自动驾驶：为什么你觉得快了，但又总是差一点

自动驾驶这个话题，几乎每年都有人说"今年是关键之年"。从2023年说到2026年，好像每年都离大规模商用更近了一步，但又总是差那么一口气。

但说真的，这两年技术进步是实打实的。只是从技术进步到真正的大规模商用之间，还有一段不短的距离。

技术上的几个重要变化

端到端架构是这两年最大的技术转向。以前的自动驾驶系统分好几个模块——感知、预测、规划、控制——每个模块独立优化，信息在各模块之间传递会有损失。比如感知模块识别到一个行人，预测模块判断他"可能"会横穿马路，规划模块决定减速——三个模块之间信息的传递总会有延迟和误差。

现在越来越多公司转向端到端：传感器数据直接进神经网络，输出就是驾驶决策。理论上性能上限更高，因为端到端可以用一个统一的目标（安全和效率）来优化整个系统，而不是每个模块各自优化。但可解释性和安全性验证也更难——如果系统出了事故，你很难像模块系统中那样"一眼看出是哪个环节出了问题"。

特斯拉是端到端最激进的玩家，FSD V13号称移除了全部规则代码，完全依赖神经网络。华为、小鹏也在跟进。Waymo则保守一些，保留了部分安全冗余——他们更相信"多一层保护就多一份安全"。

大模型的应用是另一个趋势。以前的AI主要处理数据和规则，现在把大模型接上之后，自动驾驶系统能理解更复杂的场景——比如施工路段的特殊标识、交警的手势、不规范的驾驶行为。这是以前纯粹靠规则很难处理的。

一个具体的例子： 当一个行人站在路边、面向车道但没有在斑马线上——他是要过马路还是在等朋友？这种人类驾驶员凭直觉就能判断的场景，传统规则系统很难处理。但大模型通过分析行人姿态、视线方向、周围上下文，能给出合理的判断。

纯视觉 vs 多传感器融合的路线之争还在继续。特斯拉坚持纯视觉（只用摄像头），认为数据足够多的时候摄像头的成本优势和可扩展性会赢。其他大多数玩家选择摄像头+激光雷达+毫米波雷达的多传感器融合方案，认为冗余度更高更安全。这两条路各有道理，短期内谁也说服不了谁。

谁跑在前面

Waymo是目前商业化最领先的。在美国多个城市有Robotaxi运营，周订单量已经很可观了。特点是安全记录积累时间长，运营经验丰富，但扩张速度不算快。他们每进入一个新城市，都要花很长时间做精细的测试和验证。

特斯拉的数据优势最大。几百万辆车在路上跑，每天产生海量的驾驶数据。这是其他公司很难复制的。但FSD的口碑一直参差不齐，用户在社交媒体上的吐槽也不少。

百度Apollo在国内走得比较快，萝卜快跑在武汉的运营规模是全球最大的。从订单量和覆盖范围看，百度确实在国内领先。而且第六代无人车成本降到了25万左右，这在以前不可想象。

华为走的另一条路——不自己做Robotaxi，而是给车企提供智驾方案。问界、阿维塔、岚图等二十多款车型已经搭载，用户量增长很快。这种"技术输出"的模式让华为能够覆盖更大的用户群体，而不需要自己运营庞大的车队。

小鹏的城市NOA推进速度很快，号称要"有路就能开"。而且在下探到15万价位段，让更多普通消费者能体验到高阶智驾。

一个有趣的分化趋势： 高端 Robotaxi 和大众市场 L2+ 辅助驾驶正在向两个不同的方向发展。Robotaxi 追求完全的无人驾驶，成本不是首要考虑因素。L2+ 辅助驾驶追求在更多车型上普及，成本压力更大，但用户仍然需要监控车辆。这两类场景的竞争格局和技术路线越来越不同。

除了这些头部玩家，还有一些值得关注的新势力： Momenta 通过与多家车企合作快速扩大市场份额；知行科技在 L2+ 领域有独特的技术积累；Mobileye 虽然近年声量下降，但在芯片+算法的垂直整合上仍有优势。

L3落地：雷声大雨点小

L3级自动驾驶（有条件自动驾驶）的法规去年终于有了突破，首批车型获准在特定高速路段使用。听起来很振奋，但实际上能用的场景还是很有限——特定路段、特定速度、特定天气条件。而且出事故车企要负责，这让车企在开放功能时非常谨慎。

一个现实的情况： L3 的实际体验大多数时候和 L2+ 差别不大。区别主要在法律责任上——L3 场景下，如果车辆在系统运行状态下出了事故，责任是车企而不是驾驶员。这个法律上的界定，才是 L3 真正的意义所在。

用户接受度也是个问题。问了一圈身边的朋友，很多人表示"知道有这个功能但不太敢用"。信任的建立需要时间。人的本能是在"掌控感"和"安全感"之间选择前者——即使数据显示自动驾驶比人工驾驶更安全。

