需要時立即為他們提供各種商品和服務。
他也在積極行動。2015 年，Uber 進軍自動駕駛領域，2016 年 8 月，收購專注於自動駕駛卡車的 Otto，並在兩個月之後，完成卡車送貨首秀。2017 年 5 月，推出 Uber Freight，打造物流界的 Uber。
但如今，卡拉尼克辭去 CEO 職位，在一定程度上決定 Uber 未來的自動駕駛業務走向如何？
入局自動駕駛，扼住 Uber 命運的咽喉
卡拉尼克將一切努力賭在了自動駕駛上，他曾警告，如果不能率先將自動駕駛車推上市場，Uber 的生存將面臨著致命的威脅。「如果我們不是第一個，那麼最先進入自動駕駛市場的公司，會推出比 Uber 更便宜或更質量更高的乘車平臺，Uber 將不復存在。」
追溯歷史，汽車自動化的實驗自 1920 年代就已開始，並在 1950 年代出現可行的實驗，且取得部分成果。1980 年代，美國國防部高階研究計劃局（DARPA）制定自主地面車輛 ALV 計劃，與卡內基梅隆大學、史丹佛大學等機構合作，利用鐳射雷達、計算機視覺首次實現了機器人自主控制下的自動駕駛，並在無人車上首次使用了行動式計算裝置，速度達到 31Km/h。1989 年，卡內基梅隆大學率先使用神經網路引導控制自動駕駛汽車，由此發展形成了現代控制策略的基礎。
2009 年，矽谷巨頭谷歌進入自動駕駛領域，在一輛改裝的豐田普銳斯上搭載視訊系統、雷達、自動導航技術，在太平洋沿岸行駛一年多，共 1.4 萬英里。
科技巨頭的進入引爆自動駕駛市場，自動駕駛汽車也進入公眾視野。不僅是矽谷巨頭，包括傳統汽車製造廠商，他們進入自動駕駛領域的訊息不絕於耳。
「自動駕駛技術不僅會衝擊傳統汽車行業，同時也會衝擊 Uber 這樣的共享出行公司。」加州大學伯克利分校計算機系博士生高陽告訴機器之能。
2016 年，Lyft 聯合創始人兼總裁約翰·茲莫（John Zimmer）曾在一篇文章中表示，到 2025 年，私家車將會成為過去，大量居民將會使用共享汽車平臺代替原有私家車，通過統一管理的平臺部署、管理自動駕駛汽車，將是最佳的方式。
如果自動駕駛完全普及，人們將不必擁有私家車，那時，只需要依靠智慧手機，就能便捷地預約共享汽車或自動駕駛計程車，車輛將自行來到預約者身邊，帶其到達目的地。
作為美國第二大共享出行公司，不僅 Lyft 看到了這個趨勢，與 Google 達成合作，就連傳統汽車製造廠商賓士母公司戴姆勒集團也有著同樣的判斷，早在 2008 年就已經推出汽車共享專案——Car2Go，該專案目前已從歐洲、北美擴充至中國。2017 年，戴姆勒與博世合作，組建開發聯盟，推出自動駕駛汽車，加快自動計程車生產，並推進城市自動駕駛共享汽車系統。
正如卡拉尼克所言，誰率先將自動駕駛汽車推向市場，Uber 就面臨著致命威脅，因為以現有的業務模式，如果僅靠人類司機的叫車服務，Uber 無法與滿大街的自動駕駛計程車抗衡。
Uber 不得不涉足自動駕駛領域，但同時，這對 Uber 來說，涉足自動駕駛也意味著巨大的商機。
美國投資分析機構 ARK 的創始人凱瑟琳·伍德曾在公開場合表示，目前汽車製造商的全球市值是 1 萬億美元，而移動服務（比如優步這類共享公司）價值為 115 億美元，但如果加上自動駕駛的未來預期，這類移動服務市場的價值可能是如今汽車製造商的兩倍。到 2030 年代早期，移動服務的總市場規模將大概 10 萬億美元，20% 的市場規模將屬於平臺供應商，因此這將是一個 2 萬億美元的商機。
Uber 作為共享出行的超級獨角獸，如果在自動駕駛領域取得成功，依託現有的系統和使用者量，未來它在運輸領域的統治力不僅將難以撼動，其商業價值也將不容小覷。因為大規模自動駕駛成型後，自動駕駛車輛的高效將是人類司機不可比擬的。
2015 年，Uber 與自動駕駛汽車領域鼻祖卡內基梅隆大學的機器人研究中心展開合作，在匹茲堡設立高等技術研發中心（ATC），開發先進的地圖、車輛安全、自動駕駛技術，並在一年後快速上路測試。
由易入難，搶先落地自動駕駛卡車，再造物流界 Uber
自動駕駛汽車最終取代人類駕駛的汽車，實現大規模商用，已成為業內共識，但要達到這一目標，道路仍然漫長。機器之心海外網站，駐矽谷分析師陳寶銳認為，自動駕駛包含很多環節，任何一個步驟的疏漏都會帶來極大隱患，大量的模擬或許能涵蓋 99% 的情況，最後 1% 的提高卻需要成倍的付出，實現完全的自動駕駛還需要很長的時間，10 年甚至更久。
但相比城市中的自動駕駛汽車需要面臨複雜路況，運輸領域的商業用車即物流卡車，卻相對簡單。因為卡車是在兩個物流集散地之間點對點執行，路線固定，行駛道路也幾乎是在封閉的高速公路，路況簡單，從技術上來說，更容易落地。
