AI相對論②丨智駕進入數據驅動時代，能落地的L3必須具備L4能力

當城市NOA（領航輔助駕駛）開始從30萬元以上高端車型，快速下探至10萬~20萬元大眾市場，中國智能駕駛產業正在進入新的競爭階段：數據驅動、端到端、大模型與整車智能體，逐步成為行業新的關鍵詞。

一邊是純視覺、多傳感融合、車路云協同仍在并行演進；另一邊，圍繞L3、L4與Robotaxi（自動駕駛出租車）的討論也正從“概念驗證”走向“商業落地”。行業既要應對算力、模型與工程化的挑戰，也需平衡安全、成本與規模化。

近期，《每日經濟新聞》（以下簡稱NBD）“AI相對論”第二期與地平線副總裁、戰略部及智駕產品規劃與市場部負責人呂鵬，以及中國人工智能學會智能駕駛專業委員會執行秘書長閆婧，就當前行業關注的熱點問題展開對話。前者站在芯片量產一線，關注軟硬協同與整車智能體；后者深耕產業研究與標準討論，關注技術節奏與行業規范。

從“效果比名詞更重要”，到“能落地的L3本質上要有L4能力”；從端到端、VLA（視覺語言動作），到“車將成為個人最大的計算中心”，兩位嘉賓圍繞技術路徑、演進邏輯與未來3—5年的發展格局，展開了一場深度討論。

??本期嘉賓：地平線副總裁、戰略部及智駕產品規劃與市場部負責人呂鵬，中國人工智能學會智能駕駛專業委員會執行秘書長閆婧

呂鵬 圖片來源：企業供圖

閆婧 圖片來源：嘉賓供圖

效果比名詞更重要，核心是數據驅動

NBD：從城市NOA的技術路線角度來看，目前存在多傳感融合、純視覺、數據驅動等不同路徑，爭議很多，如何評價這些路線的優劣和未來走向？

閆婧：城市NOA的覆蓋率和消費者接受度都在提升。多傳感器融合一直在發展，早期有激光雷達加攝像頭的方案，之后會綜合考慮成本、消費者接受度、安全性、場景適配，推出不同技術方案，這是從研發到工程實現的綜合結果。目前，高配車型上多傳感器融合更豐富，要讓技術廣泛應用到大眾市場，就需要成本能接受的方案。不同成本、不同場景會搭配不同的傳感器配置，是當前的主流選擇。

純視覺路線，不少車型都在用，算法要求高，在較好天氣和工況下表現不錯，但在天氣或工況較差時（例如暴雨、暴雪、濃霧、復雜路況等），需要更謹慎。數據驅動和數據融合是必需的，數據包括車端采集的多源數據，也包括車路協同、車路云一體化的數據，路側基礎設施的數據可以作為補充，來覆蓋視覺盲區、優化交通調度等。

NBD：地平線針對不同路線和市場需求有什么考慮？

呂鵬：地平線一直以軟硬結合的方式做芯片設計和系統。從技術趨勢看，過去從規則系統到混合系統，再到現在的數據驅動系統，區別在于：是事先定義規則告訴車怎么開，還是讓傳感器數據進來，實時生成控車軌跡。

越往數據驅動走，就需要越大的模型、越高的計算效率和帶寬。我們從這個維度設計芯片，優化Transformer（轉換器模型）等核心算子。做計算芯片最難的是有沒有足夠強的軟件Know How。芯片從定義到上車至少2—3年，你必須提前判斷技術范式。

至于數據驅動范式下帶不帶激光雷達，這在我們看來不是核心考量因素。只要是數據驅動，帶更多傳感器還是少帶，只是研發路徑的選擇。我們不會明確說一定要純視覺或者一定要帶激光雷達，研發更側重純視覺，希望不要過早依賴“拐杖”，否則很難沖刺純視覺性能的上限。但我們也積極擁抱不同傳感器的補充，所以我們是主脈絡做純視覺開發，同時兼容更多傳感器。

更核心的是，芯片的計算效能是否提高。算力不代表一切，真實計算效能很重要。就像買房子，如果公攤較多，則實際得房率很低。讓數據驅動范式下的計算高效、利用率高，是我們的設計理念。

