城區L2普及在即，自動駕駛競爭轉向工程與組織的“耐力賽”

行業正進入比拼工程體系、組織耐力和成本控制的“苦工期”。最終勝負，取決于誰能率先建立起支撐長期競爭的工業能力

文｜《財經》特約撰稿人 宋立偉 趙成

12月的深圳，蘇箐站在 2025 地平線技術生態大會上說的第一句話是：“我其實有點無話可說。”這位被視為中國自動駕駛行業核心技術力量之一的人物，同時也是地平線副總裁與首席架構師，用這樣一句近乎“泄氣”的話開場，讓現場略顯意外。

剛從緊繃的量產周期中抽身，他對行業的判斷也顯得格外克制。在蘇箐看來，自動駕駛的大方向正在變得更加清晰，但由此暴露出的難度同樣開始回歸真實世界。

因此，他的演講與行業近來高漲的興奮氛圍之間形成了明顯的反差。蘇箐肯定2024年在技術路徑上的關鍵意義，同時提醒同行“別太嗨”——未來幾年未必是“再造奇跡”的窗口，而是一段拼工程體系、拼組織耐力的長周期。

地平線副總裁兼首席架構師 蘇箐 圖源：企業

這種冷靜并非只來自工程端的經驗判斷，市場端的跡象也在同步顯現。中國汽車工業協會常務副會長兼秘書長付炳鋒指出，2025年前十個月，中國新能源汽車銷量達到1294.3萬輛，滲透率逼近一半；具備組合輔助駕駛系統的新車滲透率突破六成。智能駕駛正快速從“可選項”滑向“必選項”。

但若把時間撥回兩三年前，這條賽道的推動力仍主要來自想象力。模型可以繼續做大，演示視頻可以更炫，但與“人類司機的自然度”之間依舊隔著明顯鴻溝。蘇箐坦言，那時的自動駕駛，本質上仍像一臺靠應激反應驅動的機器。

直到特斯拉FSD V12出現，把感知、決策、控制真正串在一條數據鏈路上，讓業內第一次看到：端到端不僅存在于論文中，也可以在真實道路上跑通。機器或許真的能從海量駕駛數據里學到那些難以寫成規則的“潛規則”。

方向因此更確定了。但方向確定之后，行業的真正難題也隨之浮出水面：在一個路徑更清晰的時代，自動駕駛接下來要解決的到底是什么？

人類最擅長的那部分，

機器最難學

蘇箐在演講中提出的第一個判斷，就帶著明顯的“反直覺”意味：越是人類覺得困難的工作，比如高等數學、復雜推理，對計算機反倒更容易；但越是人類從小習得的本能，比如開車、會車時的眼神交流，對機器來說卻是最難跨過去的。駕駛在他看來已屬于這種“天生技能”的范疇。

從外部看，人們往往會輕易得出一種結論：既然人類經過一段時間的學習就能開車，機器應該更容易做到。但在工程端，事實恰恰相反。蘇箐把自動駕駛工程師的工作形容為“在稠密的物理世界里處理連續事件”——量產節點不會停止，車每天都在路上跑，新場景與長尾問題源源不斷，沒有人能跳過。

回到幾年前，行業普遍覺得系統“基本能開”，但用人類司機的標準衡量，差距仍然明顯：大量場景處理不了、行為生硬、不自然，自動駕駛看上去更像一個隨時可能被觸發的應激系統。

2024年，特斯拉FSD V12 的發布成為他眼中的轉折點。那是第一次看到端到端方法不是停留在實驗室，而是在真實車輛上跑通——不再是感知依賴數據、決策規控依賴規則，而是整條鏈路交給數據學習。他把這種體驗比作看到“核裂變實驗”，其意義不在于結果有多完善，而在于路徑被證明可行。

但正因為路徑確定，他對未來三到五年的判斷顯得更加冷靜。他認為，目前看不到新的理論突破，“AI（人工智能）和 AGI（通用人工智能）的基礎理論在未來三到五年可能不會出現全新躍遷”。相應地，自動駕駛將進入一個以工程能力為主導的階段。

哪怕如此，他仍提出一個相當激進的工程目標：在未來兩到三年，把系統的MPI（平均每千公里接管次數）提升到5萬公里，甚至10萬公里一次，同時做到類人化與全區域泛化。這些目標并不聳動，卻讓“方向已定，但難度極大”的現實更加清晰。

半截革命被補完，

方法從“加法”變成“減法”

當行業開始回顧自動駕駛20多年的技術演進時，蘇箐選擇從最早的車隊講起：CMU（卡內基梅隆大學）時代高度依賴非視覺傳感器，幾乎所有能力都靠人工編碼堆疊；斯坦福團隊引入機器學習后有所突破；再到 Google、Waymo，把深度學習推到更大規模。過去這些階段看似連貫向上，但在他眼里，這場“革命”其實只完成了一半。

原因在于，深度學習主要重塑了“看得見”的部分——識別車輛、行人、信號燈等動態目標的確因此被帶上新臺階；然而在靜態的知識體系中，包括道路結構、優先級、策略選擇等仍需要依賴高精地圖補齊。

更關鍵的是，在感知之后的決策、規控環節，大量邏輯依然由規則控制。結果就是系統前半段數據驅動、后半段規則驅動，組合在一起，始終沒有產生“徹底換一種技術邏輯”的感覺。

