1. 从一张牌照看国内自动驾驶测试的“军备竞赛”最近戴姆勒也就是奔驰的母公司在北京拿到了高级别自动驾驶测试牌照的消息在圈内又激起了一阵讨论。这已经不是第一家外资车企在中国拿到测试许可了但每次有重量级玩家入场总会让人忍不住去盘点一下现在国内自动驾驶测试的牌桌上到底谁最“卷”谁跑得最快这张看似普通的“牌照”背后其实是技术、政策、资本和数据的综合角力场。对于普通消费者来说自动驾驶可能还停留在“车上有个按钮能自己开”的模糊概念。但对于从业者而言测试是这项技术从实验室走向马路、从不靠谱变得可靠的唯一路径。没有海量的、真实的、复杂的道路测试任何炫酷的算法都只是纸上谈兵。所以哪家企业在测试上投入最大、布局最广、数据积累最厚往往就预示着谁在未来商业化落地的长跑中占据了更有利的位置。今天我们就抛开那些宏大的愿景从一个一线从业者的视角来拆解一下国内自动驾驶测试的竞争格局看看各家都在怎么“跑图”以及这场竞赛背后的真实逻辑。2. 测试牌照不只是“准生证”更是技术路线的“体检报告”很多人把自动驾驶测试牌照简单理解为一纸“准生证”或“上路许可”这其实低估了它的分量。在中国尤其是北京、上海、广州、深圳这些一线城市发放自动驾驶测试牌照有着极其严格和复杂的流程。这张牌照更像是一份官方背书的“技术体检报告”。2.1 牌照分级与背后的技术门槛目前国内主流的测试牌照主要分为几个层级一般道路测试牌照、载人测试牌照、载物测试牌照以及示范应用牌照。而戴姆勒此次在北京获得的根据公开信息推测属于针对高度自动驾驶Highly Automated Driving车辆的测试许可这通常意味着允许在开放道路进行包含驾驶员在内的测试是向更高级别如L4迈进的关键一步。要拿到这张牌照企业需要跨过一系列硬性门槛封闭场地考试车辆必须在指定的封闭测试场内完成数十项甚至上百项的场景测试。这包括但不限于跟车行驶、行人横穿、施工区避让、交通信号灯识别、故障车应对等。这就像驾照的科目二和科目三是基础能力的“大考”。我参与过相关测试场的项目那里的场景布置极其“刁钻”比如突然弹起的假人、不规则闪烁的信号灯目的就是极限压榨系统的感知和决策能力。仿真测试里程积累在实车开上马路前必须在仿真环境中完成数百万甚至上亿公里的虚拟测试。这主要考验的是系统的“脑力”——决策规划和控制算法的稳定性和安全性。仿真平台可以快速复现极端、危险的长尾场景比如高速上的“鬼探头”这是实路测试无法高效覆盖的。目前头部企业都建立了自己的超大规模仿真系统仿真里程的积累速度和场景库的丰富程度直接反映了研发效率。数据安全与合规审计这是近年来愈发重要的一环。自动驾驶车辆会产生海量的地图、环境、车辆运行数据其中包含大量地理敏感信息。企业必须建立符合要求的数据脱敏、存储、传输和处理体系并通过相关部门的审核。我们内部常开玩笑说数据安全的合规团队现在地位越来越高他们的“一票否决权”可能比技术团队还大。保险与责任认定方案测试车上路万一发生事故怎么办企业必须购买足额的保险并明确责任认定流程。这迫使企业必须对自身系统的安全边界有极其清醒的认识不能为了测试而冒险。所以当一家企业尤其是像戴姆勒这样的传统汽车巨头能在中国核心城市拿到高级别测试牌照时它传递的信号是我的自动驾驶系统已经通过了中国标准下严格的技术、安全和合规检验具备了在复杂中国路况下进行探索的“入场券”。这本身就是对其技术路线和工程化能力的一种肯定。2.2 为什么外资巨头纷纷来华测试这就引出一个关键问题戴姆勒、宝马、大众等公司在本土和北美都有成熟的测试体系为什么还要不遗余力地来中国申请牌照、开展测试核心原因在于“数据代差”和“场景独特性”。