长期实车体验下的技术路线、产业闭环与开放平台判断

封面视觉：AI辅助生成，仅作概念表达

我长期轮换使用过FSD、HSD、XNGP、VLA和ADS。开得越多，我越不愿意用一次试驾、一次接管，去判断系统高低。

真正决定未来的，不是某辆车今天能否通过一个路口，而是谁建立了让汽车持续学习、不断进化，并能大规模复制给不同品牌的能力。

这不是一篇赞歌，更不是受人委托的宣传。地平线还远没有赢。但从技术路线、量产能力和产业需求同时观察，它正在成为一匹很难再被忽视的黑马。

一、先把“端到端”讲明白

如果把自动驾驶行业正在形成的共识压缩成四个词，我认为就是：端到端、数据、算力、算法。

图1｜端到端机制示意：从环境信息到车辆动作

过去的辅助驾驶，像一支彼此隔开的队伍：感知负责识别，预测负责判断，规划负责选择，控制负责执行。每一层都由人预先划分，误差也会在模块间传递。

“端到端”改变的，是汽车学习驾驶的方式。

从外部看，它像一个巨大的“黑盒”：环境信息进入神经网络，经过计算，输出行驶轨迹或控制意图，再转化为方向盘角度、刹车力度和电门开度。从传感器输入到轨迹输出的一阶段“端到端”系统。

普通人可以这样理解：现实世界的光线进入摄像头，光子被转换成连续像素；一帧又一帧画面，构成模型的“视觉提示词”；模型依据海量驾驶经验，判断往哪里走、何时减速、如何避让，最终变成车辆动作。

人类习惯说“这是道路、那是车辆、前面有人横穿”。神经网络却不必先依赖人类写好的规则逐项判断，而是在训练中形成自己的内部表征。所谓黑盒，也不是完全无法分析，只是很难还原为几条简单的“如果……那么……”。

所以，“端到端”的底层逻辑就是：光子变成像素，像素形成场景信息，场景信息驱动模型决策，模型决策再变成车辆动作。摄像头、激光雷达是获取信息的不同工具，真正决定上限的，是信息能否进入统一模型，并在真实数据闭环中持续进化。

二、真正的差距，是学习速度

道路每天都在出新题：横穿的电动车、被遮挡的行人、无保护左转、临时施工。车辆发现问题，系统筛选有效片段，完成训练和验证，再把新能力送回量产车，由更多车辆推动下一轮迭代。

传统驾校要不断培训新司机，AI“驾校”却是在训练同一个可以复制的数字驾驶员。模型一旦学会一种能力，就能部署到成千上万辆车上；车辆越多，问题暴露越充分，训练越有针对性。

这才是AI时代真正残酷的地方：领先者一旦形成规模化闭环，差距就会从版本差距变成学习速度的差距。

芯片可以买，架构可以模仿；但别人经历过的错误、验证过的长尾场景和组织节奏，无法一次性购买。领先一个产品周期只是领先一代；如果再转化为数据、标准和生态，最终拉开的就可能是一个时代。

三、我为什么越来越理解HSD

FSD、ADS、XNGP和VLA各有所长，都值得尊重。但在我反复使用过的系统里，HSD最突出的感受是稳定。

图2｜FSD、ADS、XNGP、VLA与HSD官方资料视觉拼图；仅用于路线背景说明，不构成性能排名

我有时用一句不太严谨、却很形象的话形容它：HSD 系统的方向盘像“焊死”了一样。这里说的不是僵硬，而是横向控制连续、轨迹清楚、很少来回修正，像一个经验老到、心里有数的司机。

在我的个人体验样本里，它对交规的遵守、红绿灯处理以及ETC过闸成功率，都处在最高一档。面对快速路汇入和无保护左转，它会在不明显干扰主路车流的前提下寻找窗口。有一次高难度无保护左转（国道无保护左转），它甚至是当时几套系统中唯一顺利完成的。

这不是覆盖所有城市、车型和版本的正式横评，却至少说明：HSD的价值不只在演示一个极限场景，更在连续驾驶中的稳定、守规矩和可预期。当然，现阶段它仍是辅助驾驶，任何顺畅体验都不能替代驾驶员监督。

四、真正的分水岭，是普通人开始离不开它

今天，高阶辅助驾驶还没有成为多数人的核心购车习惯。但一旦长期使用并建立信任，很多人就很难再愿意全程手动驾驶。它在拥堵、通勤和长途中承担大量重复操作；在正确使用和持续监督下，可以明显减轻负担，并有望提升主动安全。

图3｜HSD一段式端到端版本车队。图片来源：地平线官网，2025年8月26日

因此，行业分水岭可能不是一次技术发布，而是一家拥有巨大销量和下沉能力的车企，把高阶辅助驾驶带进主流价格带。

比亚迪已经在“天神之眼C”量产中采用征程6系列计算方案；地平线2026年又把比亚迪集团列为“星辰6”合作意向品牌之一。这证明双方已有计算平台合作，但不能等同于比亚迪已全面采用HSD。（地平线公开资料、2026年披露）

