刘劲、段磊、张禛 / 文

夙昔几年，智能驾驶期间和市集普及王人有长足的发展。

从市集看，L2/L2+ 级别的扶助驾驶期间依然大限制商用，包括自顺应巡航、车谈保捏、自动泊车等功能在繁多车型上杀青标配。把柄第三方盘问机构 QuestAuto 统计，中国新动力汽车 L2 及以上扶助驾驶渗入率已达 77.3%；中好意思等国的多个城市王人伸开了 Robotaxi（L4 级别自动驾驶管事）的试点运营，积存了丰富的践诺谈路运营训导。

从期间上看，主流智能驾驶有策动已从早期的规章驱动转向数据驱动，从经典"感知—决策—限度"模块化有策动转向端到端神经汇集。在这个进程中，多模态大模子（VLM、VLA）也被引入智能驾驶的场景贯通和决策。

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（处理器运算智商单元）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，灵验算力也可越过 3000TOPS。

此外，传感器的性能、资本、会通智商等也有巨大逾越。以激光雷达为例，早期的机械激光雷达的资本高达几万好意思元。2020 年前后，半固态激光雷达的资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进步。把柄盖世盘问院统计，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%）。

无东谈主驾驶的期间难度级数飞腾

这几年，扶助驾驶期间突飞大进，重叠大模子等 AI 期间的合座跃升，看起来距离 L4/L5 级别的无东谈主驾驶只差"终末一小步"。咱们就怕不成过于乐不雅，因为从智能驾驶到无东谈主驾驶期间，距离自然不远，但难度却成级数飞腾。东谈主类和机器获取驾驶技巧，使用的是两套绝对不同的机制。

一个东谈主从驱动学习驾驶到开拔，只需学习几十个小时，利害常高效的进程。之是以有这么的甩掉，是因为东谈主类并非绝对在这几十个学时里"从零学会驾驶"。一个成年东谈主坐进驾驶座之前，已在现实天下中生涯多年，早就具备了大宗与驾驶联系的基础智商：知谈什么是谈路；什么是危机；能贯通红灯停、绿灯行；也能凭训导判断前车为什么延缓；行东谈主是不是要横穿马路；电动车会不会蓦地并线等。

除了在驾校学习表面和上车进行驾驶考试，东谈主类把正本就存在的学问、训导、规章意志和风险判断，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规章、环境、其他车辆与行东谈看法图的贯通，在极少实践的基础上进行举一反三的决策和奉行。

机器驾驶（智能驾驶系统）走的是绝对不同的路，早期更多依靠工程师编写规章：碰到红灯泊车、检测到封闭物绕行，这种神色逻辑了了、活动可讲明。

但规章长久无法穷举确凿天下的复杂性，略微偏离预设场景就会失效。正因如斯，业界冉冉转向现时主流的"数据驱动 + 模式拟合"范式：用海量数据考试神经汇集，让系统自行学习从感知输入到限度输出的映射。一套老到高阶智能驾驶系统的考试数据动辄数千万公里以致上亿公里，相等于把数见不鲜名司机几十年的驾驶训导压缩"喂"给模子。

模子从这些数据统计中学到：在某种路况、某种光辉、某种车流密度下，目的盘应当转几许度、油门应当踩多深、刹车何时介入。它学到的不是"红灯要停"这条文章自身，而是"在图像中出现红色圆形信号灯时，车辆时常会延缓至零"这一统计关联。

换言之，机器并不信得过贯通驾驶，仅仅在高维空间里拟合了有余复杂的映射函数：输入是录像头、雷达、激光雷达集聚到的环境特征，输出是目的盘、油门、刹车的限度信号。

这种模式拟合范式在考试数据充分覆盖的情况下，机器在感知精度、响应速率、一致性方面以致不错越过东谈主类司机，尤其是在结构化谈路、邃密天气、规章相对结识的典型场景里。

但也恰是这种以数据漫衍为根基的学习神色，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景象：确凿天下的驾驶场景存在一个终点不平衡的漫衍，绝大多数时辰（比如 99%）里，谈路是规整的、车流是有序的、活动是可计议的；但剩下时辰占比不高的场景，却包含着数目雄伟、口头差异、却每一种王人极为荒僻的场景。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结合与红绿灯信号相互矛盾；一辆超限货车的货色半挂在车外、口头从未出当今考试聚集；暴雨导致部分车谈被泥水笼罩，路面标线绝抵消散……以致还有许多咱们压根无法想象出来的场景。

