智驾ADAS这两年的话题热度从技术圈一路烧到了普通购车用户嘴边。随便刷几条汽车评测都能看到城市NOA开城大战端到端大模型上车这类说法。但热闹归热闹作为一个长期跟踪智驾落地情况的人我更关注的是一些更具体的问题现在量产车上的ADAS到底能帮驾驶员分担多少哪些功能是真正天天在用的哪些只是发布会上光鲜、实际体验让人皱眉的演示项未来一两年智驾会不会出现一次真正的、用户可感知的体验跃迁这篇文章我想结合目前行业的技术路线、供应链状态、量产车型的实际表现把智驾ADAS的现状摊开聊一聊再做一次基于现有趋势的推演。不敢说预测多准但至少给正在选车、或者准备入行做智驾相关工作的朋友一个参考坐标。1. 智驾ADAS现在走到哪一步了1.1 从辅助驾驶到可用的质变如果用一个词形容最近两年ADAS的状态我会选落地。三年前谈到车道保持、自适应巡航大家的印象还是传感器融合不够、弯道容易画龙、出入匝道必须人工盯紧。到了今天主流新车型上的高速领航辅助已经能做到让我在大部分封闭道路上放心喝水、看导航甚至偶尔分神几秒也不会立即出状况。这种从花架子到能用的转变背后是多个维度的共同推进。首先是传感器成本的大幅下降。前几年的顶配车型动辄搭载一颗激光雷达整车智驾硬件成本要两三万元如今10万元级别的车型也能把摄像头、毫米波雷达、域控制器的方案控制在几千元内。其次是算法架构的迭代模型从传统的规则堆叠转向学习驱动处理复杂场景的能力明显增强。再加上高精度地图和定位方案的普及让车辆对自身位置的估计精度从米级提升到厘米级。这些进步叠加在一起才让普通用户在真实道路上感受到这东西真的可以放手一下。当然可用和可靠之间还有距离。我测试过的多数系统即便在高速上遇到施工改道、大车轮胎爆裂散落物、极端雨雾天气时依然会果断降级或退出。这不能算缺陷恰恰说明系统对不确定性有清醒认识。但在用户期望管理上很多车企的宣传话术跑在了技术前面导致部分人把L2当成了L4来用这才是目前最大的隐患。1.2 玩家格局新势力领跑传统品牌奋起直追从市场端的感受来看智驾能力的分布呈现明显的两极分化。新势力品牌在用户心智中的智驾标签非常鲜明。它们普遍采用了硬件预埋软件OTA的打法新车出厂就装上算力较高的域控制器和多传感器组合然后通过后续更新释放功能。这种模式的优势是迭代速度快一年内可以推多个大版本用户能直观感受到车辆“越开越聪明”。劣势则是早期版本经常出现功能回退、体验反复被戏称车主变成测试工程师。传统品牌尤其是合资和豪华品牌过去几年显得保守曾被嘲讽智驾落后一个代际。但最近一年情况在变化。它们选择与科技公司深度合作补齐短板同时利用自己在底盘调校和整车安全验证上的积累把智驾系统的掌控感做得更细腻。我开过某德系传统车企的L2级系统虽然可玩性不如新势力但横向纠偏时的阻尼感和刹车线性度明显更成熟。还有一个不可忽视的群体——华为、某科技公司等第三方方案商它们以Tier1或全栈方案的形式向多家车企输出技术。这种模式让智驾能力的供给更加多样化也让跟不上自研节奏的品牌找到了相对省力的路径。可以预见未来一两年智驾能力的下限会被这些供应链玩家快速抬高同质化也会加速出现。2. 技术底座拆解感知、决策与数据闭环2.1 传感器方案纯视觉与多传感器融合之争关于智驾应该靠什么感知业内吵了快十年。时至今日量产车上的主流方案大致分为三类纯视觉、视觉毫米波雷达、视觉雷达激光雷达。这三条路线各有拥趸也各有自身的工程约束。纯视觉路线的核心逻辑是向人类驾驶员看齐——人类靠双眼完成驾驶那么足够多、足够好的摄像头加上强大的AI理解能力理论上也能做到。这套方案的成本最低供应链最成熟但对算法要求极高尤其在黑夜、逆光、雨雾等场景纯视觉的冗余度和置信度会明显下降。目前量产车中真正敢做纯视觉方案的只有少数几家它们用超大算力海量数据来弥补传感器短板。视觉毫米波雷达是目前的主流组合成本适中毫米波雷达对距离和速度的测量不依赖光线对雨雾的穿透力也更好一点。但传统毫米波雷达的缺点是角分辨率低难以区分静止物体和道路护栏、井盖的细节。现在新一代的4D毫米波雷达正在改善这个问题增加了高度维度和点云密度。我预计未来一两年4D毫米波雷达会成为中低价位车型的标配逐步取代一些系统中原本用来凑数的普通后向或侧向雷达。激光雷达的争议最大。