说起来，我头一回真正对自动驾驶有实感，是好几年前坐朋友那辆带自适应巡航的车。脚松开油门那一刻，心里直打鼓，眼睛死死盯着前车，生怕它一个反应不过来。几年过去，如今再坐上带城市领航辅助的车，看着它自己变道、绕行、等红灯，我竟然能在后排安心回消息了。这种变化不是一夜之间发生的，它背后是一条从辅助驾驶一步步爬向高阶自动驾驶的长坡。这条坡道走了多久、现在走到了哪一步，值得好好掰扯掰扯。
要说清楚自动驾驶的进展，得先把“进展”这两个字拆开看。它不只是某项参数变好看了，也不只是某家公司又融了多少钱。进展包含技术能力的提升，也包含车规级量产的成熟，更包含政策、成本、用户信任这些软性门槛的跨越。行业里习惯用L0到L5来划分阶段，L2叫辅助驾驶，手还得扶着方向盘；L3开始系统在特定条件下接管；L4是高度自动驾驶，车里可以没有安全员；L5是完全无人驾驶，任何路况都能跑。我观察到的一个有意思的现象是，很多车企嘴上说着L2+、L2++，实际能力已经摸到了L3的边，法规却还没跟上。这种“技术跑在规则前面”的状态，本身就是当前阶段最典型的特征。
从我的体验来看，辅助驾驶向高阶自动驾驶演进的过程，有点像学开车本身。刚开始你只敢在空旷路上练，手脚一刻不敢松懈；熟练了开始上高架、进城区，注意力还是高度集中；真正变成老司机，才敢边聊天边开车，但该接管的时候一点不含糊。自动驾驶也在经历类似的心理曲线，从高速场景向城市场景渗透，从有安全员向无安全员过渡，每一步都伴随着责任主体的转移和用户习惯的重塑。
技术这块，我最近跟几个做感知算法的朋友聊天，他们反复提到一个词叫“前融合”。早些年摄像头、毫米波雷达、激光雷达各干各的，数据在决策层才汇合，遇到雨雾天或者逆光，经常互相打架。现在主流的做法是在感知层就把多模态数据揉在一起处理，相当于让几种传感器先开个会再统一汇报，识别精度和鲁棒性提升很明显。我在一次试驾中特意挑了傍晚逆光路段，车辆对横穿电动车的识别比两年前果断多了，刹车点提前了不少，坐在车里没那么吓人。这种进步用户嘴上不说，身体是能感受到的。
决策规划的变化更隐蔽，却更关键。以前靠规则驱动的方案，工程师得把各种场景写成if-then的逻辑树，代码越堆越厚，遇到没见过的场景就傻眼。端到端大模型上来之后，系统直接从传感器输入学出驾驶行为，像个老司机凭直觉开车。我试过一款搭载端到端方案的车，它在无保护左转时的博弈感明显更像人，会试探、会等待、会给油，而不是机械地卡在某个固定阈值上。当然，大模型的“黑箱”问题也让人头疼，出了事怎么定责、怎么复现，都是新课题。
车路云协同和算力芯片这两条线，普通人感知不强，对产业格局的影响却很大。我在几个示范区看过路侧设备给车辆发送红绿灯倒计时和盲区来车信息，车端算力压力一下就轻了。芯片方面，英伟达Orin、地平线征程、华为昇腾这些名字在供应链里被反复提及，算力从几十TOPS卷到几百甚至上千TOPS，功耗和成本控制成了新的竞技场。我个人的判断是，单车智能和车路云不是二选一的关系，更像两条腿走路，哪条腿短了都跑不快。
商业化落地这件事，我习惯从用户钱包和政府文件两个方向同时看。政策层面，国内L3准入试点在几个城市铺开，责任认定条款逐步清晰，保险产品也开始跟上。应用场景上，Robotaxi在武汉、北京亦庄这些地方已经能打到没有安全员的车辆，港口和矿区的无人卡车更是早就跑通了商业闭环。成本下降这条曲线特别值得关注，激光雷达从几万块一颗降到千元级，域控制器和芯片的规模效应也在显现。我认识的一个车队运营朋友说，前几年算账怎么算怎么亏，现在部分线路的单公里成本已经接近有人驾驶了。
安全验证和用户接受度是硬币的两面。我看过一些公开数据，自动驾驶系统在常规场景下的事故率确实低于人类驾驶员，但长尾场景的暴露让公众心理始终绷着一根弦。用户接受度这事很有意思，坐过Robotaxi的人往往比没坐过的人更乐观，体验本身是最好的说服工具。我丈母娘第一次坐无人车时全程抓着扶手，下车后却主动问我下次能不能再叫一辆，这种转变挺能说明问题的。
