1. 量产“前夜”的十字路口自动驾驶的现状与困境最近和几个主机厂、Tier1的朋友聊天大家不约而同地提到了一个词“前夜”。这个词用来形容当前自动驾驶的量产状态真是再贴切不过了。一方面L2级别的辅助驾驶功能ADAS已经成为新车标配自主泊车、高速领航辅助NOA等功能正在快速普及看起来一片繁荣另一方面真正迈向L3、L4级高阶自动驾驶的道路却仿佛被一层浓雾笼罩每前进一步都异常艰难。这个“前夜”并非黎明前的黑暗更像是一个充满不确定性的十字路口未来三年对于所有身处其中的玩家——无论是车企、科技公司还是供应链伙伴——都将是一场硬仗。这背后的核心矛盾在于技术演示的炫酷与大规模、低成本、高可靠性的量产落地之间存在着一道巨大的鸿沟。我们谈论的“量产”远不止是把一套传感器和算法装上车那么简单。它意味着这套系统要在-40℃到85℃的极端温度下稳定工作意味着要应对全球不同地区千变万化的道路场景和交通规则意味着要经历数百万甚至上千万公里的真实路测而不出致命错误更意味着成本必须控制在主机厂和消费者都能接受的范围内。当前我们正卡在一个尴尬的位置基于规则的传统算法栈如经典的Apollo EM Planner通过感知、预测、规划、控制的模块化流水线处理曲率、避障等任务已经逼近其能力天花板而基于数据驱动、尤其是端到端大模型如VLA视觉-语言-动作模型的新范式虽然潜力巨大但距离车规级量产的安全性与确定性要求还有很长的路要走。这三年就是新旧范式交替、工程难题集中爆发的攻坚期。2. 技术栈的“撕裂”经典算法与端到端大模型的博弈要理解未来的困难必须先看清技术路线的分裂。目前行业里主要存在着两套差异巨大的技术体系它们代表了两种完全不同的研发哲学和工程路径。2.1 模块化经典算法栈高确定性下的能力瓶颈这是目前绝大多数已量产ADAS和有限场景L4如自主泊车、港口物流所采用的架构。以百度的Apollo平台为例其EMEigen Motion规划器就是一个典型代表。这套系统的逻辑非常清晰感知模块激光雷达、摄像头、毫米波雷达像人的眼睛和耳朵负责识别车道线、车辆、行人、交通标志并输出结构化数据例如目标物的边界框、语义分割结果点云分割标注正是为了训练这类感知模型。预测模块基于感知结果猜测其他交通参与者未来几秒的轨迹。规划模块如EM Planner则综合所有信息在满足车辆动力学曲率、加速度限制、交通规则和舒适性的前提下计算出一条最优路径。最后控制模块将这条路径转化为方向盘转角、油门和刹车的具体指令。这套体系的优势在于高可解释性和高确定性。每个模块独立开发、测试和迭代出了问题可以精准定位。例如如果车辆在弯道表现不佳工程师可以检查规划器对道路曲率的处理逻辑或者控制器的跟踪精度。它的瓶颈也同样明显规则是穷举不完的。工程师需要为无数个“如果...那么...”编写代码但现实世界的长尾场景Corner Cases无穷无尽比如一个骑着三轮车拖着超长树枝的农民或者一个在高速公路上逆行的滑板车少年。系统无法处理训练数据中未曾出现过的场景组合这就是所谓“泛化能力”的不足。许多自动驾驶数据集如中国的某些数据集的构建就是为了尽可能覆盖更多场景但终究是杯水车薪。2.2 端到端大模型高泛化性下的“黑盒”焦虑正是为了突破规则系统的天花板端到端End-to-End自动驾驶特别是结合了视觉、语言和多模态理解的大模型VLA成为了新的热点。它的理想非常美好模仿人类驾驶员输入原始的传感器数据主要是摄像头视频流直接输出驾驶动作方向盘、油门、刹车中间的所有“思考”过程由一个庞大的神经网络完成。这种方式的潜在优势是颠覆性的。首先它拥有极强的场景泛化能力。