本文根据2026年4月15日深海TALK的汽车人深度访谈整理。朱西产作为行业权威不仅参与制定行业标准，也在深刻影响行业内对自动驾驶的理解。在公开报道他中也明确指出：自动驾驶尚未真正实现，核心原因仍是安全问题没有被彻底解决；L2 是辅助驾驶，L3/L4/L5 才进入自动驾驶范畴，高阶智驾并不等于可以放心刷手机、睡觉。
自动驾驶的“最后一公里”
到底卡在哪？
自动驾驶真正难的，是让它在极少数、极复杂、极危险的场景里，也能像一个合格驾驶员一样做出正确判断。
这也是朱西产教授在《对话朱西产：自动驾驶的“最后一公里”究竟卡在哪？》里反复指向的核心问题：自动驾驶的最后一公里，本质不是技术炫技问题，而是安全责任问题。
过去几年，我们看到智能驾驶快速普及。高速 NOA、城市 NOA、自动泊车、端到端、大模型、BEV、Occupancy Network、世界模型，一个个新概念不断被推到台前。
但问题是：车企宣传的是“车越来越会开”，监管关心的是“出了事谁负责”，用户真正需要的是“我到底能不能放心把命交给机器”。
这三者之间，还没有完全对齐。
一、自动驾驶不是“开得像人”
而是“能不能替人承担责任”
很多人对自动驾驶有一个误解：只要车辆能自己变道、自己过红绿灯、自己上下匝道、自己泊车，就离无人驾驶不远了。
但朱西产教授的核心提醒是：辅助驾驶和自动驾驶不是一个概念。
L2 的本质仍然是辅助驾驶。驾驶主体仍然是人，系统只是帮助人完成部分驾驶任务。
L3 才开始进入自动驾驶阶段。系统在特定条件下可以接管驾驶任务，但当系统要求接管时，人仍然要在规定时间内接管。
L4、L5 才是真正意义上更接近“无人驾驶”的阶段。
所以，今天很多所谓“高阶智驾”，哪怕体验已经很强，也仍然不能等同于真正自动驾驶。因为它还不能回答一个最关键的问题：系统什么时候能开，什么时候不能开？出了问题，责任到底由谁承担？
因为此时人以为机器能开，机器又在关键时刻把责任还给人。这就是自动驾驶最后一公里最难的地方。不是机器完全不会开，而是机器还没有稳定地、可验证地、可追责地完成责任转移。
二、L2 到 L3
不是 OTA 一下就能解决的
很多车主会有一个期待：我今天国内买的是 L2 车，以后软件升级，是否可以直接变成 L3？答案大概率是否定的。
原因很简单：L2 到 L3 不是单纯的软件升级，而是整车安全架构升级。L2 阶段，系统可以依赖驾驶员作为最后安全冗余。
系统识别错了，人可以踩刹车。
系统判断慢了，人可以打方向。
系统退出了，人必须接管。
但 L3 不一样。L3 意味着在特定运行设计域内，系统要成为驾驶主体。它必须具备更强的功能安全、预期功能安全、冗余制动、冗余转向、算力冗余和安全降级能力。
这不是简单 OTA 一个算法包就能解决的。所以，L2 车辆如果底层电子电气架构、制动系统、转向系统、域控制器算力、安全冗余设计没有按 L3 标准建设，后期很难通过软件补课。
这对行业有一个很重要的启发：真正的自动驾驶竞争，不只是算法竞争，而是整车系统工程竞争。
车企不能只讲“我有多少 TOPS 算力”“我有几个激光雷达”“我开了多少城市”。
更要命的是：制动有没有冗余？转向有没有冗余？系统失效后如何降级？驾驶员接管时间是否足够？关键故障是否可诊断、可记录、可复盘？这才是从辅助驾驶走向自动驾驶真正需要补齐的底层能力。
三、城市 NOA 最难的不是“覆盖城市”
而是“处理长尾风险”
2023年底起很多车企喜欢宣传城市 NOA：开了多少城，覆盖多少公里，能过多少路口，能完成多少复杂场景。
但自动驾驶真正的安全难点，从来不是 99% 的常规场景，而是 1% 甚至 0.01% 的长尾场景。比如：前车突然急刹。鬼探头突然出现。施工锥桶摆放混乱。大车遮挡视野。非机动车逆行。行人突然横穿。道路标线缺失。红绿灯被遮挡。异形障碍物无法识别。
