智能驾驶的赛道眼下正处在一个很微妙的时间点。前两年大家聊ADAS还停留在“有没有”的阶段——有没有ACC、有没有AEB、能不能自动泊车。到了今年风向明显变了大家聊的是“好不好用”“敢不敢放手”“能不能覆盖更多场景”。我自己今年测了好几台不同价位的新车一个很直观的感受是同样叫L2级辅助驾驶不同车型的实际体验差距已经大到像两个时代的产物。行业内部的技术路线之争、成本博弈、功能落地节奏都在2024年前后集中爆发。这篇文章想从一个从业者的视角把ADAS的真实现状拆开来讲清楚然后基于技术演进逻辑和产业规律聊聊未来一到两年大概率会发生的变化。篇幅会有点长看完你至少能搞明白三件事第一当前ADAS的技术格局到底走到了哪一步第二各家厂商看起来都在做“智驾”其实打的完全是不同的牌第三未来两年内哪些功能会普及、哪些概念会被证伪、哪些玩家会掉队。这中间有很多判断是来自我自己的实测和行业交流不一定全对但逻辑和依据我都会写出来供各位参考。1. 先说现状ADAS正在从“单点功能”走向“全域覆盖”现在的ADAS已经远远不是早期那套“定速巡航车道保持”的组合了。用一个更准确的说法来描述——行业正在把驾驶这件事拆成一个个具体场景然后逐个把这些场景交给机器去接管。高速巡航是最先被攻克的目前头部方案已经能做到“从匝道进高速到出高速全程零接管”这在前几年是想都不敢想的。城市道路的复杂程度远高于高速但今年也已经有不少方案开始量产上车。1.1 L2级到L2级的体验断层我实测过几套不同定位的智驾系统这里说的定位差异不是价格而是品牌对“辅助驾驶”这件事的底层认知差异。有的系统保守得像一个刚拿到驾照的新手——变道前要犹豫半天压线了才纠正方向旁边有车就立刻减速有的系统则激进得让人手心冒汗——车流间隙极小的情况下猛打方向变道跟车距离压得非常近。这两个极端之间才是好用的L2该有的状态系统的决策逻辑要像开车多年的老司机那样既不是永远慢吞吞也不是鲁莽的赛车手而是该果断时果断、该保守时保守。有一个信号能说明行业正在走向成熟大家都在谈“接管率”这个指标。原本行业内衡量智驾好不好用靠的是“多少公里接管一次”。但今年头部玩家开始用“每百公里人为干预次数”来算账这背后其实是对系统能力提出了更高要求——不但要能开还要开得让乘客安心、让驾驶员放心把注意力抽离。据我了解某方案的实测数据是高速场景下约两百公里才需要一次人为确认这已经是相当好的水平了。1.2 场景覆盖之争高速、城市、泊车三分天下当前ADAS的战场基本可以划分为三个场景板块高速、城区、泊车。高速场景的争夺已经接近尾声产品功能趋于同质化城区场景是目前竞争最激烈的部分因为道路参与者极其复杂——外卖车逆行、行人横穿、公交车加塞、路口无标线每一种case对感知和决策都是地狱级考验泊车场景反而不像前几年那么热了因为技术门槛相对低已经从“卖点”变成了“标配”。有意思的是大多数消费者买车时最在意的智驾功能排名和行业投入资源的优先级存在明显的错位。我做过一个小范围的用车调研超过六成受访者把自动泊车列为高频刚需但在企业的研发资源分配里泊车技术的权重远低于城区NOA。这种错位本质上反映的是普通用户在乎的是日常用车中频率最高的便利性功能而厂商为了建立技术心智会优先攻坚城区NOA这个“技术珠峰”。1.3 “无图”成为新共识重地图模式加速退场今年的一个显著变化是头部智驾方案集体从“高精地图依赖”转向“无图化”。所谓“无图”并不是真的不用地图而是不再依赖厘米级的车道级高精地图改用普通的导航地图实时感知来做决策。这背后的核心逻辑是两个一是高精地图的鲜度和覆盖度跟不上车企的打城节奏二是感知模型能力的提升已经允许系统在没有精细先验信息的情况下自主理解道路结构。我见过一个很直观的演示在一条完全没有车道线的施工路段上某套无图方案依然能根据前车轨迹和路沿推测出可行驶区域顺利完成通过。这在一年之前的众多方案中几乎不可能实现。无图化转型必然会带来体验上的波动——部分场景下系统会显得犹豫但在覆盖范围的扩展速度上无图方案的优势是压倒性的。2. 技术分水岭端到端大模型为何成为行业风向标如果说“无图化”是战术层面的调整那么“端到端”就是战略层面的大转向。这个词今年在行业内几乎每个季度都会被提起一次各家发布会都把它当作技术护城河来讲。