2024年，是注定被刻進汽車行業發展史的一年。

這一年，從基礎輔助駕駛到高階智能駕駛，使得智能化逐漸成為車企針尖麥芒角逐的焦點。

這一年，武漢街頭的蘿卜快跑駛入公眾眼球，特斯拉的無人駕駛出租車Robotaxi揭開神秘面紗，中美企業都在智駕賽道上一路狂奔。

地平線、黑芝麻智能、文遠知行、小馬智行等頭部智駕企業扎堆IPO，“端到端”自動駕駛算法落地，城市NOA、大模型、車路云、自學習、數據閉環等技術紛紛加碼，各智駕企業初步落定身位。但巨大的路線分歧也成為一道“分割線”，純視覺與激光雷達、端到端一段式與兩段式、單車智能與車路云等技術之爭，將智駕行業推向岔路口。

展望2025年，智駕行業雖終點未明，但“車速”確定。據IDC預測，2025年我國智能汽車出貨量將達約2500萬輛，復合增長率達16.1%。據中國信通院預計，到2025年中國智能駕駛汽車市場規模將接近萬億。

隨著技術的不斷進步和政策的持續推動，智駕功能將逐漸從高端市場向中低端市場滲透，成為未來汽車市場的標配。同時，車路云一體化啟動大規模建設，又為智駕行業增添了新的變量。

“分化”成為主旋律

如果給2025年的智駕行業定義一個關鍵詞，那么“分化”最貼切不過。

智能駕駛的發展已歷經多個階段，從早期的硬件堆砌，單純比拼單車感知硬件與智駕芯片算力，到人海戰術階段對開城數量的競爭，如今已邁入AI驅動的高階智駕階段。據相關測算，2025年城市高階智能駕駛市場規模有望接近550億元。

2024年末，大部分主流車企已經實現了無（高精度）圖全國都能開。而第一梯隊的玩家，從以規則為主的算法框架，向神經網絡模型為主的新架構切換，也就是時下流行的“端到端”技術，這一技術標志著車輛的智能化水平進入到一個全新階段。

傳統的智能駕駛系統往往采用模塊化架構，感知、預測、規劃三方分立為獨立模塊進行處理。雖然模塊化架構在技術上較為成熟，但方案中的感知模塊通常依賴于多傳感器融合技術，其缺點在于各模塊之間的數據傳遞和處理存在一定的延遲和信息損耗，可能導致反應速度的問題并影響整體性能。同時，較多的代碼和對地圖的需要也使其構建成本存在劣勢。

端到端大模型的引入改變了這一局面，其將感知、預測、規劃三個獨立的模型合并，大規模數據訓練使其能夠直接從傳感器數據中生成控制指令，避免了中間環節的延遲和誤差累積，通過“經驗”完成學習分析，并最終具備決策能力。

這一特質使端到端系統具備應對多變和復雜場景的能力，表現為車輛可以在沒有預先設定路線的情況下，根據實時感知到的環境進行自主判斷和規劃行駛軌跡。同時也意味著當該系統運行時，處理交通狀況是通過類似“直覺”來進行判斷，從而使車輛運行更加擬人化，大幅提升駕駛體驗的自然性和舒適性。

這輪技術升級，最直接的好處是讓智駕系統更大程度地享受到了Scaling Law數據擴張帶來的紅利，讓智駕不再按場景分類解題，而是按照“能力”批量解題。

從技術演進來看，2024下半年端到端模型上車奠定基礎。在端到端實現后，競爭焦點正從單純比拼城區NOA的開城數量轉為比拼用戶體驗，以此為核心的高階智駕正處于市場高速增長前的關鍵拐點，成為車企拉開差距、開始分化的一道分水嶺。

但“用戶體驗”是一個很籠統的詞，車企需要借助一個強有力的論據，讓用戶看到擊穿痛點的價值。為此，各大車企在“車位到車位”功能層面展開競爭，并將成為2025年智駕領域的重要發展節點。誰能實現更高覆蓋率的全場景駕駛，誰就會在下半程的體驗之戰中占據上風。

如果說此前“全國都能開”是從面上證明開城規模廣，現在的“車位到車位”就是從點上明確使用價值高，把“從A點開到B點”的底層邏輯映射到現實層面，可以看作車企對于“端到端”方法論的具體演繹。

所謂“車位到車位”智駕，就是上車即可開啟智駕，車輛自主從車位開出，自主進出園區和識別閘機抬桿，再經過無論是城市道路還是高速路，包括城市環島、掉頭等復雜場景，再進入封閉的園區及小區，自動將導航終點匹配園區及小區內的行駛路線，無論是露天還是地庫等各種停車位，都能夠最終自主泊入車位。