技术突破和商业化落地之间，不是简单的先后关系，更像螺旋上升。技术成熟度曲线上的期望膨胀期和泡沫破裂期，自动驾驶行业已经完整经历过一轮。2018年前后资本狂热，2022年前后一批公司倒闭裁员，现在活下来的玩家更务实了，不再张口闭口L5，而是盯着具体场景算经济账。规模化拐点什么时候来，业内分歧很大，有人说是2025年，有人说到2030年。我的看法是，乘用车高阶辅助驾驶会先于Robotaxi规模上量，商用车封闭场景会先于开放道路跑通盈利模型。
产业竞争格局也在重塑。早期是创业公司冲锋，现在主机厂、科技巨头、出行平台三方势力交织，合作与竞争同时进行。我注意到一个趋势，单纯卖软硬件的公司议价能力在下降，能同时掌握数据闭环和运营场景的玩家话语权更重。这跟智能手机行业后期的演化逻辑有点像，赢家不一定是技术最炫的，而是把技术、成本、渠道、服务拧成一股绳的那一个。
回头看这一章聊的这些，自动驾驶的进展是一张由技术、政策、成本、人心共同编织的网。每个节点都在动，每个节点都影响其他节点。我不太相信某一天突然全面无人驾驶的叙事，更相信它像涟漪一样一圈圈扩散，从高速到城区，从载物到载人，从限定区域到更多城市。这个过程里会有反复，会有事故引发的舆论低谷，也会有政策开闸带来的小高潮。作为观察者，我保持谨慎乐观；作为用户，我已经在用钱包和体验投票了。
第二章 自动驾驶进展的分场景落地与未来趋势
我越来越觉得，聊自动驾驶如果只停留在“技术有多牛”这个层面，就有点像点评一道菜只夸刀工不尝味道。真正有意思的，是看它在不同场景里怎么落地、怎么挣钱、怎么跟现实世界磨合。这一章我想把这些场景一个个摊开来看，顺便说说我对未来走向的一些判断。
2.1 乘用车高阶辅助驾驶与Robotaxi进展
城市NOA这两年的铺开速度，说实话超出了我年初的预期。我记得去年试一款新势力的车，城市领航还只能在几个固定路段激活，像个刚拿驾照的新手，稍微复杂点的路口就让你接管。今年再试另一款，它已经能在我家附近那种没有车道线的老城区街道上自己走了，虽然偶尔会犹豫，但大方向是对的。车主群里讨论的话题也变了，以前是“你敢不敢用”，现在是“哪个版本变道更果断”“哪家推送的城区范围更大”。这种日常化的讨论本身就说明，高阶辅助驾驶正在从尝鲜配置变成购车时的必选项。
Robotaxi这条线走得更激进一些。武汉那批全无人车辆我专门去坐过几回，第一次拉开车门发现驾驶位真空着，心里还是咯噔了一下。坐进去之后，车辆起步、并线、避让外卖小哥，动作谈不上老练，但绝对不莽。我跟安全员聊过，他说远程监控一个人现在能盯好几辆车，人力成本摊薄得很明显。北京亦庄、广州南沙这些地方的运营范围也在扩大，从几十平方公里往几百平方公里铺。商业模式上，有的玩家走技术输出，有的自己下场运营，还有的跟出行平台绑在一起分流量。我个人的观察是，Robotaxi的单车成本还压得不够低，远程监控和地勤维护的隐性开支也不小，真正跑通单位经济模型可能还需要两三年。
成本优化这件事值得单独说两句。激光雷达从早期的几万美元一颗，到现在国产方案杀到两百美元以内，这个降幅直接改变了整车BOM表的结构。芯片方面，单颗Orin的算力已经能撑起城市NOA，双Orin更多是为了冗余和安全。我跟一个做域控制器的工程师聊，他说现在比拼的不是堆算力，而是每瓦能跑多少有效算力，功耗和散热成了设计瓶颈。这些供应链层面的变化用户感知不到，却决定了高阶辅助驾驶能不能从三十万的车下放到十五万的车。
2.2 商用车及特定场景自动驾驶进展
商用车这块我关注得比较早，因为它的商业逻辑比乘用车清晰太多了。干线物流是我最看好的方向之一，场景相对封闭、路线固定、油耗和人力成本占大头，自动驾驶的账特别容易算。我认识一个跑长途的卡车司机，他说现在部分线路已经允许编队行驶，后车跟车距离缩短之后风阻降了，油钱省下来是实打实的。京新高速、沪宁高速这些干线上的测试里程也在累积，虽然法规还没完全放开无安全员，但技术储备已经到位了。
