刘劲、段磊、张禛 / 文

夙昔几年，智能驾驶技巧和市集普及齐有长足的发展。

从市集看，L2/L2+ 级别的补助驾驶技巧照旧大鸿沟商用，包括自稳当巡航、车谈保握、自动泊车等功能在繁多车型上已毕标配。把柄第三方商酌机构 QuestAuto 统计，中国新动力汽车 L2 及以上补助驾驶渗入率已达 77.3%；中好意思等国的多个城市齐伸开了 Robotaxi（L4 级别自动驾驶职业）的试点运营，积贮了丰富的执行谈路运营告诫。

从技巧上看，主流智能驾驶决策已从早期的章程驱动转向数据驱动，从经典"感知—决策—适度"模块化决策转向端到端神经汇集。在这个历程中，多模态大模子（VLM、VLA）也被引入智能驾驶的场景知道和决策。

与此同期，车载算力也在突飞大进。以英伟达为例，夙昔几年发布的车载算力芯片从 Xavier、Orin 再到 Thor，算力从 30TOPS（处理器运算才略单元）增长到最高 2000+TOPS。国内以小鹏为例，其自研的图灵 AI 芯片单颗灵验算力也达到 750TOPS，其最新发布的旗舰车型搭载 4 颗，灵验算力也可卓越 3000TOPS。

此外，传感器的性能、老本、和会才略等也有巨大跨越。以激光雷达为例，早期的机械激光雷达的老本高达几万好意思元。2020 年前后，半固态激光雷达的老本降到几千好意思元。近期，跟着国内华为、禾赛、速腾聚创等激光雷达厂商的崛起，价钱已被打到千元东谈主民币级别，同期探伤距离、精度和可靠性则全面擢升。把柄盖世商酌院统计，2025 年中国乘用车市集主激光雷达总装机量已达 275.6 万台，在新动力汽车市集的渗入率达到 21%，是 2 年前的近 3 倍（2023 年为 8%）。

无东谈主驾驶的技巧难度级数飞腾

这几年，补助驾驶技巧突飞大进，肖似大模子等 AI 技巧的合座跃升，看起来距离 L4/L5 级别的无东谈主驾驶只差"临了一小步"。咱们惟恐不成过于乐不雅，因为从智能驾驶到无东谈主驾驶技巧，距离固然不远，但难度却成级数飞腾。东谈主类和机器赢得驾驶手段，使用的是两套统统不同的机制。

一个东谈主从初始学习驾驶到开赴，只需学习几十个小时，瑕瑜常高效的历程。之是以有这么的效果，是因为东谈主类并非统统在这几十个学时里"从零学会驾驶"。一个成年东谈主坐进驾驶座之前，已在现实寰宇中糊口多年，早就具备了多量与驾驶关连的基础才略：知谈什么是谈路；什么是危机；能知道红灯停、绿灯行；也能凭告诫判断前车为什么延缓；行东谈主是不是要横穿马路；电动车会不会骤然并线等。

除了在驾校学习表面和上车进行驾驶检察，东谈主类把正本就存在的知识、告诫、章程贯通和风险判断，也移动到驾驶这个具体任务上。东谈主类学会驾驶靠的是对章程、环境、其他车辆与行东谈认识图的知道，在极少实践的基础上进行举一反三的决策和实施。

机器驾驶（智能驾驶系统）走的是统统不同的路，早期更多依靠工程师编写章程：遭受红灯泊车、检测到欺压物绕行，这种形势逻辑澄澈、举止可阐明注解。

但章程永远无法穷举果然寰宇的复杂性，略微偏离预设场景就会失效。正因如斯，业界逐步转向现时主流的"数据驱动 + 模式拟合"范式：用海量数据检察神经汇集，让系统自行学习从感知输入到适度输出的映射。一套闇练高阶智能驾驶系统的检察数据动辄数千万公里致使上亿公里，相等于把千千万万名司机几十年的驾驶告诫压缩"喂"给模子。

