智驾进入数据驱动时代 能落地的L3必须具备L4能力

每经记者 刘曦 每经编辑 裴健如
　　当城市NOA（领航辅助驾驶）开始从30万元以上高端车型，快速下探至10万~20万元大众市场，中国智能驾驶产业正在进入新的竞争阶段：数据驱动、端到端、大模型与整车智能体，逐步成为行业新的关键词。
　　一边是纯视觉、多传感融合、车路云协同仍在并行演进；另一边，围绕L3、L4级与Robotaxi（自动驾驶出租车）的讨论也正从“概念验证”走向“商业落地”。行业既要应对算力、模型与工程化的挑战，也需平衡安全、成本与规模化。
　　近期，《每日经济新闻》记者（以下简称NBD）于“AI相对论”第二期与地平线副总裁、战略部及智驾产品规划与市场部负责人吕鹏，以及中国人工智能学会智能驾驶专业委员会执行秘书长闫婧，就当前行业关注的热点问题展开对话。前者站在芯片量产一线，关注软硬协同与整车智能体；后者深耕产业研究与标准讨论，关注技术节奏与行业规范。
　　从“效果比名词更重要”，到“能落地的L3本质上要有L4能力”；从端到端、VLA（视觉语言动作），到“车将成为个人最大的计算中心”，两位嘉宾围绕技术路径、演进逻辑与未来3~5年的发展格局，展开了一场深度讨论。
　
　效果比名词更重要，核心是数据驱动
　　NBD：从城市NOA的技术路线角度来看，目前存在多传感融合、纯视觉、数据驱动等不同路径，争议很多，如何评价这些路线的优劣和未来走向？
　　闫婧：城市NOA的覆盖率和消费者接受度都在提升。多传感器融合一直在发展，早期有激光雷达加摄像头的方案，之后会综合考虑成本、消费者接受度、安全性、场景适配，推出不同技术方案，这是从研发到工程实现的综合结果。目前，高配车型上多传感器融合更丰富，要让技术广泛应用到大众市场，就需要成本能接受的方案。不同成本、不同场景会搭配不同的传感器配置，是当前的主流选择。
　　纯视觉路线，不少车型都在用，算法要求高，在较好天气和工况下表现不错，但在天气或工况较差时（例如暴雨、暴雪、浓雾、复杂路况等），需要更谨慎。数据驱动和数据融合是必需的，数据包括车端采集的多源数据，也包括车路协同、车路云一体化的数据，路侧基础设施的数据可以作为补充，来覆盖视觉盲区、优化交通调度等。
　　NBD：地平线针对不同路线和市场需求有什么考虑？
　　吕鹏：地平线一直以软硬结合的方式做芯片设计和系统。从技术趋势看，过去从规则系统到混合系统，再到现在的数据驱动系统，区别在于：是事先定义规则告诉车怎么开，还是让传感器数据进来，实时生成控车轨迹。
　　越往数据驱动走，就需要越大的模型、越高的计算效率和带宽。我们从这个维度设计芯片，优化Transformer（转换器模型）等核心算子。做计算芯片最难的是有没有足够强的软件Know How（技术诀窍）。芯片从定义到上车至少2~3年，你必须提前判断技术范式。
　　至于数据驱动范式下带不带激光雷达，这在我们看来不是核心考量因素。只要是数据驱动，带更多传感器还是少带，只是研发路径的选择。我们不会明确说一定要纯视觉或者一定要带激光雷达，研发更侧重纯视觉，希望不要过早依赖“拐杖”，否则很难冲刺纯视觉性能的上限。但我们也积极拥抱不同传感器的补充，所以我们是主脉络做纯视觉开发，同时兼容更多传感器。
　　更核心的是，芯片的计算效能是否提高。算力不代表一切，真实计算效能很重要。就像买房子，如果公摊较多，则实际得房率很低。让数据驱动范式下的计算高效、利用率高，是我们的设计理念。
　　NBD：端到端技术落地的核心瓶颈是黑盒问题，还是算力和数据门槛？
　　吕鹏：数据不是最大的挑战，端到端需要的优质数据量并不特别大。核心是构建基础模型，通过学习人类驾驶行为形成类人化和拟人化。最大的挑战分两块：软件和计算平台。
