自動駕駛正從硬件堆料轉到大模型比拼？

[首發于智駕最前沿微信公眾號]站在2026年回看自動駕駛發展，我們會發現一個很有趣的現象。幾年前，各家車企還在發布會上比拼誰裝的激光雷達多、誰的芯片算力強。但到了今天，大家談論的核心變成了大模型。之所以出現這個變化，并不是因為硬件不重要了，而是因為大家發現，單純靠增加傳感器和算力，并不能讓車輛像人類一樣真正學會開車。

為什么傳感器不再是唯一的主角？

早期的自動駕駛方案非常依賴硬件的感知能力。車企希望給汽車裝上最敏銳的傳感器，通過高清攝像頭、超聲波雷達和激光雷達，把周圍環境里的每一棵樹、每一個路燈都精準地標注出來。當時的邏輯是，只要車看得足夠準、足夠遠，就能避開障礙物，這種模式讓硬件配置成了衡量一款車聰明程度的主要標準。

圖片源自：網絡

但隨著城市NOA需求的提升，自動駕駛技術發展來到了一個瓶頸期，即便硬件采集到了海量數據，車輛在面對一些突發狀況時依然顯得捉襟見肘。像是某個施工路段臨時擺放的紅綠燈、亂穿馬路的寵物狗，或者是積水反射出的虛假倒影等場景，對于傳統的模塊化程序來說是很難應對的，而且是無窮無盡的，無論程序員寫多少行代碼，都無法覆蓋現實世界中所有的可能性。

這就暴露了出一個核心問題，傳統的自動駕駛是靠人工編寫的規則在運行。傳感器看清楚了障礙物，但決策層卻因為沒見過這種特殊情況而不知道該往哪開。這也讓行業意識到，單純升級硬件只是在修補地基，而想要讓車輛擁有處理復雜環境的能力，必須改變它的思考邏輯，也就是從人工規則轉向大模型。

特斯拉從FSD V12開始就用AI神經網絡取代了人工編寫的駕駛規則，將30余萬行感知規劃代碼大幅削減至幾千行。而今年推送的V14.3版本，AI又進一步接管了同樣由30余萬行C++代碼組成的底層控制模塊，首次打通從感知到執行的全鏈路AI閉環。

從做選擇題到擁有直覺的轉變

過去的自動駕駛系統運行就像是在做選擇題，傳感器感知到前方有障礙物，系統就開始查自己學到的內容，如果障礙物是行人，就剎車；如果是塑料袋，就沖過去，但當遇到不確定的物體時，系統會猶豫甚至死機。而現在的大模型技術，特別是已經在2026年普及的端到端架構，徹底拋棄了這種分段式邏輯。

圖片源自：網絡

端到端可以將攝像頭拍到的圖像直接輸入到一個巨大的神經網絡中，然后由網絡直接輸出方向盤轉角和油門深淺。它不再需要中間的人工規則干預，而是通過學習數千萬小時人類駕駛的視頻，學習到了人類駕駛員駕駛的習慣。這種學習過程就像小孩子學騎車，是身體在無數次練習中產生了一種本能反應。小鵬汽車的第二代VLA大模型在今年第一季度已正式量產上車，首次實現了從視覺信號到動作指令的端到端直接生成，徹底去掉了中間的語言轉譯環節，首發搭載于2026款P7+、G7、X9等在內的多款Ultra車型。

現如今，大家可以發現，智能汽車在處理復雜路況時，表現得非常自然。如在狹窄的小巷里與對向來車會車時，車輛不再是生硬地停在路中間，而是會根據對方的意圖，稍微靠邊挪動一點位置，甚至會通過微小的車頭指向動作與對方溝通。這種擬人化的駕駛風格，是無法靠硬件堆出來的，只能通過大模型去完成。智能化方案商Momenta的量產落地成果也印證了這一點，在2025至2026年間，其智駕方案搭載量從近30萬臺躍升至逾80萬臺，即便算上奔馳、寶馬、奧迪等豪華品牌的定點車型，也僅用時不到40天就能完成新增10萬臺的交付，足見市場對這一技術方向的認可。