NBD：端到端技術落地的核心瓶頸是黑盒問題，還是算力和數據門檻？

呂鵬：數據不是最大的挑戰，端到端需要的優質數據量并不特別大。核心是構建基礎模型，通過學習人類駕駛行為形成類人化和擬人化。最大的挑戰分兩塊：軟件和計算平臺。

軟件上，模型架構能力是最大挑戰，需要頂尖AI人才、訓練方法、較高的訓練成本和工程化落地能力。硬件上，端到端需要的計算效率、帶寬支持、算子支持，是否在芯片設計階段就想好了。算力本身不是巨大門檻，計算架構和Pipeline（計算流水線）才是。一旦建好了Foundation Model（基礎模型），模型可以做蒸餾。

所以，第一你得有能力把模型做出來，這個門檻很高；第二，芯片上的計算效率如果不支持，部署成本會極高，開發周期會被拉長。這些都要求軟硬協同能力。

閆婧：端到端是當前自動駕駛領域的核心技術范式，其下不斷涌現出新的架構思路和核心能力，比如VLA和基于世界模型的預測能力。每次重大的技術迭代，企業都要經歷研發、測試、切換的陣痛期，是一個迭代試錯螺旋式上升的過程。

黑盒問題確實存在。端到端算法的不可解釋性會制約研發調試、模型改進，也會影響消費者對邊界的預期和責任劃分。我們需要在可解釋性上做一些工作。有車企已經把可解釋性問題顯性化展示出來，但展示出來又可能帶來信息過載的問題。

NBD：剛剛也提到了VLA，對消費者來說，買車時采用VLA路線的和通用大模型作為決策大腦的有什么區別？

閆婧：其實消費者不需要關心技術路線，更應該看實際效果。技術研發本身就在不斷嘗試新范式，效果才是核心。

呂鵬：過去營銷詞匯太多，創造了很多新名詞。對消費者來說，最核心的還是真實的感受、體驗和效果。

真正能落地的L3，本質上要有L4能力

NBD：城市NOA正從高端車型向10萬~20萬元大眾市場滲透，而L4無人駕駛更多在封閉場景做商業化。怎么看這兩條商業化路徑的關系？

閆婧：我覺得更多的是互補。城市NOA和真無人駕駛在工況場景、使用人群、周邊環境上都有很大差別。公司可以把技術應用到不同場景，作為收入的補充和平衡。不同階段會有取舍，這是經濟上的互補。

呂鵬：城市NOA會逐漸往更低價格下探。它很像以前的自動擋，剛開始全是高端車，但人們需要它來緩解疲勞、帶來安心舒適的體驗。全場景城區輔助駕駛未來一定會走向標配，甚至到10萬元以下的車。它會實現大規模量產，同時積累大量數據，推動真正走向完全自動駕駛。

這里談不到競爭，更多的是路徑選擇問題。不管做乘用車量產、Robotaxi還是無人礦區，終極目標都是實現真正的無人化。我們有兩個錨點：市場錨點是如何商業化落地、帶來利潤、支持進一步研發，所以我們以乘用車規模化量產為主；技術錨點是你到底要攀多高的峰。

現在沒有做到全場景無人，是因為技術還沒到。兩種選擇：一是在技術上不斷提升，推動乘用車無人化；二是受限于技術水平，限制場景復雜度，先落地一部分。現在的Robotaxi、礦區、無人物流就是后者的邏輯，不是技術到了足夠高度，而是限定了場景。但大家的技術錨點都是那個更高的高度，一旦達到，技術能力外溢可以覆蓋很多垂類領域。所以更多的是路徑選擇問題，不是競爭關系。

NBD：有觀點認為“跳過L3，直攻L4”更高效，也有企業堅持L3人機共駕的普及，如何看待這兩種觀點？

閆婧：這個問題其實已經持續很多年了，是漸進式從L3到L4，還是直接跳到L4，大家有不同看法。實踐中，這更多是理想與現實的問題。理論上，直接做L4可以減少漸進式發展過程中研發測試轉型周折，直奔最高目標，責任劃分也更清晰明確。但現實中，還要考慮人文環境、社會接納度、政策成熟度、道路支持度等，這些因素會互相作用，形成動態平衡。綜合來看，很難一下子大范圍實現L4。現在很多L4只能在特定場景、限定路段、政策沙盒里試錯。

在更廣闊的空間里，業界還是在走漸進式路線。漸進式一方面有利于人機共駕的責任磨合，另一方面從經濟角度看，企業能更早獲得現金流和數據。早一點推向市場，在人車磨合中不斷收集數據，規模和效率更高。所以在當前更大的市場范圍內，漸進式更實際，需要強調的是，這個階段使用者一定要注意駕駛安全。