支持者认为它提供真三维稠密点云对异形障碍物的检测能力远强于视觉能显著提升安全冗余反对者则指出它贵、体积大、且在雨雪扬尘时性能衰减。事实上目前的激光雷达方案已经逐步收敛为前向主雷达补盲雷达装车位置也从前挡风玻璃上方发展到前保险杠、车顶角等更隐蔽位置。从成本曲线看4D毫米波雷达的崛起还不足以完全替代激光雷达在高端车型上的地位但两者在中端车型上的竞争会越来越激烈。2.2 算法架构从规则驱动到端到端谈到智驾的大脑过去几年最重要的技术变迁是从模块化规则架构转向数据驱动的端到端架构。传统模块化方案大致是感知、预测、规划三个独立模块分别训练再通过人工设计的接口衔接起来。感知模块负责识别障碍物和车道线预测模块判断周围车辆下一步动作规划模块基于这些结果生成轨迹。这套方案的优点是每个环节可控、可测试、可取证但缺点也很明显人工规则太多面对长尾场景比如鬼探头、异形车、路边堆满杂物时每加一种场景就要堆一堆if-else开发效率低下且整体系统很容易陷入修好一个bug引入两个新case的困境。端到端方案则把感知、预测、规划融合到一个大模型里输入原始传感器数据直接输出车辆控制信号或轨迹规划。它的灵感来自大语言模型——用海量驾驶数据训练出类人的驾驶行为。好处是系统不用再依赖那么多手写规则面对未知场景时泛化能力更强行为也更平滑难点则在于可解释性差、训练需要海量高质量数据、而且一旦出现问题很难定位是哪个环节出错。目前量产车上所谓的端到端大多是分段端到端或准端到端——感知和预测已经是学习模型规划部分仍保留一些安全兜底规则。真正的全端到端上车还要解决芯片算力、数据闭环、功能安全认证等问题。即便如此趋势已经非常明确未来一两年内头部品牌会陆续发布接近全域端到端的版本而中低端车型上也会出现轻量化的端到端变体。用户能感知到的变化是系统在面对复杂路口、无保护转弯、人车混行时的决策越来越像老司机。2.3 算力与数据智驾的地基算法再先进没有算力和数据也跑不起来。这两个方面也是目前智驾军备竞赛最为残酷的领域。算力方面主流域控制器的AI算力已经从早期的几TOPS飙升到上百甚至上千TOPS。这里有个常见误区TOPS只是理论峰值算力实际能发挥多少还要看芯片利用率、内存带宽、软件优化程度。有些车型标称500TOPS实际运行大模型时只能用到三成有些芯片虽然算力不高但因为有专门的NPU调度实际跑起Transformer模型反而更流畅。因此单纯看参数选车并不靠谱还是要以实际试驾和评测为准。数据方面行业已经形成共识智驾系统的能力上限由数据质量和多样性决定。一个只有高速场景数据训练出的模型放到城市复杂路口必然手足无措。因此各家都在拼命建立“数据闭环”——从量产车上采集行驶数据筛选出难例和corner case自动标注回灌到训练集里再通过仿真和影子模式验证模型效果。在这个链条里车型保有量越大、用户真实行驶里程越多数据飞轮转得就越快。这也是为什么很多车企宁愿亏钱也要多卖车——卖出去的车就是流动的数据采集器。值得注意的是数据安全和隐私合规对数据闭环构成了强约束。目前车主普遍比较在意摄像头采集的影像被传回云端的情况。虽然绝大多数车企都承诺脱敏处理但行业整体的规范度仍需要时间沉淀。未来一两年如果监管层面要求更严格的数据本地化或加密上传机制可能会在一定程度上减缓数据飞轮的转速这是技术之外需要重点关注的风险点。3. 实际体验与落地场景3.1 高速NOA已成熟城市NOA仍带新手感如果让我给目前智驾能力做一个分级高速公路领航辅助高速NOA可以说是目前最成熟、最值得用的功能。在路况相对规则、车道线清晰、交通参与者行为较为标准的封闭道路上系统能稳定完成跟车、变道、超越慢车、进出匝道等操作。大部分场景下驾驶员只需手扶方向盘、眼睛留意前方就能比较轻松地完成长距离通勤。不过即便在高速上不同车型的体验差距仍然很大。我试过某款新势力的高速NOA变道时时机果断加速减速都比较平缓遇到前方汇入车辆会提前减速整体很有老司机风范。但也试过另一款传统品牌的系统变道前会犹豫很久甚至会因右后方有一辆距离很远的大货车而放弃变道导致错过匝道出口。这种差距更多来自决策策略和标定调校而不是硬件差距。城市NOA则是当前最火也最考验技术的地方。无保护左转、避让外卖电动车、环岛通行、车道线消失的路口、公交车道与非机动车道混行……这些场景对系统的感知置信度和轨迹规划都是严峻挑战。