中国的道路交通环境被公认为是全球最复杂的之一混合交通流汽车、电动车、行人、三轮车混杂、驾驶行为差异大、道路基础设施更新快、城市布局密集。这种高复杂度、高动态的环境能产生最具挑战性和价值的测试数据。用我们行业里的话说“能在中国城市里稳定跑的自动驾驶系统经过适配后在全球大多数地方都不会有太大问题。”反之如果缺失了中国场景的数据你的自动驾驶系统就是不完整的存在巨大的“认知盲区”。因此来华测试对于任何志在全球市场的自动驾驶玩家来说都不是可选项而是必选项。这不仅仅是技术测试更是对中国市场规则、用户习惯和供应链的深度学习和融合。3. 国内测试“积极分子”图谱三种主流玩家与他们的策略回到我们最初的问题国内谁在自动驾驶测试上最积极如果只看测试车辆数量、牌照数量和路测里程这些“硬指标”目前的格局可以大致分为三大阵营它们的策略和打法各有不同。3.1 第一阵营全栈自研的科技巨头以百度、华为为代表这类玩家的特点是技术链条长、测试目的全面、数据闭环要求高。百度 Apollo可以算是国内自动驾驶测试的“先行者”和“标杆”。它的测试积极性体现在“广”和“深”两个方面。广百度在全国多个城市北京、上海、广州、长沙、重庆等都拿到了大量的测试牌照包括载人、载物和示范应用牌照覆盖了Robotaxi自动驾驶出租车、Robobus自动驾驶巴士和无人配送等多个业务线。其“萝卜快跑”Robotaxi服务已经在多个城市开启收费运营这本身就是一种最高强度的持续道路测试。深百度的测试不仅是为了验证车辆更是为了反哺其Apollo平台和自动驾驶大模型。它的测试数据会源源不断地用于训练感知模型、优化决策规划算法如经典的EM Planner、迭代仿真场景库。它的目标是打造一个通用的自动驾驶能力底座测试是它打磨这个底座的核心手段。我接触过一些使用Apollo平台的企业他们普遍反馈百度提供的不仅是工具还有伴随工具积累的、对中国道路有深刻理解的场景库和参数集这是其通过海量测试构筑的壁垒。华为华为的测试策略带有强烈的“工程务实”色彩和“车云协同”特色。依托其在全国的研发中心和合作车企华为的测试车辆也在快速铺开。它的测试非常注重端到端全链路的验证从MDC移动数据中心计算平台、激光雷达等硬件到ADS自动驾驶系统软件再到云端的数据处理和模型训练。华为在测试中特别强调“车云协同”。车辆在路测中遇到难以处理的Corner Case极端案例可以快速上传到云端云端利用强大的算力进行场景重建、算法分析和模型优化然后将更新的模型或参数再下发到车队。这种高效的迭代闭环使得其系统能快速适应新城市、新场景。华为的测试数据是其构建智能汽车数字底座不可或缺的燃料。注意科技巨头的测试数据资产是其核心壁垒之一。他们通常不会公开原始数据但会以平台、工具或模型的形式对外输出其数据价值。对于想进入这个领域的创业者来说从头开始积累高质量测试数据的成本和时间门槛已经非常高了。3.2 第二阵营新兴的自动驾驶独角兽以小马智行、文远知行、AutoX等为代表这类玩家的特点是目标聚焦、场景驱动、追求商业化落地速度。它们的“积极性”直接体现在规模化车队和特定区域的深耕上。例如小马智行和文远知行在广州AutoX在深圳都部署了数百辆规模的Robotaxi测试运营车队。它们的测试逻辑非常直接在选定的城市区域内通过高密度、长时间的载人测试一方面打磨乘坐体验验证技术稳定性另一方面也是最关键的跑通商业化模型。它们的测试数据主要用于优化乘坐体验减少不舒适的急刹、变道让行程更顺滑。降低运营成本通过数据优化提升系统效率减少远程安全员的干预频率这是实现盈利的关键。应对长尾场景在固定区域内通过日复一日的测试尽可能多地“扫”出那些罕见的极端情况比如特殊的交通管制、奇葩的停车方式等不断完善系统。