自动驾驶

行业格局：高阶智驾从“尝鲜”走向“标配”

2024年中国市场乘用车前装标配L2级及以上辅助驾驶的渗透率已经逼近50%。根据高工智能汽车研究院的数据，2023年这一数字约为42%，短短一年内增长了近8个百分点。如果单看新能源车市场，L2级别几乎成为标配，渗透率已超过70%。然而，真正的高阶智能驾驶——即具备城市道路点到点领航辅助（NOA）能力的功能，渗透率仍然在个位数徘徊。这一剪刀差揭示了当前行业的核心矛盾：硬件预埋已大规模完成，但软件能力远未跟上车企的营销节奏。

转折点在于端到端大模型的上车。2024年年初，特斯拉推送FSD V12，将城市街道驾驶堆栈完全替换为端到端神经网络，驾驶行为的拟人化程度显著提升。这一技术路线迅速形成共识，华为、小鹏、理想等国内头部玩家在几个月内相继宣布转向端到端架构。小鹏汽车CEO何小鹏公开表示，端到端大模型让智能驾驶的开发效率“提升了100倍”。这场架构变革正在重塑竞争格局——智能驾驶的比拼从装机量和传感器配置，迅速转移到数据闭环效率和云端算力储备上。

行业集中度也因此急剧上升。据IDC发布的《中国自动驾驶市场追踪报告》，2024年上半年中国乘用车智驾域控制器市场前五名占据了超过75%的份额，华为、德赛西威、知行科技位列前三。头部企业凭借数据飞轮的优势，正在快速拉大与第二梯队的差距。与此同时，跨国车企在中国市场的智驾本土化步伐明显加快，大众与小鹏、Stellantis与零跑的合作均将电子电气架构和智驾系统作为核心协同点。

技术路径收敛：纯视觉、端到端与算力军备竞赛

曾经持续多年的“纯视觉 vs 激光雷达”路线之争，在2024年已经不再是一个非此即彼的选择题。技术讨论的重心从传感器配置转向了软件架构的本质。特斯拉坚持纯视觉，依靠庞大的真实驾驶数据和Dojo超算中心训练端到端模型；而多数中国车企采用“视觉为主，激光雷达冗余”的策略，主要原因是激光雷达为城市极端场景（corner case）提供了物理层面的安全兜底。速腾聚创2024年半年报显示，其车载激光雷达出货量达到24.3万台，同比增长超过400%，但平均售价同比下降了近30%。这组数据背后是激光雷达从“高端配置”变成“成本可控的标准化零件”，也是其安全冗余价值被行业普遍认可的信号。

真正统一的趋势是端到端。传统的模块化架构——感知、预测、规划、控制各自为政，信息传递存在损耗且规则代码膨胀至难以维护——正在被一个巨大的神经网络所取代。这个网络直接从传感器数据映射到车辆控制指令，中间不再有人工定义的接口。这种架构的优势在于，它可以发掘出海量人类驾驶数据中隐含的、难以用规则描述的驾驶常识。特斯拉FSD V12的代码量从此前的30多万行C++骤降到几千行，这正是端到端魅力的直观体现。

然而，端到端的代价是惊人的算力投入。训练一个量产级端到端智驾模型，所需的有效驾驶数据片段以数十亿英里计，而处理这些数据需要的GPU集群规模动辄万卡级别。据行业估算，理想汽车2024年在智驾训练算力上累计投入超过100亿人民币，华为车BU的云端算力同样位居国内第一梯队。即便是这些头部玩家，目前也仅能覆盖部分主要城市的城区道路，距离真正意义上的“全国都能开”还有显著差距。自动驾驶的竞争，本质上已经是资金密集+技术密集+数据密集的淘汰赛。