目前头部系统的城市NOA覆盖率在提升但在成熟度上仍然只能算可用但需盯紧。大多数情况下系统能自己处理七成以上的路况但遇到施工围挡、交警指挥、两轮车抢道等特殊情况时还是会犹豫、急刹或请求接管。这种感觉很像一个刚拿驾照的新手规矩但不够灵活偶尔让你捏把汗。我认为城市NOA真正达到老司机水平还需要两到三年持续迭代。未来一两年内能看到的进步是更稳、接管率更低、复杂路口通过率提升但距离完全放手仍远。3.2 泊车域自动泊车成为标配如果说行车域的智驾还在卷上限停车域的体验已经非常接近实用化了。自动泊车系统APA目前在中高端新车上基本成为标配甚至不少10万元级别的车型也配备了。常规的垂直车位、侧方车位能比较可靠地泊入速度也够快。记忆泊车的实用性更强——系统可以学习车主常用的地下车库路线在进入车库后自动巡航到指定车位。我在某品牌上体验过车辆能自己下坡、转弯、避开柱子和其他静止车辆最后稳妥停好整个过程的鲁棒性已经相当可以。更激进的是代客泊车即驾驶员在出入口下车车辆自己开到车位。这个功能在商业停车场需求很大但真正落地还依赖场端基础设施——地图采集、信号覆盖、车辆调度等。目前只有少数几个新商圈做了试点可用范围很窄。不过泊车域相比行车域更容易做好安全兜底未来一两年内市场规模会快速扩大也可能成为智驾最先实现无人化的场景。3.3 安全冗余与接管体验智能驾驶的终极问题永远是安全。目前的L2/L2级系统依然把人类驾驶员作为责任主体。因此人机共驾的交互体验直接影响安全性和用户信任度。现在做得比较好的系统会通过声音、方向盘振动、安全带收紧等方式分层提示接管而且每次接管请求后系统会保留足够长的反应时间一般≥3秒。但我也遇到过一些做得比较差的提示音响起的同时系统已经开始降速驾驶员如果正在看右侧导航很可能反应不过来还有的系统在车道内纠正过度导致车辆在车道间S型走位让驾驶员不得不频繁人为干预。关于安全冗余行业有一个共识对L2系统而言ASIL-D功能安全等级、多传感器交叉验证、域控制器重要模块备份都是值得关注的指标。但用户层面很难直接感知到这些车规级设计的好坏。我的建议是在试驾智驾功能时至少做一次模拟危险场景测试——让副驾观察后侧来车在系统变道时你故意不辅助看看它如何应对。这虽然不能完全暴露系统缺陷但能让你感受系统对突发情况的处理和提示逻辑是否令人安心。4. 未来一两年最可能的三个变化4.1 端到端模型全面上车但不会一夜解决长尾基于目前的竞争态势和技术成熟度我可以比较肯定地判断未来一到两年绝大多数主流品牌都会把端到端作为智驾宣传的核心卖点也会陆续推送端到端版本的系统更新。但我要泼一盆冷水端到端模型解决的是大空间、复杂决策的泛化问题对长尾场景的极端个案依然很难保证100%的正确响应。原因很好理解。端到端模型的行为是统计规律的映射训练数据里高频出现的场景系统会处理得很好但真实世界中总会出现个例中的个例——比如一辆车头贴满广告海报的货柜车、一个穿了充气恐龙服横穿马路的行人、一场冰雹同时影响几十辆车的视觉。对于这些情况端到端模型很可能给出符合常规但不正确的动作。因此未来端到端系统必然会保留传统规则的安全兜底层比如碰撞缓解制动、紧急车道保持等功能依然独立于端到端模型运行。用户不应该因为听到端到端就误以为车辆已达到完全自动驾驶。同时端到端上车还会带动两个变化一是仿真测试的重要性上升。既然模型不可解释那就只能靠海量仿真场景来逼近真实分布。二是数据合规成本上升。跨区域的数据采集、存储、传输都会被更严格地审查车企需要在技术效率和合规之间做更多平衡。4.2 硬件预埋战降温成本战开启过去三年大家都在堆料高算力芯片、激光雷达、多传感器冗余。但算力堆到500TOPS、传感器数量堆到十多个之后新的边际收益已经很低。用户选车时越来越多的人开始问我会为这些硬件多掏多少钱而不是它有多少个摄像头。我认为未来一两年会看到明显的硬件回归理性。一方面中低端车型会采用更低成本的方案比如用4D毫米波雷达替代部分激光雷达用单片Orin N替代双Orin X另一方面高端车型的硬件增量也不再以数量取胜而是聚焦高动态范围传感器、沉浸式座舱交互、车灯联动等体验细节。某个新品牌最近推出的入门智驾版本砍掉了激光雷达转而用纯视觉毫米波雷达的方案官方宣称城区辅助驾驶体验只弱一点。