本文写给那些尚未进入自动驾驶行业、仍在观望和犹豫的新人，也写给那些已经身在其中、却开始对自动驾驶行业前景感到迷茫的从业者。这篇文章想回答一个简单但重要的问题：到了2026年，自动驾驶为什么依然值得关注，也依然值得投入。——Patrick，2026年7月

自动驾驶已经不是AI圈最热门的话题了。

现在更吸引眼球的是机器人。人形机器人Demo层出不穷，大模型Agent也更像是新一轮技术浪潮的前沿。相比之下，自动驾驶多少显得有些“过气”，像是上一个AI周期留下来的旧故事。

但如果因此以为自动驾驶已经不重要了，那就看错了。

自动驾驶仍然是（Physical AI）领域最重要的问题之一：它远未解决，却有着巨大的社会价值和。更重要的是，在所有问题中，自动驾驶是少数已经能够清楚看到“模型进步如何转化为产品价值”的方向。

 L2正在收敛，L4远未解决 

很多人觉得自动驾驶不再前沿，根本原因是把两件事混在了一起：L2的进步，以及通往L4的进步。

如今，的技术路线正在快速收敛。从到中国领先的智驾玩家，无论是、这样的车企，还是、这样的方案提供商，具体实现虽然各不相同，但大方向已经越来越一致：用车队数据训练端到端驾驶模型（End-to-End Driving Model），再通过持续的数据回流不断迭代。

问题在于，L2并不等于。在L2系统中，驾驶员仍然要盯着路况，并在系统出错时随时接管。正因为有驾驶员兜底，即使系统还没有达到无人监管所需的可靠性，它依然可以成为一款有价值的产品。

到了L4，这个兜底的人没有了，问题也随之发生了根本变化。那些在L2阶段偶尔出现、还能由驾驶员化解的极端场景，到了L4都会变成系统必须独立解决的问题。更麻烦的是，驾驶并不是一场静态测试：车辆的每一个动作都会改变接下来的交通环境，一个很小的错误也可能在连续决策中不断放大。

所以对L4来说，安全不是众多指标中的一个，而是产品能够上路的前提。今天的L4已经可以在特定区域、特定条件下运行，但要实现真正大规模、可复制的无人驾驶，我们还远没有走到终点。

 Waymo和特斯拉：两个局部最优解 

Waymo和特斯拉代表了通往L4的两条不同路线。

在比较两者之前，先要回答一个问题：什么才叫可规模化的L4（Scalable L4）？

所谓可规模化的L4，至少要过三关：部署上能不能铺开，安全上能不能兜住，经济上能不能成立。

• 部署层面（Deployment Scale）：

能不能以有限的本地投入，快速进入新的城市和运行环境？

• 安全层面（Safety Scale）：

运行范围扩大后，没有车内驾驶员兜底，是否依然安全？

• 经济层面（Economic Scale）：

规模扩大后，把车辆、、算力、运营和维护全部算进去，是否依然成立？

一套系统能在限定运行域（Operational Design Domain，ODD）内做到L4，不代表它已经同时过了这三关。传感器成本正是这种权衡的一部分。纯视觉方案更容易以较低成本大规模部署，而增加（Lidar）和更丰富的冗余设计，则意味着用更高的前期成本换取L4下更广的运行范围。经济性和安全性并不是彼此独立的，传感器成本往往正是两者交汇的地方。

Waymo目前运营着全球最先进的无人驾驶服务。它已经用真实运营证明，在边界清晰的区域内，L4确实可以工作。Waymo的思路，是把道路结构预先编码进厘米级精度的高精地图（HD Map），再用冗余传感器和一整套运营体系为学习系统提供保障。这条路线的优势是安全边界清晰，问题是现实世界一直在变化。每进入一个新市场，Waymo依然需要重新建图、验证和适配。

因此，既是有效的先验，也是扩张时必须缴纳的一笔“税”。虽然Waymo的硬件成本正在下降，但把车辆、基础设施和运营支持全部计算在内，完整系统仍然相对昂贵。

Waymo和Tesla的L4策略区别

特斯拉押注的是另一条路。相比高精地图，特斯拉更依赖车队数据和模型自己学到的世界表征。困难场景会被送回，用于重新训练端到端模型；改进后的模型再分发到整个车队。再加上大规模量产的整车平台，这套（Data Flywheel）在部署和成本上具备结构性优势，也让跨地变得更轻。