模子从这些数据统计中学到：在某种路况、某种晴明、某种车流密度下，地方盘应当转若干度、油门应当踩多深、刹车何时介入。它学到的不是"红灯要停"这条章程自己，而是"在图像中出现红色圆形信号灯时，车辆常常会延缓至零"这一统计关联。

换言之，机器并不果然知道驾驶，仅仅在高维空间里拟合了实足复杂的映射函数：输入是录像头、雷达、激光雷达蚁合到的环境特征，输出是地方盘、油门、刹车的适度信号。

这种模式拟合范式在检察数据充分覆盖的情况下，机器在感知精度、反映速率、一致性方面致使不错卓越东谈主类司机，尤其是在结构化谈路、深重天气、章程相对结识的典型场景里。

但也恰是这种以数据散布为根基的学习形势，给智能驾驶升级到无东谈主驾驶埋下了最毒手的挑战——长尾问题（Long-tailProblem）。

所谓长尾问题指这一类气候：果然寰宇的驾驶场景存在一个极度不平衡的散布，绝大多数时分（比如 99%）里，谈路是规整的、车流是有序的、举止是可瞻望的；但剩下时分占比不高的场景，却包含着数目宏大、格局差异、却每一种齐极为荒原的场景。比如，路面上横躺着一块与沥青颜料邻近的轮胎碎屑；施工路段的临时手势诱骗与红绿灯信号互相矛盾；一辆超限货车的货品半挂在车外、格局从未出面前检察协调；暴雨导致部分车谈被泥水覆盖，路面标线统统隐匿……致使还有许多咱们压根无法联想出来的场景。

关于高度依赖数据驱动和模式拟合的机器驾驶来说，长尾问题的挑战在于：有限的数据无法覆盖无尽复杂的现实寰宇散布。

关于 L2 级别的补助驾驶，这个问题在工程上是"可接受"的。因为默许东谈主类仍在驾驶闭环中（human-in-the-loop）：系统在高频、典型的路况下大幅减轻驾驶员的职守，带来权贵价值；遭受模子信心不及或莫得见过的长尾场景，可通过退出、报警，把适度权交还给东谈主类接纳。换言之，有东谈主类驾驶员兜底时，长尾问题带来的更多是体验问题：教导多、不够丝滑、偶尔"歇工"。

无东谈主驾驶则统统不同。L4/L5 意味着系统要孤苦靠近简直通盘果然发生的驾驶场景与谈路省略情味，莫得东谈主类兜底的冗余。此时，长尾问题影响的不仅是体验，而是存一火安全和系统合座可用性。在技巧层面，这是已毕无东谈主驾驶的最大挑战，关于基于模式拟合的机器驾驶系统，长尾问题是结构性难关。

为了缓解长尾问题，一方面，业界握续积贮更多果然谈路数据进行检察，举例猖狂 2026 年头，Waymo 的统统无东谈主驾驶车队在果然谈路上的累计行驶里程已卓越 1.7 亿英里。另一方面，业界也多量使用合成数据和高保真仿真环境来放大荒原场景的样本量，构造覆盖更多旯旮条款的检察集。

这些作念法照实能约束膨胀系统对旯旮场景（cornercases）的覆盖。但从数学散布的角度看，表面上长尾自己的长度是莫得上限的，这些方法无法澈底措置长尾问题。

要从压根上减轻长尾的阻难力，单纯依赖模式拟合的架构概略不够，需要引入更强的寰宇建模（worldmodel）：让系统不仅学习"输入到输出的映射"，还能够在里面模拟"如果我选择这个手脚，寰宇会如何变化"，从而具备对未见场景进行推理和瞻望的才略，而不是只可依赖检察数据中出现过的模式。