模型从海量驾驶视频特斯拉是这条路线的典型代表中学习理论上能学会处理它从未在代码中明确见过但在数据中隐含存在的复杂场景。其次它系统极度简化省去了中间众多模块的开发和集成成本避免了模块间信息传递的损耗和误差累积。然而其量产面临的挑战堪称巨大。首当其冲的就是“黑盒”问题。当系统做出一个急刹或突然转向的决策时主机厂和监管机构如何确认这个决策是安全且合理的传统的诊断、调试和失效分析手段几乎失效。其次是数据与算力的无尽需求。训练一个可靠的端到端模型需要天文数字级的真实驾驶数据和对应的算力数据的采集、清洗、标注尤其是4D时序标注成本极高。最后是车规级部署的难题。如何将动辄数百亿参数的大模型压缩、蒸馏到车端有限的算力芯片几十到几百TOPS上并满足实时性毫秒级响应和功能安全ASIL-D要求是巨大的工程挑战。未来三年的困难很大程度上就源于这两种技术路线的拉锯战。主机厂既不敢完全抛弃经过验证的经典架构又害怕错过下一代技术革命因此普遍采用“双线并行”甚至“多线探索”的策略这无疑极大地增加了研发的复杂度和成本。3. 量产落地的“三座大山”成本、安全与供应链抛开技术路线的争论任何想要装进量产车的自动驾驶系统都必须翻越成本、安全和供应链这三座实实在在的大山。每一座都足以让项目延期甚至夭折。3.1 成本之困从“堆料”到“瘦身”的生死战自动驾驶早期“炫技”阶段普遍采用“堆料”方案多激光雷达、高精摄像头、毫米波雷达阵列、高性能域控制器……一套下来成本轻松超过一辆普通家用车。这显然无法量产。因此整个行业正在疯狂地进行“成本瘦身”。硬件层面的降本是首要任务。核心方向是“用更少的传感器实现相同的性能”。这倒逼着算法进步。例如尝试用纯视觉方案替代或部分替代昂贵的激光雷达研发4D成像毫米波雷达以更低的成本获得近似激光雷达的点云信息设计高度集成的传感器套件减少线束和安装复杂度。同时算力芯片也在经历从“通用GPU”到“专用AI芯片”的转变追求更高的能效比TOPS/W以降低散热成本和功耗。软件层面的降本则更为隐秘和关键。它包括算法效率优化让算法在更低算力的芯片上跑得更快。这涉及到模型剪枝、量化、蒸馏、编译器优化等一系列深度技术。数据效率提升如何用更少、更精的数据训练出更好的模型这催生了仿真技术、数据合成、主动学习等方向。高质量的自动驾驶数据集成了战略资源。开发工具链统一打造一套从数据采集、标注、模型训练、仿真测试到车端部署的自动化工具链Pipeline能极大提升研发效率降低人力成本。这就好比从手工打造进入流水线生产。成本控制是一场没有终点的马拉松。未来三年谁的“成本瘦身”做得最彻底、最有效谁就能在惨烈的市场竞争中存活下来。3.2 安全之殇功能安全与预期功能安全的双重枷锁安全是自动驾驶量产不可逾越的红线它主要分为两个方面功能安全FuSa和预期功能安全SOTIF。功能安全关注的是系统“失效”时的安全。它要求硬件和软件必须按照ISO 26262标准进行开发确保单个或多个随机故障发生时系统能进入或维持安全状态。例如某个摄像头突然损坏系统需要能检测到并降级使用其他传感器或者安全地靠边停车。这要求从芯片如具备ASIL-D等级的MCU、传感器到软件架构都进行冗余设计和严格的流程管理。预期功能安全则更为棘手它关注的是系统“没失效但没做好”时的安全即性能不足。这正是自动驾驶算法的核心挑战。如何证明你的感知算法在暴雨、逆光、团雾等极端天气下的漏检率低于某个阈值如何证明你的规划算法在面对“鬼探头”时做出的紧急避让决策不会导致更严重的二次事故SOTIF没有标准答案它需要通过海量的场景库测试包括真实路测和仿真测试来尽可能降低未知风险。