數智之道

過去幾年，智能駕駛技術和市場普及都有長足的發展。

從市場看，L2/L2+級別的輔助駕駛技術已經大規模商用，包括自適應巡航、車道保持、自動泊車等功能在眾多車型上實現標配。根據第三方研究機構QuestAuto統計，中國新能源汽車L2及以上輔助駕駛滲透率已達77.3%；中美等國的多個城市都展開了Robotaxi（L4級別自動駕駛服務）的試點運營，積累了豐富的實際道路運營經驗。

從技術上看，主流智能駕駛方案已從早期的規則驅動轉向數據驅動，從經典“感知—決策—控制”模塊化方案轉向端到端神經網絡。在這個過程中，多模態大模型（VLM、VLA）也被引入智能駕駛的場景理解和決策。

與此同時，車載算力也在突飛猛進。以英偉達為例，過去幾年發布的車載算力芯片從Xavier、Orin再到Thor，算力從30TOPS（處理器運算能力單位）增長到最高2000+TOPS。國內以小鵬為例，其自研的圖靈AI芯片單顆有效算力也達到750TOPS，其最新發布的旗艦車型搭載4顆，有效算力也可超過3000TOPS。

此外，傳感器的性能、成本、融合能力等也有巨大進步。以激光雷達為例，早期的機械激光雷達的成本高達幾萬美元。2020年前后，半固態激光雷達的成本降到幾千美元。近期，隨著國內華為、禾賽、速騰聚創等激光雷達廠商的崛起，價格已被打到千元人民幣級別，同時探測距離、精度和可靠性則全面提升。根據蓋世研究院統計，2025年中國乘用車市場主激光雷達總裝機量已達275.6萬臺，在新能源汽車市場的滲透率達到21%，是2年前的近3倍（2023年為8%）。

無人駕駛的技術難度級數上升

這幾年，輔助駕駛技術突飛猛進，疊加大模型等AI技術的整體躍升，看起來距離L4/L5級別的無人駕駛只差“最后一小步”。我們恐怕不能過于樂觀，因為從智能駕駛到無人駕駛技術，距離雖然不遠，但難度卻成級數上升。人類和機器獲得駕駛技能，使用的是兩套完全不同的機制。

一個人從開始學習駕駛到上路，只需學習幾十個小時，是非常高效的過程。之所以有這樣的效率，是因為人類并非完全在這幾十個學時里“從零學會駕駛”。一個成年人坐進駕駛座之前，已在現實世界中生活多年，早就具備了大量與駕駛有關的基礎能力：知道什么是道路；什么是危險；能理解紅燈停、綠燈行；也能憑經驗判斷前車為什么減速；行人是不是要橫穿馬路；電動車會不會突然并線等。

除了在駕校學習理論和上車進行駕駛訓練，人類把原本就存在的常識、經驗、規則意識和風險判斷，也遷移到駕駛這個具體任務上。人類學會駕駛靠的是對規則、環境、其他車輛與行人意圖的理解，在少量實踐的基礎上進行舉一反三的決策和執行。

機器駕駛（智能駕駛系統）走的是完全不同的路，早期更多依靠工程師編寫規則：遇到紅燈停車、檢測到障礙物繞行，這種方式邏輯清晰、行為可解釋。

但規則永遠無法窮舉真實世界的復雜性，稍微偏離預設場景就會失效。正因如此，業界逐漸轉向當前主流的“數據驅動+模式擬合”范式：用海量數據訓練神經網絡，讓系統自行學習從感知輸入到控制輸出的映射。一套成熟高階智能駕駛系統的訓練數據動輒數千萬公里甚至上億公里，相當于把成千上萬名司機幾十年的駕駛經驗壓縮“喂”給模型。

模型從這些數據統計中學到：在某種路況、某種光線、某種車流密度下，方向盤應當轉多少度、油門應當踩多深、剎車何時介入。它學到的不是“紅燈要停”這條規則本身，而是“在圖像中出現紅色圓形信號燈時，車輛通常會減速至零”這一統計關聯。

換言之，機器并不真正理解駕駛，只是在高維空間里擬合了足夠復雜的映射函數：輸入是攝像頭、雷達、激光雷達采集到的環境特征，輸出是方向盤、油門、剎車的控制信號。

這種模式擬合范式在訓練數據充分覆蓋的情況下，機器在感知精度、反應速度、一致性方面甚至可以超過人類司機，尤其是在結構化道路、良好天氣、規則相對穩定的典型場景里。

但也正是這種以數據分布為根基的學習方式，給智能駕駛升級到無人駕駛埋下了最棘手的挑戰——長尾問題（Long-tailProblem）。

所謂長尾問題指這一類現象：真實世界的駕駛場景存在一個極度不均衡的分布，絕大多數時間（比如99%）里，道路是規整的、車流是有序的、行為是可預測的；但剩下時間占比不高的場景，卻包含著數量龐大、形態各異、卻每一種都極為罕見的場景。比如，路面上橫躺著一塊與瀝青顏色相近的輪胎碎片；施工路段的臨時手勢指揮與紅綠燈信號相互矛盾；一輛超限貨車的貨物半掛在車外、形態從未出現在訓練集中；暴雨導致部分車道被泥水掩蓋，路面標線完全消失……甚至還有很多我們根本無法想象出來的場景。