这类公司的测试策略更像“尖刀连”集中力量在一点突破用实际运营数据来证明技术的可行性和商业价值从而获取进一步的融资和市场信任。3.3 第三阵营传统车企与跨界造车势力以比亚迪、蔚来、理想、小米等为代表这类玩家的特点是量产导向、功能渐进、注重用户体验。它们的“测试积极性”可能不像前两者那样有庞大的专职测试车队但它们的测试范围更广与最终用户的结合更紧密。它们的测试主要分两条线前沿技术研发测试像蔚来、理想、小米等都建立了自己的自动驾驶研发团队会在特定区域进行高等级自动驾驶如城市NOA的封闭道路和限定区域测试。这类测试目标明确就是为了将新技术功能如不依赖高精地图的城市领航辅助尽快、稳定地推向量产车。量产车数据收集影子模式这是传统车企和新势力最具优势的地方。每一辆售出的、搭载了高级辅助驾驶硬件的车辆在用户日常驾驶过程中都可以在后台以“影子模式”运行自动驾驶算法。系统会默默地将自身的决策与人类驾驶员的实际操作进行对比当发现差异特别是系统想做出错误操作而被人类纠正时就会将相关场景数据匿名化后上传到云端。这种模式能以极低的边际成本收集到海量的、真实的、多样化的中国驾驶员行为数据和长尾场景数据。比亚迪在这方面就是一个典型的例子。它拥有巨大的销量基本盘每一辆汉、唐、海豹等车型都可能成为其自动驾驶算法的“数据采集器”。这种通过百万级量产车 fleet 收集数据的能力是任何一家仅靠测试车的公司都无法比拟的。它的测试是“润物细无声”的但数据积累的规模和潜力巨大。这些数据对于训练更拟人化、更适应中国路况的端到端自动驾驶模型或VLA视觉-语言-动作模型至关重要。4. 测试竞赛的下半场从“跑里程”到“挖数据”与“拼仿真”如果仅仅比拼谁的车多、谁跑的里程长那这场竞赛还停留在上半场。当前行业的共识是单纯堆砌路测里程的边际效益正在递减。测试的“积极性”正在向更深层次演进主要体现在两个维度4.1 数据驱动的闭环效率如何把1公里开出10公里的价值测试的核心目的是获取数据但获取数据不等于获得价值。关键在于数据闭环的效率。高效的玩家正在做以下几件事高质量数据采集与标注在传感器配置阶段就规划好数据采集策略确保能抓到关键信息。例如针对点云分割这类对自动驾驶至关重要的任务区分行人、车辆、障碍物需要在数据采集时就考虑点云的密度和清晰度。后续的标注质量更是直接影响模型效果。现在行业里比拼的不仅是标注数量更是标注的精度和场景的多样性。自动化数据挖掘与处理通过自动化工具从PB级的路测数据中快速挖掘出那些有价值的“黄金场景”和“Corner Case”而不是靠人工大海捞针。比如自动识别出所有“近距离cut-in”加塞的场景或者所有“异形车辆”如装载超长货物的三轮车出现的片段用于针对性训练。构建专属场景库将挖掘出的有价值场景进行标准化、参数化存入自己的场景库。这个场景库是仿真测试的基石也是衡量一家公司测试“底蕴”的重要指标。百度、华为等公司之所以强大部分原因就在于他们拥有经过多年积累、覆盖中国大量特色场景的私有场景库。4.2 仿真测试的军备竞赛数字世界的“平行驾驶”当实路测试成本高、效率低、风险大时仿真测试就成了加速迭代的“核武器”。现在的趋势是构建一个无限接近现实世界的数字孪生环境。高保真仿真不仅仅是简单的车辆模型和道路网格而是包括高精度地图、真实的交通流模拟、复杂的天气系统雨、雪、雾、眩光、甚至行人和非机动车的不规则运动。游戏引擎技术如Unity、Unreal Engine被大量引入用于提升仿真的视觉真实感和物理真实性。