當全球自動駕駛產業著眼於競爭開放道路上Level 5 的聖杯時，有一家臺灣新創卻選擇了截然不同的路徑。台智駕（TuringDrive）創辦人沈大維用8年時間證明：「人就是交通系統中最難管理的變數，而封閉場域或許才是臺灣自動駕駛真正的突破口與機會。」
「交通系統裡面最難的就是『人』，」沈大維開門見山地說道。「從交通工程的角度來看，開放道路的挑戰非常高，而且勢必要面對Tesla和waymo在既有市場的地位。相對之下，封閉迴路場域是更好的選擇，能夠運用既有技術，更完美地控制車輛。」他說，交通永遠無法避免人這個變數。哪怕只有1%的人不守交通規則，系統就很容易出問題。這位從土木背景、交通工程專業跨域到自動駕駛的創業家，正是基於這樣的核心洞察，在臺灣走出了很不一樣的創業路徑。
從純視覺到混合架構：技術路線的關鍵轉折
回想技術的演進，台智駕的技術核心其實迭代了許多次。沈大維第一次造車採用的是NVIDIA Drive PX2平台，純端到端（End-to-End），用非常「原始」的方法，照著資料進行訓練，「基本上就是讓團隊成員直接上機，每天開6-7小時錄製訓練資料，用記錄人的駕駛行為資料來訓練模型，」沈大維回憶道。然而，這種方法暴露出關鍵問題：「團隊發現端到端方法理論上可以實現自動駕駛，但很不穩定，需要極為龐大的資料才會收斂。」，以當時可動用的資源，並不現實。
如今，台智駕轉為規則主導模式(rule-based)加上AI的混合架構，「我們現在以日本開發、世界上第一款自動車開源框架AutoWare當成核心，底層框架是 ROS，能夠在Linux上進行開發。但車子上的定位模組、環境辨識模組因為場景不同，就要自己開發。」沈大維強調，「這是我們活下來的關鍵。如果要從零開發自己的系統，團隊至少要400人。但有了開源的框架，我們可以先專注在其他的功能模組。」
相較於傳統視覺辨識方法，台智駕的解決方案在封閉場域中展現出顯著優勢。以高爾夫球場為例，路線相對固定、速度較低、干擾因素較少，讓AI系統能夠更穩定地運作。同時，透過AutoWare開源框架的採用，團隊得以將有限資源集中在場景化的功能開發上，而非重複造輪子。
從偶然成功到量產困境：臺灣自駕車的挑戰
臺灣自駕車產業的發展之路並非一帆風順，沈大維與團隊在承接桃園農業博覽會自駕專案時，便深刻體會到技術初期的脆弱性。前期他們想盡辦法改裝車輛、收集駕駛資料，但一直到了展會開幕的最後一刻，能不能成功也都還充滿未知數。
「我們收集駕駛模式資料的時候是三四月左右，當時幾乎都是陰天下雨，但當天市長來搭車時，卻正好是六七月極為晴朗的天氣。模型表現不太好，柏油路在大太陽下只看到一片白色反光。」沈大維笑說，他甚至已經準備好接受試駕失敗的心理準備了，「正好天空的烏雲飄過來遮住太陽，試駕了一早上都不算成功，剛好就那一趟成功達標。」，凸顯了即便擁有軟硬體整合實力，自駕車技術的難度還是很高。
但真正的挑戰，在技術驗證後才接踵而來。台智駕團隊申請加入了經濟部的自動駕駛沙盒實驗計畫，先後在臺北市信義路進行長達一年的真實道路實驗，從101開到臺北車站，以及桃園市青埔區測試無人巴士。然而，很快就陷入了政策的困局。沈大維指出，「臺灣沙盒政策雖然開得很早，但出沙盒的機制一直沒有，所以一直沒辦法進入下一階段。我們只能一年一年申請補助，無法形成商業模式。」這意味著，即使技術在沙盒內驗證成功，也無法真正進入市場、形成商業模式。團隊因此陷入了只能逐年申請補助以維持營運的窘境，理想中的商業藍圖終究無法落地。