對于高度依賴數據驅動和模式擬合的機器駕駛來說，長尾問題的挑戰在于：有限的數據無法覆蓋無限復雜的現實世界分布。

對于L2級別的輔助駕駛，這個問題在工程上是“可接受”的。因為默認人類仍在駕駛閉環中（human-in-the-loop）：系統在高頻、典型的路況下大幅減輕駕駛員的負擔，帶來顯著價值；遇到模型信心不足或沒有見過的長尾場景，可通過退出、報警，把控制權交還給人類接管。換言之，有人類駕駛員兜底時，長尾問題帶來的更多是體驗問題：提示多、不夠絲滑、偶爾“罷工”。

無人駕駛則完全不同。L4/L5意味著系統要獨立面對幾乎所有真實發生的駕駛場景與道路不確定性，沒有人類兜底的冗余。此時，長尾問題影響的不僅是體驗，而是生死安全和系統整體可用性。在技術層面，這是實現無人駕駛的最大挑戰，對于基于模式擬合的機器駕駛系統，長尾問題是結構性難關。

為了緩解長尾問題，一方面，業界持續積累更多真實道路數據進行訓練，例如截至2026年初，Waymo的完全無人駕駛車隊在真實道路上的累計行駛里程已超過1.7億英里。另一方面，業界也大量使用合成數據和高保真仿真環境來放大罕見場景的樣本量，構造覆蓋更多邊緣條件的訓練集。

這些做法確實能不斷擴展系統對邊緣場景（cornercases）的覆蓋。但從數學分布的角度看，理論上長尾本身的長度是沒有上限的，這些方法無法徹底解決長尾問題。

要從根本上削弱長尾的破壞力，單純依賴模式擬合的架構或許不夠，需要引入更強的世界建模（worldmodel）：讓系統不僅學習“輸入到輸出的映射”，還能夠在內部模擬“如果我采取這個動作，世界會如何變化”，從而具備對未見場景進行推理和預測的能力，而不是只能依賴訓練數據中出現過的模式。

這與人類駕駛員依靠對物理世界和他人意圖的理解來應對新場景，在機制上更為接近。業界和學術界在積極探索這一方向，但仍有相當長的路要走。

系統的范式轉變

從輔助駕駛進化到無人駕駛，除了技術上需要躍遷，背后還是整體根本性的范式轉變：一旦駕駛責任主體從人轉向系統，工程方法、監管框架、倫理壓力、商業邏輯都要被重寫。這些變化在技術要求之外，構成了無人駕駛特有的一整套額外挑戰。

首先，相比輔助駕駛，無人駕駛在系統可靠性上的要求大幅提升，類似航空產品和消費電子產品的差別。

原因在于，輔助駕駛在工程要求上可以允許局部失效的發生，比如攝像頭被泥遮擋、激光雷達異常、計算芯片宕機或轉向助力發生故障，只要系統能及時發現異常、退出并提示接管，人類駕駛員仍然可以兜底。

無人駕駛則要能做到全面容錯，這就要求系統必須具備高等級的冗余設計，比如傳感器、算力、供電系統、線控系統等都要增加冗余深度。這就不是在L2車輛上加器件能解決的，而是涉及整車E/E架構的重新設計和成本增加。

因為沒有人類駕駛員接管，無人駕駛在工程上還要求有魯棒的降級策略和退出機制：在何種情況下觸發低速行駛、準備停車或遠程求助，這類“故障工況下如何安全處理”的設計，是無人駕駛與輔助駕駛在工程方法上的根本差異，而不是簡單的可靠性參數略微提高。

其次，無人駕駛時代的法規要求、監管框架需要重新設計。

在L2輔助駕駛的世界里，駕駛主體仍然是人，智能駕駛只是一項高級配置。一旦發生事故，如果是駕駛員注意力不集中、誤用系統或違規操作，人要承擔直接責任；如果存在系統缺陷，通過產品責任、召回等機制追究制造商責任即可。在這種模式下，監管對象主要是整車廠和零部件供應商，監管方式也以靜態的產品認證和事后追責為主。

進入無人駕駛時代之后，情況變得完全不同。事故成因不再局限于“人+車”這一簡單組合，還可能源自感知算法的誤判、規劃策略的偏差、高精地圖錯誤、通信鏈路故障、運維管理疏漏、遠程協助決策不當等多個環節。涉及的主體也從“駕駛員+車企”，擴展為乘客、車輛所有者、整車制造商、自動駕駛系統供應商、運營商、地圖和通信服務提供方，甚至還包括負責遠程監控和干預的服務商。

