真正的自动驾驶,不在雷达,而在“看懂你”

一、全球主流玩家全景图：纯视觉+端到端路线的全球格局

当前全球L3+自动驾驶技术竞争已形成以特斯拉为先锋、中国科技企业为主力、Wayve与Momenta为新兴力量的三极格局，纯视觉+端到端路线正从“技术实验”迈向“全球量产主导”。

全球趋势共识：2025年全球端到端自动驾驶市场规模达38.57亿美元，预计2032年将达439.15亿美元，年复合增长率（CAGR）达34.6%。纯视觉路线因硬件成本低、数据效率高、OTA迭代快，正成为全球主流选择，激光雷达从“主传感器”降级为“安全冗余”。

二、视觉认知能力：从“感知”到“理解”的范式跃迁

人类驾驶的本质，不是“看到”物体，而是“理解”意图。

• 人类能识别“行人抬手示意过马路”→预判其将横穿；

• 能理解“前方车辆双闪”→推断其可能抛锚；

• 能在无标线路口，依据“社会规范”判断通行优先级。

当前端到端模型（如FSD V12）仍停留在**“高度熟练但不可反思的执行者”**阶段：

• 它能精准变道、避让，但无法解释“为何”变道；

• 遇到未训练场景（如交警手势、施工围挡），不会主动重评估任务，仅依赖训练数据中的统计模式。

新一代架构正突破这一瓶颈，迈向“视觉认知”：

• Percept-WAM（引望智能 & 复旦大学）：首次将世界感知（World-Awareness） 与行为决策统一于单一大模型，引入“World-BEV Token”，使模型不仅能“看到”障碍物，更能构建动态空间语义图谱，理解“这是一群学生正在过马路，需减速等待”。

• 视觉语言模型（VLM）：如Wayve与小鹏XNGP 3.0，已引入自然语言理解模块，可响应“在便利店前靠边”等语义指令，实现从“感知图像”到“理解意图” 的跨越。

• BEVFormer + Occupancy Networks：不再依赖“目标检测框”，而是以体素（Voxel）建模整个三维空间占用状态，可识别“散落的轮胎”“倒地的自行车”等非标准物体，实现类人空间常识推理。

关键结论：成熟的大模型必须具备“视觉认知”能力，即：感知 + 理解 + 推理 + 任务重解释。当前技术正从“模仿人类动作”转向“模拟人类认知”，这是纯视觉路线能否真正替代人类驾驶的唯一路径。

三、未来趋势：2026–2030年全球自动驾驶演进路径

• 技术收敛：2027年前，纯视觉端到端架构将主导90%以上L3+新车，激光雷达成本降至$100以下，仅用于极端场景冗余。

• 认知架构普及：2028年，VLM与世界模型（World Model） 将成为L4级系统标配，实现“语义级决策”。

• 商业化爆发：

• 2026年：全球L3级新车渗透率突破12%，中国、美国、欧盟为三大主战场；

• 2027年：城区L4 Robotaxi进入盈亏平衡点，百度、Waymo、Momenta率先实现；

• 2030年：自动驾驶软件订阅收入占整车利润超25%，传统“卖车”模式终结。

• 法规演进：欧盟将从“强制冗余”转向“能力认证”，中国“不限定技术路线”政策将持续利好纯视觉创新。

写在最后：

你，正在见证一场“驾驶权”的转移‌

我们曾以为，自动驾驶是“机器替人开车”。现在看，它是‌“机器学会像人一样思考”‌。谁能让车“看懂”世界，谁就能定义下一个十年的出行。

在未来的某个早高峰，当你看着一辆自动驾驶汽车在车流中自动变道、避让、礼让行人——你看到的不是科技，是‌人类驾驶智慧的数字化重生‌。

真正的自动驾驶，不是没有司机，而是车，终于学会了“看懂你”。