但说实话业内对端到端的理解和应用程度差异极大——有的只是把感知部分换成了大模型有的则真正实现了从传感器输入到控制输出的全链路神经网络。2.1 什么是真正的端到端以及它翻越的两个障碍用最通俗的话解释端到端以前智驾系统的架构是“分模块流水线”——感知模块负责识别物体地图模块负责提供道路信息决策模块负责规划路径控制模块负责执行转向和加减速。每个模块单独训练、单独调参模块之间的接口是人工定义的。端到端把所有模块压缩成一个巨大的神经网络摄像头输入的图像直接经过网络计算出方向盘角度和油门刹车踏板的深度。这个转变解决了一个根本问题手写规则的路况覆盖永远追不上真实世界的长尾场景。过去传统架构面对一个没见过的情况时需要工程师写新的规则代码然后发版、OTA更新周期长且难免顾此失彼端到端大模型则通过数据驱动学习海量驾驶行为理论上只要数据足够就能涌现出超越规则法的场景处理能力。但端到端在实际落地中要翻过两座大山。第一座是可解释性——传统模块化架构出了问题工程师可以定位到“是感知错了还是规划错了”但端到端的决策过程就像一个黑盒出了问题很难倒查责任。第二座是数据饥渴——端到端对有效数据的需求量级远超规则时代并不是把摄像头录下的视频扔给模型就能用还需要高质量标注、场景筛选、闭环仿真每一环都是隐性成本。2.2 数据闭环能力的重新定义行业内聊数据闭环以前说的是“回传数据人工标注重新训练”这个流程的瓶颈在于人工成本高、处理周期长。2024年之后头部玩家都在打造的是自动化的数据挖掘与闭环仿真系统。具体来说车辆在路测中遇到罕见场景会被自动识别并标记数据回传后通过场景挖掘工具提取典型案例自动进入仿真环境进行验证和扩充最终筛选出对模型有价值的训练数据。这个能力直接决定了端到端方案的上限。同一家供应商在不同车企上用出来的效果可能不一样数据闭环能力往往是背后最深的差异化来源。不同的车企跑同一个方案日常使用的场景、驾驶员的行为习惯、典型工况分布都不同如果数据闭环链路跑不起来方案的越用越好就无从谈起。3. 硬件配置的暗战算力、传感器与成本的三方博弈聊完算法再来看硬件。这两年的一个显著趋势是预埋硬件、软件收费成为主流打法。车企倾向于在新车上提前装配满足未来几年功能升级的算力平台和传感器套件然后通过OTA推送让功能逐步解锁再用订阅制或一次性买断制实现软件层面的收入。3.1 算力军备竞赛的刹车时刻前两年行业内有一个怪象算力数字越大仿佛越先进某款旗舰车型曾直接标到单颗芯片一千多TOPS的规格。但当端到端模型开始上车后大家发现真正卡脖子的不是芯片的峰值算力而是有效算力的利用率。有些系统虽然标称算力很高但大模型推理效率低下、中间环节浪费严重实际运行起来并不流畅而一些算法优化做得好的方案用一半的算力就能跑出更强的效果。2024年头部量产车型的主流算力区间其实是一个很务实的数字——多数集中在几十到一百多TOPS。需要特别说明的是这个数字和Demo车上跑实验的方案是两个概念量产要考虑功耗、散热、成本还要考虑和整车的电气架构匹配。一味堆算力的军备竞赛正在退潮大家开始比拼的单位是“每TOPS能跑出多少有效场景处理能力”。3.2 传感器路线的分化与收敛传感器方案之争一直是ADAS的热点话题。早期行业分化为两大阵营纯视觉派和激光雷达派。纯视觉派认为人类开车就靠两只眼睛摄像头强大的算法足以实现高阶智驾激光雷达是成本高企的冗余激光雷达派则认为视觉方案在暗光、逆光、恶劣天气等场景下存在天然的物理上限激光雷达提供的精确深度信息是安全兜底的关键。到了2024年这个争论开始出现微妙的变化——激光雷达的降本速度超过了绝大多数人的预期。早年一颗激光雷达的价格动辄数万元被视为豪华车专属现在一颗主流半固态激光雷达的成本已经降到千元级别不少十几万元的车型也开始配备。这使得“激光雷达高端专属”的刻板印象被打破同时也让纯视觉方案的成本优势被大幅压缩。我的个人判断是未来一到两年内行业不太会回到“非此即彼”的状态而是会形成明确的等级差——入门级车型用纯视觉方案满足基础智驾需求中高端车型配备激光雷达以应对更复杂的城市NOA场景。两种路线各有生存空间盲目站队没有意义。4. 未来一到两年的六个确定性变化前面聊的是现状接下来重点说说我对未来一到两年的判断。