刘劲、段磊、张禛 / 文

往时几年，智能驾驶期间和市集普及齐有长足的发展。

从市集看，L2/L2+ 级别的扶持驾驶期间如故大鸿沟商用，包括自合乎巡航、车谈保握、自动泊车等功能在繁多车型上已毕标配。证实第三方磋磨机构 QuestAuto 统计，中国新动力汽车 L2 及以上扶持驾驶渗入率已达 77.3%；中好意思等国的多个城市齐伸开了 Robotaxi（L4 级别自动驾驶功绩）的试点运营，积贮了丰富的实验谈路运营陶冶。

从期间上看，主流智能驾驶有筹画已从早期的章程驱动转向数据驱动，从经典"感知—决策—限度"模块化有筹画转向端到端神经辘集。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清爽和决策。

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

此外，传感器的性能、资本、交融才气等也有巨大越过。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。证实盖世磋磨院统计，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，扶持驾驶期间突飞大进，肖似大模子等 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"。咱们只怕不成过于乐不雅，因为从智能驾驶到无东谈主驾驶期间，距离固然不远，但难度却成级数飞腾。东谈主类和机器取得驾驶手段，使用的是两套绝对不同的机制。

一个东谈主从运行学习驾驶到动身，只需学习几十个小时，强横常高效的历程。之是以有这么的效果，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，早就具备了多数与驾驶相关的基础才气：知谈什么是谈路；什么是危机；能清爽红灯停、绿灯行；也能凭陶冶判断前车为什么延缓；行东谈主是不是要横穿马路；电动车会不会陡然并线等。

除了在驾校学习表面和上车进行驾驶检会，东谈主类把正本就存在的学问、陶冶、章程清爽和风险判断，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、其他车辆与行东谈主意图的清爽，在小数实践的基础上进行举一反三的决策和实行。

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章程：遭遇红灯泊车、检测到阻碍物绕行，这种形势逻辑澄澈、行为可明白注解。

但章程永久无法穷举着实天下的复杂性，稍稍偏离预设场景就会失效。正因如斯，业界迟缓转向现时主流的"数据驱动 + 模式拟合"范式：用海量数据检会神经辘集，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检会数据动辄数千万公里以至上亿公里，相配于把车载斗量名司机几十年的驾驶陶冶压缩"喂"给模子。

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

换言之，机器并不真确清爽驾驶，仅仅在高维空间里拟合了鼓胀复杂的映射函数：输入是录像头、雷达、激光雷达辘集到的环境特征，输出是标的盘、油门、刹车的限度信号。

这种模式拟合范式在检会数据充分覆盖的情况下，机器在感知精度、响应速率、一致性方面以至不错卓绝东谈主类司机，尤其是在结构化谈路、直快天气、章程相对沉静的典型场景里。

但也恰是这种以数据漫衍为根基的学习形势，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局面：着实天下的驾驶场景存在一个额外不平衡的漫衍，绝大多数时刻（比如 99%）里，谈路是规整的、车流是有序的、行为是可推断的；但剩下时刻占比不高的场景，却包含着数目宽阔、样式相反、却每一种齐极为陌生的场景。比如，路面上横躺着一块与沥青感情邻近的轮胎碎屑；施工路段的临时手势疏导与红绿灯信号相互矛盾；一辆超限货车的货色半挂在车外、样式从未出咫尺检会逼近；暴雨导致部分车谈被泥水笼罩，路面标线绝抵消逝……以至还有许多咱们根柢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尽复杂的现实天下漫衍。

关于 L2 级别的扶持驾驶，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，带来显贵价值；遭遇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收受。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：辅导多、不够丝滑、偶尔"歇工"。

无东谈主驾驶则绝对不同。L4/L5 意味着系统要孤苦濒临险些总共着实发生的驾驶场景与谈路不祥情趣，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，业界握续积贮更多着实谈路数据进行检会，举例截止 2026 岁首，Waymo 的绝对无东谈主驾驶车队在着实谈路上的累计行驶里程已卓绝 1.7 亿英里。另一方面，业界也多数使用合成数据和高保真仿真环境来放大陌生场景的样本量，构造覆盖更多旯旮条目的检会集。

这些作念法如实能持续膨胀系统对旯旮场景（cornercases）的覆盖。但从数学漫衍的角度看，表面上长尾本人的长度是莫得上限的，这些要领无法透顶措置长尾问题。

要从根柢上减轻长尾的破损力，单纯依赖模式拟合的架构约略不够，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"如果我采选这个算作，天下会如何变化"，从而具备对未见场景进行推理和推断的才气，而不是只可依赖检会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主意图的清爽来玩忽新场景，在机制上更为接近。业界和学术界在积极探索这一标的，但仍有相配长的路要走。

系统的范式调动

从扶持驾驶进化到无东谈主驾驶，除了期间上需要跃迁，背后如故合座根人道的范式调动：一朝驾驶职责主体从东谈主转向系统，工程要领、监管框架、伦理压力、贸易逻辑齐要被重写。这些变化在期间要求以外，米兰体育MILAN SPORTS组成了无东谈主驾驶私有的一整套特别挑战。

开拔点，比拟扶持驾驶，无东谈主驾驶在系统可靠性上的要求大幅进步，类似航空居品和消耗电子居品的别离。

原因在于，扶持驾驶在工程要求上不错允许局部失效的发生，比如录像头被泥阻难、激光雷达额外、盘算芯片宕机或转向助力发生故障，惟有系统能实时发现额外、退出并辅导收受，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神态错，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 架构的重新遐想和资本加多。

