1. 从“白卷”说起自动驾驶的喧嚣与真实门槛最近看到一份关于自动驾驶的“白卷”挺有意思的。这让我想起几年前行业内外对“无人车”的讨论几乎都围绕着谷歌、特斯拉、百度这几家明星公司。大家热衷于比较谁家的车在路上跑得更多谁的演示视频更酷炫谁又拿到了新的牌照。仿佛一夜之间L4、L5级别的完全自动驾驶触手可及。然而几年过去当初的许多豪言壮语似乎并没有完全兑现。那份“白卷”或许正是对这种狂热预期的一种冷静反思——它提醒我们在通往真正无人驾驶的道路上还有许多空白需要填补许多基础问题尚未解决。今天我们不谈遥远的未来也不做简单的公司排名而是想从一个一线从业者的视角聊聊这几家代表性企业技术路线的真实进展、它们面临的共同困境以及我们距离“无人”二字究竟还有多远。这背后是算法、数据、硬件、法规乃至社会接受度的一场漫长马拉松而我们现在可能刚刚跑过第一个补给站。2. 技术路线的分野谷歌、特斯拉与百度的核心逻辑要理解进展必须先看清他们各自选择的道路。这三家公司恰好代表了自动驾驶三种典型的技术哲学和商业模式其差异远比表面上的“谁更领先”要深刻。2.1 Waymo谷歌高举高打的“机器人出租车”模式Waymo脱胎于谷歌的“谷歌无人车”项目是自动驾驶领域公认的先驱和“学院派”代表。它的核心逻辑非常清晰一步到位追求最高安全等级的L4级自动驾驶并直接应用于RoboTaxi自动驾驶出租车商业运营。技术栈特点多传感器深度融合的“重感知”路线Waymo的车辆通常搭载激光雷达LiDAR、毫米波雷达、摄像头等多套传感器系统构成冗余。尤其是激光雷达是其感知世界的核心“眼睛”能生成高精度的三维点云地图。这种方案追求的是在极端复杂环境下如无保护左转、施工区、突发行人闯入的绝对安全性感知能力强但成本极高。高精地图依赖Waymo在其运营区域如凤凰城、旧金山会事先采集制作厘米级精度的高精地图。车辆在运行时会实时感知的结果与高精地图进行匹配定位相当于有一个“上帝视角”的预存记忆这让路径规划更加稳定。但这也意味着拓展新城市需要巨大的前期测绘和制图成本。仿真与真实路测并重Waymo建立了庞大的仿真系统“Carcraft”让虚拟车辆在数字世界中经历数百万英里的极端场景测试以弥补真实路测数据的不足加速算法迭代。进展与困境进展Waymo在凤凰城等地已经开展了去掉安全员的完全无人化收费运营这是目前全球范围内技术最成熟、监管最认可的RoboTaxi服务之一。它证明了在限定区域ODD设计运行域内L4级自动驾驶在技术上是可行的。困境成本与规模化是最大挑战。一套自动驾驶套件成本曾高达数十万美元虽在下降但仍远未达到消费级水平。拓展新城市耗时耗力商业模式沉重。此外在极端天气如大雨、大雪下激光雷达等传感器的性能会大打折扣限制了其运营范围。2.2 特斯拉激进的“纯视觉”与影子模式特斯拉走了一条与Waymo几乎完全相反的道路其核心是以量产车为载体通过海量数据驱动渐进式地实现全自动驾驶FSD。技术栈特点“纯视觉”感知路线特斯拉摒弃了昂贵的激光雷达主要依靠环绕车身的摄像头阵列辅以毫米波雷达近期也在弱化其作用模仿人类驾驶的视觉输入。其核心在于通过深度神经网络将2D图像信息重建为3D的“向量空间”Occupancy Network理解道路结构、障碍物和可行驶区域。数据驱动的“飞轮”这是特斯拉最大的优势。全球数百万辆特斯拉车辆在车主开启Autopilot或FSD时其传感器数据尤其是处理棘手场景时的数据会以“影子模式”匿名上传。特斯拉利用这些海量的、覆盖全球各种路况的“长尾问题”数据不断训练和优化其神经网络。这个数据闭环是其技术迭代的引擎。端到端AI的探索特斯拉正在从传统的模块化架构感知-预测-规划-控制向端到端神经网络演进。