【深度】中国智驾十年考｜智能辅助驾驶技术路向何方？（下）

书接《中国智驾十年考｜争论过后，智能辅助驾驶技术路向何方？（上）》

数据闭环助推技术应用成本下行

在当前的智驾数据体系中，传感系统的式微构成了一种难掩的趋势。更确切地说，基于传感器堆叠的硬件冗余正逐步被算法驱动的“车-路-云”闭环数据生态所取代。

从车端多模态传感器被激活进行采集开始，整台“数据机器”的齿轮便开始转动、啮合、协同运作：

首先，由传感器采集的数据在车端实现格式标准化，经由缓存得到预处理，继而按照驾驶行为、环境参数和目标物实时标签自动进行元数据标注；在标签符合特定条件的情况下，触发事件分装。

当数据被传输到边端后，规则引擎和轻量化模型会根据不同精度做出筛选，最终获得与智驾相关的高价值数据；根据算法，此类数据经过压缩与优化得到分级存储，并根据紧急度被归入不同优先级的上传队列。在此过程中，数据还将经过脱敏处理，传输过程也将得到监控，以达到最高的合规性和安全性。

最终，数据闭环将在云端形成。在这里，从边端传入的多源数据将完成入库、标签及索引建立的步骤，并根据聚类算法实现自动化清洗，剔除冲突数据；接下来，4D标注工具链和数据合成工具将令保留下来的有效数据得到标注和增强；此后，经过分布式模型训练、仿真验证与部署、价值评估和合规审计等环节，数据将正式完成闭环反馈与迭代。

不难发现，随着边端及云端的算力提升，智驾数据正逐步实现现实数据与合成数据的融合式驱动，数据闭环则从单点功能优化快速升级为全栈自动进化。在此过程中，动态数据蒸馏技术和多模态特征同步对齐能力的发展，正帮助行业逐步摆脱对硬件冗余的强依赖，智驾产品的场景泛化能力也在此过程中得到增强。

虽然根据汽车制造商的成本承受力不同，纯视觉和多传感器融合方案依然拥有各自的市场，并未出现互相替代的趋势，但作为数据闭环发展趋势的伴生现象之一，关键感知部件的总体成本出现了显著下降。

公开数据显示，过去一年内，包括激光雷达、毫米波雷达、车载摄像头和超声波雷达在内的城市NOA核心传感器行业均价，均出现了不同幅度的下降。其中，激光雷达的成本从2024年的2500元降至目前的1200元，降幅高达52%；而其余三类部件的价格降幅则介于25%-31%之间。

行业分析机构预计，至2028年，高速NOA和城市NOA等智能辅助驾驶系统的单车硬件总价将分别从2023年的4450元、15789元，降至3400元和7820元，降幅本别达到24%和50%。

同样地，在帮助智能驾驶车辆厘清“我在哪”的问题时，定位技术也呈现出迈向云端的趋势，进而突破各类硬件限制。

事实上，从1990年代至今，车域定位技术先后经历了单一传感器依赖阶段和多传感器融合阶段。如今，此类技术对激光雷达点云匹配和高精地图的依赖性逐步降低，正式迈入无图化和端到端模型阶段。

可以看到，随着无图化转型的推进，车域定位技术通过多摄像头融合生成的鸟瞰图，取代了预置高精地图，令地图维护成本得到降低。同时，基于车端海量数据所生成的仿真环境在云端数据闭环中发挥作用，训练模型提升动态场景的泛化能力。而随着视觉感知权重提升，激光雷达等高成本感知硬件的需求也将得到进一步降低。

从长远来看，无图化/端到端模型并非智能辅助驾驶定位技术的终点。在车路云协同与自进化学习成为技术核心、芯片级集成得以实现的未来，基于泛在智能（Ambient Intelligence）与生成式AI技术的全域无缝动态定位将成为主流发展方向。

算法革新令智驾更迷人

在智能辅助驾驶算法中，围绕架构和模型的开发迭代对技术生态的递进与协同起到了支撑作用。

目前，技术革新正帮助车端算法跨越模块化时代，主要以端到端（E2E，end to end）架构为基础，通过单一神经网络，实现从感知、到规划、再到控制的全流程运算，最终输出车辆控制指令。

上述技术无需人工规则或中间模块干预，可基于海量驾驶数据训练，令智能驾驶体验更接近人类的直觉式决策，响应效率高，且对复杂工况及场景的适应性也令人印象深刻。但其局限性同样明显——车企所掌握的数据规模将决定智驾系统泛化能力的阈值。

为了突破此类限制，视觉语言模型（Vision-Language Model）作为一种增强模块得到引入，这也是如今在业内时常被提及的“VLM”。其工作核心机制是融合视觉感知与自然语言理解能力，解析复杂交通语义，在借助链式推理生成驾驶决策，对端到端智能驾驶起到辅助作用。