这与东谈主类驾驶员依靠对物理寰宇和他东谈认识图的知道来应付新场景，在机制上更为接近。业界和学术界在积极探索这一地方，但仍有相等长的路要走。

系统的范式更动

从补助驾驶进化到无东谈主驾驶，除了技巧上需要跃迁，背后如故合座根人道的范式更动：一朝驾驶使命主体从东谈主转向系统，工程方法、监管框架、伦理压力、交易逻辑齐要被重写。这些变化在技巧要求除外，亚搏体育组成了无东谈主驾驶特地的一整套额外挑战。

来源，比较补助驾驶，无东谈主驾驶在系统可靠性上的要求大幅擢升，类似航空居品和破钞电子居品的远隔。

原因在于，补助驾驶在工程要求上不错允许局部失效的发生，比如录像头被泥讳饰、激光雷达异常、打算芯片宕机或转向助力发生故障，惟有系统能实时发现异常、退出并教导接纳，东谈主类驾驶员仍然不错兜底。

无东谈主驾驶则要能作念到全模样错，这就要求系统必须具备高品级的冗余遐想，比如传感器、算力、供电系统、线控系统等齐要加多冗余深度。这就不是在 L2 车辆上加器件能措置的，而是触及整车 E/E 架构的再行遐想和老本加多。

因为莫得东谈主类驾驶员接纳，无东谈主驾驶在工程上还要求有鲁棒的左迁策略和退出机制：在何种情况下触发低速行驶、准备泊车或汉典求援，这类"故障工况下如何安全处理"的遐想，是无东谈主驾驶与补助驾驶在工程方法上的压根差异，而不是简单的可靠性参数略微提高。

其次，无东谈主驾驶期间的规律要求、监管框架需要再行遐想。

在 L2 补助驾驶的寰宇里，驾驶主体仍然是东谈主，智能驾驶仅仅一项高档建立。一朝发滋事故，如果是驾驶员真贵力不协调、误用系统或违法操作，东谈主要承担径直使命；如果存在系统弱势，通过居品使命、调回等机制致密制造商使命即可。在这种模式下，监管对象主如果整车厂和零部件供应商，监管形势也以静态的居品认证和过后追责为主。

参加无东谈主驾驶期间之后，情况变得统统不同。事故成因不再局限于"东谈主 + 车"这一简单组合，还可动力自感知算法的误判、权术策略的偏差、高精舆图特别、通讯链路故障、运维经管节略、汉典协助决策不当等多个门径。触及的主体也从"驾驶员 + 车企"，膨胀为乘客、车辆通盘者、整车制造商、自动驾驶系统供应商、运营商、舆图和通讯职业提供方，致使还包括堤防汉典监控和搅扰的职业商。

对这种多主体、多门径的风险作念出合理分辨，传统的使命结构光显不够用，咱们需要遐想分层、按门径区分的事故使命体系，能力已毕"谁适度风险，谁承担相应使命"的原则。

与之相对应，监管对象和监管形势也必须发生变化。

监管对象从单一的制造商和供应链，拓展到算法开发、数据运营、车队运营和汉典协助等总共链条，监管内容必须从一次性的零部件模范、整车认证，变成以"准入 + 握续监管"为中枢的动态体系：开赴前要对系统安全性能和 ODD（运行遐想域）进行评估和审批，运行历程中要有完备的数据纪录机制和事故、险情强制评释轨制，软件和模子的在线更新需要纳入合规审查和版块跟踪。

关于中好意思等智能驾驶发展来源的国度来说，还有一个监管模范的疼痛：如果监管过严，在试点阶段就可能把立异空间消失掉；如果监管过松，又可能在考据尚不充分时放大系统性风险，把闇练度不够的技巧推向公众。

如安在"安全底线"和"技巧演进空间"之间找到动态平衡，是无东谈主驾驶期间持久要靠近的战略疼痛。

第三，驾驶主体的编削也带来新的伦理窘境。

寰宇卫生组织的评释袒露，人人每年约有 120 万东谈主死于谈路交通事故。咱们不错作念一个念念维实验，在技巧和轨制齐实足闇练的前提下，如果全面摄取无东谈主驾驶，不错将年度升天东谈主数降到 100 万，社会是否不错接受这么的寰宇？

