“認識你自己，凡事勿過度。”這是3000年前被鐫刻在古希臘德爾斐神廟阿波羅神殿門前的三句箴言中的前兩條。

這兩句古老的箴言，對于當下百年未有之大變局的汽車行業也是如此。雖然自動駕駛、大模型、車路云一體化等新技術和新商業模式層出不窮，為汽車行業打開了更大想象空間。但每項技術都有局限，我們要認清技術的邊界，在“能”和“不能”之間找到最優解。

迎來“AI定義汽車”拐點

在外觀、三電、智能座艙領域競逐多年后，深度智能化是眾多汽車企業錨定的下一個目標。

1925年，一輛遙控汽車在紐約展出，讓人們看到了即將到來的無人駕駛汽車。據《紐約時報》報道，這輛被命名為“美國奇跡”的車，在數千名圍觀者注視下于百老匯大街上巡游，然而它先是在第六十二街失控，又在哥倫布環島失控，最后這輛想要成為“奇跡”的汽車撞上了另一輛車。

100年后，2024年的北京車展，以大模型為代表的AI技術為汽車深度智能化打開了關鍵突破口，其發展速度遠超業界預估。按照行業原本預計，大模型的規模化上車或有兩年左右的緩沖期，而北京車展開幕前后，車企已經迫不及待地將大模型量產上車，這表明當下的汽車行業，正從“軟件定義汽車”急速邁向“AI定義汽車”的新拐點。

作為單車智能的代表性技術，自馬斯克首秀基于端到端的FSD以來，無論是車企還是自動駕駛技術公司對端到端的自動駕駛解決方案表現出了極大熱情，英偉達CEO黃仁勛將其稱之為“自動駕駛革命性的進步”。

去年4月，華為常務董事、終端BG CEO、智能汽車解決方案BU CEO余承東曾表示，今天的智能電動汽車跟10多年前的智能手機時代驚人相似，我們正走向智能電動網聯汽車時代，2025年或將出現分水嶺，有可能形成大的逆轉，相當于手機行業2013年的大逆轉。

最艱難的1%長尾問題

至于端到端神經網絡模型能否成為那道分水嶺尚不得而知，但可以肯定的是，任何技術都無法做到萬無一失，我們要做的是最大化降低技術應用過程中的潛在風險，確保技術的可用性、可靠性和穩定性。

自動駕駛最重要的是保證安全性，即使技術上可以解決99%的道路場景問題，都不能實現真正的無人，剩下的那1%才是難點所在，也就是所謂的“長尾問題”。

這一問題的難點在于，技術很難窮盡所有可能發生的場景和案例，我們很難定義問題的全集是什么。如果連問題都定義不全的時候，就無法有效提出解決方案，更不能有效預估完成它的效果和成本。

從技術角度看，目前國內自動駕駛系統基本都是采用傳統分治法，將自動駕駛任務切分為感知、預測、規劃三個獨立的模型，再進行系統集成來完成整個自動駕駛任務。

分治法的優點在于將復雜的自動駕駛任務拆解為大量相對簡單的子任務，大幅度降低了系統開發難度。這樣構成的系統具備很好的可解釋性，可以針對每個模塊的輸入輸出進行白盒分析，一旦發生事故，可以深入分析，找到具體的問題點。

但是弊端在于需要編寫的代碼量巨大，系統設計時引入了太多的人為先驗經驗，導致自動駕駛能力上限比較低，系統的泛化性比較差，對于沒有見過的場景往往無法處理。

在學術界，端到端并不是一個新鮮的概念，已經有諸多相關論文和研究。但是直到去年，在帶高階輔助駕駛功能的量產車大規模落地后，有了海量數據和海量算力加持，這才取得了突破性進展。

端到端模型將感知、預測、規劃三個模型融為一體，無需冗長的代碼來制定規則，而是通過用海量數據去訓練系統，讓機器擁有自主學習、思考和分析的能力，能更好地處理復雜的駕駛任務。

由于任務更少、避免了大量重復處理，端到端自動駕駛可以提高計算效率，并且可以通過不斷擴展數據來提升系統的能力上限。

至于弊端，端到端的“缺乏可解釋性”是客觀存在的缺點。就像人類解釋不清楚宇宙從何而來、到底有多大，我們也無法準確解釋大模型做出一個行為的動機，這就給未來問題分析、算法調優等工作帶來難度，人們不知道應該從哪個方向加以優化改進。

其次，“需要海量的高質量數據”也是一個較高的門檻。曾就職于OpenAI的計算機科學家Andrej Karpathy在一次訪談中表示，特斯拉自動駕駛部門將3/4的精力用在采集、清洗、分類、標注高質量的數據上面，只有1/4的工作用于算法探索和模型創建，這種精力分配，足以說明數據在特斯拉自動駕駛技術棧中的地位。尤其是端到端這種完全數據驅動的大模型，數據的規模和質量比參數量更能決定模型本身的表現。