我试驾后觉得在70%常规场景下确实感受不到明显差别这进一步验证了性能盈余的存在。对用户来说这算一个好消息再过一年花15万就能买到目前需要25万才能买到的主流智驾体验。硬件不再是最核心的溢价点软件和数据能力会被放到更重要的位置。换句话说买智驾车型重点别只看芯片参数要看这辆车品牌的迭代承诺和历史OTA的实际节奏。4.3 法规与测试标准加速落地智驾进入持证上岗时代智驾功能越来越强但相关法规和标准一直存在打补丁式推进。不过未来一到两年我认为会迎来一次比较密集的建章立制潮。从目前的趋势看监管层面主要关注三个点一是准入管理新的智驾系统需要满足功能安全、预期功能安全、网络安全等强制标准才能上市二是测试认证对城市NOA这类高开放度功能可能要求厂商完成一定里程的公开道路测试和仿真测试并提交脱险率、接管率等指标三是事故责任界定随着L3级有条件自动驾驶试点扩大车辆制造商在特定条件下的责任份额会逐步明确。这些变化对行业长期是好事淘汰一批PPT智驾让真正有技术实力的企业脱颖而出。对用户短期也有意义法规要求的接驾率、失效概率等参数虽然枯燥但至少提供了一个横向比较的参考框架。不过要留意监管趋严可能延长新功能的上线时间原本一季度一更的节奏也许会被拉到半年以上。如果你已经习惯了频繁OTA尝鲜这种变化可能需要适应。5. 常见问题与避坑经验5.1 买车时如何判断智驾硬件是否够用这是一个我在后台被问到最多的问题。我的建议是不要把算力最高传感器最多作为唯一标准。首先要看的是这套硬件的架构冗余度比如刹车和转向是否有独立备份、电源是否有双路设计、芯片是否有black-box安全监控其次要看这套硬件是否已经支持该品牌最高阶的软件功能而不是后续OTA逐步开放——后者往往存在变数。试驾时有一个简单的判断方法在设定好导航的情况下退出智驾系统观察车辆从识别到接管提示的整个过程是否从容。如果提示信息清晰、减速及时、驾驶员能轻松接管说明人机交互设计成熟如果系统默默降级而你毫无察觉那这套系统就不值得信任。另外建议问清楚智驾软件的高阶功能是否需要额外购买订阅。很多品牌目前采用硬件标配软件订阅的模式基础辅助免费但不能用免费硬件去判断顶配体验。预算有限的话优先选择“一次买断高阶包”的品牌虽然前期支出高但总比月月交钱舒服。5.2 为什么OTA后反而觉得智驾变笨了不少车主反馈升级新版本后车辆的ACC跟车距离变大了、变道更保守了甚至偶尔出现无故刹车怀疑系统退化。这种现象在行业内非常常见原因有三一是新模型为了通过功能安全测试往往会加入更多安全冗余逻辑导致驾驶风格转向谨慎二是端到端模型需要重新适应“本地路况”分布初期数据不足时会表现保守三是部分厂家的新版本引入了影子模式的数据回传需要积累几天到几周的现场数据才会逐渐放开性能上限。所以如果你OTA后觉得系统变“笨”了别急着骂。先查看车辆设置里的驾驶模式是否被重置为默认很多升级后设置会被恢复再留意一下一周后的表现。如果连续两周无明显改善建议向官方售后反馈并附上具体的路段、时间和行为描述这类反馈对模型迭代其实很有价值。5.3 关于智驾事故责任用户需要知道什么严格来说目前的量产系统全部属于L2级别辅助驾驶责任主体始终是驾驶员。无论车企的宣传话术多么诱人只要车辆还在L2阶段开车时就必须保持注意力脱手系统会触发警告甚至退出这一点在国内是强制要求。因此我对使用智驾功能有一个自己的底线规则只把系统当作一个经验丰富但偶尔犯迷糊的副驾驶而不是自动驾驶司机。遇到施工、执法、交通事故现场、天气突变这些场景第一时间手动接管不跟系统赌一把。未来一两年L3级试点可能会扩大L3在法律层面允许驾驶员在特定条件下短暂脱手但脱手不等于可以睡觉系统的责任范围也仅限定在运营区域内。了解这些边界比盲目相信“自动驾驶”宣传更能保命。最后再分享一点经验我见过太多人因为新鲜感在提车第一周频繁测试智驾之后新鲜劲一过又把车当成普通车来开OTA更新也不关心。其实智驾系统的迭代非常依赖真实行驶数据和用户反馈定期更新、多用多反馈才值得买车时花高价选购这些配置。未来的两年智驾会变得更聪明、更便宜但无论如何它都只是工具。真正的“老司机”是懂得什么时候该放心使用什么时候该自己掌握方向的驾驶员。 
