過去幾年，智能駕駛技術(shù)和市場普及都有長足的發(fā)展。

從市場看，L2/L2+級別的輔助駕駛技術(shù)已經(jīng)大規(guī)模商用，包括自適應(yīng)巡航、車道保持、自動泊車等功能在眾多車型上實(shí)現(xiàn)標(biāo)配。根據(jù)第三方研究機(jī)構(gòu)QuestAuto統(tǒng)計(jì)，中國新能源汽車L2及以上輔助駕駛滲透率已達(dá)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(wù)）的試點(diǎn)運(yùn)營，積累了豐富的實(shí)際道路運(yùn)營經(jīng)驗(yàn)。

從技術(shù)上看，主流智能駕駛方案已從早期的規(guī)則驅(qū)動轉(zhuǎn)向數(shù)據(jù)驅(qū)動，從經(jīng)典“感知—決策—控制”模塊化方案轉(zhuǎn)向端到端神經(jīng)網(wǎng)絡(luò)。在這個過程中，多模態(tài)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(jìn)。以英偉達(dá)為例，過去幾年發(fā)布的車載算力芯片從Xavier、Orin再到Thor，算力從30TOPS（處理器運(yùn)算能力單位）增長到最高2000+TOPS。國內(nèi)以小鵬為例，其自研的圖靈AI芯片單顆有效算力也達(dá)到750TOPS，其最新發(fā)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(jìn)步。以激光雷達(dá)為例，早期的機(jī)械激光雷達(dá)的成本高達(dá)幾萬美元。2020年前后，半固態(tài)激光雷達(dá)的成本降到幾千美元。近期，隨著國內(nèi)華為、禾賽、速騰（參數(shù)丨圖片）聚創(chuàng)等激光雷達(dá)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(jù)蓋世研究院統(tǒng)計(jì)，2025年中國乘用車市場主激光雷達(dá)總裝機(jī)量已達(dá)275.6萬臺，在新能源汽車市場的滲透率達(dá)到21%，是2年前的近3倍（2023年為8%）。

無人駕駛的技術(shù)難度級數(shù)上升

這幾年，輔助駕駛技術(shù)突飛猛進(jìn)，疊加大模型等AI技術(shù)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?yàn)閺闹悄荞{駛到無人駕駛技術(shù)，距離雖然不遠(yuǎn)，但難度卻成級數(shù)上升。人類和機(jī)器獲得駕駛技能，使用的是兩套完全不同的機(jī)制。

一個人從開始學(xué)習(xí)駕駛到上路，只需學(xué)習(xí)幾十個小時，是非常高效的過程。之所以有這樣的效率，是因?yàn)槿祟惒⒎峭耆谶@幾十個學(xué)時里“從零學(xué)會駕駛”。一個成年人坐進(jìn)駕駛座之前，已在現(xiàn)實(shí)世界中生活多年，早就具備了大量與駕駛有關(guān)的基礎(chǔ)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(jīng)驗(yàn)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(xué)習(xí)理論和上車進(jìn)行駕駛訓(xùn)練，人類把原本就存在的常識、經(jīng)驗(yàn)、規(guī)則意識和風(fēng)險判斷，也遷移到駕駛這個具體任務(wù)上。人類學(xué)會駕駛靠的是對規(guī)則、環(huán)境、其他車輛與行人意圖的理解，在少量實(shí)踐的基礎(chǔ)上進(jìn)行舉一反三的決策和執(zhí)行。

機(jī)器駕駛（智能駕駛系統(tǒng)）走的是完全不同的路，早期更多依靠工程師編寫規(guī)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(guī)則永遠(yuǎn)無法窮舉真實(shí)世界的復(fù)雜性，稍微偏離預(yù)設(shè)場景就會失效。正因如此，業(yè)界逐漸轉(zhuǎn)向當(dāng)前主流的“數(shù)據(jù)驅(qū)動+模式擬合”范式：用海量數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，讓系統(tǒng)自行學(xué)習(xí)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(tǒng)的訓(xùn)練數(shù)據(jù)動輒數(shù)千萬公里甚至上億公里，相當(dāng)于把成千上萬名司機(jī)幾十年的駕駛經(jīng)驗(yàn)壓縮“喂”給模型。