港口和矿山属于闷声跑通闭环的典型。我在一个北方港口看过无人集卡作业，整个流程从岸桥抓箱到堆场落箱，全程没有人类插手，调度系统像下棋一样排兵布阵。矿区更极端，环境封闭、路线固定、没有行人干扰，L4级别的无人矿卡已经批量部署了好几年。这些场景的共性是对效率和安全的要求极高，但对乘坐舒适性毫无要求，自动驾驶在这里可以甩开膀子干。末端配送和环卫也在稳步推进，我住的小区附近偶尔能看到无人配送车慢悠悠地在人行道上走，遇到台阶会自己绕路，虽然速度感人，但胜在风雨无阻。
园区接驳是我觉得被低估的一块。很多科技园区、景区、机场内部道路其实适合低速无人接驳车跑，路线短、环境可控、用户预期不高。我试过在一个园区里坐无人小巴，时速也就二十公里出头，晃晃悠悠的，但工作人员说它一天能跑几十趟，省下来的人力够养好几个后台运维。这些碎片化的特定场景拼在一起，构成了商用车自动驾驶落地的真实图景，没有大众想象中那么炫酷，却每一步都踩在商业逻辑上。
2.3 支撑商业化落地的关键要素
法规标准这块，国内走的是试点先行、逐步立规的路子。L3准入试点在几个城市铺开之后，责任认定的框架慢慢清晰了，车辆激活自动驾驶期间出事故，主机厂要承担主要责任。这个变化对保险公司来说是个大课题，我了解到一些车企已经在和保险公司谈专属条款，保费怎么定、数据怎么共享、理赔流程怎么走，都在磨合。有个保险行业的朋友跟我说，他们最头疼的是事故复现，自动驾驶系统黑箱一开，责任拉扯能拖好几个月。数据记录装置和事件数据记录系统正在成为标配，这玩意儿就像飞机的黑匣子，出事之后谁的责任一目了然。
数据闭环是另一个容易被忽视的命脉。我采访过一家做数据标注的公司，他们专门帮车企处理路测数据，把长尾场景筛出来喂给模型训练。这套流程跑得越顺，系统迭代就越快。算力基础设施也跟着吃紧，训练端的大模型动辄需要几千张GPU卡，推理端在车上的算力需求也在涨。有个做云服务的哥们儿跟我抱怨，说车企的训练集群规模膨胀得太快，机房都快装不下了。产业链协同更微妙，芯片厂、传感器厂、主机厂、算法公司、出行平台之间的接口标准不统一，每家都在推自己的方案，兼容成本最后都转嫁到整车价格上。我观察到一些头部玩家开始牵头做联盟，试图把接口规范统一起来，效果还有待观察。
2.4 自动驾驶进展中的挑战与趋势展望
长尾场景是我最关心的挑战，没有之一。常规场景下系统开得比人稳，这个我信，公开数据也支持。问题在于那些百年一遇的奇葩路况，比如暴雨积水路面漂着一只塑料桶，或者前方货车掉下来一个不规则形状的异物，人类司机瞟一眼就能判断，系统可能就懵了。我跟一个做测试的工程师聊，他说他们团队每天的工作就是满世界找这些奇葩场景，找到之后复现、标注、训练，周而复始。这种苦活累活没有捷径，只能靠时间和里程堆。
安全验证的方法论也在变。以前靠实车路测累积里程，现在更多靠仿真测试和影子模式，把真实路况数据灌进虚拟环境里反复跑。我见过一个仿真平台，能在一晚上跑完几百万公里的虚拟里程，场景库里有几万个极端案例。这玩意儿不能完全替代实车，但能大幅压缩验证周期。盈利模式的探索还在早期，乘用车靠软件订阅和硬件预埋挣钱，Robotaxi靠运营效率挣钱，商用车靠省油省人挣钱，每条路的账本都不一样。全球化竞争这块，中国玩家在落地速度和成本控制上有优势，但在基础芯片和开发工具链上还有短板要补。
规模化前景我个人持谨慎乐观的态度。乘用车高阶辅助驾驶会先上量，因为它的商业模式最轻，用户付费意愿在涨。Robotaxi会在更多城市铺开，但全无人运营的监管门槛不会一下子放开。商用车特定场景会最早跑通盈利模型，因为账算得清楚。我不太相信某一天突然满大街无人驾驶的叙事，更相信它像潮水一样慢慢涨上来，今天淹没一个场景，明天淹没一个城市，等大家回过神来，已经退不回去了。
回头看我这些年跟踪自动驾驶的经历，最深的感受是它没有一条笔直的路。每往前一步都伴随着新的麻烦，每个麻烦解决之后又冒出来两个。可你要问我它有没有在往前走，我的答案是肯定的。那些坐在无人车里刷手机的乘客、那些在矿区连轴转的无人矿卡、那些在高速上编队省油的卡车，都是这条路上留下的脚印。未来会怎样，我不敢打包票，但我知道它不会停在原地等谁。