就目前特斯拉自動駕駛表現而言，行業并沒有從實踐上證明端到端100%確定是一個值得追隨的技術路線。

正如前文提到的，端到端的可解釋性差，其所需的數據規模、算力規模也遠遠超出國內企業的承受能力，因此篤定端到端路線會超過分模塊方案還為時尚早。

此外，法律和道德是一個繞不過去的挑戰。在許多情況下，自動駕駛汽車的決策可能會與現有的交通規則和道德規范相沖突。例如，當遇到緊急情況時，自動駕駛汽車可能需要做出決策，比如選擇撞到行人還是撞到其他車輛，這種決策在法律和道德上都是非常敏感的。由于自動駕駛技術涉及到許多法律責任和義務，比如數據的隱私和使用、車輛的責任和保險等等，這些問題都需要制定全新的法律和政策來解決。

自動駕駛的“隱形翅膀”

在道路基礎設施無法滿足自動駕駛需求的前提下，單車智能無疑是實現自動駕駛的最佳方案，谷歌旗下的Waymo、堅持純視覺流的特斯拉，以及國內絕大多數自動駕駛企業，都是這一模式的擁躉者。

但這對一個企業的科技實力提出了很高要求。客觀地說，中國在單車智能技術方面與美國之間存在一定差距。對于中國任何一個車企和自動駕駛技術公司而言，有誰敢說自己的自動駕駛方案會比特斯拉FSD還要好呢？

與其苦苦相爭，不如另辟蹊徑。相比海外基礎設施建設和升級步伐緩慢，中國作為“基建狂魔”可以發揮在基礎設施領域的優勢實現變道，而“車路云一體化”就是其中最大的機會，也是最適合中國國情的路徑。

從模式上看，車路云一體化跳出了單車智能的局限，用“半個司機在車上，半個司機在路上”的融合方式，將目光投向更廣闊的路端和云端。借助路側多傳感器的超視距感知、路側邊緣計算與云端中央計算相結合的完備算力體系，實現對車、路、云的全域數據協同與智能調度，為自動駕駛的可靠性和安全性增添了一份保障。

在大模型訓練方面，車路云一體化架構為自動駕駛技術開辟了新的路徑。與傳統依賴車輛單獨采集數據的方式相比，車路云一體化系統能夠收集到更龐大的數據量與更豐富的數據類型，不僅大幅拓寬了訓練數據的廣度與深度，還顯著加速了自動駕駛模型的學習效率與精確度，為實現更高水平的自動駕駛奠定堅實基礎。

通過車路云一體化，自動駕駛車輛的傳感器不再是唯一的眼睛，通過遮蔽或關閉這些傳感器，車輛完全可以依賴路側基站構建的實時數字孿生系統，將實時路況和環境數據源源不斷地傳輸給車輛，指引其順利完成自動駕駛任務。從這個角度看，車路云一體化就像一雙“隱形的翅膀”，守護著自動駕駛汽車行駛的必經之路。

不過，車路云一體化的規模化落地并非易事，這是一項跨部門、跨專業、跨行業，集技術、產業、政策法規、工程建設、商業運營等要素于一體的“系統性工程”，需要結合國情，從頂層設計到落地實施開展統籌謀劃，既要探索單車智能與車路云一體化融合的自動駕駛技術方案，也要謀劃科學合理、成本可控的車路通信設施建設方案。

根據公安部最新數據，2023年底中國公路總里程達544.1萬公里，其中高速公路18.4萬公里，位居世界第一。截至目前，我國已有超過3500公里公路完成智能化升級改造。相比全國龐大的公路里程基數，公路智能化升級改造空間巨大。

在車路云一體化推進過程中，政府成為主要推動者。最近，北京市公共資源交易服務平臺正式發布《北京市車路云一體化新型基礎設施建設項目（初步設計、施工圖設計）招標公告》。根據招標公告，該項目投資規模達99.39億元，共選取2324平方公里范圍約6050個道路路口開展建設，以及除上述道路路口外本項目雙智專網網絡中心的建設和改造。

之后，6月3日，福州智能網聯車路云一體化啟動區示范建設審批類項目公示，成為繼北京之后第二座在車路云協同方面有大動作的城市。6月4日，鄂爾多斯市新能源智能網聯汽車“車路云一體化”應用示范項目已成功獲得備案。此外，長春、杭州等多地也已積極申報智能網聯汽車“車路云一體化”應用試點。

無獨有偶，美國參議院于5月提出AI政策路線圖，建議每年至少撥款320億美元，用于推動跨政府部門的AI研發、支持基礎科學研究，并對AI在先進制造、智慧城市和交通系統、合成化學及生物等廣泛領域的應用提供支持。

可見，一場圍繞AI而展開的大國博弈已進入關鍵時刻，智慧城市、智慧交通、智能網聯汽車作為AI應用的重要領域，不僅重塑人們未來的生活方式，更成為國家競爭力的重要體現。

據中金公司預測，2020年至2025年將成為中國向高階自動駕駛跨越的關鍵時期，到2030年前后，有望實現城郊及城市道路的高度自動駕駛，2035年后有望實現完全自動駕駛。

事物的發展總是波浪式前進，螺旋式上升的，自動駕駛概莫能外。未來，以大模型為代表的生成式AI和車路云一體化將為自動駕駛打開更大想象空間，承載著人們對美好生活的向往奔向遠方。