模型從這些數(shù)據(jù)統(tǒng)計(jì)中學(xué)到：在某種路況、某種光線、某種車流密度下，方向盤應(yīng)當(dāng)轉(zhuǎn)多少度、油門應(yīng)當(dāng)踩多深、剎車何時介入。它學(xué)到的不是“紅燈要停”這條規(guī)則本身，而是“在圖像中出現(xiàn)紅色圓形信號燈時，車輛通常會減速至零”這一統(tǒng)計(jì)關(guān)聯(lián)。

換言之，機(jī)器并不真正理解駕駛，只是在高維空間里擬合了足夠復(fù)雜的映射函數(shù)：輸入是攝像頭、雷達(dá)、激光雷達(dá)采集到的環(huán)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(xùn)練數(shù)據(jù)充分覆蓋的情況下，機(jī)器在感知精度、反應(yīng)速度、一致性方面甚至可以超過人類司機(jī)，尤其是在結(jié)構(gòu)化道路、良好天氣、規(guī)則相對穩(wěn)定的典型場景里。

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

所謂長尾問題指這一類現(xiàn)象：真實(shí)世界的駕駛場景存在一個極度不均衡的分布，絕大多數(shù)時間（比如99%）里，道路是規(guī)整的、車流是有序的、行為是可預(yù)測的；但剩下時間占比不高的場景，卻包含著數(shù)量龐大、形態(tài)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(tài)從未出現(xiàn)在訓(xùn)練集中；暴雨導(dǎo)致部分車道被泥水掩蓋，路面標(biāo)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(shù)據(jù)驅(qū)動和模式擬合的機(jī)器駕駛來說，長尾問題的挑戰(zhàn)在于：有限的數(shù)據(jù)無法覆蓋無限復(fù)雜的現(xiàn)實(shí)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?yàn)槟J(rèn)人類仍在駕駛閉環(huán)中（human-in-the-loop）：系統(tǒng)在高頻、典型的路況下大幅減輕駕駛員的負(fù)擔(dān)，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(bào)警，把控制權(quán)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(yàn)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(tǒng)要獨(dú)立面對幾乎所有真實(shí)發(fā)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(yàn)，而是生死安全和系統(tǒng)整體可用性。在技術(shù)層面，這是實(shí)現(xiàn)無人駕駛的最大挑戰(zhàn)，對于基于模式擬合的機(jī)器駕駛系統(tǒng)，長尾問題是結(jié)構(gòu)性難關(guān)。

為了緩解長尾問題，一方面，業(yè)界持續(xù)積累更多真實(shí)道路數(shù)據(jù)進(jìn)行訓(xùn)練，例如截至2026年初，Waymo的完全無人駕駛車隊(duì)在真實(shí)道路上的累計(jì)行駛里程已超過1.7億英里。另一方面，業(yè)界也大量使用合成數(shù)據(jù)和高保真仿真環(huán)境來放大罕見場景的樣本量，構(gòu)造覆蓋更多邊緣條件的訓(xùn)練集。

這些做法確實(shí)能不斷擴(kuò)展系統(tǒng)對邊緣場景（cornercases）的覆蓋。但從數(shù)學(xué)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(gòu)或許不夠，需要引入更強(qiáng)的世界建模（worldmodel）：讓系統(tǒng)不僅學(xué)習(xí)“輸入到輸出的映射”，還能夠在內(nèi)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(jìn)行推理和預(yù)測的能力，而不是只能依賴訓(xùn)練數(shù)據(jù)中出現(xiàn)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(yīng)對新場景，在機(jī)制上更為接近。業(yè)界和學(xué)術(shù)界在積極探索這一方向，但仍有相當(dāng)長的路要走。