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穷复杂的现实天下漫衍。

关于 L2 级别的扶助驾驶，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；碰到模子信心不及或莫得见过的长尾场景，可通过退出、报警，把限度权交还给东谈主类经受。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：领导多、不够丝滑、偶尔"歇工"。

无东谈主驾驶则绝对不同。L4/L5 意味着系统要沉静靠近确凿通盘确凿发生的驾驶场景与谈路不笃定性，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，而是死活安全和系统合座可用性。在期间层面，这是杀青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，业界捏续积存更多确凿谈路数据进行考试，举例限度 2026 岁首，Waymo 的绝对无东谈主驾驶车队在确凿谈路上的累计行驶里程已越过 1.7 亿英里。另一方面，业界也大宗使用合成数据和高保真仿真环境来放大荒僻场景的样本量，构造覆盖更多旯旮条目的考试集。

这些作念法确乎能握住推广系统对旯旮场景（cornercases）的覆盖。但从数学漫衍的角度看，表面上长尾自身的长度是莫得上限的，这些方法无法透彻措置长尾问题。

要从压根上平安长尾的滋扰力，单纯依赖模式拟合的架构好像不够，需要引入更强的天下建模（worldmodel）：让系统不仅学习"输入到输出的映射"，还能够在里面模拟"如果我采纳这个行为，天下会怎样变化"，从而具备对未见场景进行推理和计议的智商，而不是只可依赖考试数据中出现过的模式。

这与东谈主类驾驶员依靠对物理天下和他东谈看法图的贯通来应付新场景，在机制上更为接近。业界和学术界在积极探索这一目的，但仍有相等长的路要走。

系统的范式回荡

从扶助驾驶进化到无东谈主驾驶，除了期间上需要跃迁，背后如故合座根人性的范式回荡：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、买卖逻辑王人要被重写。这些变化在期间要求除外，世界杯(中国)组成了无东谈主驾驶专有的一整套迥殊挑战。

开首，比较扶助驾驶，无东谈主驾驶在系统可靠性上的要求大幅进步，访佛航空产物和消耗电子产物的离别。

原因在于，扶助驾驶在工程要求上不错允许局部失效的发生，比如录像头被泥荫庇、激光雷达额外、计较芯片宕机或转向助力发生故障，唯有系统能实时发现额外、退出并领导经受，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样貌错，这就要求系统必须具备高等第的冗余瞎想，比如传感器、算力、供电系统、线控系统等王人要加多冗余深度。这就不是在 L2 车辆上加器件能措置的，而是波及整车 E/E 架构的再行瞎想和资本加多。

因为莫得东谈主类驾驶员经受，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、准备泊车或而已求援，这类"故障工况下怎样安全处理"的瞎想，是无东谈主驾驶与扶助驾驶在工程方法上的压根差异，而不是浅易的可靠性参数略微提高。

其次，无东谈主驾驶时间的律例要求、监管框架需要再行瞎想。

在 L2 扶助驾驶的天下里，驾驶主体仍然是东谈主，智能驾驶仅仅一项高等成就。一朝发滋事故，如果是驾驶员防御力不聚集、误用系统或违法操作，东谈主要承担奏凯使命；如果存在系统劣势，通过产物使命、调回等机制风雅制造商使命即可。在这种模式下，监管对象主如果整车厂和零部件供应商，监管神色也以静态的产物认证和过后追责为主。

干涉无东谈主驾驶时间之后，情况变得绝对不同。事故成因不再局限于"东谈主 + 车"这一浅易组合，还可动力自感知算法的误判、蓄意策略的偏差、高精舆图无理、通讯链路故障、运维经管铁心、而已协助决策欠妥等多个本领。波及的主体也从"驾驶员 + 车企"，推广为乘客、车辆通盘者、整车制造商、自动驾驶系统供应商、运营商、舆图和通讯管事提供方，以致还包括崇拜而已监控和纷扰的管事商。

对这种多主体、多本领的风险作念出合理折柳，传统的使命结构较着不够用，咱们需要瞎想分层、按本领区分的事故使命体系，才气杀青"谁限度风险，谁承担相应使命"的原则。

与之相对应，监管对象和监管神色也必须发生变化。

监管对象从单一的制造商和供应链，拓展到算法开采、数据运营、车队运营和而已协助等总共链条，监管内容必须从一次性的零部件程序、整车认证，变成以"准入 + 捏续监管"为中枢的动态体系：开拔前要对系统安全性能和 ODD（运行瞎想域）进行评估和审批，运行进程中要有完备的数据纪录机制和事故、险情强制讲明轨制，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开首的国度来说，还有一个监管要领的辛勤：如果监管过严，在试点阶段就可能把更动空间消释掉；如果监管过松，又可能在考证尚不充分时放大系统性风险，把老到度不够的期间推向公众。