“車位到車位”打通了停車場到公開道路、公開道路到園區、園區地面到地下車庫等多種場景，其中“過閘機”能力成為了表述關鍵詞。此前車企在闡述智駕能力時，往往把應對多個極端場景作為重點論據，但極端場景多樣化無法窮盡。

而在“車位到車位”的語境下，則強調了智駕應對復雜路況的連貫性與完整性。這種出色的泊車能力與車輛行駛之間沒有斷點。用戶坐進車內，就可以啟動智駕，系統可以讓自動駕駛與泊車無縫協作，到達下一個車位。

由此，跨過“車位到車位”這道大坎的玩家們，正在新的競爭模式中開啟競速。目前，華為ADS于2024年8月在享界S9交付相關功能；理想汽車在2024年11月全量推送；小米汽車12月推送先鋒版；小鵬汽車也積極推進測試與部署；極氪則預計明年一季度分批推送，二季度全量推送。

這一功能的實現標志著智能駕駛從點到點的簡單輔助邁向全場景無縫銜接的新階段，極大提升了日常駕駛的便利性，減少駕駛員在停車環節的操作負擔，是智能駕駛普及的關鍵一步。

這場高階智駕的比拼特別像體育界的鐵人三項，要想贏得競賽，需要三個核心要素：技術、工程和產品。高階智駕要實現好用、愛用，需要關注兩個維度。一個是Scale up（性能提升），即把系統打磨到可以處理各種極端環境和復雜交通流；另一個是Scale out（場景泛化），即系統在全場景下在不同的時間、天氣、環境和不同的城市都可以有很好的表現。

從技術路徑看，無論世界模型也好，還是VLM（視覺-語言模型）也罷，最后來看都將殊途同歸，就是建立VLA流程（Vision-Language-Action，即視覺-語言-動作），整體系統會更加接近于人的應激反應，（感知）看到什么，（規控）就能做出相應的駕駛動作。不少智駕行業人士都將VLA視為當下“端到端”方案的2.0版本，認為這是未來確定的技術路線，只是實現的時間快慢問題。

VLA架構下，端到端與多模態大模型的結合將會更徹底。但更具挑戰的是，當端到端與VLM模型合二為一后，車端模型參數將變得更大，這既要有高效實時推理能力，同時還要有大模型認識復雜世界并給出建議的能力，對車端芯片硬件有相當高要求。如何將端到端與多模態大模型的數據與信息進行深度交融，實現軟硬件的無縫融合與協同配合，將考驗著每一個智駕團隊的模型框架定義能力、模型的工程開發能力以及模型快速迭代能力。

事實上，智駕競爭到最后比拼的就是對AI資源的消耗能力。模型參數越大，對硬件算力、數據閉環的迭代能力要求越高。部署VLA模型，對芯片算力等級直接來到了NVIDA DRIVE Thor，算力高達1000+TOPS，這將進一步拉大智駕各梯隊之間的差距。這也意味著，誰掌握了更多算力和數據資源，誰就將掌握這場競爭的主動權。

技術路線的驟然升級與競賽變奏，為還沒發力端到端的玩家設置了更高門檻，后發制人的機會更加稀少?？梢灶A料的是，隨著VLA、世界模型等新技術的陸續登場，以及對AI資源消耗的需求進一步攀升，高階智駕的里程碑被全面刷新，智駕梯隊的席位競逐將更加激烈。

關鍵變量也是最大增量

在車企競相發展單車智能的同時，車路云一體化作為2024年交通智能化升級的一大新趨勢拉開序幕。

此前，無論是終端車企還是智能駕駛領域的企業，對于高階自動駕駛發展的關注點主要集中在汽車本身，例如堆積越來越多高質量的系統配置、頻繁升級智能駕駛方案的技術、持續收集更多行車數據做模型訓練等。

2024年7月，工信部、交通運輸部等五部門聯合發布了關于公布智能網聯汽車“車路云一體化”應用試點城市名單的通知，首度確定了以北京、上海和重慶為首的20個城市（聯合體）為智能網聯汽車“車路云一體化”應用試點城市。

保守預計2026年之前，國內車路云一體化的相關的產業規模有望達千億級以上，未來到2030年后，預計撬動萬億級市場。

不單是我國關注車路云一體化，美國和歐洲多國同樣意識到車路云一體化在未來智駕領域中的重要性。美國在發布的智能交通系統戰略中計劃全境75%的城市和高速公路，在2035年應當具備車路云一體化能力，歐洲則在《網聯、協作和自動化出行路線圖》中，也強調了車路云一體化的核心作用。

什么樣的智能駕駛才是完美狀態？最佳狀態是車和路都達到了較高的智能化水平，能夠實現無縫協同，但這只是理想狀態?，F實情況是，不是每一臺車都具備足夠高的智能化水平，也并不是每一臺車都可以實現智能化，規模龐大的存量非智能車仍是主體。