这些场景单独看都不一定高频，但一旦发生哪怕一次，后果将会极其严重。越是高阶智驾，人类对汽车的接管频率越低，越是容易放松警惕，此时发生长尾场景带来的风险和后果要比L2时期人机共驾阶段严重的多的多！
朱西产教授提到的危险接管，本质上就是系统在某些场景里没有把风险提前识别出来，或者识别出来后没有做出正确决策。
这说明自动驾驶的核心难题不是“能不能跑通一条路线”，而是“能不能系统性降低危险接管率”。
四、AI 会提高智驾上限
但不能绕过安全验证
过去一年，端到端、大模型、世界模型成为自动驾驶行业最热门的关键词。这背后有清晰的技术逻辑。传统自动驾驶系统更像流水线：
感知负责看见世界。
预测负责判断别人会怎么走。
规划负责决定自己怎么走。
控制负责把规划变成方向盘、油门和刹车动作。
这种模块化系统好处是可解释性强，坏处是每一层都会积累误差。
端到端模型试图用一个更统一的神经网络，把感知、预测、规划甚至控制打通，让系统从大量真实驾驶数据中直接学习“怎么开”。
世界模型则更进一步。它不是只回答“现在看到什么”，而是要回答：
所以，AI、大模型、世界模型确实可能提高自动驾驶能力上限。它们可以帮助车辆进行更长时序的推理，提前预测风险，也可以提升对未知物体、遮挡区域和复杂交互场景的理解能力。
但这里有一个关键问题：AI 能提高能力上限，不等于 AI 自动解决安全下限。
大模型可能更聪明，但也可能不可解释。端到端可能更流畅，但也可能更难验证。世界模型可能能推演未来，但它的推演是否可靠、是否稳定、是否覆盖长尾场景，仍然需要工程验证和监管验证。
因此，自动驾驶不能从“规则黑箱”跳到“神经网络黑箱”。
真正可落地的路线应该是：
AI 提升能力上限。
场景库验证安全边界。
数据闭环持续修正长尾问题。
监管机制建立责任约束。
没有后面三步，AI 再强也只是演示能力，而不是商业化安全能力。
五、自动驾驶产业正在从
“参数营销”进入“安全兑现”
过去几年，智能驾驶行业有一个明显倾向：卷参数。卷芯片算力。卷激光雷达数量。卷大模型故事。
但汽车不是手机，也不是普通消费电子。手机死机，最多重启。汽车失误，可能就是生命事故。所以，智能驾驶未来的竞争重点一定会变化。
第一阶段，行业卷的是“有没有”。
第二阶段，行业卷的是“好不好用”。
第三阶段，行业最终一定会卷“安不安全”。
这也是自动驾驶从营销走向产业成熟的必经之路。
一家真正优秀的智能驾驶公司，不应该只证明自己能在公开视频里跑得很顺，而要证明自己在极端场景里不犯致命错误。
这才是技术实力。
也是商业化门槛。
更是监管底线。
六、对车企和投资人的真正启发
如果从产业和投资角度看，这个视频真正值得关注的不是“自动驾驶什么时候实现”，而是“谁最接近可验证的安全兑现”。
换句话说，自动驾驶下半场不是谁喊得最激进，而是谁最能把安全变成工程能力、数据能力和制度能力。
特斯拉、小鹏、华为、理想、地平线、Momenta、Waymo 等玩家，技术路线各有差异，但最终都要回到同一个考场：
在真实世界的复杂道路上，系统能否稳定、可验证、可追责地比人类更安全。
这才是自动驾驶最后一公里的终极答案。
结语：自动驾驶不是没有未来
而是不能跳过安全
自动驾驶当然有未来。
长期看，机器驾驶一定会越来越强，因为它不会疲劳、不会酒驾、不会路怒，也可以通过数据持续学习。
但短期看，行业不能把“辅助驾驶”包装成“自动驾驶”，也不能把“体验提升”直接等同于“责任转移”。
自动驾驶真正的最后一公里，不在算法发布会上，也不在营销海报里。
它在每一次危险接管里。
在每一次误触发里。
在每一个被遮挡的路口里。
在每一次系统要求人类接管的倒计时里。
也在监管、车企、用户共同形成的安全边界里。
所以，自动驾驶不是卡在某一个单点技术上。它卡在一个更系统的问题上：机器什么时候有资格替人开车？
只有当这个问题被工程、数据、法规和责任机制共同回答，自动驾驶才算真正跨过“最后一公里”。