有些公司甚至利用像**《欧洲卡车模拟2》欧卡2** 这类游戏的地图资源经过改造后用于初步的算法逻辑验证这虽然不用于最终验收但体现了行业在寻找一切可能工具来提升效率的思路。云端大规模并行仿真可以在数小时内在云端同时运行成千上万个测试用例模拟数百万公里的驾驶快速验证算法修改后的效果。这相当于拥有了一个“时间机器”能极大压缩开发周期。“仿真-实车”闭环将仿真中发现的问题用于指导实车测试的路线规划比如专门去某个路口复现仿真中的问题同时将实车测试中遇到的新场景快速重建到仿真环境中丰富场景库。形成“虚实结合”的飞轮效应。因此现在看一家公司在测试上是否“积极”不能只看它有多少辆实车在路上跑更要看它在数据中台、自动化工具链和仿真平台上的投入和水平。这背后的算力消耗、人才储备和工程能力才是真正的竞争壁垒。5. 法规与标准测试竞赛的“指挥棒”与“安全网”这场轰轰烈烈的测试竞赛并非在真空中进行它始终被框定在日益完善的法规和标准体系之内。中国的监管方在鼓励创新的同时牢牢把握着安全底线。《智能网联汽车道路测试与示范应用管理规范试行》及各地的实施细则是测试活动的根本大法。它规定了申请条件、测试要求、事故处理流程等。近期关于《智能网联汽车道路测试与示范应用安全通行规范》的讨论也越来越热这预示着管理将从“准入”向“过程与行为”进一步细化对测试车辆的安全运行提出了更具体的要求。数据安全与测绘法规这是所有企业尤其是外资企业必须高度重视的红线。自动驾驶测试涉及的地理信息数据受到严格监管。企业必须与有资质的图商合作确保数据合规。这也是为什么很多外资车企选择与本土科技公司如百度、华为深度合作的原因之一后者能帮助其更好地满足合规要求。标准体系建设包括自动驾驶功能测试标准、信息安全标准、预期功能安全SOTIF标准等正在快速建立。参与标准制定本身也是企业技术实力的体现和对未来竞争格局的布局。法规的逐步清晰就像划定了比赛的跑道和规则。它既限制了野蛮生长也为真正有技术、守规矩的玩家提供了稳定的预期和公平的竞争环境。测试的“积极性”必须建立在对规则的深刻理解和严格遵守之上。6. 给从业者与观察者的几点冷思考最后结合我个人在行业内的观察分享几点可能不那么“热”但很实际的思考“最积极”不等于“最领先”测试车辆多、里程长固然是实力的体现但更要看测试的“有效性”和“数据转化效率”。一家拥有高效数据闭环和先进仿真能力的公司可能用更少的实车就能实现更快的算法迭代。关键在于能否从测试中快速学习、快速进化。小心“数据沼泽”盲目采集数据而不加以有效治理和利用只会形成成本高昂的“数据沼泽”。建立一套从数据采集、存储、标注、挖掘到应用的全链路管理体系其重要性不亚于算法研发本身。很多团队初期只重算法后期却受困于数据混乱。仿真与实车的“Gap”永远存在无论仿真技术多么先进它都无法100%模拟现实的复杂性和不确定性。仿真是强大的加速器和过滤器但最终的系统验收和信心建立依然离不开精心设计的实路测试。二者的投入需要平衡。商业模式的试炼才刚刚开始对于Robotaxi公司测试最终要回答“每公里成本能否低于人类司机”的问题对于车企测试要回答“这个功能用户是否愿意付费”的问题。技术测试的终点是商业价值的起点。目前大多数测试还处在“烧钱验证技术”的阶段谁能率先跑通可持续的商业模式谁才能真正赢得下半场。戴姆勒拿牌只是这个宏大叙事中的最新注脚。它提醒我们中国自动驾驶的测试赛场早已是全球顶级玩家的必争之地。这里的竞争不再是单点的技术突破而是涵盖技术、数据、工程、法规、商业的综合体系较量。对于身处其中的我们而言保持对技术的敬畏对规则的尊重对数据的饥渴以及对商业本质的清醒或许是在这场长跑中不掉队的关键。 自动驾驶测试竞争格局：从牌照、数据到仿真的技术角力