在一般情况下，视觉语言模型可与端到端架构并行工作，形成快慢结合的决策组合，提升系统面对部分长尾场景和Corner Case时的安全性。但VLM对算力的消耗较大，且无法快速做出类似端到端那样的直觉式响应。此外，对于高精地图的高度依赖也增加了维护成本，同时令泛化能力出现折损。

为此，智驾算法开发者在由“VLM+端到端”构成的多段式端到端架构上更进一步，设计出一套性能更强的技术组合——那就是最近因被理想汽车屡屡提及而极具热度的VLA架构，其全称是视觉语言动作模型（Vision-Language-Action）。

顾名思义，VLA架构将在VLM的视觉及语言模型基础上，兼顾动作模态，形成融合视觉、语言及动作的统一模型，实现从感知、到决策、再到执行的端到端闭环。

与前两种架构相比，VLA架构将多模态信息直接嵌入驾驶决策链，在提升泛化能力的同时，大幅减少对于数据的依赖。尤为重要的是，其推理过程全程可求导，可通过人机交互界面向用户直观展现推理过程和工作逻辑，增强用户使用信心。

如果说，VLM的出现令端到端架构经历了从v1.0到v1.1的升级，那么VLA的到来将宣告着一场直达v2.0的跨版本迭代。

当然，VLA架构也有其不足。譬如，在同一架构中集成视觉编码器、语言编码器和动作编码器的需求，令工程化开发的难度陡增；又如，此类架构数据需求及采集成本高，导致初期训练成本过高，且多模态感知对力反馈、物理交互等具身能力的支持不足；再如，计算实时性要求与当前车域芯片算力存在矛盾，而黑箱决策风险则降低了决策的可解释性，增加调试难度等等。

由此不难发现，VLA作为一种一段式端到端架构，将充分释放神经计算网络在“数据驱动”转向“认知驱动”过程中的优势，是向类人智驾发起终极进化的必由之路，但其当前面对的技术制约依然不在少数。

因此，在VLA架构的研发门槛、工程落地及成本控制等多种问题得到完全解决之前，由“VLM+E2E”构成的多段式端到端架构仍将是一种更具普惠性的主流选择。

世界模型或成“类人利器”

在很大程度上，更先进的云端算法将有助降低车端VLA架构的训练难度，快速增强其泛化能力。而眼下，云端算法自身也在经历重大的技术革新。

从数据驱动的模仿学习，到具备物理世界建模能力的生成式世界模型，云端算法发展的底层逻辑非常清晰：基于生成式AI技术，通过合成虚拟场景构建亿公里级的里程闭环仿真系统。后者不仅包含出现在现实世界中的长尾场景，还能借助时空演化预测能力，模拟车辆在未知场景中（如极端天气、交通事故等），由特定动作引发的环境变化。

此举将大幅降低算法模型训练过程中，对现实世界驾驶数据的依赖，并且可在持续生成多模态训练数据的同时，融合增强型自学习机制，对驾驶策略做出以类人化为目标的终极优化。

另一方面，不断进化的车云协同蒸馏机制将有效提升车端VLA算法架构的泛化能力，而从车端回流的实时数据则能反哺云端模型，助其合成长尾场景，驱动完成迭代，最终形成双向增强的认知进化闭环。

更加不能忽视的一点是，云端世界模型高度整合了传感器数据、交通规则、实践经验等智驾要素，因此其本质是一个能够理解、推理和预测驾驶环境的AI框架。

伴随其在感知与决策优化方面的优势，云端世界模型可提供语义信息以提升智驾系统的环境识别能力，并预测周围交通参与者的行为意图，对决策规划和车辆控制起到辅助作用。甚至在一定程度上，其出现有望取代车端的视觉语言模型，用云端算力帮助车端形成具有更高精度的场景推理能力。

目前，已有不少行业玩家开始在云端算力层面发力。例如，华为ADS 4.0据信就通过云端完成了高达6亿公里的L3级智能辅助驾驶仿真验证；小鹏汽车则披露了他们通过蒸馏压缩云端模型参数，实现轻量化车端部署的计划。

此外，类似Momenta、地平线这样的第三方智驾解决方案供应商也已将世界模型与强化学习（Reinforcement Learning）相结合，对奖励函数（Reward Function）设计做出优化，令决策效率得到显著提升。

不过我们也能看到一些失败的尝试。比方说，蔚来去年计划推送的中国首个智能驾驶世界模型NWM，就因为算力不足和合规问题被延迟到今年；特斯拉FSD也因其世界模型一来真实数据积累，导致在中国的合成场景保真度不足而遭遇水土不服。

由此可见，尽管世界模型已逐步成为智驾系统云端算法的重要发展趋势，但其对于数据质量、多样性以及车端实时算力的要求依然较高。此外，基于物理规则的三维建模能力，也将对其规模化商业应用构成挑战。