未来三年的困难在于大模型端到端方案与现有安全体系几乎格格不入。传统的FuSa和SOTIF验证方法严重依赖系统的确定性和可分解性而大模型恰恰是概率性和整体性的。建立一套适用于数据驱动系统的安全验证方法论和标准是行业必须共同攻克的堡垒。3.3 供应链之变从传统 Tier1 到科技公司的权力重构自动驾驶正在重塑百年汽车工业的供应链格局。传统的垂直分工模式主机厂 - Tier1 - Tier2正在被打破。传统Tier1如博世、大陆、安波福的优势在于深厚的整车集成经验、车规级制造能力和全球供应链网络。他们正在从提供单一的ESP、EPS控制器向提供“传感器计算平台基础软件”的域控制器整体方案转型。例如提供满足功能安全要求的自动驾驶域控制器并集成好中间件和部分基础算法。科技公司与初创公司如Waymo、Cruise、国内的诸多自动驾驶公司则从算法和软件切入试图成为“自动驾驶解决方案供应商”。他们希望向主机厂提供“软件硬件数据”的完整闭环甚至直接涉足芯片如特斯拉、地平线和传感器领域。主机厂的心态最为复杂。一方面他们害怕失去“灵魂”沦为硬件代工厂因此纷纷成立或加强自己的软件团队如“全栈自研”。另一方面完全自研的投入巨大、周期漫长、风险极高。因此未来三年的主流模式可能是“主机厂主导下的开放合作”主机厂掌握核心的架构定义、数据、品牌和用户体验同时在全球范围内挑选最优秀的芯片、传感器、算法和工具链供应商进行集成。这种供应链的重构充满了博弈和不确定性。标准不统一、接口不开放、数据所有权之争等问题都会让量产进程变得异常曲折。4. 工程化炼狱从Demo到“车规级”的漫漫长路即使算法在实验室里拿到了99.9%的准确率即使成本算下来似乎可行从Demo原型到真正通过车规认证、可以下线量产还有一条被称为“工程化炼狱”的长路要走。这个过程远比发明算法本身要枯燥和艰难得多。4.1 软硬件深度耦合与迭代噩梦量产自动驾驶系统是一个极度复杂的软硬件耦合体。一个简单的算法改动可能会引发一连串的连锁反应传感器标定摄像头焦距微调所有内外参需要重新标定感知模型可能需要重新训练。芯片资源新算法增加了计算量可能导致原有域控制器算力不足需要优化或更换芯片。功耗与热管理算力增加带来功耗上升散热方案可能需要重新设计。系统时序某个模块处理时间变长可能会打乱整个系统的调度时序引发不可预知的错误。更棘手的是OTA升级与版本管理。量产车上路后软件需要持续迭代优化。如何设计一套可靠的OTA机制确保升级过程不掉电、不 brick 设备变砖升级失败能自动回滚如何管理成千上万辆车上的不同软件版本并确保诊断和售后体系能对应上这需要强大的底层软件操作系统、中间件和云端运维平台支持。4.2 测试验证穷尽现实世界的“不可能任务”如何测试一个旨在处理无数“意外”的系统这是自动驾驶工程化的最大悖论。行业普遍采用“三支柱”测试法仿真测试、封闭场地测试和真实道路测试。仿真测试这是成本最低、效率最高的手段。通过游戏引擎如Unity、Unreal构建高度逼真的虚拟世界可以轻松模拟暴雨、暴雪、夜间、交通事故等极端场景进行百万甚至亿公里级的加速测试。仿真的核心在于“真实性”。物理引擎是否准确传感器模型尤其是摄像头的光学渲染、激光雷达的点云模拟是否贴近真实交通流AI的行为是否合理这本身就是一个巨大的技术课题。许多“自动驾驶仿真平台”创业公司就聚焦于此。封闭场地测试在可控的测试场如各地的智能网联汽车测试示范区内搭建真实的“危险场景”如突然横穿的行人、故障车辆等进行实车测试。这是验证传感器真实性能和车辆动力学控制的关键环节。真实道路测试这是最终的试金石。