1. 从一张牌照看国内自动驾驶测试的“军备竞赛”最近戴姆勒也就是奔驰的母公司在北京拿到了高级别自动驾驶测试牌照的消息在圈内又激起了一阵讨论。这已经不是第一家外资车企在中国拿到测试许可了但每次有重量级玩家入场总会让人忍不住去盘点一下现在国内自动驾驶测试的牌桌上到底谁最“卷”谁跑得最快这张看似普通的“牌照”背后其实是技术、政策、资本和数据的综合角力场。对于普通消费者来说自动驾驶可能还停留在“车上有个按钮能自己开”的模糊概念。但对于从业者而言测试是这项技术从实验室走向马路、从不靠谱变得可靠的唯一路径。没有海量的、真实的、复杂的道路测试任何炫酷的算法都只是纸上谈兵。所以哪家企业在测试上投入最大、布局最广、数据积累最厚往往就预示着谁在未来商业化落地的长跑中占据了更有利的位置。今天我们就抛开那些宏大的愿景从一个一线从业者的视角来拆解一下国内自动驾驶测试的竞争格局看看各家都在怎么“跑图”以及这场竞赛背后的真实逻辑。2. 测试牌照不只是“准生证”更是技术路线的“体检报告”很多人把自动驾驶测试牌照简单理解为一纸“准生证”或“上路许可”这其实低估了它的分量。在中国尤其是北京、上海、广州、深圳这些一线城市发放自动驾驶测试牌照有着极其严格和复杂的流程。这张牌照更像是一份官方背书的“技术体检报告”。2.1 牌照分级与背后的技术门槛目前国内主流的测试牌照主要分为几个层级一般道路测试牌照、载人测试牌照、载物测试牌照以及示范应用牌照。而戴姆勒此次在北京获得的根据公开信息推测属于针对高度自动驾驶Highly Automated Driving车辆的测试许可这通常意味着允许在开放道路进行包含驾驶员在内的测试是向更高级别如L4迈进的关键一步。要拿到这张牌照企业需要跨过一系列硬性门槛封闭场地考试车辆必须在指定的封闭测试场内完成数十项甚至上百项的场景测试。这包括但不限于跟车行驶、行人横穿、施工区避让、交通信号灯识别、故障车应对等。这就像驾照的科目二和科目三是基础能力的“大考”。我参与过相关测试场的项目那里的场景布置极其“刁钻”比如突然弹起的假人、不规则闪烁的信号灯目的就是极限压榨系统的感知和决策能力。仿真测试里程积累在实车开上马路前必须在仿真环境中完成数百万甚至上亿公里的虚拟测试。这主要考验的是系统的“脑力”——决策规划和控制算法的稳定性和安全性。仿真平台可以快速复现极端、危险的长尾场景比如高速上的“鬼探头”这是实路测试无法高效覆盖的。目前头部企业都建立了自己的超大规模仿真系统仿真里程的积累速度和场景库的丰富程度直接反映了研发效率。数据安全与合规审计这是近年来愈发重要的一环。自动驾驶车辆会产生海量的地图、环境、车辆运行数据其中包含大量地理敏感信息。企业必须建立符合要求的数据脱敏、存储、传输和处理体系并通过相关部门的审核。我们内部常开玩笑说数据安全的合规团队现在地位越来越高他们的“一票否决权”可能比技术团队还大。保险与责任认定方案测试车上路万一发生事故怎么办企业必须购买足额的保险并明确责任认定流程。这迫使企业必须对自身系统的安全边界有极其清醒的认识不能为了测试而冒险。所以当一家企业尤其是像戴姆勒这样的传统汽车巨头能在中国核心城市拿到高级别测试牌照时它传递的信号是我的自动驾驶系统已经通过了中国标准下严格的技术、安全和合规检验具备了在复杂中国路况下进行探索的“入场券”。这本身就是对其技术路线和工程化能力的一种肯定。2.2 为什么外资巨头纷纷来华测试这就引出一个关键问题戴姆勒、宝马、大众等公司在本土和北美都有成熟的测试体系为什么还要不遗余力地来中国申请牌照、开展测试核心原因在于“数据代差”和“场景独特性”。