1. 从“技术壁垒”到“工程壁垒”一次认知的刷新最近蔚来CEO李斌关于“无人驾驶已无技术壁垒”的言论在圈内圈外都激起了不小的水花。作为一个在汽车电子和软件领域摸爬滚打了十几年的从业者看到这个标题我的第一反应不是赞同或反对而是觉得这背后反映的其实是我们整个行业对“无人驾驶”这件事的认知正在经历一次关键的迭代。很多人包括不少行业内的朋友一听到“无技术壁垒”可能会下意识地理解为“技术难题都解决了马上就能普及了”。这其实是一个巨大的误解。李斌所说的“无技术壁垒”更准确的理解是构成无人驾驶的基础技术组件比如感知用的激光雷达、摄像头、毫米波雷达决策用的AI芯片、算法框架执行用的线控底盘其单项技术的成熟度和可获得性已经非常高。换句话说十年前困扰我们的“有没有”的问题比如“能不能造出满足车规的激光雷达”、“有没有算力足够的车载芯片”现在已经基本解决了。这些“砖块”已经备齐并且性能越来越好价格也在下降。但这绝不意味着把这些“砖块”堆起来就能自动建成一座坚固、美观、能住人的“大厦”。从“有砖”到“有房”中间隔着巨大的鸿沟这个鸿沟就是我们今天要深入探讨的“工程化壁垒”。它远比单一的技术难题更复杂、更琐碎、也更考验一家公司的综合实力。接下来我就结合自己这些年参与和观察到的项目拆解一下无人驾驶从“技术可行”走向“规模商用”到底还有哪些硬骨头要啃。2. 核心挑战一“长尾问题”与海量场景的工程化覆盖无人驾驶研发中最常听到的一个词就是“长尾问题”。什么是长尾简单说就是你解决了99%的常见路况比如晴天、城市主干道、清晰的车道线但剩下的1%是由无数个极端、罕见、甚至诡异的场景构成的“长尾”。这1%的场景可能只占总行驶里程的极小部分但却占据了研发精力的绝大部分并且是安全风险的主要来源。2.1 “长尾”的具体形态远比想象中复杂这些长尾场景绝不仅仅是“暴雨暴雪”那么简单。我举几个亲身经历或听闻的真实案例静态障碍物的“语义陷阱”一个横在路中间的废弃轮胎和一个颜色、形状相似的井盖在雷达点云和视觉图像上可能非常相似。但驾驶策略天差地别轮胎需要绕行井盖可能可以直接压过。如何让系统理解这背后的“语义”这需要海量的、精准标注的、包含此类罕见物体的数据来训练模型。动态交通参与者的“意图博弈”一个在路口徘徊的行人他是在看手机等红灯还是在寻找过马路的机会一辆打灯却迟迟不并线的车辆司机是犹豫不决还是忘了关转向灯这涉及到对人类行为意图的预测是当前决策规划算法的核心难点。单纯依赖轨迹预测已经不够需要结合场景上下文路口、学校、公交站进行综合判断。基础设施的“非标挑战”临时施工的锥桶摆成了不规则的曲线褪色严重的旧车道线和新划的线重叠在一起夜间没有路灯的乡村道路仅靠车灯照明。这些基础设施的不规范、不完善是中国的特色路况要求感知系统有极强的鲁棒性和泛化能力。“鬼探头”与盲区博弈这可能是最经典的长尾场景。路边停满大巴的公交站突然窜出的行人岔路口被绿化带完全遮挡的横向来车。解决这类问题不能只靠本车的传感器还需要车路协同V2X或纯视觉的“透视”预测能力这对感知距离、延迟和预测精度提出了极限要求。2.2 解决“长尾”的工程化路径数据驱动的闭环认识到长尾问题只是第一步如何系统性地解决它才是工程化的核心。目前行业公认的路径是构建“数据驱动的闭环”。这个闭环听起来高大上拆解开来就是一套极其庞大和精密的系统工程海量数据收集与自动化处理车队需要收集数百万甚至上亿公里的真实道路数据。难点不在于收集而在于处理。如何从PB级的数据中自动筛选出那“有价值”的1%的Corner Case极端案例这需要先用一个“影子模式”系统在后台默默运行对比人类驾驶和AI驾驶的决策差异或者自动检测感知异常、接管请求等事件将其触发时刻前后数十秒的数据包自动上传到云端。这本身就是一套复杂的触发和回传系统。数据标注的“效率与成本”平衡筛选出的数据需要被标注。一个复杂的城区路口场景可能需要标注上百个目标车、人、非机动车的3D框、轨迹、属性是否打灯以及车道线、交通标志等。全人工标注成本是天价。