而據美國勞工統計局的資料顯示，交通和物資運輸是美國第四大就業領域，卡車司機是美國最受歡迎的職業之一，從業人員高達 900 多萬人，儘管如此，美國卡車運輸協會卻宣稱，美國卡車司機面臨大量缺口，而在 2022 年，這一缺口將會達到 24 萬。
如果卡車實現自動駕駛，卡機司機缺口問題自然迎刃而解。而卡車作為商業用車，出於降低成本、增加安全性的考慮，企業也更有動力進行技術升級。
2014 年 4 月，Uber 宣佈試水快遞業務，在紐約推出自行車快遞服務 UberRUSH，在舊金山推出送餐服務 UberEATS，在華盛頓推出雜貨配送服務 UberEssentials，2015 年上線其快遞平臺，在內部成立負責物流業務 UberEverything。
2016 年 8 月，Uber 以超過 6.8 億美元的價格收購專注自動駕駛卡車業務的初創企業 Otto。兩個月之後，Uber 完成自動駕駛卡車送貨，證明了自動駕駛卡車商業上的巨大潛力。
有了 Otto 技術，再加上首次用無人駕駛卡車送貨成功，2017 年 5 月，Uber 推出 Uber Freight，與叫車應用類似，Uber Freight 基於位置，使卡車公司更高效地配貨，並幫助司機減輕壓力，而據優步宣稱，Uber Freight 可在數秒時間內確認費率和載貨量，在數天內交付貨款，而通常來說，這需要 1 個月。
目前，Uber Freight 已在德克薩斯州正式運營。這樣的商業模式，再加上將來在自動駕駛卡車上的落地，顯然，卡拉尼克的野心是再造一個物流界的自動駕駛共享平臺。
技術短板與衝突文化，掣肘 Uber 自動駕駛未來
技術的開發與落地挑戰重重，Uber 這一路實在不算順暢。2017 年 3 月，Uber 的自動駕駛汽車在路測時，與人類駕駛車發生碰撞事故，被掀翻在地。相比之下，Waymo 自動駕駛車在路測時為數不多的故障，都是輕微剮蹭，或被其他車追尾。
「Waymo 測試的里程更多，且沒有出現過這樣嚴重的事故，這可能說明 Waymo 的測試駕駛員更加小心，或者 Waymo 的技術對其他人類司機的錯誤更加魯棒。」高陽分析。
儘管目前自動駕駛還缺乏特別完善的衡量標準，但陳寶銳認為，人類介入距離（Disengagement Rate，指自動駕駛時每隔多遠的距離需要人類干預）可以作為一個參考。Uber 目前的成績據報導是大概每英里都需要介入，根據加州車輛管理所 2016 年的資料，橫向對比其他公司，或許能得到一些啟發。
* 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)
「儘管一次事故並不足以判斷更多問題，但這至少說明 Uber 自動駕駛技術還不完全成熟，對人類司機容錯的程度不高。」陳寶銳說，「如果結合 Uber 自動駕駛車輛的人類介入距離，可以得出一個結論，Uber 在自動駕駛上還任重道遠。」
為了改進自動駕駛汽車軟體，2017 年 5 月，Uber 在加拿大多倫多成立新的人工智慧團隊，聘請多倫多大學教授、機器學習和電腦視覺領域專家 Raquel Urtasun。Raquel 是被廣泛認可的自動駕駛資料集 KITTI 的作者之一，在車輛的 3D 檢測方面保持著世界領先的水平。而 Uber 最新的測試車型包含四種感測器：光學攝像機、雷達、鐳射雷達、超聲波感測器。
「任命計算機視覺教授 Raquel，會對 Uber 自動駕駛的感知與理解有巨大的幫助。」陳寶銳說。
然而，來自日本的機器學習研究員 Joni 告訴機器之能，卡內基梅隆大學的機器人研究中心內部認為，他們與 Uber 的合作並不成功，2017 年 2 月以後，Uber 自動駕駛專案多位高管的出走就能證明這一點，這些出走的高管大部分都來自卡內基梅隆大學機器人研究中心。
那麼，Raquel 帶領的人工智慧團隊，與 Uber 能否進行良好的合作，是 Uber 自動駕駛未來面臨的挑戰之一。
Joni 認為，相比 Facebook、Google 這樣的技術導向公司，Uber 創始人卡拉尼克本身的領導文化，導致 Uber 內部原始企業文化很難以技術為主導。
Joni 表示，Uber 要重新發力，僱傭更有衝勁的年輕學者是好事，但不能僅僅以商業，比如融資的角度僱傭，Uber 需要尊重學者，併為他們提供更多的資源。「Uber 需要重塑以技術為主的管理文化，使其成為技術導向公司。」
「Uber 做自動駕駛在業務模式上的優勢很明顯，但最大的問題是，這個團隊能不能快速重整，推進自動駕駛的開發，不然以所有公司都虎視眈眈的局面來看，先天優勢還能給它多少時間視窗就不好說。」與 Uber 有過業務接觸的國內某鐳射雷達類企業高管如是說。
在陳寶銳看來，合作是唯一出路。Uber 掌握大量路徑規劃資料，但缺乏對自動駕駛研究幫助很大的資料，比如感測器資料等。作為自動駕駛與消費者接觸的最後環節，Uber 應加強與上游的合作，整合自己的優勢力量，形成聯盟，成為自動駕駛生態的一環。