文 | 大湾区人工智能应用研究院
过去几年，智能驾驶技术和市场普及都有长足的发展。从市场看，L2/L2+ 级别的辅助驾驶技术已经大规模商用，包括自适应巡航、车道保持、自动泊车等功能在众多车型上实现标配，根据 QuestAuto 统计，中国新能源汽车 L2 及以上辅助驾驶渗透率已达 77.3%；中美等国的多个城市都展开了 Robotaxi（L4 级别自动驾驶服务）的试点运营，积累了丰富的实际道路运营经验。
从技术上看，主流智能驾驶方案已经从早期的规则驱动转向了数据驱动，从经典 " 感知 - 决策 - 控制 " 模块化方案转向端到端神经网络，在这个过程中多模态大模型（VLM、VLA）也被引入智能驾驶的场景理解和决策。
与此同时，车载算力也在突飞猛进，以英伟达为例，过去几年发布的车载算力芯片从 Xavier 到 Orin 再到 Thor，算力从 30 TOPS 增长到最高 2000+TOPS; 国内以小鹏为例，其自研的图灵 AI 芯片单颗有效算力也达到了 750 TOPS，其最新发布的旗舰车型搭载 4 颗，有效算力也可超过 3000 TOPS。
此外，传感器的性能、成本、融合能力等亦有巨大的进步。以激光雷达为例，早期的机械激光雷达的成本高达几万美元，2020 年前后半固态激光雷达的成本降到了几千美元，而近期随着国内华为、禾赛、速腾聚创等激光雷达厂商的崛起，价格已经被打到千元人民币级别，同时探测距离、精度和可靠性则全面提升。根据盖世研究院统计，2025 年中国乘用车市场主激光雷达总装机量已达 275.6 万台，在新能源汽车市场的渗透率达到 21%，是 2 年前的近三倍（2023 年 8%）。
无人驾驶的技术难度级数上升
辅助驾驶技术这几年突飞猛进，再叠加大模型等 AI 技术的整体跃升，看起来我们离 L4/L5 级别的无人驾驶似乎只差 " 最后一小步 "。但恐怕还不能过于乐观，从智能驾驶到无人驾驶在技术，虽然距离不远，但难度是成级数上升的。
人类和机器获得驾驶技能，使用的是两套完全不同的机制。一个人从开始学习驾驶到上路，只需要几十个小时的学习就可以了，是一个非常高效的过程。之所以有这样的效率是因为人类并不是完全在这几十个学时里 " 从零学会驾驶 " 的。一个成年人坐进驾驶座之前，已经在现实世界中生活了很多年，早就具备了大量与驾驶有关的基础能力：我们知道什么是道路，什么是危险，能理解红灯停、绿灯行，也能凭经验判断前车为什么减速、行人是不是要横穿、电动车会不会突然并线等。也就是说，人类学习驾驶，除了在驾校学习的理论和上车驾驶训练，还把原本就存在的常识、经验、规则意识和风险判断，迁移到驾驶这个具体任务上。人类学会驾驶，靠的是对规则、环境、其他车辆与行人意图的理解，在少量实践的基础上进行举一反三的决策和执行。
机器驾驶（智能驾驶系统）走的是完全不同的路，早期更多依靠工程师编写规则：遇到红灯停车、检测到障碍物绕行——这种方式逻辑清晰、行为可解释，但规则永远无法穷举真实世界的复杂性，稍微偏离预设场景就会失效。正因如此，业界逐渐转向当前主流的 " 数据驱动 + 模式拟合 " 范式：用神经网络在海量数据上训练，让系统自行学习从感知输入到控制输出的映射。一套成熟的高阶智能驾驶系统，训练数据动辄以数千万公里甚至上亿公里计，相当于把成千上万名司机几十年的驾驶经验压缩后 " 喂 " 给模型。
模型从这些数据中统计地学到：在某种路况、某种光线、某种车流密度下，方向盘应当转多少度、油门应当踩多深、刹车何时介入。它学到的不是 " 红灯要停 " 这条规则本身，而是 " 在图像中出现红色圆形信号灯时，车辆通常会减速至零 " 这一统计关联。换言之，机器并不真正" 理解 " 驾驶，它只是在高维空间里拟合了一个足够复杂的映射函数——输入是摄像头、雷达、激光雷达采集到的环境特征，输出是方向盘、油门、刹车的控制信号。
这种 " 模式拟合 " 范式在训练数据充分覆盖的情况下，机器在感知精度、反应速度、一致性方面甚至可以超过人类司机——尤其是在结构化道路、良好天气、规则相对稳定的典型场景里。然而，正是这种以数据分布为根基的学习方式，埋下了智能驾驶到无人驾驶升级上最棘手的挑战——长尾问题（Long-tail Problem）。