中国的道路交通环境被公认为是全球最复杂的之一混合交通流汽车、电动车、行人、三轮车混杂、驾驶行为差异大、道路基础设施更新快、城市布局密集。这种高复杂度、高动态的环境能产生最具挑战性和价值的测试数据。用我们行业里的话说“能在中国城市里稳定跑的自动驾驶系统经过适配后在全球大多数地方都不会有太大问题。”反之如果缺失了中国场景的数据你的自动驾驶系统就是不完整的存在巨大的“认知盲区”。因此来华测试对于任何志在全球市场的自动驾驶玩家来说都不是可选项而是必选项。这不仅仅是技术测试更是对中国市场规则、用户习惯和供应链的深度学习和融合。3. 国内测试“积极分子”图谱三种主流玩家与他们的策略回到我们最初的问题国内谁在自动驾驶测试上最积极如果只看测试车辆数量、牌照数量和路测里程这些“硬指标”目前的格局可以大致分为三大阵营它们的策略和打法各有不同。3.1 第一阵营全栈自研的科技巨头以百度、华为为代表这类玩家的特点是技术链条长、测试目的全面、数据闭环要求高。百度 Apollo可以算是国内自动驾驶测试的“先行者”和“标杆”。它的测试积极性体现在“广”和“深”两个方面。广百度在全国多个城市北京、上海、广州、长沙、重庆等都拿到了大量的测试牌照包括载人、载物和示范应用牌照覆盖了Robotaxi自动驾驶出租车、Robobus自动驾驶巴士和无人配送等多个业务线。其“萝卜快跑”Robotaxi服务已经在多个城市开启收费运营这本身就是一种最高强度的持续道路测试。深百度的测试不仅是为了验证车辆更是为了反哺其Apollo平台和自动驾驶大模型。它的测试数据会源源不断地用于训练感知模型、优化决策规划算法如经典的EM Planner、迭代仿真场景库。它的目标是打造一个通用的自动驾驶能力底座测试是它打磨这个底座的核心手段。我接触过一些使用Apollo平台的企业他们普遍反馈百度提供的不仅是工具还有伴随工具积累的、对中国道路有深刻理解的场景库和参数集这是其通过海量测试构筑的壁垒。华为华为的测试策略带有强烈的“工程务实”色彩和“车云协同”特色。依托其在全国的研发中心和合作车企华为的测试车辆也在快速铺开。它的测试非常注重端到端全链路的验证从MDC移动数据中心计算平台、激光雷达等硬件到ADS自动驾驶系统软件再到云端的数据处理和模型训练。华为在测试中特别强调“车云协同”。车辆在路测中遇到难以处理的Corner Case极端案例可以快速上传到云端云端利用强大的算力进行场景重建、算法分析和模型优化然后将更新的模型或参数再下发到车队。这种高效的迭代闭环使得其系统能快速适应新城市、新场景。华为的测试数据是其构建智能汽车数字底座不可或缺的燃料。注意科技巨头的测试数据资产是其核心壁垒之一。他们通常不会公开原始数据但会以平台、工具或模型的形式对外输出其数据价值。对于想进入这个领域的创业者来说从头开始积累高质量测试数据的成本和时间门槛已经非常高了。3.2 第二阵营新兴的自动驾驶独角兽以小马智行、文远知行、AutoX等为代表这类玩家的特点是目标聚焦、场景驱动、追求商业化落地速度。它们的“积极性”直接体现在规模化车队和特定区域的深耕上。例如小马智行和文远知行在广州AutoX在深圳都部署了数百辆规模的Robotaxi测试运营车队。它们的测试逻辑非常直接在选定的城市区域内通过高密度、长时间的载人测试一方面打磨乘坐体验验证技术稳定性另一方面也是最关键的跑通商业化模型。它们的测试数据主要用于优化乘坐体验减少不舒适的急刹、变道让行程更顺滑。降低运营成本通过数据优化提升系统效率减少远程安全员的干预频率这是实现盈利的关键。