即输入摄像头原始视频直接输出方向盘、油门、刹车控制信号。这更接近人类驾驶的直觉但对模型和数据的要求呈指数级增长。进展与困境进展FSD Beta版本在北美已向大量用户推送能够处理城市街道的复杂路况表现令人印象深刻。其软件通过OTA空中升级不断进化用户体验迭代速度极快。从辅助驾驶L2到高阶自动驾驶L2的渗透率无人能及。困境安全性质疑与监管压力始终存在。“纯视觉”在逆光、强眩光、恶劣天气下的可靠性是理论上的弱点。多次与自动驾驶相关的事故调查让特斯拉备受 scrutiny。此外其“全自动驾驶”的命名和营销方式在多地引发法律纠纷。最重要的是FSD目前仍然是L2级系统要求驾驶员全程监控距离真正的“无人”尚有本质区别。2.3 百度Apollo车路协同与平台化赋能百度的Apollo计划走的是“平台化”和“车路协同”的中国特色路线。其目标是既提供领先的自动驾驶技术也打造开放的生态平台并推动智能交通基础设施的建设。技术栈特点“车路云图”全栈技术百度强调“单车智能”与“车路协同”结合。除了自研的自动驾驶系统类似Waymo的多传感器融合方案还大力部署路侧的智能感知设备RSU通过5G等网络将红绿灯信息、盲区风险等“上帝视角”信息下发到车辆以降低单车智能的难度和成本。“萝卜快跑”RoboTaxi与“ANP”智驾产品双线并行一方面在北京、武汉、重庆等地提供RoboTaxi出行服务与Waymo模式类似。另一方面将其自动驾驶技术降维应用到量产乘用车上推出领航辅助驾驶产品ANPApollo Navigation Pilot与车企合作对标特斯拉FSD和蔚小理等公司的城市NOA功能。高精地图与仿真百度拥有国内领先的自动驾驶高精地图资质和能力同时其“昆仑”仿真平台也提供了大规模的虚拟测试环境。进展与困境进展“萝卜快跑”在国内多个城市实现了全无人商业化运营订单量增长迅速。ANP等智驾产品也已搭载于多款量产车型。百度的优势在于对本土复杂交通环境如混合交通流、随机性强的行人电瓶车的理解以及与地方政府在智能交通项目上的深度合作。困境车路协同的商业模式和标准统一是长期挑战。基础设施建设投资巨大跨区域、跨品牌的标准统一困难。RoboTaxi业务同样面临规模化盈利的压力。在面向消费者的智驾产品上需要与强大的本土车企和科技公司如华为、小鹏激烈竞争。注意这三条路线并无绝对优劣而是在不同约束条件下的最优解探索。Waymo追求极致安全但牺牲了成本与速度特斯拉追求规模与数据但承受着安全性质疑百度试图结合技术与基建但面临协同复杂度。这份“白卷”的一部分就体现在任何一条路线都尚未能交出“低成本、全场景、真无人”的完美答卷。3. 共同的“白卷”区域那些尚未攻克的技术与工程难题抛开公司间的差异当我们审视“无人车”这个终极目标时会发现一张巨大的、尚未填满的“白卷”。这些是行业共通的深水区。3.1 长尾场景的“认知鸿沟”这是自动驾驶最核心的挑战。所谓长尾场景是指那些出现频率极低、但种类无限多的极端或罕见情况。比如一个穿着卡通人偶服的行人突然从路边车辆后窜出。道路上出现被风吹来的塑料膜或气球。交警临时做出的、非标准化的指挥手势。前车掉落的不规则形状货物。人类司机可以依靠常识和模糊推理“那东西看起来不像固体可能危险不大”快速处理。但当前的AI系统严重依赖数据驱动。没有见过、或类似数据不足的场景系统就可能“懵掉”做出急刹、误判等危险行为。特斯拉的“影子模式”正是在试图收集这些长尾数据但数据的收集、清洗、标注、训练成本极高且永远有未见过的新场景出现。如何让机器具备类似人类的常识和因果推理能力是AI在自动驾驶领域面临的根本性“白卷”。3.2 预测与交互的博弈困境自动驾驶不是独舞而是与周围数十个交通参与者人、车的实时博弈。