需要在不同城市、不同气候条件下积累海量的里程以发现那些在仿真和场地中都无法构建的“长尾场景”。中国的复杂交通环境混合交通流、不规则驾驶行为既是挑战也为积累高质量数据提供了独特优势。未来三年的困难在于如何将这三者有机结合形成高效、可信的测试验证闭环。尤其是如何证明仿真测试的结果能够等价于真实世界的安全性这需要严谨的“仿真置信度”论证。4.3 数据闭环量产车的“造血”能力特斯拉之所以强大不仅在于其算法更在于其部署在全球数百万辆车上、持续收集数据并用于模型训练的“数据闭环”能力。这才是自动驾驶系统能够持续进化的生命线。构建数据闭环异常复杂数据采集与触发不可能也无必要上传所有数据。需要设计精巧的触发机制Trigger例如当驾驶员紧急接管、或系统自身置信度较低时自动采集前后一段时间的数据片段包括视频、雷达、车辆状态等。数据回传与存储通过车载网络和蜂窝网络将筛选后的数据安全、高效地传回云端。这涉及数据压缩、断点续传、流量成本等一系列工程问题。数据挖掘与标注在云端的海量数据中自动挖掘出有价值的长尾场景例如所有涉及“洒水车”的场景并进行高效标注。自动化标注Auto Labeling技术特别是利用模型本身进行预标注是关键。模型再训练与部署用新数据训练出改进的模型再通过OTA推送到车端。这要求车端具备兼容新模型的能力即硬件算力要有余量软件架构要支持模型热更新。拥有成熟数据闭环的车企就像拥有了一个不断自我完善的“活”的系统而没有这项能力的玩家其系统在出厂的那一刻就开始“贬值”。搭建这套体系需要巨大的云端基础设施投入和复杂的软件架构设计是未来三年头部玩家构筑护城河的核心战场。5. 未来三年的生存指南务实、聚焦与开放协作面对如此多的困难产业链上的玩家该如何应对我认为未来三年的主题词将是务实、聚焦与开放协作。对于主机厂和自动驾驶公司而言场景聚焦放弃“一步到位”的幻想从具有明确商业价值和可实现性的场景深耕。城市NOA导航辅助驾驶是目前竞争最激烈的赛道因为它直接面向消费者且能积累最宝贵的城市复杂数据。自主泊车AVP是另一个量产突破口场景相对封闭技术难度可控。干线物流高速点对点则对成本极其敏感但商业模式清晰。技术栈融合在相当长的时间内纯端到端和纯规则系统都不会是主流。更现实的路径是“混合架构”用大模型特别是感知大模型来提升系统感知和理解的泛化能力但保留基于规则的预测、规划和控制模块作为安全备份和可解释性保障。例如用端到端模型生成一个“建议轨迹”再由传统规划器基于安全规则进行校验和微调。全栈能力建设这里的“全栈”不是指所有东西都自己做而是指必须具备深度的系统集成能力和软件定义汽车的核心架构能力。主机厂需要能定义电子电气架构、软件架构、数据接口并能将不同供应商的“黑盒”组件有效整合、调试和优化。对于供应链厂商芯片、传感器、工具链而言提供“开箱即用”的解决方案车企没有时间和精力去从头调试一块芯片或一个激光雷达。供应商需要提供完整的参考设计包括硬件、驱动、基础软件、算法示例乃至诊断工具。就像手机芯片厂商提供“交钥匙方案”一样。拥抱开放与标准化积极参与行业标准的制定如传感器接口、中间件如AUTOSAR Adaptive、数据格式等。封闭的系统会逐渐被抛弃。深耕垂直领域在某个细分领域做到极致。例如专攻4D毫米波雷达算法或提供超高精度的仿真场景库或打造最易用的数据标注平台。自动驾驶的量产“前夜”是挑战最大、淘汰最激烈的阶段。它不再是一个炫技的科研竞赛而是一场涉及技术、工程、成本、安全、供应链和商业的综合性耐力赛。能活过这艰难三年的未必是技术最超前的但一定是工程化能力最强、成本控制最好、商业落地最务实的那一批。这场马拉松才刚刚进入最考验心肺功能的爬坡段。