但特斯拉证明的是这套模式在L2阶段可以成立，而不是L4。庞大的车队可以暴露许多罕见场景，却不可能覆盖所有从未出现过的新组合。L4系统未必需要叫出每一个陌生物体的名字，但必须知道怎样在它周围安全行驶。因此，真正的挑战不仅是（Zero-Shot Perception），更是在不确定性下进行（Zero-Shot Decision-Making under Uncertainty）。现在最大的悬念是：继续增加数据、算力和模型容量，能不能填平从L2到L4之间的安全鸿沟？还是说，我们需要新的模型架构、更强的世界模型（World Model），以及车辆在运行时进行测试时推理（Test-Time Reasoning）的能力？又或者，正如大模型Agent的进步不仅来自模型本身，也来自工具调用、上下文管理、结果验证、重试和安全约束共同组成的智能体运行框架（Agent Harness），自动驾驶也需要一套更可靠的支撑框架，通过运行时监控、冗余校验、安全约束和故障恢复，兜住单一模型无法解决的问题？

真正的问题也许不是三者选一，而是哪一种能力会成为跨越安全鸿沟的关键瓶颈。

因此，Waymo和特斯拉其实处在两个不同的。Waymo已经实现了限定区域内“安全优先”的L4，但成本和扩张能力仍有待验证；特斯拉已经实现了有人监管下的制造规模和数据规模，但L4安全仍未解决。

Waymo正在降低成本、扩大运营范围；特斯拉则在努力提高系统的安全上限。两家公司都在向中间靠近，但谁也没有同时解决部署、安全和经济性这三个问题。

从现有的公开证据看，能够在全球大规模复制的L4依然不存在。

所以，这场竞争远未结束。

 从L2到L4，改变的不只是技术 

L2的商业模式，本质上仍然围绕“卖车”展开。辅助驾驶可以提高车辆竞争力，也可以通过软件订阅或选装包创造额外收入，但这个市场始终受几个数字约束：每年能卖多少辆车、多少用户愿意购买，以及每辆车能贡献多少软件收入。

即使采用相当乐观的假设，这大致也是一个数百亿美元规模的市场。它当然是一门好生意，但和完整的自动驾驶经济相比，仍然只是很小的一部分。

L4改变的是价值计算方式。当驾驶员真正被移除以后，自动驾驶不再只是车辆的一项功能，而会成为运输服务本身的一部分。每运送一个人、每配送一个包裹，都可以产生收入。到那时，现实世界中的移动会越来越像一种API：可以被调用、被调度，也可以按照使用量计价。

这种转变可能从上下游两个方向重塑汽车。在上游，可复用的自动驾驶平台可以把研发和安全验证成本分摊到不同车企和车型上，让获得更强的；它们的收益方式也可能从一次性硬件销售，转向按自动驾驶里程参与收入分成。在下游，L4运营商将直接掌握出行服务和乘客关系。当驾驶时间变成可以自由利用的时间，汽车也会成为数字服务和商业的新入口。L4发展的早期阶段仍然需要软硬件深度整合，但长期来看，车企未必还是整个唯一的中心。

这个市场的想象空间很大，但起点也极低：目前，自动驾驶里程只占全球驾驶总里程的约0.006%。全球人类每年的驾车总里程大约在20万亿到30万亿公里之间。即使自动驾驶每公里只创造1美分的价值，对应的年经济规模也能达到2000亿至3000亿美元；如果每公里创造5美分，规模就会达到1万亿至1.5万亿美元。不过，这个估算有一个保守前提：它假设未来的出行需求保持不变。但L4一旦降低出行成本，并把原本被占用的驾驶时间变成可以自由利用的时间，就可能催生原本不会发生的行程，以及新的车内服务需求。正如视频会议并不只是替代线下会议，也让更多原本不会发生的沟通成为可能，L4也可能扩大出行本身，而不只是替代现有驾驶。因此，上述估算可能同时低估了未来的总里程和每公里价值。

这就是自动驾驶经济真正的想象空间：不是卖出了多少辆车，而是实现了多少自动驾驶里程。

L2到L4市场潜力的跃变

 自动驾驶是具身智能的试金石 

让自动驾驶在经济上具备巨大潜力的那些特征，也使它在科学研究上同样重要：自动驾驶是检验具身智能（Embodied AI）的一块绝佳试金石。一个真正通用的机器人需要感知不断变化的环境，预测其他参与者的行为，在信息不完整的情况下作出判断，还要实时、安全地采取行动，而这些能力同样是自动驾驶所必需的。