难点在于意图预测的不确定性旁边车道的车辆是准备平稳行驶还是即将不打灯变道前方骑自行车的人会不会突然扭头逆行这些意图预测充满不确定性。当前系统多基于物理轨迹和简单规则进行预测对深层意图如司机分心、路怒的建模能力很弱。交互的“鸡生蛋”问题为了安全自动驾驶车通常表现得非常保守、可预测。但这在人类主导的交通流中有时会导致低效甚至引发后车不满如过于谦让导致路口堵塞。如何让自动驾驶车表现得既安全又“像老司机”一样流畅能与人类进行有效的、隐性的沟通如稍微靠前一点表示我要变道是一个巨大的行为设计难题。这涉及到社会心理学和博弈论目前的研究和应用仍处于非常初级的阶段。3.3 成本、可靠性与车规级的严酷考验要让技术走出实验室和测试区成为百万量级消费者买得起、用得放心的产品必须跨过工程化的“死亡之谷”。硬件成本激光雷达从数万美元降到数千美元仍是整车成本的重大负担。算力芯片、高精度定位单元等同样价格不菲。如何在保证性能的前提下将整套系统成本压缩到消费者可接受的范围例如数千元人民币级别是量产的前提。系统可靠性车规级消费电子允许死机重启但汽车系统要求故障率低于10^-9十亿分之一。自动驾驶的软硬件系统复杂度远超传统汽车如何确保在高温、高寒、振动、电磁干扰等严苛环境下7x24小时连续工作数年不出致命错误这需要从芯片、传感器到算法、软件架构的全栈车规级设计和验证周期长、投入大。数据闭环与OTA的挑战特斯拉式的持续OTA升级是双刃剑。一方面能快速改进另一方面每次升级都意味着对已认证系统的更改如何确保升级后的系统在所有场景下都比之前更安全如何管理不同版本软件在车队中的分布这带来了全新的质量保证和监管难题。3.4 法规、责任与伦理的空白技术之外社会规则的“白卷”同样醒目。责任认定当一辆完全无人的车发生事故责任方是车主、软件提供商、汽车制造商、还是传感器供应商现有的交通法规基于人类驾驶员设定无法直接套用。需要全新的法律框架和保险产品。安全标准与认证如何证明一辆自动驾驶车比人类司机更安全需要多少里程的测试数据采用什么样的测试标准仿真、封闭场地、真实道路的比例全球范围内尚未形成统一、权威的认证体系。伦理选择经典的“电车难题”在现实中可能以更微妙的形式出现。算法的决策逻辑是否需要公开透明可解释AI在不可避免的事故中保护车内乘客还是车外行人这些伦理预设需要社会共识并写入代码而这远非技术公司能独自决定。4. 从“演示demo”到“量产产品”我们走到了哪一步综合来看我们可以用一个更务实的框架来评估进展不是问“无人车来了吗”而是问“自动驾驶技术在哪些场景、以何种形式、为用户创造了什么价值”目前行业已经清晰地分化为几个价值落地层次1. 限定区域的RoboTaxiL4以Waymo、百度“萝卜快跑”为代表。价值提供一种新的、无需司机的点对点出行服务。现状技术基本可行在天气良好、高精地图覆盖的特定区域如城市核心区、园区能实现安全运营。核心瓶颈是成本和规模化扩张速度。这更像是一个需要长期培育的“运营商”业务而非短期内能普及的消费产品。2. 高速/城市快速路的领航辅助驾驶NOA属L2这是当前竞争最激烈的“主战场”特斯拉FSD、小鹏NGP、华为ADS、百度ANP等都在角逐。价值在结构化道路上有清晰车道线、较少交叉路口大幅减轻驾驶员长途驾驶的疲劳处理跟车、变道、出入匝道等任务。现状用户体验快速提升用户接受度越来越高正在从“尝鲜”走向“常用”。但本质上仍是高级辅助驾驶驾驶员需承担最终责任。技术难点在于复杂匝道、交通流汇入等场景的稳定处理。3. 城市道路的领航辅助驾驶城市NOA属L2这是从高速向更复杂城市场景的延伸被誉为“皇冠上的明珠”。价值覆盖用户最高频的日常通勤场景实现“点对点”的辅助驾驶。