　　软件上，模型架构能力是最大挑战，需要顶尖AI人才、训练方法、较高的训练成本和工程化落地能力。硬件上，端到端需要的计算效率、带宽支持、算子支持，是否在芯片设计阶段就想好了。算力本身不是巨大门槛，计算架构和Pipeline（计算流水线）才是。一旦建好了Foundation Model（基础模型），模型可以做蒸馏。
　　所以，第一你得有能力把模型做出来，这个门槛很高；第二，芯片上的计算效率如果不支持，部署成本会极高，开发周期会被拉长。这些都要求软硬协同能力。
　　闫婧：端到端是当前自动驾驶领域的核心技术范式，其下不断涌现出新的架构思路和核心能力，比如VLA和基于世界模型的预测能力。每次重大的技术迭代，企业都要经历研发、测试、切换的阵痛期，是一个迭代试错螺旋式上升的过程。
　　黑盒问题确实存在。端到端算法的不可解释性会制约研发调试、模型改进，也会影响消费者对边界的预期和责任划分。我们需要在可解释性上做一些工作。有车企已经把可解释性问题显性化展示出来，但展示出来又可能带来信息过载的问题。
　　NBD：刚刚也提到了VLA，对消费者来说，买车时采用VLA路线的和通用大模型作为决策大脑的有什么区别？
　　闫婧：其实消费者不需要关心技术路线，更应该看实际效果。技术研发本身就在不断尝试新范式，效果才是核心。
　　吕鹏：过去营销词汇太多，创造了很多新名词。对消费者来说，最核心的还是真实的感受、体验和效果。
　
　真正能落地的L3，本质上要有L4能力
　　NBD：城市NOA正从高端车型向10万~20万元大众市场渗透，而L4级无人驾驶更多在封闭场景做商业化。怎么看这两条商业化路径的关系？
　　闫婧：我觉得更多的是互补。城市NOA和真无人驾驶在工况场景、使用人群、周边环境上都有很大差别。公司可以把技术应用到不同场景，作为收入的补充和平衡。不同阶段会有取舍，这是经济上的互补。
　　吕鹏：城市NOA会逐渐往更低价格下探。它很像以前的自动挡，刚开始全是高端车，但人们需要它来缓解疲劳、带来安心舒适的体验。全场景城区辅助驾驶未来一定会走向标配，甚至到10万元以下的车。它会实现大规模量产，同时积累大量数据，推动真正走向完全自动驾驶。
　　这里谈不到竞争，更多的是路径选择问题。不管做乘用车量产、Robotaxi还是无人矿区，终极目标都是实现真正的无人化。我们有两个锚点：市场锚点是如何商业化落地、带来利润、支持进一步研发，所以我们以乘用车规模化量产为主；技术锚点是你到底要攀多高的峰。
　　现在没有做到全场景无人，是因为技术还没到。两种选择：一是在技术上不断提升，推动乘用车无人化；二是受限于技术水平，限制场景复杂度，先落地一部分。现在的Robotaxi、矿区、无人物流就是后者的逻辑，不是技术到了足够高度，而是限定了场景。但大家的技术锚点都是那个更高的高度，一旦达到，技术能力外溢可以覆盖很多垂类领域。所以更多的是路径选择问题，不是竞争关系。
　　NBD：有观点认为“跳过L3，直攻L4”更高效，也有企业坚持L3级人机共驾的普及，如何看待这两种观点？
　　闫婧：这个问题其实已经持续很多年了，是渐进式从L3到L4级，还是直接跳到L4级，大家有不同看法。实践中，这更多是理想与现实的问题。理论上，直接做L4级可以减少渐进式发展过程中研发测试转型周折，直奔最高目标，责任划分也更清晰明确。但现实中，还要考虑人文环境、社会接纳度、政策成熟度、道路支持度等，这些因素会互相作用，形成动态平衡。综合来看，很难一下子大范围实现L4级。现在很多L4级只能在特定场景、限定路段、政策沙盒里试错。
　　在更广阔的空间里，业界还是在走渐进式路线。渐进式一方面有利于人机共驾的责任磨合，另一方面从经济角度看，企业能更早获得现金流和数据。早一点推向市场，在人车磨合中不断收集数据，规模和效率更高。所以在当前更大的市场范围内，渐进式更实际，需要强调的是，这个阶段使用者一定要注意驾驶安全。