长河君 · 2026/10/17 7:03:49 · 阅读 1.2k 智驾ADAS全解析：从传感器融合到端到端模型的应用趋势
智驾ADAS这两年的话题热度从技术圈一路烧到了普通购车用户嘴边。随便刷几条汽车评测都能看到城市NOA开城大战端到端大模型上车这类说法。但热闹归热闹作为一个长期跟踪智驾落地情况的人我更关注的是一些更具体的问题现在量产车上的ADAS到底能帮驾驶员分担多少哪些功能是真正天天在用的哪些只是发布会上光鲜、实际体验让人皱眉的演示项未来一两年智驾会不会出现一次真正的、用户可感知的体验跃迁这篇文章我想结合目前行业的技术路线、供应链状态、量产车型的实际表现把智驾ADAS的现状摊开聊一聊再做一次基于现有趋势的推演。不敢说预测多准但至少给正在选车、或者准备入行做智驾相关工作的朋友一个参考坐标。1. 智驾ADAS现在走到哪一步了1.1 从辅助驾驶到可用的质变如果用一个词形容最近两年ADAS的状态我会选落地。三年前谈到车道保持、自适应巡航大家的印象还是传感器融合不够、弯道容易画龙、出入匝道必须人工盯紧。到了今天主流新车型上的高速领航辅助已经能做到让我在大部分封闭道路上放心喝水、看导航甚至偶尔分神几秒也不会立即出状况。这种从花架子到能用的转变背后是多个维度的共同推进。首先是传感器成本的大幅下降。前几年的顶配车型动辄搭载一颗激光雷达整车智驾硬件成本要两三万元如今10万元级别的车型也能把摄像头、毫米波雷达、域控制器的方案控制在几千元内。其次是算法架构的迭代模型从传统的规则堆叠转向学习驱动处理复杂场景的能力明显增强。再加上高精度地图和定位方案的普及让车辆对自身位置的估计精度从米级提升到厘米级。这些进步叠加在一起才让普通用户在真实道路上感受到这东西真的可以放手一下。当然可用和可靠之间还有距离。我测试过的多数系统即便在高速上遇到施工改道、大车轮胎爆裂散落物、极端雨雾天气时依然会果断降级或退出。这不能算缺陷恰恰说明系统对不确定性有清醒认识。但在用户期望管理上很多车企的宣传话术跑在了技术前面导致部分人把L2当成了L4来用这才是目前最大的隐患。1.2 玩家格局新势力领跑传统品牌奋起直追从市场端的感受来看智驾能力的分布呈现明显的两极分化。新势力品牌在用户心智中的智驾标签非常鲜明。它们普遍采用了硬件预埋软件OTA的打法新车出厂就装上算力较高的域控制器和多传感器组合然后通过后续更新释放功能。这种模式的优势是迭代速度快一年内可以推多个大版本用户能直观感受到车辆“越开越聪明”。劣势则是早期版本经常出现功能回退、体验反复被戏称车主变成测试工程师。传统品牌尤其是合资和豪华品牌过去几年显得保守曾被嘲讽智驾落后一个代际。但最近一年情况在变化。它们选择与科技公司深度合作补齐短板同时利用自己在底盘调校和整车安全验证上的积累把智驾系统的掌控感做得更细腻。我开过某德系传统车企的L2级系统虽然可玩性不如新势力但横向纠偏时的阻尼感和刹车线性度明显更成熟。还有一个不可忽视的群体——华为、某科技公司等第三方方案商它们以Tier1或全栈方案的形式向多家车企输出技术。这种模式让智驾能力的供给更加多样化也让跟不上自研节奏的品牌找到了相对省力的路径。可以预见未来一两年智驾能力的下限会被这些供应链玩家快速抬高同质化也会加速出现。2. 技术底座拆解感知、决策与数据闭环2.1 传感器方案纯视觉与多传感器融合之争关于智驾应该靠什么感知业内吵了快十年。时至今日量产车上的主流方案大致分为三类纯视觉、视觉毫米波雷达、视觉雷达激光雷达。这三条路线各有拥趸也各有自身的工程约束。纯视觉路线的核心逻辑是向人类驾驶员看齐——人类靠双眼完成驾驶那么足够多、足够好的摄像头加上强大的AI理解能力理论上也能做到。这套方案的成本最低供应链最成熟但对算法要求极高尤其在黑夜、逆光、雨雾等场景纯视觉的冗余度和置信度会明显下降。目前量产车中真正敢做纯视觉方案的只有少数几家它们用超大算力海量数据来弥补传感器短板。视觉毫米波雷达是目前的主流组合成本适中毫米波雷达对距离和速度的测量不依赖光线对雨雾的穿透力也更好一点。但传统毫米波雷达的缺点是角分辨率低难以区分静止物体和道路护栏、井盖的细节。现在新一代的4D毫米波雷达正在改善这个问题增加了高度维度和点云密度。我预计未来一两年4D毫米波雷达会成为中低价位车型的标配逐步取代一些系统中原本用来凑数的普通后向或侧向雷达。