商业化本质：Robotaxi的盈利考题与乘用车的付费难题

市场对自动驾驶的耐心正在接受真金白银的考验。Robotaxi作为自动驾驶最直接变现的场景，百度Apollo Go（萝卜快跑）在武汉的规模化运营是绕不开的观察样本。百度2024年第二季度财报披露，萝卜快跑当季完成约89.9万单，同比增长26%，且全无人驾驶单量占比进一步提升。但需注意，这一订单量的增长伴随着大规模的运营补贴和车辆成本摊销。即便是采用了成本大幅压缩的RT6车型，要实现单车正利润仍需要单日订单量和运营效率达到极高水平。摩根士丹利在一份研报中指出，Robotaxi实现盈亏平衡的拐点可能在每车日均20单以上，而当前行业均值仅接近这一数字的一半。

与Robotaxi的集中运营不同，乘用车高阶智驾面临着更微妙的商业化困境。消费者愿意为高阶智驾功能支付什么价格？现实给出的答案是保守的。根据麦肯锡2024年中国汽车消费者调研，愿意为L2+级自动驾驶功能额外支付超过1万元的用户占比不足20%，这一比例在过去三年几乎没有变化。大部分用户将智驾视为“有更好，没有也行”的锦上添花功能，而非必选项。这也解释了为什么多数车企开始转向“硬件标配+软件订阅/一次性买断”的模式——通过规模摊薄硬件成本，用低价甚至免费吸引用户使用，再依赖粘性和迭代升级促进转化。特斯拉的FSD全球订阅率截至2024年年中仍然徘徊在个位数百分比，这为所有押注软件收费模式的车企敲响了警钟。

即便如此，之所以车企仍然全力投入，是因为智能驾驶已被公认为下一阶段品牌差异化的核心支点，更是一张未来出行服务生态的入场券。没有它，可能在三年内失去参与资格。这是一场典型的“囚徒困境”式投资。

监管破冰与长尾安全：无法绕开的深水区

技术之外，政策和法规是决定自动驾驶落地速度的另一只靴子。2023年底，中国工信部等四部门联合发布《关于开展智能网联汽车准入和上路通行试点工作的通知》，首次在国家层面为L3/L4级自动驾驶汽车的准入和上路提供了法规路径。2024年6月，首批9家车企进入试点名单，包括比亚迪、蔚来等在列。这意味着，在限定区域内，驾驶员可以合法地将驾驶任务交给车辆，车企将承担相应的安全主体责任。这是从L2“辅助驾驶”到L3“有条件自动驾驶”跨越中最关键的一步。

然而，法规的开放也带来了更复杂的责任界定问题。奔驰在德国和美国部分地区已经落地了L3级Drive Pilot系统，其模式是车企在系统激活期间承担全部法律责任。这种明确的归属在国内法规中仍在逐步明晰。一旦发生事故，如何界定是系统设计缺陷、感知误判、还是用户未及时接管？这不仅是法律问题，更是技术上的溯源难题。端到端模型的黑箱特性使其决策过程难以解释，而传统的模块化系统更能提供清晰的故障树分析路径。当法律责任必须精确归属时，技术上的“不可解释性”就成了一个潜在风险。

另一个常被公众舆论忽视的挑战是长尾安全问题。哪怕自动驾驶在99%的城市工况下都能平顺运行，那剩余1%的极端场景——暴雪覆盖车道线、临时交通指挥手势、破损路面上的非标标识、夜间逆光下的异形障碍物——仍可能引发严重后果。解决这些长尾问题，仅靠海量路测数据不够，还需要构建大规模的仿真场景库，以及世界模型对未见过的情况进行高效泛化。Cruise因一起拖拽事故导致加州运营许可被叫停的教训表明，一次处理不当的corner case，就足以让数十亿美金的投入和多年的技术声誉蒙上阴影。安全，始终是自动驾驶不能被加速的底线。

这场从技术狂欢向冷静商业落地的转变，本质上是一次行业祛魅。自动驾驶并没有失败，它只是脱掉了那些过度承诺的外衣，回到以工程问题为驱动、逐年迭代的正常轨道上。对于身在其中的公司和观察者而言，接下来将看到的不会是革命性的魔法瞬间，而是无数个数据百分点的提升、每瓦算力的优化、每一公里无接管里程的积累。这才是自动驾驶该有的样子。