从实践来看，东谈主类对机器驾驶的容忍度存在自然的分歧称：一个东谈主类司机形成的车祸是个案，一辆无东谈主车形成的车祸会被赶快放大为对总共技巧的审判。

2018 年，Uber 无东谈主车撞死行东谈主事件，径直导致 Uber 自动驾驶业务收缩并最终出售。Cruise 在 2023 年旧金山的总共拖行事故，导致其被加州淹没派司、业务简直全线停摆。

经典的"电车疼痛"也不错匡助咱们看清无东谈主驾驶的伦理问题：左转导致 1 东谈主升天，右转导致 5 东谈主升天，或者"糟跶老东谈主"与"糟跶小孩"的礼聘，这对东谈主类驾驶员自己便是伦理窘境。

但这种礼聘来自东谈主类个体的情境化、带有陈腐和本能的骤然反映是一趟事，来自系统的、算法的决策统统是另一趟事，东谈主类对这两者的接受进度不同。

咱们能接受系统以如何的形势在极点场景中量度生命与风险，谁有权参与制定这些章程，这些章程是否存在算法愤激、是否实足透明、可审计和可修正？这类伦理窘境是咱们走向无东谈主驾驶期间需要达成的新的社会共鸣，这并壅塞易。

第四，无东谈主驾驶的闇练可能会要求交易逻辑的重构。

关至今天大多数车企来说，L2/L2+ 智驾本色上仍然是一项建立，车企的交易逻辑依然是以一次性售卖硬件（汽车）为主。真刚直鸿沟普及的无东谈主驾驶图景，可能更接近 MaaS（MobilityasaService，出行即职业）。

改日，相等一部分用户可能不再必须领有一辆私家车，而是通过 Rob－otaxi 等形势顺次、按期长或按里程购买出行职业。这么一来，车企的扮装会从"制造商"转向"出行职业运营商"，关节才略从制造、渠谈、金融膨胀到车队运营、算法平台和运力更动，收入结构从一次性销售转向持久运营请问，风险敞口也从单车质地风险膨胀到系统级职业可靠性和城市出行汇集的结识性。

陪同无东谈主驾驶的普及，现存的汽车保障行业、泊车场、谈路基建齐将被重塑。换句话说，无东谈主驾驶不是在现存汽车工业基础上加上"高端智能建立"，更可能是对百年汽车产业交易根基的一次系统性重构。这场重构自己通常会反过来影响技巧推动的节拍与旅途。

转头

咱们距离果然的无东谈主驾驶仍有相等的距离，这个距离不仅是技巧上的，更是系统性的。

从技巧角度看，现时主流的"数据驱动"智能驾驶系统本色上是在进行模式拟合，清寒东谈主类的知识瓦解与逻辑推理才略。这导致系统在靠近无尽复杂、极低概率的长尾场景时，常常没衷一是。

在莫得东谈主类驾驶员兜底的情况下，长尾问题不再是单纯的体验裂缝，而是径直关乎命悬一线的结构性难关，仅靠堆砌检察数据难以澈底措置，需要往具备推理与瞻望才略的"寰宇模子"进行技巧演进。

更遑急的是，无东谈主驾驶不是单纯的技巧跃迁，而是一次系统性范式更动：它要求更高品级的冗余和安全考据，也会重塑规律使命、伦理范围和交易模式。驾驶使命从东谈主转向系统后，事故使命分辨、监管框架、社会接受度以及出行职业的交易逻辑齐需要再行遐想。

无东谈主驾驶的果然落地不仅取决于技巧是否实足强，还取决于它能否在安全、法律、伦理和产业层面同期诱骗起新的社会共鸣。

（刘劲系大湾区东谈主工智能运用商酌院理事、特聘内行，长江商学院管帐与金融学闇练、投资商酌中心主任亚搏体育，段磊系大湾区东谈主工智能运用商酌院商酌总监，张禛系大湾区东谈主工智能运用商酌院商酌员）