系統(tǒng)的范式轉(zhuǎn)變

從輔助駕駛進(jìn)化到無人駕駛，除了技術(shù)上需要躍遷，背后還是整體根本性的范式轉(zhuǎn)變：一旦駕駛責(zé)任主體從人轉(zhuǎn)向系統(tǒng)，工程方法、監(jiān)管框架、倫理壓力、商業(yè)邏輯都要被重寫。這些變化在技術(shù)要求之外，構(gòu)成了無人駕駛特有的一整套額外挑戰(zhàn)。

首先，相比輔助駕駛，無人駕駛在系統(tǒng)可靠性上的要求大幅提升，類似航空產(chǎn)品和消費(fèi)電子產(chǎn)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(fā)生，比如攝像頭被泥遮擋、激光雷達(dá)異常、計(jì)算芯片宕機(jī)或轉(zhuǎn)向助力發(fā)生故障，只要系統(tǒng)能及時發(fā)現(xiàn)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(tǒng)必須具備高等級的冗余設(shè)計(jì)，比如傳感器、算力、供電系統(tǒng)、線控系統(tǒng)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(gòu)的重新設(shè)計(jì)和成本增加。

因?yàn)闆]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(jī)制：在何種情況下觸發(fā)低速行駛、準(zhǔn)備停車或遠(yuǎn)程求助，這類“故障工況下如何安全處理”的設(shè)計(jì)，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(shù)略微提高。

其次，無人駕駛時代的法規(guī)要求、監(jiān)管框架需要重新設(shè)計(jì)。

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(xiàng)高級配置。一旦發(fā)生事故，如果是駕駛員注意力不集中、誤用系統(tǒng)或違規(guī)操作，人要承擔(dān)直接責(zé)任；如果存在系統(tǒng)缺陷，通過產(chǎn)品責(zé)任、召回等機(jī)制追究制造商責(zé)任即可。在這種模式下，監(jiān)管對象主要是整車廠和零部件供應(yīng)商，監(jiān)管方式也以靜態(tài)的產(chǎn)品認(rèn)證和事后追責(zé)為主。

進(jìn)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(guī)劃策略的偏差、高精地圖錯誤、通信鏈路故障、運(yùn)維管理疏漏、遠(yuǎn)程協(xié)助決策不當(dāng)?shù)榷鄠€環(huán)節(jié)。涉及的主體也從“駕駛員+車企”，擴(kuò)展為乘客、車輛所有者、整車制造商、自動駕駛系統(tǒng)供應(yīng)商、運(yùn)營商、地圖和通信服務(wù)提供方，甚至還包括負(fù)責(zé)遠(yuǎn)程監(jiān)控和干預(yù)的服務(wù)商。

對這種多主體、多環(huán)節(jié)的風(fēng)險做出合理劃分，傳統(tǒng)的責(zé)任結(jié)構(gòu)顯然不夠用，我們需要設(shè)計(jì)分層、按環(huán)節(jié)區(qū)分的事故責(zé)任體系，才能實(shí)現(xiàn)“誰控制風(fēng)險，誰承擔(dān)相應(yīng)責(zé)任”的原則。

與之相對應(yīng)，監(jiān)管對象和監(jiān)管方式也必須發(fā)生變化。

監(jiān)管對象從單一的制造商和供應(yīng)鏈，拓展到算法開發(fā)、數(shù)據(jù)運(yùn)營、車隊(duì)運(yùn)營和遠(yuǎn)程協(xié)助等整個鏈條，監(jiān)管內(nèi)容必須從一次性的零部件標(biāo)準(zhǔn)、整車認(rèn)證，變成以“準(zhǔn)入+持續(xù)監(jiān)管”為核心的動態(tài)體系：上路前要對系統(tǒng)安全性能和ODD（運(yùn)行設(shè)計(jì)域）進(jìn)行評估和審批，運(yùn)行過程中要有完備的數(shù)據(jù)記錄機(jī)制和事故、險情強(qiáng)制報(bào)告制度，軟件和模型的在線更新需要納入合規(guī)審查和版本追蹤。