应对长尾场景在固定区域内通过日复一日的测试尽可能多地“扫”出那些罕见的极端情况比如特殊的交通管制、奇葩的停车方式等不断完善系统。这类公司的测试策略更像“尖刀连”集中力量在一点突破用实际运营数据来证明技术的可行性和商业价值从而获取进一步的融资和市场信任。3.3 第三阵营传统车企与跨界造车势力以比亚迪、蔚来、理想、小米等为代表这类玩家的特点是量产导向、功能渐进、注重用户体验。它们的“测试积极性”可能不像前两者那样有庞大的专职测试车队但它们的测试范围更广与最终用户的结合更紧密。它们的测试主要分两条线前沿技术研发测试像蔚来、理想、小米等都建立了自己的自动驾驶研发团队会在特定区域进行高等级自动驾驶如城市NOA的封闭道路和限定区域测试。这类测试目标明确就是为了将新技术功能如不依赖高精地图的城市领航辅助尽快、稳定地推向量产车。量产车数据收集影子模式这是传统车企和新势力最具优势的地方。每一辆售出的、搭载了高级辅助驾驶硬件的车辆在用户日常驾驶过程中都可以在后台以“影子模式”运行自动驾驶算法。系统会默默地将自身的决策与人类驾驶员的实际操作进行对比当发现差异特别是系统想做出错误操作而被人类纠正时就会将相关场景数据匿名化后上传到云端。这种模式能以极低的边际成本收集到海量的、真实的、多样化的中国驾驶员行为数据和长尾场景数据。比亚迪在这方面就是一个典型的例子。它拥有巨大的销量基本盘每一辆汉、唐、海豹等车型都可能成为其自动驾驶算法的“数据采集器”。这种通过百万级量产车 fleet 收集数据的能力是任何一家仅靠测试车的公司都无法比拟的。它的测试是“润物细无声”的但数据积累的规模和潜力巨大。这些数据对于训练更拟人化、更适应中国路况的端到端自动驾驶模型或VLA视觉-语言-动作模型至关重要。4. 测试竞赛的下半场从“跑里程”到“挖数据”与“拼仿真”如果仅仅比拼谁的车多、谁跑的里程长那这场竞赛还停留在上半场。当前行业的共识是单纯堆砌路测里程的边际效益正在递减。测试的“积极性”正在向更深层次演进主要体现在两个维度4.1 数据驱动的闭环效率如何把1公里开出10公里的价值测试的核心目的是获取数据但获取数据不等于获得价值。关键在于数据闭环的效率。高效的玩家正在做以下几件事高质量数据采集与标注在传感器配置阶段就规划好数据采集策略确保能抓到关键信息。例如针对点云分割这类对自动驾驶至关重要的任务区分行人、车辆、障碍物需要在数据采集时就考虑点云的密度和清晰度。后续的标注质量更是直接影响模型效果。现在行业里比拼的不仅是标注数量更是标注的精度和场景的多样性。自动化数据挖掘与处理通过自动化工具从PB级的路测数据中快速挖掘出那些有价值的“黄金场景”和“Corner Case”而不是靠人工大海捞针。比如自动识别出所有“近距离cut-in”加塞的场景或者所有“异形车辆”如装载超长货物的三轮车出现的片段用于针对性训练。构建专属场景库将挖掘出的有价值场景进行标准化、参数化存入自己的场景库。这个场景库是仿真测试的基石也是衡量一家公司测试“底蕴”的重要指标。百度、华为等公司之所以强大部分原因就在于他们拥有经过多年积累、覆盖中国大量特色场景的私有场景库。4.2 仿真测试的军备竞赛数字世界的“平行驾驶”当实路测试成本高、效率低、风险大时仿真测试就成了加速迭代的“核武器”。现在的趋势是构建一个无限接近现实世界的数字孪生环境。高保真仿真不仅仅是简单的车辆模型和道路网格而是包括高精度地图、真实的交通流模拟、复杂的天气系统雨、雪、雾、眩光、甚至行人和非机动车的不规则运动。游戏引擎技术如Unity、Unreal Engine被大量引入用于提升仿真的视觉真实感和物理真实性。