因为莫得东谈主类驾驶员收受，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"故障工况下如何安全处理"的遐想，是无东谈主驾驶与扶持驾驶在工程要领上的根柢差异，而不是简便的可靠性参数略微提高。

其次，无东谈主驾驶期间的律例要求、监管框架需要重新遐想。

在 L2 扶持驾驶的天下里，驾驶主体仍然是东谈主，智能驾驶仅仅一项高等确立。一朝发惹事故，如果是驾驶员正经力不逼近、误用系统或违纪操作，东谈主要承担径直职责；如果存在系统颓势，通过居品职责、调回等机制精雅制造商职责即可。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。

参预无东谈主驾驶期间之后，情况变得绝对不同。事故成因不再局限于"东谈主 + 车"这一简便组合，还可动力自感知算法的误判、见解策略的偏差、高精舆图不实、通讯链路故障、运维不竭玩忽、而已协助决策不妥等多个法子。触及的主体也从"驾驶员 + 车企"，膨胀为乘客、车辆总共者、整车制造商、自动驾驶系统供应商、运营商、舆图和通讯功绩提供方，以至还包括雅致而已监控和干扰的功绩商。

对这种多主体、多法子的风险作念出合理分袂，传统的职责结构昭着不够用，咱们需要遐想分层、按法子区分的事故职责体系，才能已毕"谁限度风险，谁承担相应职责"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，拓展到算法开导、数据运营、车队运营和而已协助等总共这个词链条，监管内容必须从一次性的零部件轨范、整车认证，变成以"准入 + 握续监管"为中枢的动态体系：动身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记载机制和事故、险情强制论述轨制，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拔点的国度来说，还有一个监管模范的贫苦：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，又可能在考据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，是无东谈主驾驶期间耐久要濒临的策略贫苦。

第三，驾驶主体的改变也带来新的伦理逆境。

天下卫生组织的论述线路，大众每年约有 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，在期间和轨制齐鼓胀老到的前提下，如果全面继承无东谈主驾驶，不错将年度示寂东谈主数降到 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分歧称：一个东谈主类司机酿成的车祸是个案，一辆无东谈主车酿成的车祸会被赶快放大为对总共这个词期间的审判。

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 年旧金山的一谈拖行事故，导致其被加州破除执照、业务险些全线停摆。

经典的"电车贫苦"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 东谈主示寂，右转导致 5 东谈主示寂，或者"点燃老东谈主"与"点燃小孩"的遴荐，这对东谈主类驾驶员本人等于伦理逆境。

但这种遴荐来自东谈主类个体的情境化、带有畏俱和本能的瞬息响应是一趟事，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。

咱们能接受系统以怎样的形势在极点场景中衡量生命与风险，谁有权参与制定这些章程，这些章程是否存在算法愤激、是否鼓胀透明、可审计和可修正？这类伦理逆境是咱们走向无东谈主驾驶期间需要达成的新的社会共鸣，这并阻难易。

第四，无东谈主驾驶的老到可能会要求贸易逻辑的重构。

关至今天大多数车企来说，L2/L2+ 智驾实验上仍然是一项确立，车企的贸易逻辑依然是以一次性售卖硬件（汽车）为主。真廉明鸿沟普及的无东谈主驾驶图景，可能更接近 MaaS（MobilityasaService，出行即功绩）。

改日，相配一部分用户可能不再必须领有一辆私家车，而是通过 Rob－otaxi 等形势步骤、如期长或按里程购买出行功绩。这么一来，车企的扮装会从"制造商"转向"出行功绩运营商"，要道才气从制造、渠谈、金融膨胀到车队运营、算法平台和运力退换，收入结构从一次性销售转向耐久运营酬谢，风险敞口也从单车质地风险膨胀到系统级功绩可靠性和城市出行辘集的沉静性。

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"高端智能确立"，更可能是对百年汽车产业贸易根基的一次系统性重构。这场重构本人一样会反过来影响期间推动的节律与旅途。

回来

咱们距离真确的无东谈主驾驶仍有相配的距离，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"智能驾驶系统实验上是在进行模式拟合，清寒东谈主类的学问融会与逻辑推理才气。这导致系统在濒临无尽复杂、极低概率的长尾场景时，时时莫衷一是。

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瑕玷，而是径直关乎命悬一线的结构性难关，仅靠堆砌检会数据难以透顶措置，需要往具备推理与推断才气的"天下模子"进行期间演进。

更进攻的是，无东谈主驾驶不是单纯的期间跃迁，而是一次系统性范式调动：它要求更高品级的冗余和安全考据，也会重塑律例职责、伦理界限和贸易模式。驾驶职责从东谈主转向系统后，事故职责分袂、监管框架、社会接受度以及出行功绩的贸易逻辑齐需要重新遐想。

无东谈主驾驶的真确落地不仅取决于期间是否鼓胀强，还取决于它能否在安全、法律、伦理和产业层面同期确立起新的社会共鸣。

（刘劲系大湾区东谈主工智能运用磋磨院理事、特聘群众米兰体育2026世界杯指定中国官网，长江商学院管帐与金融学教悔、投资磋磨中心主任，段磊系大湾区东谈主工智能运用磋磨院磋磨总监，张禛系大湾区东谈主工智能运用磋磨院磋磨员）