所谓长尾，指的是这样一类现象：真实世界的驾驶场景服从一个极度不均衡的分布——绝大多数时间（比如 99%）里，道路是规整的、车流是有序的、行为是可预测的；但剩下时间占比不高的场景，却包含着数量庞大、形态各异、却每一种都极为罕见的场景：路面上横躺着一块与沥青颜色相近的轮胎碎片；施工路段的临时手势指挥与红绿灯信号相互矛盾；一辆超限货车的货物半挂在车外、形态从未出现在训练集中；暴雨导致部分车道被泥水掩盖，路面标线完全消失……甚至更多的是我们现在描述时根本无法想象出来的场景。
对于高度依赖数据驱动和模式拟合的机器驾驶来说，长尾问题的底层挑战在于：用有限的数据，无法覆盖无限复杂的现实世界分布。对于 L2 级别的辅助驾驶，这个问题在工程上是 " 可接受 " 的，因为默认人类仍在驾驶闭环中（human in the loop）：系统在高频、典型路况下大幅减轻了驾驶员负担，带来显著价值；遇到模型信心不足或没有见过的长尾场景，可以通过退出、报警，把控制权交还给人类接管。
换言之，有人类驾驶员做兜底时，长尾问题带来的更多是体验问题——提示多、不够丝滑、偶尔 " 罢工 "。无人驾驶则完全不同：L4/L5 意味着系统必须独立面对几乎所有真实发生的驾驶场景与道路不确定性，没有人类兜底的冗余。此时，长尾问题影响的不仅是体验，而是生死安全和系统整体可用性。在技术层面这是实现无人驾驶的最大挑战，对于基于模式拟合的机器驾驶系统，长尾是一道结构性的难关。
为了缓解长尾问题，业界一方面持续积累更多真实道路数据进行训练（如截至 2026 年初，Waymo 的完全无人驾驶车队在真实道路上的累计行驶里程已超过 1.7 亿英里），另一方面也大量使用合成数据和高保真仿真环境来 " 放大 " 罕见场景的样本量，构造覆盖更多边缘条件的训练集。这些做法确实能不断扩展系统对边缘场景（corner cases）的覆盖，但从数学分布的角度看，长尾本身的 " 长度 " 理论上是没有上限的，这些方法无法彻底解长尾问题。
要在根本上削弱长尾的破坏力，单纯依赖 " 模式拟合 " 的架构可能不够，需要引入更强的世界建模（world model）：让系统不仅学习 " 输入到输出的映射 "，还能够在内部模拟 " 如果我采取这个动作，世界会如何变化 "，从而具备对未见场景进行推理和预测的能力，而不是只能依赖训练数据中出现过的模式。这与人类驾驶员依靠对物理世界和他人意图的理解来应对新场景，在机制上更为接近。业界和学术界在积极探索这一方向，但仍有相当长的路要走。
从辅助驾驶到无人驾驶是整个系统的范式转变
从辅助驾驶进化到无人驾驶，除了技术上需要跃迁，也是一个根本性的整体范式转变：一旦驾驶责任主体从人转向系统，工程方法、监管框架、伦理压力、商业逻辑都要重写，这些变化在技术要求之外，构成了无人驾驶特有的一整套额外挑战。
首先，相比辅助驾驶，无人驾驶在系统可靠性上要求大幅提升，有些类似航空产品和消费电子产品的差别。原因是，辅助驾驶在工程要求上可以允许发生局部失效，比如摄像头被泥遮挡、激光雷达异常、计算芯片宕机或转向助力发生故障，只要系统能及时发现异常、退出并提示接管，人类驾驶员仍然可以兜底。
无人驾驶则要能做到全面容错，这就要求系统必须具备高等级的冗余设计，比如传感器、算力、供电系统、线控系统等都要增加冗余深度，这就不是在 L2 车辆上加器件就能解决的，而是涉及整车 E/E 架构的重新设计和成本增加。因为没有人类驾驶员接管，无人驾驶在工程上还要求有鲁棒的降级策略和退出机制：在何种情况下触发低速行驶、准备停车或远程求助，这类 " 故障工况下如何安全处理 " 的设计，是无人驾驶与辅助驾驶在工程方法上的根本差异，而不是简单的可靠性参数略微提高。
第二，无人驾驶时代的法规要求、监管框架需要重新设计。L2 辅助驾驶的世界里，驾驶主体仍然是人，智能驾驶只是一项 " 高级配置 "。一旦发生事故，如果是驾驶员注意力不集中、误用系统或违规操作，人要承担直接责任；如果存在系统缺陷，则通过产品责任、召回等机制追究制造商责任即可。在这种模式下，监管对象主要是整车厂和零部件供应商，监管方式也以静态的产品认证和事后追责为主。
进入无人驾驶时代之后，情况变得完全不同。事故成因不再局限于 " 人 + 车 " 这一简单组合，而可能源自感知算法的误判、规划策略的偏差、高精地图错误、通信链路故障、运维管理疏漏、远程协助决策不当等多个环节。涉及的主体也从 " 驾驶员 + 车企 " 扩展为乘客、车辆所有者、整车制造商、自动驾驶系统供应商、运营商、地图和通信服务提供方，甚至还包括负责远程监控和干预的服务商。要对这种多主体、多环节的风险做出合理划分，传统的责任结构显然不够用，需要设计分层、按环节区分的事故责任体系，才能实现 " 谁控制风险，谁承担相应责任 " 的原则。