如果用L2+的車，配上高等級的路（比如C5級別），其實也能夠達到比較高的智能駕駛水平。所以，現在不能僅依靠單車的智能化，更多是要靠提升車路云的整體協同能力。

車路云一體化由于增添了路側和云端設施，加強了車輛與路側、其他車輛、云端之間的數據信息交互，使得云端能夠依托車輛的當前情況，以及交通環境的動態變化來做出最為合理的協同決策，推動車輛從被動的預警功能向主動控制、提前規避潛在風險轉變。

在未來，車路云一體化成熟度很大程度上取決于“智能新基建”的升級進度。其中，路側基礎設施的建設升級是2025年車路云發展和政策的聚焦點，路側數據在車端的應用水平是衡量車路云一體化建設效果的關鍵一環。

高質量數據是車路云一體化規?；瘧玫那疤岷突A，把有價值的數據提取出來給車企使用是最核心的環節。提升數據質量的關鍵首先在于單節點的數據質量需要足夠的高，保證數據質量的核心并不只是硬件設備，而是系統和算法。車路云一體化不是單純的堆硬件、堆設備，而是需要一整套操作系統把攝像頭、激光雷達、通信計算的硬件進行整合和驅動，并且通過操作系統中的AI算法模型對數據進行處理。

其次，要深入了解車企的實際需求，與車企真正打通。過去車路云一體化在建設的時候太過于關注硬件和各類指標，往往都是從技術人員的角度，用一系列技術標準來衡量車路云的建設效果，卻忽略了車企到底需要什么、提供的數據如何給車輛使用等更為貼近應用側的需求。

車路云網絡產生的數據，最終能否給車輛使用、能有多少用戶可以直接使用，這是車路云建設的核心標準。目前在車路云建設過程中，設備層的生態非常豐富已經趨于成熟，但在系統層、算法層和應用層，還有很大的缺失。這就導致數據在準確性、實時性等方面無法滿足智能網聯車輛和自動駕駛車輛的真正使用需求。

如果從數據應用角度看，車路云“數據上車”可以分為五個階段：

第一，路側基礎設施建設階段，主要將“通感算”的硬件設備部署在路側；

第二，數據質量達標階段，針對單節點數據質量進行達標測試，可參考行業權威標準，比如信通院的“雙SL3”；

第三，數據上車初級應用階段，通過車路云系統，將信號燈數據、路側識別到的事件類數據賦能智能網聯車輛；

第四，數據上車高級應用階段，通過車路云系統，將實時孿生數據賦能給智能網聯車輛和自動駕駛車輛，真正實現協同感知、協同決策；

第五，量產車型大規模應用階段，與車企進行量產車合作，保證車輛大規模接入車路云網絡，并享受各類實時數據服務。

車路云網絡讓車輛不再是孤立的智能體，而是融入到一個更大范圍的智能交通生態系統中。道路上布設的智能路側設施如AI數字道路基站、V2X通信設備能夠實時監測路況，為車輛提供超視距感知；云端則利用大數據和AI算法，對交通流量進行優化調度，實現更高效、安全的行車環境。

這套網絡還為車輛提供了強大的后盾支持，即便在惡劣天氣或復雜交通狀況下，路側設施也能提供比車載傳感器更穩定、可靠的數據，并通過云平臺的實時分析輔助做出準確判斷，這種穩定性和可靠性對于自動駕駛技術的落地實現至關重要。

此外，車路云網絡還將顯著提升交通系統的智能化和響應效率。通過集成路側設施和云端數據，車輛可以獲得更廣泛的感知能力和更精準的數據分析，從而實現更高效的交通管理。例如，在交通事故發生時，車路云網絡可以迅速感知并分析事故情況，及時調整交通信號和車輛路徑，減少事故對交通流量的影響，從而有利于交通管理部門對城市交通的全局可控，提升交通整體運行效率。

除了能夠提升車輛在道路上的智駕能力之外，車路云一體化還將有助于智駕算法的深度開發。通過車路云網絡，可以提供更為龐大的數據量和豐富的數據類型，對車端數據集形成強有力的補充，進一步提升數據閉環能力，開發更高質量的自動駕駛模型，從而實現更深層次的智駕場景挖掘、場景重建和生成。

新一年，中國智駕產業的競爭將不再局限于技術的比拼，更是生態系統與商業模式的博弈。智駕產業若想取得更大突破，仍需解決技術瓶頸、法規限制在內的一系列難題。同時，如何將車路云一體化這個關鍵變量轉化為產業發展的最大增量，也值得每個參與者的深入思考。

在智能化下半場，智駕行業的故事將會更多、更精彩，它能走到哪一步，且讓我們拭目以待。