因此必须发展自动化、半自动化的标注工具链比如利用激光雷达点云预生成3D框人工只需微调或者用已训练好的模型进行预标注人工进行质检和修正。这套工具链的效率和精度直接决定了数据迭代的速度。仿真测试的“保真度”挑战不可能所有测试都在实路上进行尤其是危险场景。因此需要高保真的仿真系统。这里的工程难点在于如何“复现真实世界”。不仅仅是几何复现道路模型更重要的是物理复现车辆动力学、传感器噪声模型和交通流复现其他交通参与者的智能行为。一个优秀的仿真平台需要能导入真实路采数据并在此基础上进行泛化、衍生创造出新的但合理的危险场景。仿真与实车测试的比例目前领先的企业已经能做到100万:1甚至更高这背后是巨大的算力投入和算法工程。模型训练与部署的“敏捷性”当新的数据和处理好的场景加入后需要快速重新训练模型并验证其效果。这涉及到大规模的分布式训练集群管理、模型版本管理、以及将训练好的模型轻量化压缩、量化以适配车端有限的算力资源。如何确保新模型在解决旧问题的同时不引入新的问题即“模型回退”需要一套完整的A/B测试和回归测试流程。注意这个数据闭环的每一个环节都充满了工程细节的“魔鬼”。比如数据脱敏的合规性、云端和车端数据格式的统一、跨地域数据中心的同步、标注质量的控制体系等等。这些都不是突破某个算法就能解决的需要一支涵盖软件、硬件、算法、测试、运维的庞大团队进行多年深耕。3. 核心挑战二成本、可靠性与车规级的严苛考验即使算法再聪明如果无法以合理的成本、满足车规级的可靠性和安全性进行量产那也只能是实验室里的玩具。这是将技术转化为商品过程中最残酷的一道过滤器。3.1 硬件成本的“甜蜜点”博弈无人驾驶的硬件系统主要包括传感器激光雷达、摄像头、毫米波雷达和计算平台AI芯片、域控制器。激光雷达曾是天价部件如今价格已大幅下探。但工程上的挑战从“买不起”变成了“用不好”。如何保证激光雷达在车辆全生命周期10年以上内面对振动、高低温、水汽、灰尘时性能衰减在可接受范围内其光学窗口如何自清洁、防结冰点云数据与摄像头数据的时空同步精度如何达到毫米级这些是车规级如AEC-Q100和功能安全ISO 26262提出的硬性要求。计算平台算力需求呈指数级增长。但车规级芯片不仅要算力强更要功耗低、散热好、可靠性高。消费级芯片常见的“死机”、“蓝屏”在车上意味着致命风险。因此计算平台通常采用“异构设计”高性能AI芯片如Orin, 地平线征程系列处理感知和融合高安全性的MCU微控制器负责监控和冗余控制。两者之间的通信、软硬件协同设计、操作系统通常是QNX或Linux与AUTOSAR的混合的适配是复杂的系统工程。系统成本业界一直在寻找成本与性能的“甜蜜点”。纯视觉方案如特斯拉极力压低硬件成本将压力全部给到算法。多传感器融合方案如蔚来、小鹏则相信冗余能带来更高的安全上限。这两种路径的选择本身就是一场巨大的工程和战略赌博涉及到供应链管理、技术栈掌控力和对算法演进速度的判断。3.2 软件可靠性与功能安全Functional Safety这是传统汽车电子与新兴智能软件碰撞最激烈的领域。无人驾驶系统是一个典型的“安全关键系统”。预期功能安全SOTIF这是针对自动驾驶的新课题。核心是处理“已知的不安全场景”和“未知的不安全场景”。比如系统知道自己在大雾天性能会下降已知不安全那么策略可能是主动降级或要求接管。但更棘手的是系统可能在一个自己认为“一切正常”的场景下做出错误决策未知不安全。应对SOTIF没有银弹只能通过前述的数据闭环和测试不断扩大“已知安全”的范畴缩小“未知不安全”的领域。冗余与降级策略任何部件都可能失效。因此关键系统必须有冗余。比如制动系统有电子制动和机械冗余制动供电系统有主电源和备用电源感知系统即使失效一个激光雷达也能依靠其他传感器组合实现“跛行回家”功能。设计这些冗余架构并定义清晰的、不同失效模式下的系统降级策略如从高速领航辅助降级到车道保持再降级到仅危险警告是一套极其复杂的系统设计和验证工作。软件OTA与版本管理与传统汽车软件“一版定终身”不同智能汽车的软件需要持续迭代。这意味着你卖出去的车其核心功能在后期还可能发生重大变化。