为什么总感觉"差一点"

自动驾驶这事的难点在于，前面90%的功能可能只需要10%的工作量，但后面10%的功能可能需要90%的工作量。

这是一个典型的"长尾分布"问题。

正常路况下开高速，现在很多车做得很好。但遇到施工路段、极端天气、异形障碍物、不遵守交规的行人……这些"长尾场景"才是真正难的地方。每一个看起来都很少见，但把它们加在一起，出现的频率就不低了。

一个让人印象深刻的数据： 据统计，要让自动驾驶的安全性达到人类驾驶员水平的95%，需要测试约1.6亿公里。而要让安全性从95%提升到99.9%，可能需要再测试几十亿公里。这就是"最后的1%"为什么这么难。

安全性验证也是个巨大的挑战。你不能用"跑了多少公里没出事"来证明一个系统安全——因为你需要跑的里程数是天文数字。仿真测试能加速这个过程，但仿真和真实世界之间还是有差距。雨天的水雾、雪天的路面反光、强逆光下的车道线——这些在仿真中很难100%还原。

一个更深层的挑战： 人类驾驶员在处理"模糊场景"时的直觉是AI很难学习的。比如你在路口看到一辆车停在路中间不动——它是在等还是在出故障？人类可以通过观察周围的其他线索（司机的表情、后方是否有救护车、是否有施工标志）快速判断，但AI在这些"常识推理"上还很弱。

成本在下降，但还不够

好消息是自动驾驶硬件成本在快速下降。激光雷达已经从万元级降到千元级，芯片算力在提升但价格在下降。

具体的数据： 2020年左右，一个车规级激光雷达的价格在1万元以上。到2026年，这个价格降到了2000-3000元左右。同样，自动驾驶主控芯片的算力从几十TOPS提升到了几百TOPS，但价格反而更低了。

但要让普通消费者愿意买单，成本还需要再降。L2+硬件如果能压缩到千元以内，会真正成为10-20万车型的标配。这个目标可能在未来一到两年内实现。

一个容易被忽视的成本是"运营成本"。 对 Robotaxi 来说，车辆本身的成本只是一部分。车辆的日常维护、清洁、充电、传感器校准、远程监控——这些运营成本加起来可能比车辆本身的折旧还高。降低运营成本，对 Robotaxi 的商业模式同样重要。

几个容易被忽略的维度

法律法规的不一致性。 不同国家和地区对自动驾驶的法规差异很大。某个功能在美国能用，到欧洲不一定行；在国内一线城市能测，到三四线城市政策可能完全不同。这种法规碎片化增加了自动驾驶全面落地的难度。

保险和责任认定。 当自动驾驶车辆发生事故时，保险怎么赔付？责任怎么认定？这个问题不解决，消费者就不敢放心使用。目前各大车企和保险公司都在探索中，还没有一个大家都接受的解决方案。

网络安全。 自动驾驶车辆本质上是一台联网的"超级计算机"，这意味着它面临网络攻击的风险。如果车辆的控制权被黑客获取，后果不堪设想。网络安全已经成了自动驾驶领域的重点研究方向。

伦理困境。 经典的"电车难题"在自动驾驶中变得更加实际——如果车辆不可避免要撞到一个行人或者另一辆车，AI该怎么做出选择？虽然没有一个完美的答案，但这个话题的公共讨论对于完善相关法规和伦理准则很重要。

就业影响。 如果 Robotaxi 大规模落地，出租车司机、货车司机的就业将受到直接影响。这不是一个技术问题，但它是社会问题，需要政策层面的前瞻性规划。

我的看法

自动驾驶不是"会不会来"的问题，而是"以什么节奏来"的问题。

技术确实在进步，但商业化落地的速度比很多人预期的慢。这不是因为技术不行，而是因为安全验证、用户信任、法律法规、商业模式……这些非技术因素同样重要，也需要时间。

对消费者的建议： 现在的L2+辅助驾驶已经很有用了——高速NOA、自动泊车、主动刹车，这些功能确实能减轻驾驶疲劳、提升安全性。善用现有的辅助驾驶功能，但不要完全放手。监控车辆、保持注意力、随时准备接管——这些是使用辅助驾驶的基本要求。

对从业者的建议： 自动驾驶领域仍然有大量的工作机会，尤其是长尾场景处理、安全性验证、多传感器融合、端到端模型训练等方向。这些领域的专业化程度很高，不容易被快速替代。

对投资者的建议： 自动驾驶是一个"确定性大方向但短期节奏不确定"的领域。短期 Robotaxi 的回报不会像某些乐观预测的那么快，但长期的产业价值是确定的。投资时要有耐心，不要被每年的"元年"宣传影响判断。

至于Robotaxi全面替代出租车……我觉得还需要至少三到五年。但这一天，终将会来。