呂鵬：我個人不太喜歡L3和L4這個分級標準。現在已經到了全場景城區NOA輔助駕駛的階段。我們認為L3和L4本質是一回事，如果你在高速等限定場景做L3，在這個區域里應該具備L4級別能力和安全性。如果不具備，就會出現各種條件限制（像標線不清、光線不好就要交互），L3就很難落地。因為消費者花更多錢，體驗卻比全場景NOA還差。所以真正能落地的L3，在限定區域內必須達到L4的水平。

我們的開發一直圍繞L4能力去做。一個關鍵指標是MPCI（每多少公里發生一次安全性接管）。現在全場景城區NOA大概幾百公里會有一次安全性接管，要做到無人駕駛還要提升幾個數量級。隨著端到端能力突破，我們有信心每年翻十倍，三年左右就能達到10萬公里。10萬公里級別對規模化L4落地就很有保障了。

所以，如果L4達成更晚，L3會有過渡期；如果L4三年內達成，L3就會很尷尬。我們的觀點是：主流的全場景城區NOA輔助駕駛會走向真正的L4乘用車落地，中間可能有短暫的L3規模化過渡，但能落地多少取決于技術能力。限制太多就成了試點工程，消費者不買賬；能力足夠、體驗不降級，就能成為一個合理的過渡期。

從今年開始，整車智能體會越來越豐富

NBD：真無人落地的核心突破點是什么？技術、政策還是運營？當前最缺哪個？

呂鵬：三者都重要。技術上全球有兩條路線：一種以Waymo為代表，框定一個城市做小批量運營（比如幾百臺車輛）；二是特斯拉，不限定區域。兩者都還沒到真正的技術拐點。即便現在商業化落地的L4，也沒法快速擴展區域，也沒法擴到很大規模。運營本身就是產品的一部分，需要不斷優化。政策通常會滯后一些，因為技術不夠，過程中難免出現事件，政策會收緊；但大趨勢不變，后面又會放開。這幾個維度會來回波動。

NBD：從行業規范的角度來看，我們還面臨哪些標準的缺失，或者是倫理上的一些爭議？

閆婧：標準、法規和倫理爭議，本質上是技術不成熟帶來的挑戰。如果技術百分之百成熟，很多問題就不存在了。當前主要問題是邊界不清晰、責任難界定，政策、保險、運營范圍都有待完善。中國的自動駕駛標準已經走得很快、很領先，我此前也曾經參與過自動駕駛標準層面的討論，討論中主機廠、運營方、交通安全機構等立場不同，爭議不少。標準的制定需要一個漫長的過程，會隨著技術發展不斷完善。總體看，中國的標準政策并不是阻礙、約束技術發展，更多是謹慎鼓勵、謹慎支持。

NBD：未來2—3年，城市NOA、端到端、真無人駕駛的格局和市場狀態會發生哪些關鍵變化？企業如何把握機遇？

呂鵬：隨著技術范式打通，AI領域圍繞更大模型、更高算力提供更高智能，已經是共識。我覺得3—5年內有可能達成非常好的無人駕駛能力。同時，從今年開始，整車智能體會越來越豐富。OpenClaw（AI智能體）的出現，讓AI從聊天助手變成了真正能干活的東西。車是個人最大的計算中心，今年整車智能體會變成更懂你的專屬助理，打通物理AI和交互，學習技能、持續更新、有記憶、甚至有人設。

地平線在兩年前就預判到這個方向，提前布局了艙駕融合，圍繞整車智能體的操作系統和計算平臺都已準備好，會推動智能汽車實現邁向整車智能體的躍遷。我們的產品譜系覆蓋低中高階全場景，從智駕到智艙、從芯片到軟件都已補齊，可以賦能車企和合作伙伴。

閆婧：從更大規模的乘用車市場看，會形成馬太效應，數據更多、人才更多的企業占據優勢，數據飛輪效應逐漸顯現。在特定場景（如礦山卡車、港口物流、貨物配送）里，找到一個小切口，深耕場景的企業能有一席之地。供應鏈上的企業，比如傳感器、芯片等，也有很大機會，而且未來還可能應用到人形機器人、飛行汽車等新形態中，迎來更多機遇。