如何设计一个稳定、安全、支持差分升级的OTA系统如何管理海量车辆上不同版本的软件如何确保新版本升级后不会与车上的其他控制器ECU产生兼容性问题这相当于要运营一个面向百万级移动硬件的“云-端”协同操作系统。4. 核心挑战三法规、伦理与商业模式的现实困境技术之外无人驾驶的落地还捆绑着一系列非技术因素这些因素同样构成了坚实的壁垒。4.1 法规与责任认定的模糊地带当前全球的汽车法规体系是基于“人类驾驶员是责任主体”这一前提建立的。当驾驶主体变为机器时一系列问题随之而来事故责任认定发生事故后数据黑匣子EDR的数据如何解读、由谁鉴定是算法缺陷、传感器故障、还是地图数据错误责任在车企、软件供应商、还是车主现行的《道路交通安全法》难以直接适用。产品准入与认证如何对一套不断进化的AI系统进行“型式认证”是认证某个特定版本还是认证其整体的开发流程和安全保障体系目前国内外都处于试点和立法探索阶段没有成熟、统一的标准。数据安全与隐私车辆采集的海量道路环境数据可能包含人脸、车牌和个人出行数据其所有权、使用权、跨境传输都面临严格的监管。符合各地法规如中国的《数据安全法》、《个人信息保护法》欧盟的GDPR是上市的前提。4.2 伦理选择的“电车难题”现实化这虽然是哲学问题但在工程上必须做出可执行的、一致性的选择。例如在不可避免的碰撞中系统应如何选择是优先保护车内乘员还是车外行人不同的选择背后是不同的伦理价值观而任何明确的编程选择都可能使车企面临巨大的道德和法律风险。目前行业的实践是尽可能避免将自己置于这种极端两难境地通过提升系统的感知和预测能力更早地识别并规避风险。但这并未从根本上解决问题。4.3 商业模式的探索谁为价值买单这是最终决定无人驾驶能否大规模推广的关键。高等级的无人驾驶系统硬件成本高昂软件研发投入更是无底洞。一次性卖断将成本计入车价。这会导致车辆售价过高可能只有少数高端车型能够搭载难以普及。订阅服务SAAS用户按月或按年付费订阅功能如蔚来的NOP。这种模式能分摊前期成本持续获得收入用于迭代也更符合软件服务的本质。但用户是否愿意持续付费取决于服务的实际价值节省的时间精力、提升的安全性是否明显高于费用。Robotaxi自动驾驶出租车这是最彻底的商业模式变革将“卖车”变为“卖运力”。但其商业闭环的成立依赖于技术真正达到“无人化”以移除司机成本并且车队规模要足够大以降低单车成本。目前仍在巨额投入和试点阶段。对于像蔚来这样的车企其商业模式是混合的通过高端车型搭载硬件预埋向用户提供软件订阅服务同时也在自研技术为更长远的出行服务做准备。这种多线作战对公司的资金、技术和战略定力都是极限考验。5. 个人观察蔚来的路径与行业的“马拉松”回到李斌的言论放在蔚来的语境下去看或许能更好地理解。蔚来走的是“全栈自研高端硬件预埋”的路线。从NT2.0平台开始其车型就标配了包括激光雷达在内的多颗高性能传感器和Adam超算平台。这意味着它在硬件层面已经为高阶智能驾驶铺好了路。李斌所说的“无技术壁垒”可以解读为在蔚来设定的这条技术路径上核心的硬件和基础软件组件已经就位大家站在了同一起跑线上。接下来的竞争就是看谁能在前面提到的工程化壁垒上跑得更快、更稳谁的数据闭环效率更高能更快地“消化”长尾问题谁的系统集成能力更强能保证硬件的可靠性和软件的稳定性谁的体系化成本控制更好能在提供优质体验的同时找到盈利的平衡点谁的品牌和用户运营能支撑起软件订阅的商业模式这不再是一个靠几个天才算法工程师就能颠覆的“短跑”而是一场考验资金耐力、工程能力、体系管理和战略定力的“马拉松”。李斌的发言更像是一声发令枪宣告了比赛进入了下一个更艰苦、也更考验综合实力的赛段。对于我们从业者和普通观察者而言与其争论“有无技术壁垒”不如更关注一家公司在处理具体工程问题上的深度和耐心。比如它的数据标注产能如何仿真场景库的规模和保真度怎样OTA升级的成功率和用户满意度如何这些看似枯燥的细节才是真正区分“讲故事”和“做实事”的关键。无人驾驶的终局或许还很远但通往终局的每一步都踩在坚实的工程土地上。