有些公司甚至利用像**《欧洲卡车模拟2》欧卡2** 这类游戏的地图资源经过改造后用于初步的算法逻辑验证这虽然不用于最终验收但体现了行业在寻找一切可能工具来提升效率的思路。云端大规模并行仿真可以在数小时内在云端同时运行成千上万个测试用例模拟数百万公里的驾驶快速验证算法修改后的效果。这相当于拥有了一个“时间机器”能极大压缩开发周期。“仿真-实车”闭环将仿真中发现的问题用于指导实车测试的路线规划比如专门去某个路口复现仿真中的问题同时将实车测试中遇到的新场景快速重建到仿真环境中丰富场景库。形成“虚实结合”的飞轮效应。因此现在看一家公司在测试上是否“积极”不能只看它有多少辆实车在路上跑更要看它在数据中台、自动化工具链和仿真平台上的投入和水平。这背后的算力消耗、人才储备和工程能力才是真正的竞争壁垒。5. 法规与标准测试竞赛的“指挥棒”与“安全网”这场轰轰烈烈的测试竞赛并非在真空中进行它始终被框定在日益完善的法规和标准体系之内。中国的监管方在鼓励创新的同时牢牢把握着安全底线。《智能网联汽车道路测试与示范应用管理规范试行》及各地的实施细则是测试活动的根本大法。它规定了申请条件、测试要求、事故处理流程等。近期关于《智能网联汽车道路测试与示范应用安全通行规范》的讨论也越来越热这预示着管理将从“准入”向“过程与行为”进一步细化对测试车辆的安全运行提出了更具体的要求。数据安全与测绘法规这是所有企业尤其是外资企业必须高度重视的红线。自动驾驶测试涉及的地理信息数据受到严格监管。企业必须与有资质的图商合作确保数据合规。这也是为什么很多外资车企选择与本土科技公司如百度、华为深度合作的原因之一后者能帮助其更好地满足合规要求。标准体系建设包括自动驾驶功能测试标准、信息安全标准、预期功能安全SOTIF标准等正在快速建立。参与标准制定本身也是企业技术实力的体现和对未来竞争格局的布局。法规的逐步清晰就像划定了比赛的跑道和规则。它既限制了野蛮生长也为真正有技术、守规矩的玩家提供了稳定的预期和公平的竞争环境。测试的“积极性”必须建立在对规则的深刻理解和严格遵守之上。6. 给从业者与观察者的几点冷思考最后结合我个人在行业内的观察分享几点可能不那么“热”但很实际的思考“最积极”不等于“最领先”测试车辆多、里程长固然是实力的体现但更要看测试的“有效性”和“数据转化效率”。一家拥有高效数据闭环和先进仿真能力的公司可能用更少的实车就能实现更快的算法迭代。关键在于能否从测试中快速学习、快速进化。小心“数据沼泽”盲目采集数据而不加以有效治理和利用只会形成成本高昂的“数据沼泽”。建立一套从数据采集、存储、标注、挖掘到应用的全链路管理体系其重要性不亚于算法研发本身。很多团队初期只重算法后期却受困于数据混乱。仿真与实车的“Gap”永远存在无论仿真技术多么先进它都无法100%模拟现实的复杂性和不确定性。仿真是强大的加速器和过滤器但最终的系统验收和信心建立依然离不开精心设计的实路测试。二者的投入需要平衡。商业模式的试炼才刚刚开始对于Robotaxi公司测试最终要回答“每公里成本能否低于人类司机”的问题对于车企测试要回答“这个功能用户是否愿意付费”的问题。技术测试的终点是商业价值的起点。目前大多数测试还处在“烧钱验证技术”的阶段谁能率先跑通可持续的商业模式谁才能真正赢得下半场。戴姆勒拿牌只是这个宏大叙事中的最新注脚。它提醒我们中国自动驾驶的测试赛场早已是全球顶级玩家的必争之地。这里的竞争不再是单点的技术突破而是涵盖技术、数据、工程、法规、商业的综合体系较量。对于身处其中的我们而言保持对技术的敬畏对规则的尊重对数据的饥渴以及对商业本质的清醒或许是在这场长跑中不掉队的关键。