以下变化是我基于技术成熟度曲线、成本下降速率和行业竞争格局三个维度综合推演的每一项背后都有相对清晰的逻辑支撑。4.1 城市NOA将从“能用”走向“好用”但别指望“零接管”我的判断是2025到2026年城市NOA会经历一个类似2019年高速NOA的成熟曲线——从刚开始的“偶尔吓人”走向“基本可用”。随着端到端方案和更多场景数据的积累城市NOA的开城数量会从一个一个数变成成片成片的区域覆盖。但我也要泼一盆冷水短期内“全程零接管”在复杂城市路况下不可能实现。城市道路的corner case实在太多了今天遇到的施工改道、电动自行车逆行、无保护左转等场景每个城市的分布都不一样。行业的真实目标不是“零接管”而是“让接管变得更合理、更从容”当系统判断自己搞不定时能提前给驾驶员足够的预警和缓冲时间这比追求完全不接手要现实得多。4.2 高速NOA会成为标配且体验差距快速抹平高速场景的“技术洼地”效应会让它加速普及。三年前高速NOA还是三十万以上车型的卖点今年二十万车型已经开始把它作为标配宣传我判断未来一两年内走量车型的标配名单里必然包含高速领航辅助功能。更值得关注的是体验差距的抹平。前几年不同品牌的高速NOA开起来差异极大有的像老司机有的像实习司机随着技术方案收敛到端到端无图的大框架下基础体验的方差会缩小。真正的差距会体现在细节上——比如大车汇入时的避让策略是否柔和、隧道内无GNSS信号时的稳定性、雨天积水路面的控制精度等。这些细节会成为测评机构的新考核维度也是普通用户感知产品好坏的关键。4.3 记忆行车与通勤模式成为下一波普及功能在完全的城市NOA实现之前行业里出现了一个走“中间态”的路线记忆行车。基本原理是让车辆学习某条固定路线的驾驶特征——用户每天通勤的路线、上下班的固定停车场、接送孩子的学校路段——之后在这条固定路线上系统可以以接近城市NOA的体验进行自动驾驶。这个方向的聪明之处在于它用极低的数据成本锁定了高频场景。一条每天重复的通勤路线路况结构是相对固定的系统甚至不需要很强大的通用泛化能力只需要对特定路段的特征进行强化学习就能在体验上接近城市NOA。我预测未来一到两年内记忆行车会成为除高速NOA之外另一个用户感知极强的功能点而且它可能成为车企在“完全的城市NOA化”之前的过渡性卖点。4.4 行车与泊车的一体化方案加速渗透传统的智驾系统里行车和泊车往往是两套独立的软硬件方案——行车域控制器负责高速/城市智驾泊车域控制器负责自动泊车。这种架构造成了算力浪费和体验割裂有些车高速智驾能力很强但自动泊车却很笨拙。一体化趋势正在加速新一代域控制器把行车和泊车统一到一个大模型架构下同一套传感器数据既可以用于行驶决策也可以用于泊车路径规划。这不仅降低了硬件成本更重要的是打通了“最后一百米”的体验——车辆可以在停车场门口让驾驶员下车自己寻找车位泊入也能在取车时远程召唤到身边。我判断未来一到两年内头部车企的电子电气架构会普遍收敛到这种“行泊一体”方案并且覆盖下探到十五万级车型。4.5 行业洗牌进入深水区自研、供应商与退出者智驾行业的格局会经历一轮残酷的洗牌。目前行业内存在三类玩家全栈自研型、与供应商深度合作型、纯采购标准方案型。全栈自研的代价极高——一个上千人的算法团队、数十亿的研发投入、成规模的测试车队以及对数据闭环体系的长期建设。能够真正撑起这个体量的主机厂未来两年内会是个位数。与供应商深度合作是指车企向智驾供应商采购软硬一体方案但深度参与产品定义这种模式在传统车企转型中比较常见灵活性和成本平衡得比较好。纯采购标准方案的代价最小但代价是同质化——当多家车企用同一套供应商方案时智驾功能本身就失去了差异化竞争力。这一轮洗牌还会波及一批规模较小的独立智驾供应商。行业集中度提升之后没有量产案例或稳定资金链支撑的方案商会在未来两年内主动退出或被整合。存活下来的只能是那些真正具备数据闭环能力、工程交付能力和成本控制能力的头部玩家。4.6 L3法规的落地节奏会比想象中更慢但L2的边界会不断扩展必须说一句大实话L3级自动驾驶的量产会比我年初预想的要慢。原因不是技术达不到而是责任主体的界定问题极其复杂。当系统在高速公路拥堵场景下接管了驾驶如果发生事故责任的承担方是驾驶员还是车企这涉及保险体系、交通法规、产品责任法的系统性调整单纯靠技术无法解决。