现状头部玩家已开始大规模推送测试能处理红绿灯、无保护左转、避让行人非机动车等任务。但通行效率、舒适度、应对突发状况的能力参差不齐频繁的接管提醒仍会影响体验。它处于“可用”但远未“好用”的阶段是技术、数据、算法综合能力的试金石。4. 低速封闭场景的无人驾驶L4如无人配送车、无人环卫车、港口矿区无人卡车等。价值在速度低、环境相对可控的场景下替代重复性、危险性劳动。现状商业化落地最快、最务实。因为场景受限、速度慢安全相对可控对成本的容忍度也更高。这可能是自动驾驶技术最先实现规模化盈利的领域。所以当我们问“进展如何”时答案是多维度的在特定场景的无人化上我们已经看到了成功的商业服务在量产乘用车的智能体验上我们正经历着每年甚至每季度一次的显著升级但在全场景、真无人、低成本的终极目标上我们面前确实还摊着一张布满难题的“白卷”。5. 一线开发的实战心得算法迭代中的那些“坑”作为一名算法工程师在模型训练和部署中有些“坑”是文档里不会写的却实实在在影响着系统表现。1. 数据质量远比数据量重要。早期团队容易陷入“数据饥渴症”盲目追求采集更多里程。但未经严格清洗和标注的数据尤其是带有错误标签或模糊边界的数据对模型训练是毒药。一个常见的坑是“脏数据”会教坏模型。例如标注员将一些极端天气下模糊的物体误标为“背景”模型学到后在类似天气下就可能对真实障碍物视而不见。我们建立了一套数据自动化的“质检-清洗-挖掘”流水线投入的工程师数量不亚于算法团队。心得是宁可要1000公里高质量、高多样性的精标数据也不要100万公里未经处理的原始数据。2. 仿真与真车测试的“虚实差距”管理。仿真测试速度快、成本低、能复现极端场景是必不可少的工具。但最大的陷阱在于过度依赖仿真导致“仿真王者真车菜鸟”。这是因为仿真环境中的传感器模型、物理引擎、交通流模型无论如何逼真都与现实存在差距。我们的策略是构建“仿真-真车”闭环将真车路测中遇到的Corner Case边缘案例快速转化为仿真场景加入测试库。定期进行“影子模式”对比让同一版算法同时在仿真和真车影子模式下跑同一段真实路线的数据对比两者的决策差异分析差异来源持续修正仿真模型。设置通过标准一个新算法版本必须在仿真中通过数万个特定场景测试并且在真车影子模式下跑够一定里程且关键指标如误刹车率、舒适度评分无退化才能进入下一阶段测试。3. 模型版本迭代中的“性能回退”幽灵。这是一个令人头疼的问题新模型在测试集上各项指标准确率、召回率都优于旧模型但一上车路测在某些特定场景下表现反而更差。原因往往是测试集分布偏差测试集未能覆盖新模型引入的、新的失败模式。过拟合到次要特征新模型可能学到了训练数据中某些与目标强相关但非因果的“捷径特征”。例如通过识别特定的背景建筑来判断前方是否有停车标志一旦换到新区域就失效。多任务学习的负迁移在共享 backbone 的网络中优化A任务如车辆检测时可能无意中损害了B任务如车道线检测的性能。我们的应对方法是引入“场景化回归测试集”不仅看整体指标更将测试集按场景如雨天夜间、施工区、异形车细分确保新模型在每个细分场景上的表现都不低于基线。同时对模型进行可解释性分析查看其注意力机制是否聚焦在合理的物体区域。自动驾驶的研发是一个在无数细节上“填坑”的过程。每一次OTA升级背后都是对海量数据、复杂模型和工程化挑战的又一次攻坚。看到“白卷”不是悲观而是清醒。它划定了我们已知的未知而真正的突破往往就发生在努力填写这些空白的过程中。对于从业者而言与其追逐遥远的概念不如深耕眼前的一个具体问题如何让感知在暴雨中更稳定如何让预测模型更好地理解骑手的意图如何将系统延迟再降低10毫秒这些微小的进步最终将连成通向未来的道路。