如果未来合作进一步深入到HSD或完整开放平台，它可能成为中国高阶辅助驾驶大众化的巨大分水岭，让普通消费者真正理解：辅助驾驶不是炫技，而是每天都能节省精力的生产力工具。

一旦消费者把高阶辅助驾驶列为必选项，产业逻辑就会倒逼车企改变。少数头部企业仍会坚持全栈自研；但对绝大多数车企来说，长期承担芯片适配、模型训练、数据闭环、算力投入和安全验证，既不经济，也未必追得上专业平台。

我仍然维持那个判断：超过70%的车企，最终很可能不会再把完整全栈自研作为唯一道路，而会转向采购、联合开发或开放平台。放弃重复造轮子，不等于放弃品牌灵魂；车企仍可定义车型、体验和用户关系，把最重的智能底座交给专业伙伴。

这背后不是车企有没有决心，而是一笔越来越难算平的产业账。完整自研需要同时维持芯片适配、云端训练、数据合规、仿真验证、功能安全和车型交付；任何一环跟不上，几千人的团队也可能只是在维护旧架构。与此同时，一套成熟平台可以跨品牌、跨车型复用，边际成本随着量产规模下降，迭代速度却随着数据规模上升。

未来车企的选择不会只有“自研”与“外购”两个极端。更现实的格局，是少数巨头全栈自研，一部分企业与平台深度共创，大多数品牌购买成熟能力，再在驾乘风格、功能边界和用户服务上形成差异。谁能同时满足开放、量产、成本和持续进化，谁就最可能成为这场重组中的公共底座。

五、地平线为什么可能成为黑马

第一，软硬协同。BPU架构、征程芯片、HSD算法和工具链围绕量产目标优化，在算力、功耗、成本和体验之间寻找平衡。

图4｜地平线开放平台的产业位置示意

第二，量产基础。公司披露，征程系列累计出货超过一千万套，进入27家车企、42个品牌，获得400款以上车型定点。这不能证明HSD已经领先，却意味着地平线更早进入不同车型和工程体系。（地平线投资者关系页面）

第三，也是最容易被低估的优势：开放。FSD、ADS、XNGP等体系大多与各自整车或生态深度绑定。地平线既提供软硬一体方案，也可以联合开发，让车企保留产品定义权。与大众旗下CARIAD成立合资公司，是这种平台能力的一次验证。（大众汽车集团官方信息）

这条路并非没有风险。华为、Momenta、英伟达、高通和头部车企都在加速；开放也意味着客户可能逐步吸收能力。地平线真正要守住的，不是一套静态代码，而是持续比客户和竞争者更快地把数据变成下一代能力。

汽车拥有传感器、计算平台、模型和执行机构，本身就是最早大规模量产的具身智能系统之一。今天训练汽车理解道路，明天同样的闭环会进入机器人和更多智能设备。

自动驾驶要求机器在开放道路上感知世界、预测他人、作出决策，还必须接受安全和成本的双重约束。这比实验室里完成一次漂亮演示困难得多。地平线如果能在汽车上持续证明这种全链路能力，它积累的就不仅是驾驶算法，还包括芯片与模型协同、真实世界数据处理以及把人工智能变成可靠工业产品的方法。

所以，我说地平线是一匹黑马，并不是宣布它已经赢了，也不是认为所有车企都会选择它。

真正的黑马，是它所走的路，恰好与产业不得不走的路越来越重合：“端到端成为共识，数据闭环决定速度，车企需要开放底座，消费者开始把高阶辅助驾驶变成购车标准”。

自动驾驶的战争还没有结束，但留给低效率重复自研的窗口，正在迅速收窄。

AI时代真正拉开差距的，不是谁先喊出口号，而是谁建立了更快、更持续、更难复制的学习速度。

地平线未必已经站在终点。它更像是在产业分水岭到来之前，悄悄跑到主赛道中央的那匹黑马。

（本文驾驶感受及“超过70%”为作者基于长期实车使用和产业结构形成的个人判断，不代表统一行业统计。相关合作以公开资料为准。现阶段产品均为辅助驾驶，驾驶员仍须保持监督并承担责任。本文仅作产业观察，不构成投资建议。）

资料来源与图片说明

地平线HSD产品与新闻资料：https://www.horizon.auto/solutions/horizon-superdrive；https://www.horizon.auto/news/press/389

特斯拉FSD（Supervised）官方资料：https://www.tesla.com/support/fsd

华为乾崑智驾ADS官方资料：https://auto.huawei.com/cn/

小鹏XNGP官方资料：https://www.xiaopeng.com/intelligent-tech.html

理想汽车VLA司机大模型官方资料：https://www.lixiang.com/news/136.html

地平线量产与合作数据：https://www.horizon.auto/investor-relations