但相比通用机器人，驾驶又是一个相对受约束的问题。汽车只有少数几个控制量，主要在二维道路上运动，而且所有交通参与者大体遵循同一套车道和交通规则。更重要的是，汽车的硬件形态和产品定义都已经相当成熟。

通用机器人就没有这么幸运了。机器人一旦进入家庭、工厂和公共空间，就要处理、复杂接触、柔性物体和模糊指令。不同机器人有不同的身体形态，不同场景又有不同的任务，导致数据采集和测试很难标准化。这不是说机器人不重要，而是说它所处的阶段更早，距离找到一条清晰、可复制的产品路线还有更长的路。

相比通用机器人，驾驶是一个相对受约束的问题

与此同时，的新方法已经开始反哺自动驾驶。地平线的和英伟达的分别展示了如何把（Diffusion Policy）和视觉—语言—动作模型（Vision-Language-Action Model，VLA）的推理能力应用到驾驶中。

自动驾驶为这些方法提供了一个难得的试验场：问题足够困难，可以快速暴露模型的弱点；同时又足够结构化，可以进行系统开发、验证和部署。这也是为什么，我认为L4自动驾驶很可能会早于通用机器人实现大规模商业化。

 去哪里做AI 

对AI从业者来说，真正的问题并不是“机器人和自动驾驶，哪个更令人兴奋”。两者都令人兴奋，只是吸引人的地方不同。

如果你希望探索开放式研究、搭建新的技术基础，并且愿意面对一个最终产品形态尚不清晰的问题，那么机器人是一个非常好的方向。如果你更希望做出的物理AI产品能在未来几年真正落地、扩大规模，并影响数百万人，那么自动驾驶就是值得你深耕的地方。

自动驾驶没有结束。L2正在收敛，L4仍然开放；市场足够大，技术路线也远未定型。下一次关键突破，依然可能改变整个行业。

世界还在等待一台真正能够自主驾驶的机器。

致谢

这篇文章源于我和许多候选人的交流。他们问过很多尖锐而诚实的问题：为什么你们公司还在做自动驾驶？自动驾驶是不是已经解决了？我应该加入自动驾驶团队，还是接受一份机器人方向的工作？

感谢你们提出这些问题。正是这些问题促使我重新审视自己的判断，也迫使我把很多过去想当然的观点解释得更清楚。

也感谢那些认真听完、继续追问，并最终选择加入我们的人。希望接下来的工作，配得上你们的信任。

感谢 @Lina Zhao 和 @EatElephant和阅读初稿并提出修改意见。感谢GPT-5.6 Sol协助撰写英文原稿并翻译。感谢Gemini-3.1 Pro画图。

本文仅代表作者个人观点，不代表NVIDIA或任何关联机构的立场。

参考资料

以下视频展示了L2辅助驾驶产品正在快速收敛的行业格局。截至2026年7月，我在一个月内体验了这些系统，它们之间的差距正在迅速缩小。

• 文远知行WRD 3.0：https://www.youtube.com/watch?v=bXMyts8NMdk

• 蔚来NWD 2.0：https://www.youtube.com/watch?v=iBRiVgwJtGw

• 地平线HSD 2.0：https://link.zhihu.com/?target=https%3A//www.youtube.com/watch%3Fv%3Dk5aDGCiCLfU

• 小鹏VLA 2.0：https://link.zhihu.com/?target=https%3A//www.youtube.com/watch%3Fv%3D8qsLreyJ1qQ

• 特斯拉FSD 14.3：https://link.zhihu.com/?target=https%3A//www.youtube.com/watch%3Fv%3DUbuZeQFfu8U

其他参考资料

• DiffusionDrive: Truncated Diffusion Model for End-to-End Autonomous Driving, https://link.zhihu.com/?target=https%3A//arxiv.org/abs/2411.15139

• Alpamayo-R1: Bridging Reasoning and Action Prediction for Generalizable Autonomous Driving in the Long Tail, https://link.zhihu.com/?target=https%3A//arxiv.org/abs/2511.00088

• interview onDecoder with Nilay Patel: Even Nvidia's head of automotive fights with Nvidia for compute,https://link.zhihu.com/?target=https%3A//www.theverge.com/podcast/964614/nvidia-auto-xinzhou-wu-ev-ai-hyperion-autonomy-cars-tesla, 2026年7月