對于中美等智能駕駛發(fā)展領(lǐng)先的國家來說，還有一個監(jiān)管尺度的難題：如果監(jiān)管過嚴(yán)，在試點(diǎn)階段就可能把創(chuàng)新空間扼殺掉；如果監(jiān)管過松，又可能在驗(yàn)證尚不充分時放大系統(tǒng)性風(fēng)險，把成熟度不夠的技術(shù)推向公眾。

如何在“安全底線”和“技術(shù)演進(jìn)空間”之間找到動態(tài)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(wèi)生組織的報(bào)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(shí)驗(yàn)，在技術(shù)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(shù)降到100萬，社會是否可以接受這樣的世界？

從實(shí)踐來看，人類對機(jī)器駕駛的容忍度存在天然的不對稱：一個人類司機(jī)造成的車禍?zhǔn)莻€案，一輛無人車造成的車禍會被迅速放大為對整個技術(shù)的審判。

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

經(jīng)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(zhuǎn)導(dǎo)致1人死亡，右轉(zhuǎn)導(dǎo)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(yīng)是一回事，來自系統(tǒng)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(tǒng)以怎樣的方式在極端場景中權(quán)衡生命與風(fēng)險，誰有權(quán)參與制定這些規(guī)則，這些規(guī)則是否存在算法歧視、是否足夠透明、可審計(jì)和可修正？這類倫理困境是我們走向無人駕駛時代需要達(dá)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(yè)邏輯的重構(gòu)。

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

未來，相當(dāng)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(wù)。這樣一來，車企的角色會從“制造商”轉(zhuǎn)向“出行服務(wù)運(yùn)營商”，關(guān)鍵能力從制造、渠道、金融擴(kuò)展到車隊(duì)運(yùn)營、算法平臺和運(yùn)力調(diào)度，收入結(jié)構(gòu)從一次性銷售轉(zhuǎn)向長期運(yùn)營回報(bào)，風(fēng)險敞口也從單車質(zhì)量風(fēng)險擴(kuò)展到系統(tǒng)級服務(wù)可靠性和城市出行網(wǎng)絡(luò)的穩(wěn)定性。

伴隨無人駕駛的普及，現(xiàn)有的汽車保險行業(yè)、停車場、道路基建都將被重塑。換句話說，無人駕駛不是在現(xiàn)有汽車工業(yè)基礎(chǔ)上加上“高端智能配置”，更可能是對百年汽車產(chǎn)業(yè)商業(yè)根基的一次系統(tǒng)性重構(gòu)。這場重構(gòu)本身同樣會反過來影響技術(shù)推進(jìn)的節(jié)奏與路徑。

總結(jié)

我們距離真正的無人駕駛?cè)杂邢喈?dāng)?shù)木嚯x，這個距離不僅是技術(shù)上的，更是系統(tǒng)性的。

從技術(shù)角度看，當(dāng)前主流的“數(shù)據(jù)驅(qū)動”智能駕駛系統(tǒng)本質(zhì)上是在進(jìn)行模式擬合，缺乏人類的常識認(rèn)知與邏輯推理能力。這導(dǎo)致系統(tǒng)在面對無限復(fù)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(yàn)瑕疵，而是直接關(guān)乎生死存亡的結(jié)構(gòu)性難關(guān)，僅靠堆砌訓(xùn)練數(shù)據(jù)難以徹底解決，需要往具備推理與預(yù)測能力的“世界模型”進(jìn)行技術(shù)演進(jìn)。

更重要的是，無人駕駛不是單純的技術(shù)躍遷，而是一次系統(tǒng)性范式轉(zhuǎn)變：它要求更高等級的冗余和安全驗(yàn)證，也會重塑法規(guī)責(zé)任、倫理邊界和商業(yè)模式。駕駛責(zé)任從人轉(zhuǎn)向系統(tǒng)后，事故責(zé)任劃分、監(jiān)管框架、社會接受度以及出行服務(wù)的商業(yè)邏輯都需要重新設(shè)計(jì)。

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

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