激光雷达的争议最大。支持者认为它提供真三维稠密点云对异形障碍物的检测能力远强于视觉能显著提升安全冗余反对者则指出它贵、体积大、且在雨雪扬尘时性能衰减。事实上目前的激光雷达方案已经逐步收敛为前向主雷达补盲雷达装车位置也从前挡风玻璃上方发展到前保险杠、车顶角等更隐蔽位置。从成本曲线看4D毫米波雷达的崛起还不足以完全替代激光雷达在高端车型上的地位但两者在中端车型上的竞争会越来越激烈。2.2 算法架构从规则驱动到端到端谈到智驾的大脑过去几年最重要的技术变迁是从模块化规则架构转向数据驱动的端到端架构。传统模块化方案大致是感知、预测、规划三个独立模块分别训练再通过人工设计的接口衔接起来。感知模块负责识别障碍物和车道线预测模块判断周围车辆下一步动作规划模块基于这些结果生成轨迹。这套方案的优点是每个环节可控、可测试、可取证但缺点也很明显人工规则太多面对长尾场景比如鬼探头、异形车、路边堆满杂物时每加一种场景就要堆一堆if-else开发效率低下且整体系统很容易陷入修好一个bug引入两个新case的困境。端到端方案则把感知、预测、规划融合到一个大模型里输入原始传感器数据直接输出车辆控制信号或轨迹规划。它的灵感来自大语言模型——用海量驾驶数据训练出类人的驾驶行为。好处是系统不用再依赖那么多手写规则面对未知场景时泛化能力更强行为也更平滑难点则在于可解释性差、训练需要海量高质量数据、而且一旦出现问题很难定位是哪个环节出错。目前量产车上所谓的端到端大多是分段端到端或准端到端——感知和预测已经是学习模型规划部分仍保留一些安全兜底规则。真正的全端到端上车还要解决芯片算力、数据闭环、功能安全认证等问题。即便如此趋势已经非常明确未来一两年内头部品牌会陆续发布接近全域端到端的版本而中低端车型上也会出现轻量化的端到端变体。用户能感知到的变化是系统在面对复杂路口、无保护转弯、人车混行时的决策越来越像老司机。2.3 算力与数据智驾的地基算法再先进没有算力和数据也跑不起来。这两个方面也是目前智驾军备竞赛最为残酷的领域。算力方面主流域控制器的AI算力已经从早期的几TOPS飙升到上百甚至上千TOPS。这里有个常见误区TOPS只是理论峰值算力实际能发挥多少还要看芯片利用率、内存带宽、软件优化程度。有些车型标称500TOPS实际运行大模型时只能用到三成有些芯片虽然算力不高但因为有专门的NPU调度实际跑起Transformer模型反而更流畅。因此单纯看参数选车并不靠谱还是要以实际试驾和评测为准。数据方面行业已经形成共识智驾系统的能力上限由数据质量和多样性决定。一个只有高速场景数据训练出的模型放到城市复杂路口必然手足无措。因此各家都在拼命建立“数据闭环”——从量产车上采集行驶数据筛选出难例和corner case自动标注回灌到训练集里再通过仿真和影子模式验证模型效果。在这个链条里车型保有量越大、用户真实行驶里程越多数据飞轮转得就越快。这也是为什么很多车企宁愿亏钱也要多卖车——卖出去的车就是流动的数据采集器。值得注意的是数据安全和隐私合规对数据闭环构成了强约束。目前车主普遍比较在意摄像头采集的影像被传回云端的情况。虽然绝大多数车企都承诺脱敏处理但行业整体的规范度仍需要时间沉淀。未来一两年如果监管层面要求更严格的数据本地化或加密上传机制可能会在一定程度上减缓数据飞轮的转速这是技术之外需要重点关注的风险点。3. 实际体验与落地场景3.1 高速NOA已成熟城市NOA仍带新手感如果让我给目前智驾能力做一个分级高速公路领航辅助高速NOA可以说是目前最成熟、最值得用的功能。在路况相对规则、车道线清晰、交通参与者行为较为标准的封闭道路上系统能稳定完成跟车、变道、超越慢车、进出匝道等操作。大部分场景下驾驶员只需手扶方向盘、眼睛留意前方就能比较轻松地完成长距离通勤。不过即便在高速上不同车型的体验差距仍然很大。我试过某款新势力的高速NOA变道时时机果断加速减速都比较平缓遇到前方汇入车辆会提前减速整体很有老司机风范。但也试过另一款传统品牌的系统变道前会犹豫很久甚至会因右后方有一辆距离很远的大货车而放弃变道导致错过匝道出口。这种差距更多来自决策策略和标定调校而不是硬件差距。城市NOA则是当前最火也最考验技术的地方。