如安在"安全底线"和"期间演进空间"之间找到动态平衡，是无东谈主驾驶时间历久要靠近的战略辛勤。

第三，驾驶主体的改变也带来新的伦理逆境。

天下卫生组织的阐赫然示，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，在期间和轨制王人有余老到的前提下，如果全面摄取无东谈主驾驶，不错将年度死字东谈主数降到 100 万，社会是否不错接受这么的天下？

从实践来看，东谈主类对机器驾驶的容忍度存在自然的不合称：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连忙放大为对总共期间的审判。

2018 年，Uber 无东谈主车撞死行东谈主事件，奏凯导致 Uber 自动驾驶业务收缩并最终出售。Cruise 在 2023 年旧金山的通盘拖行事故，导致其被加州捣毁执照、业务确凿全线停摆。

经典的"电车辛勤"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 东谈主死字，右转导致 5 东谈主死字，或者"糟跶老东谈主"与"糟跶小孩"的选拔，这对东谈主类驾驶员自身等于伦理逆境。

但这种选拔来自东谈主类个体的情境化、带有猬缩和本能的一会儿响应是一趟事，来自系统的、算法的决策绝对是另一趟事，东谈主类对这两者的接受进度不同。

咱们能接受系统以何如的神色在极点场景中量度人命与风险，谁有权参与制定这些规章，这些规章是否存在算法腻烦、是否有余透明、可审计和可修正？这类伦理逆境是咱们走向无东谈主驾驶时间需要达成的新的社会共鸣，这并拦截易。

第四，无东谈主驾驶的老到可能会要求买卖逻辑的重构。

关至今天大多数车企来说，L2/L2+ 智驾骨子上仍然是一项成就，车企的买卖逻辑依然是以一次性售卖硬件（汽车）为主。信得过直限制普及的无东谈主驾驶图景，可能更接近 MaaS（MobilityasaService，出行即管事）。

将来，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 等神色递次、定期长或按里程购买出行管事。这么一来，车企的变装会从"制造商"转向"出行管事运营商"，关键智商从制造、渠谈、金融推广到车队运营、算法平台和运力改造，收入结构从一次性销售转向历久运营文告，风险敞口也从单车质地风险推广到系统级管事可靠性和城市出行汇集的结识性。

追随无东谈主驾驶的普及，现存的汽车保障行业、泊车场、谈路基建王人将被重塑。换句话说，无东谈主驾驶不是在现存汽车工业基础上加上"高端智能成就"，更可能是对百年汽车产业买卖根基的一次系统性重构。这场重构自身相似会反过来影响期间鼓动的节律与旅途。

转头

咱们距离信得过的无东谈主驾驶仍有相等的距离，这个距离不仅是期间上的，更是系统性的。

从期间角度看，现时主流的"数据驱动"智能驾驶系统骨子上是在进行模式拟合，短缺东谈主类的学问贯通与逻辑推明智商。这导致系统在靠近无穷复杂、极低概率的长尾场景时，通常莫衷一是。

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缺陷，而是奏凯关乎命悬一线的结构性难关，仅靠堆砌考试数据难以透彻措置，需要往具备推理与计议智商的"天下模子"进行期间演进。

更要紧的是，无东谈主驾驶不是单纯的期间跃迁，而是一次系统性范式回荡：它要求更高等第的冗余和安全考证，也会重塑律例使命、伦理范围和买卖模式。驾驶使命从东谈主转向系统后，事故使命折柳、监管框架、社会接受度以及出行管事的买卖逻辑王人需要再行瞎想。

无东谈主驾驶的信得过落地不仅取决于期间是否有余强，还取决于它能否在安全、法律、伦理和产业层面同期竖立起新的社会共鸣。

（刘劲系大湾区东谈主工智能垄断盘问院理事、特聘行家世界杯(中国)，长江商学院管帐与金融学讲授、投资盘问中心主任，段磊系大湾区东谈主工智能垄断盘问院盘问总监，张禛系大湾区东谈主工智能垄断盘问院盘问员）