与之相应，监管对象和监管方式也必须发生变化。监管对象从单一的制造商和供应链拓展到算法开发、数据运营、车队运营和远程协助等整个链条，监管内容必须从一次性的零部件标准、整车认证，变成以 " 准入 + 持续监管 " 为核心的动态体系：上路前要对系统安全性能和 ODD（运行设计域）进行评估和审批，运行过程中要有完备的数据记录机制和事故、险情强制报告制度，软件和模型的在线更新需要纳入合规审查和版本追踪。
对于中美等智能驾驶发展领先的国家来说，还有一个 " 监管尺度 " 的难题：如果监管过严，在试点阶段就可能把创新空间扼杀掉；如果监管过松，又可能在验证尚不充分时放大系统性风险，把成熟度不够的技术推向公众使用。如何在 " 安全底线 " 和 " 技术演进空间 " 之间找到动态平衡，本身就是无人驾驶时代长期要面对的政策难题。
第三，驾驶主体的改变也带来新的伦理困境。根据世界卫生组织的报告，全球每年约有 120 万人死于道路交通事故，我们可以做一个思维实验，在技术和制度都足够成熟的前提下，如果全面采用无人驾驶，可以将年度死亡人数降到一百万。这样的世界，社会是否可以接受？从实践来看，人类对机器驾驶的容忍度天然不对称：一个人类司机造成的车祸是 " 个案 "，一辆无人车造成的车祸会迅速放大为 " 对整个技术的审判 "。2018 年 Uber 无人车撞死行人事件直接导致 Uber 自动驾驶业务收缩并最终出售；Cruise 在 2023 年旧金山的一起拖行事故导致其被加州吊销牌照、业务几乎全线停摆。
经典的 " 电车难题 " 可以帮助我们清楚地看到无人驾驶的伦理问题。左转导致一人死亡、右转导致五人死亡，或者 " 牺牲老人 " 与 " 牺牲小孩 " 的选择，这对人类驾驶员本身就是伦理困境，但这种选择来自人类个体的情境化、带有恐惧和本能的瞬间反应是一回事，来自系统的、算法的决策完全是另一回事，人类对这两者的接受程度不同。我们能接受系统以怎样的方式在极端场景中权衡生命与风险，谁有权参与制定这些规则，这些规则是否存在算法歧视、是否足够透明、可审计和可修正。这类伦理困境是我们走向无人驾驶时代需要达成的新的社会共识，这并不容易。
第四，无人驾驶的成熟可能会要求商业逻辑的重构。对于今天的大多数车企来说，L2/L2+ 智驾本质上仍然是一项 " 配置 "，车企的商业逻辑依然是以一次性售卖硬件（汽车）为主。而一个真正大规模普及的无人驾驶图景，可能更接近 MaaS（Mobility as a Service，出行即服务）。未来相当一部分用户可能不再必须拥有一辆私家车，而是通过 Robotaxi 等方式按次、按时长或按里程购买出行服务。这样一来，车企的角色会从 " 制造商 " 转向 " 出行服务运营商 "，关键能力从制造、渠道、金融扩展到车队运营、算法平台和运力调度，收入结构从一次性销售转向长期运营回报，风险敞口也从单车质量风险扩展到系统级服务可靠性和城市出行网络的稳定性。而伴随无人驾驶的普及，现有的汽车保险行业、停车场、道路基建都将被重塑。换句话说，无人驾驶不是在现有汽车工业基础上加上一块 " 高端智能配置 "，而可能是对百年汽车产业商业根基的一次系统性重构，而这场重构本身同样会反过来影响技术推进的节奏与路径。
总结
我们距离真正的无人驾驶仍有相当的距离，这个距离不仅是技术上的，更是系统性的。技术角度，当前主流的 " 数据驱动 " 智能驾驶系统本质上是在进行模式拟合，缺乏人类的常识认知与逻辑推理能力。这导致系统在面对无限复杂、极低概率的 " 长尾 " 场景时往往无所适从。在没有人类驾驶员兜底的情况下，长尾问题不再是单纯的体验瑕疵，而是直接关乎生死存亡的结构性难关，仅靠堆砌训练数据难以彻底解决，需要往具备推理与预测能力的 " 世界模型 " 进行技术演进。
更重要的是，无人驾驶不是单纯的技术跃迁，而是一次系统性范式转变：它要求更高等级的冗余和安全验证，也会重塑法规责任、伦理边界和商业模式。驾驶责任从人转向系统后，事故责任划分、监管框架、社会接受度以及出行服务的商业逻辑都需要重新设计。也就是说，无人驾驶的真正落地，不仅取决于技术是否足够强，还取决于它能否在安全、法律、伦理和产业层面同时建立起新的社会共识。