无保护左转、避让外卖电动车、环岛通行、车道线消失的路口、公交车道与非机动车道混行……这些场景对系统的感知置信度和轨迹规划都是严峻挑战。目前头部系统的城市NOA覆盖率在提升但在成熟度上仍然只能算可用但需盯紧。大多数情况下系统能自己处理七成以上的路况但遇到施工围挡、交警指挥、两轮车抢道等特殊情况时还是会犹豫、急刹或请求接管。这种感觉很像一个刚拿驾照的新手规矩但不够灵活偶尔让你捏把汗。我认为城市NOA真正达到老司机水平还需要两到三年持续迭代。未来一两年内能看到的进步是更稳、接管率更低、复杂路口通过率提升但距离完全放手仍远。3.2 泊车域自动泊车成为标配如果说行车域的智驾还在卷上限停车域的体验已经非常接近实用化了。自动泊车系统APA目前在中高端新车上基本成为标配甚至不少10万元级别的车型也配备了。常规的垂直车位、侧方车位能比较可靠地泊入速度也够快。记忆泊车的实用性更强——系统可以学习车主常用的地下车库路线在进入车库后自动巡航到指定车位。我在某品牌上体验过车辆能自己下坡、转弯、避开柱子和其他静止车辆最后稳妥停好整个过程的鲁棒性已经相当可以。更激进的是代客泊车即驾驶员在出入口下车车辆自己开到车位。这个功能在商业停车场需求很大但真正落地还依赖场端基础设施——地图采集、信号覆盖、车辆调度等。目前只有少数几个新商圈做了试点可用范围很窄。不过泊车域相比行车域更容易做好安全兜底未来一两年内市场规模会快速扩大也可能成为智驾最先实现无人化的场景。3.3 安全冗余与接管体验智能驾驶的终极问题永远是安全。目前的L2/L2级系统依然把人类驾驶员作为责任主体。因此人机共驾的交互体验直接影响安全性和用户信任度。现在做得比较好的系统会通过声音、方向盘振动、安全带收紧等方式分层提示接管而且每次接管请求后系统会保留足够长的反应时间一般≥3秒。但我也遇到过一些做得比较差的提示音响起的同时系统已经开始降速驾驶员如果正在看右侧导航很可能反应不过来还有的系统在车道内纠正过度导致车辆在车道间S型走位让驾驶员不得不频繁人为干预。关于安全冗余行业有一个共识对L2系统而言ASIL-D功能安全等级、多传感器交叉验证、域控制器重要模块备份都是值得关注的指标。但用户层面很难直接感知到这些车规级设计的好坏。我的建议是在试驾智驾功能时至少做一次模拟危险场景测试——让副驾观察后侧来车在系统变道时你故意不辅助看看它如何应对。这虽然不能完全暴露系统缺陷但能让你感受系统对突发情况的处理和提示逻辑是否令人安心。4. 未来一两年最可能的三个变化4.1 端到端模型全面上车但不会一夜解决长尾基于目前的竞争态势和技术成熟度我可以比较肯定地判断未来一到两年绝大多数主流品牌都会把端到端作为智驾宣传的核心卖点也会陆续推送端到端版本的系统更新。但我要泼一盆冷水端到端模型解决的是大空间、复杂决策的泛化问题对长尾场景的极端个案依然很难保证100%的正确响应。原因很好理解。端到端模型的行为是统计规律的映射训练数据里高频出现的场景系统会处理得很好但真实世界中总会出现个例中的个例——比如一辆车头贴满广告海报的货柜车、一个穿了充气恐龙服横穿马路的行人、一场冰雹同时影响几十辆车的视觉。对于这些情况端到端模型很可能给出符合常规但不正确的动作。因此未来端到端系统必然会保留传统规则的安全兜底层比如碰撞缓解制动、紧急车道保持等功能依然独立于端到端模型运行。用户不应该因为听到端到端就误以为车辆已达到完全自动驾驶。同时端到端上车还会带动两个变化一是仿真测试的重要性上升。既然模型不可解释那就只能靠海量仿真场景来逼近真实分布。二是数据合规成本上升。跨区域的数据采集、存储、传输都会被更严格地审查车企需要在技术效率和合规之间做更多平衡。4.2 硬件预埋战降温成本战开启过去三年大家都在堆料高算力芯片、激光雷达、多传感器冗余。但算力堆到500TOPS、传感器数量堆到十多个之后新的边际收益已经很低。用户选车时越来越多的人开始问我会为这些硬件多掏多少钱而不是它有多少个摄像头。我认为未来一两年会看到明显的硬件回归理性。一方面中低端车型会采用更低成本的方案比如用4D毫米波雷达替代部分激光雷达用单片Orin N替代双Orin X另一方面高端车型的硬件增量也不再以数量取胜而是聚焦高动态范围传感器、沉浸式座舱交互、车灯联动等体验细节。