對這種多主體、多環節的風險做出合理劃分，傳統的責任結構顯然不夠用，我們需要設計分層、按環節區分的事故責任體系，才能實現“誰控制風險，誰承擔相應責任”的原則。

與之相對應，監管對象和監管方式也必須發生變化。

監管對象從單一的制造商和供應鏈，拓展到算法開發、數據運營、車隊運營和遠程協助等整個鏈條，監管內容必須從一次性的零部件標準、整車認證，變成以“準入+持續監管”為核心的動態體系：上路前要對系統安全性能和ODD（運行設計域）進行評估和審批，運行過程中要有完備的數據記錄機制和事故、險情強制報告制度，軟件和模型的在線更新需要納入合規審查和版本追蹤。

對于中美等智能駕駛發展領先的國家來說，還有一個監管尺度的難題：如果監管過嚴，在試點階段就可能把創新空間扼殺掉；如果監管過松，又可能在驗證尚不充分時放大系統性風險，把成熟度不夠的技術推向公眾。

如何在“安全底線”和“技術演進空間”之間找到動態平衡，是無人駕駛時代長期要面對的政策難題。

第三，駕駛主體的改變也帶來新的倫理困境。

世界衛生組織的報告顯示，全球每年約有120萬人死于道路交通事故。我們可以做一個思維實驗，在技術和制度都足夠成熟的前提下，如果全面采用無人駕駛，可以將年度死亡人數降到100萬，社會是否可以接受這樣的世界？

從實踐來看，人類對機器駕駛的容忍度存在天然的不對稱：一個人類司機造成的車禍是個案，一輛無人車造成的車禍會被迅速放大為對整個技術的審判。

2018年，Uber無人車撞死行人事件，直接導致Uber自動駕駛業務收縮并最終出售。Cruise在2023年舊金山的一起拖行事故，導致其被加州吊銷牌照、業務幾乎全線停擺。

經典的“電車難題”也可以幫助我們看清無人駕駛的倫理問題：左轉導致1人死亡，右轉導致5人死亡，或者“犧牲老人”與“犧牲小孩”的選擇，這對人類駕駛員本身就是倫理困境。

但這種選擇來自人類個體的情境化、帶有恐懼和本能的瞬間反應是一回事，來自系統的、算法的決策完全是另一回事，人類對這兩者的接受程度不同。

我們能接受系統以怎樣的方式在極端場景中權衡生命與風險，誰有權參與制定這些規則，這些規則是否存在算法歧視、是否足夠透明、可審計和可修正？這類倫理困境是我們走向無人駕駛時代需要達成的新的社會共識，這并不容易。

第四，無人駕駛的成熟可能會要求商業邏輯的重構。

對于今天大多數車企來說，L2/L2+智駕本質上仍然是一項配置，車企的商業邏輯依然是以一次性售賣硬件（汽車）為主。真正大規模普及的無人駕駛圖景，可能更接近MaaS（MobilityasaService，出行即服務）。

未來，相當一部分用戶可能不再必須擁有一輛私家車，而是通過Robotaxi等方式按次、按時長或按里程購買出行服務。這樣一來，車企的角色會從“制造商”轉向“出行服務運營商”，關鍵能力從制造、渠道、金融擴展到車隊運營、算法平臺和運力調度，收入結構從一次性銷售轉向長期運營回報，風險敞口也從單車質量風險擴展到系統級服務可靠性和城市出行網絡的穩定性。

伴隨無人駕駛的普及，現有的汽車保險行業、停車場、道路基建都將被重塑。換句話說，無人駕駛不是在現有汽車工業基礎上加上“高端智能配置”，更可能是對百年汽車產業商業根基的一次系統性重構。這場重構本身同樣會反過來影響技術推進的節奏與路徑。

總結

我們距離真正的無人駕駛仍有相當的距離，這個距離不僅是技術上的，更是系統性的。

從技術角度看，當前主流的“數據驅動”智能駕駛系統本質上是在進行模式擬合，缺乏人類的常識認知與邏輯推理能力。這導致系統在面對無限復雜、極低概率的長尾場景時，往往無所適從。

在沒有人類駕駛員兜底的情況下，長尾問題不再是單純的體驗瑕疵，而是直接關乎生死存亡的結構性難關，僅靠堆砌訓練數據難以徹底解決，需要往具備推理與預測能力的“世界模型”進行技術演進。

更重要的是，無人駕駛不是單純的技術躍遷，而是一次系統性范式轉變：它要求更高等級的冗余和安全驗證，也會重塑法規責任、倫理邊界和商業模式。駕駛責任從人轉向系統后，事故責任劃分、監管框架、社會接受度以及出行服務的商業邏輯都需要重新設計。

無人駕駛的真正落地不僅取決于技術是否足夠強，還取決于它能否在安全、法律、倫理和產業層面同時建立起新的社會共識。

（劉勁系大灣區人工智能應用研究院理事、特聘專家，長江商學院會計與金融學教授、投資研究中心主任，段磊系大灣區人工智能應用研究院研究總監，張禛系大灣區人工智能應用研究院研究員）