自动驾驶去纽北,学的不是「快」

一家把「快」当作品牌人格的公司，主动公布了一个慢得多的成绩。2026 年 6 月 22 日，小米汽车官宣：YU7 GT with Track Package 在纽博格林北环，以 10 分 29 秒 483 跑完了一圈——没有驾驶员，没有远程操控，官方称全程由自动驾驶系统自主判断、自主决策、自主控制。

就在一个多月前，小米首席测试车手驾驶同款车型，在同一条赛道跑出了 7 分 22 秒 755，拿下量产 SUV 的纽北圈速纪录。两个数字摆在一起，落差刺眼：自动驾驶比人类车手慢了 3 分 07 秒，最高时速 211 km/h，而车手能踩到 260 km/h 以上。

按照发布会逻辑，这不是一个适合官宣的数字。但小米不仅官宣了，还放出了一镜到底、无剪辑的第一视角视频，央视新闻也做了报道。雷军在长文里说得直接：圈速从来不是目的，而是手段。

那真正的目的是什么？一个比人慢三分钟的圈速，为什么值得一家公司投入一年多时间，从仿真环境做到实车、从国内试验场做到纽北？这篇文章想把这件事拆开来看：自动驾驶的边界到底在哪，赛道又凭什么去推这条边界。

图片来源：小米汽车官方

本文核心判断这一圈的产出不是圈速，而是让系统开始学习物理世界。

01

先把事实摆齐：这一圈到底发生了什么

先看几个可以确认的事实口径。挑战车辆是选配赛道专业套装的小米 YU7 GT，量产车状态。赛道是全长 20.8 公里、73 个弯的纽博格林北环——这条被称为「绿色地狱」的赛道，密集组合了高低速弯、大幅海拔起伏和横向倾斜路段，天气多变，路面附着系数一直在变。数十年来，它是职业车手和性能车的终极考场，此前所有量产车圈速纪录都由人类创造。

数据来源：小米汽车官方。两次测试日期与驾驶条件不同，图表仅比较公开圈速。

按小米的口径，这是「全球首个纽北自动驾驶圈速纪录」。这个「首个」需要说清楚边界：它指的是首次以完全无人形式、在纽北跑完并留下官方计时成绩，而不是历史上第一次有车在赛道上自己跑——后面我们会讲到，十二年前就有厂商做过赛道无人驾驶演示。首创的成色如何，恰恰取决于这两件事的差别。

还有一个容易被忽略的细节：小米公布的是完整的、无剪辑的第一视角视频。在智驾宣传普遍靠剪辑的行业环境里，敢放一镜到底，等于把系统在 73 个弯里的每一次刹车点选择、每一条走线都交给外界逐帧检验。这个动作本身，比数字更能说明团队对系统稳定性的信心。

自动驾驶的边界，到底是哪一条

要理解这一圈的价值，得先把「自动驾驶的边界」这个被说滥的词拆清楚。今天你在城市里体验到的辅助驾驶，实际上同时活在三条边界之内。

前两条边界，本质上是「认知」问题：见没见过、懂不懂规则。行业这几年的叙事——开城数量、接管里程、无图方案——全部发生在这两条线上。而第三条边界是「操控」问题：系统对轮胎、悬架、重心转移这些物理量的理解和驾驭能力。

日常驾驶里，你几乎察觉不到第三条边界的存在，因为普通通勤的车辆负荷远离极限，刹车、转向都有巨大的安全余量。但每一起雨天失控、高速爆胎、紧急避让翻车的事故，都发生在这条边界上。讽刺的是，恰恰在这些最需要「开得好」的瞬间，今天的辅助驾驶大多选择退出，把车交还给一个同样没准备好的人类。

过去的智驾在学认路，纽北的智驾在学物理。

用这个框架回看纽北这一圈，它的指向就清楚了：20.8 公里内 73 个弯、时速最高 211 km/h、路面附着系数实时变化——这是把车长时间摁在第三条边界上行驶。雷军的原话是，在 200 km/h 以上的时速下，决策容错窗口被压缩到毫秒级，哪怕晚刹 0.1 秒都可能直接撞墙。动态轨迹规划、轮胎和车辆动力学建模、高动态工况下的实时控制，他称之为「地狱级难度」。

十二年前就有车自己跑赛道，这次有什么不同

把自动驾驶开上赛道，小米不是第一个想到的。2014 年 10 月，奥迪在霍根海姆赛道让一台无人驾驶的 RS 7 概念车跑出了约两分钟的单圈，最高时速 240 km/h。当时的媒体标题和今天一样激动。

但那台车的技术路线，和今天有本质区别：它依赖经过特殊校正的 GPS 信号，沿一条预先设定好的路线行驶，定位精度到厘米级。说得直白一点，它是在极高的速度下，极其精确地「复读」一条人类工程师画好的线。线是死的，车是准的，这是一道控制题，不是一道驾驶题。