　　吕鹏：我个人不太喜欢L3和L4级这个分级标准。现在已经到了全场景城区NOA辅助驾驶的阶段。我们认为L3和L4级本质是一回事，如果你在高速等限定场景做L3级，在这个区域里应该具备L4级别能力和安全性。如果不具备，就会出现各种条件限制（像标线不清、光线不好就要交互），L3级就很难落地。因为消费者花更多钱，体验却比全场景NOA还差。所以真正能落地的L3级，在限定区域内必须达到L4级的水平。
　　我们的开发一直围绕L4级能力去做。一个关键指标是MPCI（每多少公里发生一次安全性接管）。现在全场景城区NOA大概几百公里会有一次安全性接管，要做到无人驾驶还要提升几个数量级。随着端到端能力突破，我们有信心每年翻十倍，三年左右就能达到10万公里。10万公里级别对规模化L4级落地就很有保障了。
　　所以，如果L4级达成更晚，L3级会有过渡期；如果L4级三年内达成，L3级就会很尴尬。我们的观点是：主流的全场景城区NOA辅助驾驶会走向真正的L4级乘用车落地，中间可能有短暂的L3级规模化过渡，但能落地多少取决于技术能力。限制太多就成了试点工程，消费者不买账；能力足够、体验不降级，就能成为一个合理的过渡期。
　
　从今年开始，整车智能体会越来越丰富
　　NBD：真无人落地的核心突破点是什么？技术、政策还是运营？当前最缺哪个？
　　吕鹏：三者都重要。技术上全球有两条路线：一种以Waymo为代表，框定一个城市做小批量运营（比如几百台车辆）；二是特斯拉，不限定区域。两者都还没到真正的技术拐点。即便现在商业化落地的L4级，也没法快速扩展区域，也没法扩到很大规模。运营本身就是产品的一部分，需要不断优化。政策通常会滞后一些，因为技术不够，过程中难免出现事件，政策会收紧；但大趋势不变，后面又会放开。这几个维度会来回波动。
　　NBD：从行业规范的角度来看，我们还面临哪些标准的缺失，或者是伦理上的一些争议？
　　闫婧：标准、法规和伦理争议，本质上是技术不成熟带来的挑战。如果技术百分之百成熟，很多问题就不存在了。当前主要问题是边界不清晰、责任难界定，政策、保险、运营范围都有待完善。中国的自动驾驶标准已经走得很快、很领先，我此前也曾经参与过自动驾驶标准层面的讨论，讨论中主机厂、运营方、交通安全机构等立场不同，争议不少。标准的制定需要一个漫长的过程，会随着技术发展不断完善。总体看，中国的标准政策并不是阻碍、约束技术发展，更多是谨慎鼓励、谨慎支持。
　　NBD：未来2~3年，城市NOA、端到端、真无人驾驶的格局和市场状态会发生哪些关键变化？企业如何把握机遇？
　　吕鹏：随着技术范式打通，AI领域围绕更大模型、更高算力提供更高智能，已经是共识。我觉得3~5年内有可能达成非常好的无人驾驶能力。同时，从今年开始，整车智能体会越来越丰富。OpenClaw（AI智能体）的出现，让AI从聊天助手变成了真正能干活的东西。车是个人最大的计算中心，今年整车智能体会变成更懂你的专属助理，打通物理AI和交互，学习技能、持续更新、有记忆，甚至有人设。
　　地平线在两年前就预判到这个方向，提前布局了舱驾融合，围绕整车智能体的操作系统和计算平台都已准备好，会推动智能汽车实现迈向整车智能体的跃迁。我们的产品谱系覆盖低中高阶全场景，从智驾到智舱、从芯片到软件都已补齐，可以赋能车企和合作伙伴。
　　闫婧：从更大规模的乘用车市场看，会形成马太效应，数据更多、人才更多的企业占据优势，数据飞轮效应逐渐显现。在特定场景（如矿山卡车、港口物流、货物配送）里，找到一个小切口，深耕场景的企业能有一席之地。供应链上的企业，比如传感器、芯片等，也有很大机会，而且未来还可能应用到人形机器人、飞行汽车等新形态中，迎来更多机遇。