但L2的边界会以另一种方式不断渗透。行业正在用“脱眼”还是“脱手”来重新定义体验层次目前主流L2是“脱手不脱眼”——双手可以离开方向盘但眼睛必须关注路况未来一到两年内“脱眼不脱脑”的受限场景L2会在部分车型上落地即在法规允许的特定场景下驾驶员可以把视线移开但依然需要对系统提示保持响应能力。这种渐进式的边界扩展会成为未来两年最值得关注的法规与产品交叉选题。5. 对一些还没定论的路线之争的看法智驾行业有意思的地方在于很多东西没有定论。越是没有定论越需要参与者保证开放的心态任何技术路线都不能被过早唱衰或吹捧。5.1 关于纯视觉与激光雷达的最终归宿前文提过纯视觉与激光雷达的路线之争。我的具体判断是激光雷达不会消失但会被迫不断降本。从物理极限看纯视觉在夜间无光、雨雾、逆光场景下的表现确实会打折扣这是摄像头的物理局限算法再强也只能改善、无法消除。但纯视觉方案如果配合高分辨率毫米波雷达倒是可能在某些区间做到不错的补盲效果。未来两年的产品格局大概率是20万以下车型纯视觉高性能毫米波雷达成为主流组合20万以上车型激光雷达作为安全冗余和体验兜底继续存在但价格会进一步下探。消费者选购时不必盲目追求“有激光雷达”关键在于方案能否把传感器数据真正融合好。5.2 关于舱驾一体的趋势判断行业内另一个热词是“舱驾一体”——把智能座舱和智能驾驶放到同一颗高算力芯片里做融合。这个方向的商业逻辑很清晰硬件成本降低、功耗降低、软硬件生态打通座舱和智驾的数据可以互相赋能。但从实际工程落地的维度看舱驾一体在预期内的推进速度会比吹风的速度慢。根本原因在于座舱和智驾对安全等级的要求完全不同——座舱芯片挂了可以重启智驾芯片在行驶中挂了就是安全事故。把两者放在一起意味着整个系统都要按照最高安全等级去设计这会显著抬升开发和验证成本。未来两年内舱驾一体会在一部分车型上落地但很难成为全行业的主流架构。6. 写给从业者和购车者的建议最后这部分我想给两类人群一些具体的建议。一类是智驾行业的从业者另一类是正在考虑购车、纠结要不要为智驾付费的普通用户。6.1 给行业从业者选对赛道比努力更重要如果你是算法工程师未来一两年内数据闭环和仿真验证方向的人才缺口会越来越大。单纯调模型参数的岗位需求其实在收缩因为端到端时代模型的训练方法论逐渐标准化真正的竞争壁垒转移到数据和工程效率上。如果你是产品经理或项目管理者建议重点研究“体验评价体系”——如何用客观指标衡量智驾系统的安全性和舒适性这个领域目前还没有统一标准谁先建立评价体系谁就掌握了定义话语权的机会。另外给一个宏观建议不要被Demo演示带偏。行业内经常有各种惊艳的Demo视频刷屏但Demo到量产之间有十万八千里的工程距离——测试场景的覆盖度、边缘情况处理、功能安全认证、成本控制每一个环节都可能让Demo级能力在量产版上大幅缩水。评价一家公司智驾能力的最可靠方式依然是看它在量产车上的实际表现和用户口碑。6.2 给购车用户智驾配置的选购原则如果你正在考虑买一台带智驾功能的新车我的建议可以浓缩成三条。第一不要单纯看硬件配置表。算力多少TOPS、有没有激光雷达、摄像头数量是几个这些数字的参考价值有限真实体验才是一切的试金石。有条件的话一定要约一次覆盖高架、拥堵和城市混合路段的试驾感受跟车加减速的平顺性、变道时的果断程度、以及系统退出时是否给人足够的预警。第二认真看待软件付费方式。有些品牌的智驾功能是一次性买断有些是首年免费后续订阅有些干脆包在车价里。算好未来两到三年总拥有成本比单纯对比售价更有意义。第三注意功能边界。销售口中说的“支持城市智驾”和实际支持的城市范围、道路类型往往存在较大出入。提车前确认好交付时的真实功能列表以及后续OTA计划的承诺方式避免“买期货”带来的落差感。我自己在过去的测试中踩过不少坑有时候新版本OTA之后某个场景的体验有提升另一个场景反而退步了。智驾行业就是这样能力提升不是一条笔直的上升线而是一条充满波折的爬坡曲线。这个领域里没有银弹也没有一夜之间的完美只有持续投入、持续迭代带来的渐进成熟。未来一两年内这场竞赛会进入决战阶段把时间轴拉长来看真正的赢家一定是那个在数据、工程和体验三个维度都没有明显短板的团队。