小米这一圈呢？官方的表述是「完全由系统自主判断、自主决策、自主控制」。按这个口径，系统需要自己规划走线、自己预判刹车点、自己在附着力变化时调整车身姿态——把控制题升级成了驾驶题。需要说明的是，系统对赛道先验信息「比如高精地图、赛前在这条赛道上的训练量」的依赖程度，官方没有详细披露，这部分我们只能存疑。但有一点可以从结果反推：纽北的路面附着系数随天气实时变化，一条提前画死的线无法应对 73 个弯里持续变化的抓地力，跑完全程本身就说明系统具备实时调整的能力。

十二年时间，同一道题从「精确复读」进化到「实时驾驶」，这才是比较这两件事的正确姿势。也因此，「首个纽北自动驾驶官方圈速」这个口径虽然出自厂商，但它标记的技术代际差异是真实的。

让车学人开车：车手在这套体系里是「教材」

雷军在长文里给这次挑战定了三个目的，其中一个值得单独拿出来讲：给智能驾驶系统提出更高的目标——拥有专业车手级的驾控能力。

注意这个表述的方向。它不是说「造一台比车手快的车」，而是说「让系统学会车手会的东西」。车手在这套体系里的角色，从对手变成了教材。

一个专业车手在纽北的每一圈里都在做什么？他在用身体感知抓地力的余量，用经验预判两百米外那个盲弯的出弯线，在重心转移的瞬间微调方向盘的角度——这些能力没有写在任何交规里，也不出现在任何高精地图上。它们是人类在与物理世界长期互动中积累出的「隐性知识」。传统的规则型智驾学不了这些，因为工程师没办法把「车感」写成 if-else。

而现在的技术框架恰好走到了能学的节点上。小米的辅助驾驶架构从第一代规则架构，走到端到端，再到今年的 XLA 架构——按官方的说法，这套架构以自研的 MiMo-Embodied 具身基座模型为底座，原生支持多模态输入，把激光雷达的测距、视觉的语义、导航信息乃至机器人交互数据融合在一起，并且集成了「强化学习 + 世界模型」技术。

这些名词先不展开，落到纽北这件事上，关键是其中两条：

端到端和 VLA 类架构的共同逻辑，是从示范数据中学习驾驶行为本身。车手在赛道上跑的每一圈——他的走线、刹车点、油门开度——都是最高质量的示范数据。系统学习的不是「这条赛道怎么跑」，而是「一个顶级驾驶者面对极限工况时如何决策」。这就是「由车来学习人怎么开车」的字面含义。

强化学习补上示范学不到的部分。车手的数据再好，也只覆盖他跑过的状态。真正逼近极限时，系统需要在仿真环境里千万次地试错——冲出赛道、旋转、撞墙，然后把「什么操作会导致失控」学进模型。小米说自己从一年多前开始，走的正是「从仿真环境到实车测试、从试验场到赛道」的路径。人类车手一辈子能积累几千小时的极限驾驶经验，仿真环境里的系统可以在一晚上经历几万次失控。

技术路径示意：官方披露了相关环节，但未完整公开训练数据规模、赛道先验与量产泛化结果。

车手一生的车感，正在变成系统的训练集。

赛道是物理世界的浓缩课本

那为什么非要去纽北？仿真里能跑几万次，试验场也能做极限测试，飞到德国跑真赛道的必要性在哪？

答案藏在「世界模型」这个词里。简单点说，世界模型要解决的问题是：让系统在动作发生之前，先在「脑内」预演物理世界会如何回应——我现在以这个速度带着这个转向角切进弯道，两秒后车会在哪里、姿态是什么样。按小米的介绍，其世界模型框架要让系统从「感知当下」进化到「预判未来」。

预判物理世界的前提，是真正理解物理规律。而这恰恰是仿真的短板：仿真器里的轮胎模型、路面模型，本身就是人类对物理世界的近似建模，系统在仿真里学得再好，学到的也是「近似」的极限。真实世界的轮胎在温度变化时的抓地力衰减、纽北乡间柏油在阴影处的湿滑程度、压上路肩瞬间的悬架响应——这些长尾的物理细节，只存在于真实世界里。

这就是纽北作为「课本」的独特价值：它是全世界物理工况密度最高的一段路。73 个弯覆盖了几乎所有的弯道类型组合，300 米的海拔落差制造出持续的载荷转移，多变天气让附着系数成为一个实时变量。在普通道路上，系统可能开一万公里才遇到一次逼近极限的工况；在纽北，一圈 20.8 公里就是一场不间断的极限工况轰炸。用最短的里程，采集最稠密的物理边界数据——赛道对自动驾驶的意义，是一本把物理世界的考点浓缩到极致的教材。

顺着这个逻辑，你会发现小米把辅助驾驶和具身机器人打通成同一个基座模型，不是赶时髦。汽车在赛道上学习轮胎与路面的交互，机器人在房间里学习手指与物体的交互，本质上是同一件事：智能体理解并驾驭物理世界。谁先在一个领域里建立起对物理规律的深层理解，谁就可能把这种理解迁移到另一个领域。这盘棋的尺寸，比「智驾排行榜」大得多。