因此團隊在2021年做出了關鍵的策略轉向。他們毅然決定不再參與沙盒實驗計畫。這個決定並非放棄，而是一條更為務實的道路——將發展重心轉向公共法規限制較少的封閉區域，例如港口、工廠或特定園區，在特定場景中尋找可行的商業應用，以求在法規完備之前先生存下來，並持續累積技術與營運實力，在自動駕駛的漫長征途中，選對賽道可能比跑得快更重要。
國際合作與市場突破：YAMAHA案例的戰略意義
決定專注在封閉場域後，台智駕迎來了真正的商業突破。「第一個來找我們的是高爾夫球場，他們也有嚴重的缺工問題。後來發現封閉場域因為缺工，對自動駕駛的需求也非常高，尤其在日本、歐美地區的球場、工廠、港口。」相較於開放道路，特定園區、工廠物流、高爾夫球場、渡假村等相對封閉的場景，道路結構單純、車速穩定，投入自駕車的效益和意願都更高。
這種轉變也迎來與YAMAHA的合作，拿下重要里程碑。Yamaha北美團隊主動聯繫台智駕，希望將旗下的高爾夫球車加上自動駕駛的能力，並延伸至旗下子公司EveAutonomy，讓工廠內的移動載具也有自動駕駛功能。「YAMAHA算是有線傳控制概念的，當時已經在佈局做車輛的線傳化，加上自己有磁軌導引車產品，所以對自動駕駛應用有概念，」沈大維解釋。「現在正在開發階段，預計今年底會完成兩臺原型車。」相較於其他車廠，「YAMAHA對自動駕駛、線傳控制的概念理解度是比較高的。」
更有趣的是，台智駕發現所謂的「高爾夫球車」其實有更廣闊的應用場景。「臺灣認知的高爾夫球車，可以叫做Golf Car或Utility Car。同一款車可以放在球場當Golf Car，也可以放在社區當代步車，在工廠把後面座位拆掉放貨箱變載貨車，前面掛掃地刷頭做清潔車，甚至軍用場景的越野車。」透過載具的多樣化應用大幅擴展了自動駕駛載具的潛在市場規模。
臺灣發展自動駕駛在技術與人才的優勢
在技術架構上，台智駕持續選擇NVIDIA解決方案。「雖然其他廠商像Qualcomm的效能各有優勢，而且比NVIDIA便宜，但NVIDIA的生態系統在臺灣最完整，包含CUDA、所有的Library等軟體資源。其他人要趕上我覺得還要花很長時間。」沈大維指出，「不只是硬體進步就好，要整個生態系的軟體資源也可以取代NVIDIA，短期間是困難的。」
在人才招募方面，「這點臺灣真的很厲害，就近就可以找到優秀的工程人才，如果有想做自動駕駛的專業人才，我們幾乎是唯一選擇，背景多半是車輛工程系、電機系、資工系背景。」目前公司約30幾人，三分之二是工程團隊。沈大維認為，「臺灣在AI、自駕領域的最大優勢是軟硬整合，相較於日本或美國軟體與硬體的發展較為獨立，但臺灣的工程師動手能力很強，軟硬整合是家常便飯。」
自動駕駛領域的挑戰
對於臺灣自動駕駛產業發展，沈大維保持樂觀：「臺灣的人才普遍素質高，也容易取得對應的資源，很快就可以獲得製造和供應鏈的協助。」他也觀察到產業趨勢的變化：「從AI發展歷史來看，最早是感知型AI(Perception AI)，然後是生成式AI(Generative AI)，現在又回到實體AI(Physical AI)。自動駕駛在感知型AI階段跌過一次，現在實體AI階段擅長製造的臺灣有機會，這個領域會重新受到重視。」
收集駕駛資料也還很有很多挑戰。「資料還是最花時間的，相對於開放道路，有很多取得資料的方式。但我們關注的特殊場景，幾乎沒有公開的訓練資料，因此都要靠自己收集。」為了解決這個問題，「也因為如此，NVIDIA Omniverse對我們來說也許很有幫助，未來將可能用模擬的方式產生訓練資料，就能取得所有座標、時間戳都正確的合成資料，隨著生成AI進步，自己產生訓練資料是可能的下一步。」