某个新品牌最近推出的入门智驾版本砍掉了激光雷达转而用纯视觉毫米波雷达的方案官方宣称城区辅助驾驶体验只弱一点。我试驾后觉得在70%常规场景下确实感受不到明显差别这进一步验证了性能盈余的存在。对用户来说这算一个好消息再过一年花15万就能买到目前需要25万才能买到的主流智驾体验。硬件不再是最核心的溢价点软件和数据能力会被放到更重要的位置。换句话说买智驾车型重点别只看芯片参数要看这辆车品牌的迭代承诺和历史OTA的实际节奏。4.3 法规与测试标准加速落地智驾进入持证上岗时代智驾功能越来越强但相关法规和标准一直存在打补丁式推进。不过未来一到两年我认为会迎来一次比较密集的建章立制潮。从目前的趋势看监管层面主要关注三个点一是准入管理新的智驾系统需要满足功能安全、预期功能安全、网络安全等强制标准才能上市二是测试认证对城市NOA这类高开放度功能可能要求厂商完成一定里程的公开道路测试和仿真测试并提交脱险率、接管率等指标三是事故责任界定随着L3级有条件自动驾驶试点扩大车辆制造商在特定条件下的责任份额会逐步明确。这些变化对行业长期是好事淘汰一批PPT智驾让真正有技术实力的企业脱颖而出。对用户短期也有意义法规要求的接驾率、失效概率等参数虽然枯燥但至少提供了一个横向比较的参考框架。不过要留意监管趋严可能延长新功能的上线时间原本一季度一更的节奏也许会被拉到半年以上。如果你已经习惯了频繁OTA尝鲜这种变化可能需要适应。5. 常见问题与避坑经验5.1 买车时如何判断智驾硬件是否够用这是一个我在后台被问到最多的问题。我的建议是不要把算力最高传感器最多作为唯一标准。首先要看的是这套硬件的架构冗余度比如刹车和转向是否有独立备份、电源是否有双路设计、芯片是否有black-box安全监控其次要看这套硬件是否已经支持该品牌最高阶的软件功能而不是后续OTA逐步开放——后者往往存在变数。试驾时有一个简单的判断方法在设定好导航的情况下退出智驾系统观察车辆从识别到接管提示的整个过程是否从容。如果提示信息清晰、减速及时、驾驶员能轻松接管说明人机交互设计成熟如果系统默默降级而你毫无察觉那这套系统就不值得信任。另外建议问清楚智驾软件的高阶功能是否需要额外购买订阅。很多品牌目前采用硬件标配软件订阅的模式基础辅助免费但不能用免费硬件去判断顶配体验。预算有限的话优先选择“一次买断高阶包”的品牌虽然前期支出高但总比月月交钱舒服。5.2 为什么OTA后反而觉得智驾变笨了不少车主反馈升级新版本后车辆的ACC跟车距离变大了、变道更保守了甚至偶尔出现无故刹车怀疑系统退化。这种现象在行业内非常常见原因有三一是新模型为了通过功能安全测试往往会加入更多安全冗余逻辑导致驾驶风格转向谨慎二是端到端模型需要重新适应“本地路况”分布初期数据不足时会表现保守三是部分厂家的新版本引入了影子模式的数据回传需要积累几天到几周的现场数据才会逐渐放开性能上限。所以如果你OTA后觉得系统变“笨”了别急着骂。先查看车辆设置里的驾驶模式是否被重置为默认很多升级后设置会被恢复再留意一下一周后的表现。如果连续两周无明显改善建议向官方售后反馈并附上具体的路段、时间和行为描述这类反馈对模型迭代其实很有价值。5.3 关于智驾事故责任用户需要知道什么严格来说目前的量产系统全部属于L2级别辅助驾驶责任主体始终是驾驶员。无论车企的宣传话术多么诱人只要车辆还在L2阶段开车时就必须保持注意力脱手系统会触发警告甚至退出这一点在国内是强制要求。因此我对使用智驾功能有一个自己的底线规则只把系统当作一个经验丰富但偶尔犯迷糊的副驾驶而不是自动驾驶司机。遇到施工、执法、交通事故现场、天气突变这些场景第一时间手动接管不跟系统赌一把。未来一两年L3级试点可能会扩大L3在法律层面允许驾驶员在特定条件下短暂脱手但脱手不等于可以睡觉系统的责任范围也仅限定在运营区域内。了解这些边界比盲目相信“自动驾驶”宣传更能保命。最后再分享一点经验我见过太多人因为新鲜感在提车第一周频繁测试智驾之后新鲜劲一过又把车当成普通车来开OTA更新也不关心。其实智驾系统的迭代非常依赖真实行驶数据和用户反馈定期更新、多用多反馈才值得买车时花高价选购这些配置。未来的两年智驾会变得更聪明、更便宜但无论如何它都只是工具。真正的“老司机”是懂得什么时候该放心使用什么时候该自己掌握方向的驾驶员。