為什么說世界模型是核心競爭力？

到了2026年，自動駕駛競爭的重點已經來到了世界模型。世界模型可以讓車輛不僅能看到現在，還能預測未來，以前的硬件堆料只能解決看到的問題，但大模型讓車輛具備了空間想象力。當駕駛在一條被大貨車遮擋視線的道路上時，大模型會根據當前的道路環境和邏輯，在腦海中補全視線盲區的場景，預判可能鉆出來的非機動車。

這種能力的提升，讓硬件的重要性再次降級。因為大模型具有極強的糾錯和補全能力，它不再需要激光雷達對每一厘米的距離進行極致精準的測繪。即使在雨雪天氣、攝像頭視線模糊的情況下，大模型也能憑借對物理規律的理解，推斷出道路的延伸方向和潛在的危險。各家車企對世界模型的布局也已進入量產階段。

圖片源自：網絡

理想汽車在今年的GTC大會上發布了下一代自動駕駛基礎模型MindVLA-o1，其核心正是通過隱世界模型技術，讓車輛能在腦海中提前想象未來幾秒的畫面。蔚來的2026款樂道L90則搭載了自研5nm芯片神璣NX9031和蔚來世界模型，以17.98萬元起的價格將世界模型技術推向主流市場。而上汽大眾全新旗艦SUV ID.ERA 9X更是在本屆北京車展期間宣布全球首發搭載Momenta R7強化學習世界模型，標志著物理AI正式量產上車。這種對真實世界的深度理解，才是大模型超越硬件堆料的關鍵。

這也解釋了為什么現在的車企不再盲目追求算力數值。過去大家覺得TOPS數值越高越好，但現在更看重的是算力的利用率和模型的進化速度。一個優化極佳的端到端大模型，在同等算力下展現出的駕駛流暢度，遠超那些只會生硬計算坐標的傳統系統。硬件現在更像是大模型的四肢和感官，而真正的靈魂是那個能夠理解人類駕駛邏輯的神經網絡。

這種變化我們帶來了什么？

這種從硬件到軟件模型的轉變，帶來最直接的影響就是自動駕駛的門檻降低了，但天花板提高了。

由于不再過分依賴頂級的激光雷達和超高算力芯片，智駕系統的硬件成本開始下降，這意味著更多的普通家庭用車也能享受到高水平的自動駕駛。我們看到2026年的市場上，許多十幾萬元級別的車型，其駕駛平順度和安全性甚至超過了幾年前那些昂貴的測試車。

圖片源自：網絡

以地平線發布的最新方案為例，其可使單臺車型硬件成本下降1500至4000元，讓高階智駕配置快速向10萬至20萬元的主流車型普及。截至今年一季度末，售價在10萬至15萬元區間內具備領航輔助駕駛（NOA）功能的量產車型已超過70款，智駕的平權化正在成為現實。

同時，自動駕駛的學習速度也呈現出指數級的增長。在硬件堆料時代，系統升級需要工程師手動修改代碼，每解決一個Bug可能需要幾個月。而現在，只要把新的、高質量的駕駛數據喂給大模型，它就能在短短幾天內學會如何處理新的交通規則或特殊氣候。這種自學習、自進化的能力，讓自動駕駛從實驗室里的實驗品，變成了能夠適應全球不同地區、不同文化背景的成熟產品。

最后的話

自動駕駛行業從拼硬件到拼大模型的轉變，本質上是思維方式的跨越。想要模仿人類的駕駛能力，不能只給機器裝上好眼睛，更要給它一顆懂得思考和預判的大腦。這種轉變也標志著自動駕駛已經走出了機械化的初級階段，開始步入真正的智能化時代。