从纽北到暴雨天：这些能力什么时候到你手里

聊到这里，一个现实的问题是：这些跟买车的普通人有什么关系？

小米给出的官方说法是：在赛道环境打磨出的动态车辆模型、瞬时扭矩分配策略、毫秒级车辆应急修正能力，后续会通过 OTA 迭代落到量产车型上。终极目标是当用户在日常行驶中遭遇暴雨积水、路面结冰打滑等突发危险时，车辆的底盘和智驾系统能像专业赛车手一样快速处置。

这个愿景值得翻译一下。你可以想象两个场景：高速上以 110 km/h 压过一滩积水，车尾开始滑动——一个普通驾驶者的本能反应往往是猛打方向或急踩刹车，而这两个动作恰恰最容易让车彻底失控；一个专业车手则会在滑动发生的瞬间反打修正、控制油门，把车稳住。如果系统真的学到了后者的能力，并且常驻后台，那它救的不是圈速，是命。

但这里必须画一条线：以上属于官方承诺，不属于已验证的结果。截至目前，可验证的事实是系统在纽北以无人形式跑完了一圈；「极限能力经 OTA 下放到量产车、并在用户真实遇险时起效」，是需要未来检验的另一件事。从赛道到暴雨天，中间隔着场景泛化、成本约束和法规边界，每一环都不轻松。车主口碑里「OTA 1.16 之后越来越像老司机」的反馈是个积极信号，但离「极限工况救车」还有相当距离。咱们还是得看疗效。

硬币的另一面：这一圈证明不了什么

把这件事夸完，也得把边界说透。有三点，这一圈并不能证明。

第一，慢三分钟的差距是真实的技术差距。211 km/h 对 260 km/h 的极速差，说明系统在抓地力极限的驾驭上仍然显著保守于人类顶尖水平——它还没真正「贴着」物理边界跑，而是留了相当的安全余量。这没什么好遮掩的，雷军自己也说「这个成绩还不够完美」。用我们的框架说：第三条边界被推动了，但离人类的位置还有三分钟那么远。

第二，单圈成功不等于可靠性。一次跑完和一百次里九十九次跑完，是完全不同的工程命题。民航客机的自动驾驶之所以被信任，靠的是亿级小时的可靠性统计。纽北这一圈是能力上限的证明，不是可靠性的证明——而日常驾驶恰恰更依赖后者。

第三，赛道再难，也是封闭的已知环境。纽北没有突然横穿的行人、没有逆行的电动车、没有加塞的网约车。它把物理复杂度推到极致的同时，把博弈复杂度降到了零。所以这一圈推动的只是第三条边界，前两条边界上的难题——尤其是与人类交通参与者的博弈——一个都没少。宣传语境里「自动驾驶征服绿色地狱」的浪漫，不应该被误读成「自动驾驶已经比人类可靠」。

还有一层商业现实不必回避：这是一次精心设计的营销事件，发生在小米需要技术叙事的节点上。承认这一点并不减损它的技术含量——纽北几十年来本来就是车企的「营销试金石」，保时捷和宝马刷圈速同样是市场行为。真正的判断标准只有一个：营销叙事背后，有没有沉淀下可复用的工程能力。从公布无剪辑视频、公开技术路径、承诺 OTA 落地这些动作看，小米愿意接受这个标准的检验。

结论：边界的竞争，换了一条赛道

回到开头的问题：一个比人慢三分钟的圈速，为什么值得认真对待？

因为它标记了行业竞争维度的一次切换。过去五年，智驾竞争的主战场是认知边界——比谁的城市开得多、接管次数少、场景覆盖广。这场竞争正在逼近收益递减：当头部玩家都能在 95% 的日常场景里顺畅行驶时，用户已经很难感知彼此的差别。而纽北这一圈把竞争引向了物理边界：极限工况下，谁的系统能真正控得住车。这条线上的差距，平时看不见，出事时就是生与死的差别——它恰恰是「安全」这个智驾终极卖点的最硬支撑。

对行业来说，这大概率是一个开端而不是孤例。纽北的排行榜上从来不缺跟进者，雷军也明说了「这个赛道后续应该会有更多人尝试」。如果极限工况能力成为下一轮智驾竞争的公开考场，受益的会是所有用户——就像当年碰撞测试标准的建立，最终抬高的是整个行业的安全底线。

所以，带条件的结论是：作为自动驾驶技术边界的推进，这一圈成立，但它推动的只是三条边界中的一条，且离人类水平仍有肉眼可见的距离；作为「系统学习物理世界」这条技术路线的公开验证，它极具意义，但从赛道到你家楼下那条积水的路，中间的每一步都还需要疗效说话。

真正值得留一个问号的是：当车企们发现「让车学会物理」比「让车认得更多路」更能定义下一代产品时，下一个被送进赛道、雨林、冰湖这些「物理课堂」的，会是谁家的系统？以及——当系统真的学会了车手一生的车感之后，我们对「好司机」这个词的定义，还会属于人类多久？