在這種背景下，2024年之后的解決方法，其分歧變得愈發明顯。一部分團隊繼續沿著“模塊堆疊”的路線前進：針對不同場景、不同動作開發獨立能力點，讓系統像填空題一樣在二維平面上堆滿功能模塊；另一部分團隊則選擇只種“一棵樹”，即用一條大模型鏈路覆蓋盡可能多的能力，等它在足夠數據的喂養下自然長高、長粗。

地平線副總裁兼首席架構師蘇箐 圖源：企業

蘇箐顯然站在后側。他舉了一個內部測試的案例：團隊并未開發“靠邊停車”的獨立功能，但在一次繞行測試中，車輛主動變到了邊道，動作舒緩、合乎直覺，這也讓他意識到新的方法可能會自然長出能力，而不必逐模塊堆疊。他由此判斷，自動駕駛未來的路徑更像“減法”：先把人類駕駛數據全部集中起來，再把不需要的部分逐步減掉，而不是像過去那樣，把能力點一項一項往上“加”。

但這種方法帶來的壓力卻直接而沉重。模型規模變大、鏈路變長之后，每次訓練的成本都在攀升；模型行為不收斂、噪聲導致的系統失效等問題也變得更加突出。他坦言，做一輪完整試驗動輒就是十幾億元，還不一定成功。對于任何一家企業而言，這都意味著必須重新審視自己的真正壁壘——不是某個聰明的想法，而是能否支撐長期不確定性的工程體系與組織能力。

這些討論延伸到L4級自動駕駛，也讓行業看到了另一種對比。傳統L4級自動駕駛在追求極低MPI時，往往不得不疊加高精地圖、豪華傳感器，再把運行域切得很小，在每一塊區域里反復打磨。這套方法能拿到亮眼數據，卻極難大規模復制。換句話說，這種線性擴展在“全平坦世界”下很難走遠。

地平線副總裁兼首席架構師蘇箐 圖源：企業

當端到端方法跑通之后，他在開發中看到的變化十分直接：城市泛化速度大幅提升，在絕大多數城市測試時“天然沒有問題”，只剩下極少量的長尾場景需要處理。這種變化讓他相信，同一套方法有機會在成本可控的前提下，同時服務乘用車與Robotaxi。

方法論的分野仍在持續，但行業正在靠近一個共識：故事可能沒有以前那么好講了，但真正能把自動駕駛帶進現實世界的，恰恰是這些“看上去不那么浪漫”的工程進展。

當城區L2級輔助駕駛像自動擋一樣普及，

競爭將回到工程與組織能力

談及未來階段的重點，蘇箐把話題拉回了L2級城區輔助駕駛。他給出了一個簡單卻很能說明問題的類比。高階城區輔助駕駛未來會像自動擋一樣，不再由價格帶決定體驗好壞。10萬元的車、30萬元的車、50萬元的車，自動擋的好用程度不會有本質差異；那么 Urban L2（城區二級輔助駕駛），也終將走向同樣的狀態。

支撐這一判斷的，是他對計算機工業規律的理解：突破的代價極高，但復制成本極低。一條復雜能力鏈路可能需要龐大的資源投入才能第一次建立起來，但一旦路徑被驗證，后續復制到更多芯片、更多車型的邊際成本會急速下降。

他用一句帶有強烈工程味道的話來形容這種趨勢：再復雜的計算機，只要給它幾年的時間，“都會跟白菜一樣”。

因此，他認為接下來最重要的是“能不能以足夠低的成本與足夠快的節奏把Urban L2做得穩定”。一旦這一點被攻克，10萬元級別的車型具備城區二級輔助駕駛能力將成為自然結果，而不是宣傳亮點。

但想做到這一點，行業首先要面對的是更高的成本壓力。

中國市場長期處于價格戰之中，主機廠利潤空間被不斷壓縮，而自動駕駛不僅需要算力、算法、軟件、數據等多線投入，還必須在量產體系中處理海量長尾場景。這意味著企業要在三到五年內，既把系統做到足夠穩定，又把單車成本壓到合理區間。

在這里，蘇箐把“工程能力”和“組織能力”稱作一家公司真正的“工業母機”。他強調，決定一家企業能否穿過下一個不確定性階段的，不是一次性引入某項技術的勇氣，而是組織是否具備持續吸收新技術、處理由此帶來的爆發性問題、在大規模量產環境下消化長尾場景的能力。這類能力往往不顯眼，但卻是自動駕駛系統能否從實驗室走向日常使用的關鍵前提。

類似的思路，也出現在產業鏈其他技術型企業的演進中。12月8日，剛剛登陸港股的納芯微（02676.HK；688052.SH）同樣將組織能力視為公司突破發展瓶頸的重要基礎。在其創始人兼CEO（首席執行官）王升楊看來，強化組織能力是公司對抗競爭以及出海等不確定性的核心底氣與關鍵支撐。

產業鏈的其他參與者也在從不同角度補全這幅圖景。付炳鋒提醒，芯片企業與整車企業之間在軟硬協同上的效率仍需提升，端到端模型帶來的測試評價體系、數據安全、預期功能安全等關鍵領域，也需要行業盡快形成共識。

跨國車企則在加速本地化研發，例如大眾汽車集團已將原本由德國總部承擔的部分開發任務轉移至中國，以適應最快速的市場節奏。本土車企方面，則更多從生態協同的角度思考角色定位：哪些能力應由芯片與算法企業承擔，哪些體驗需要由主機廠主導，從而在更合理的專業分工下，提升整體效率。

在這樣的競爭框架下，未來三年看似不會出現太多能夠被拿來慶祝的“里程碑時刻”，但它們很可能決定哪些玩家能夠穿越下一輪技術周期。

責編 | 張生婷