從2024年到2025年，汽車產業界形成了一個“壞習慣”：搶定義權。

最明顯的例子，將L2駕駛衍生出L2+、L2.5、L2.9、L2.9、甚至L2.9，有點被玩壞的跡象。而將不同層次、不同水平的L2都模糊為“智駕”，更進入了良莠不分的境地，甚至消費者很難從名字上判斷誰的技術水平更先進、更可靠，智駕定義認知混亂。

雖然L2、L3也是一種定義，但這有國標背書（GB/T 40429-2021）。所以，在此之外生發的定義，都可以理解為“商業定義”。

有企業表示，2025年底前要部署L3。這一表態，不禁讓人擔心，企業口中的L3和公眾印象里L3是一回事嗎？

國標的門檻是清楚的。去年，有車企暗示自身已經具備L3能力，但因為政策法規的原因暫時還不能部署。言下之意，國標耽誤進步了？迄今為止，國家批準了7家乘用車品牌、2家商用車品牌開展“智能網聯準入和上路通行試點”，其實就是L3路測。既然是路測，顯然包含明確的地理圍欄，但L3當前就這點限制嗎？

不被傳播的ODD

我們先要區別L3到底和L2有什么區別。國標雖然描述比較復雜，簡言之，就是責任主體變化——L2是人機共駕，人為主體，車打輔助；L3后者從實習生轉正，獨立完成工作，但人仍需要監控。不僅是職責的轉移，也是法律責任的轉移。

從這個角度，只要車企不兜底，就都不算L3。

但如果消費者個人不審慎甚至違法，企業也要兜底，那未免有失公平。解決方案就是在算法里嵌入ODD（運行設計域）——這個詞一直貫穿了自動駕駛的全過程，但企業很少和消費者交代。消費者不喜歡聽到企業說“這不行那不行”，喜歡聽的往往是“全天候、7×24小時、全國哪里都能開”。消費情緒能理解，但無論如何，安全底線是企業必須堅守的原則，至少不能脫離技術現實，夸大產品能力。

從L1~L4，都必須預設ODD。包括天氣、光照、車輛狀態、道路類型、交通狀況（特別是施工占道等非結構工況）等多種條件。比如低照度下，純視覺輔助駕駛就必須限制車速。原因也很簡單，傳感器辨識距離縮短，一旦車速快過某個門檻，可能導致系統無法處理的工況讓人工接管的時間不足。

顯然，ODD包含了多個參數，其中某些參數改變就可能導致智駕運行受限，甚至無法運行。一旦讓企業兜底，那么ODD設定就不會含糊，很多情況下，會拒絕激活L3、或者降速使用。

國內的礦山港口已經廣泛使用L4，就是因為這類場景的ODD非常簡單，物理封閉、沒有非結構場景、車輛沿固定路線行進，排除了天氣和外部干擾。高度結構化和簡單ODD，讓L4也變得相當容易，現有技術早可以達到。

礦區無人駕駛場景，這類場景的ODD比城區簡單很多

即便德國高速允許L3，但這也是條件的，僅限于高速的特定路段，不支持上下匝道、收費站和其他復雜路段，并要求在天氣良好、路面濕度正常時采用。遇到復雜路況，必須提前2公里要求人工接管。

對L3的硬件，德國只做了傳感器的約束，要求L3級系統須通過聯邦機動車管理局（KBA）認證，確保安全冗余設計（如激光雷達、多傳感器融合），未提及算力。這是很明智的做法，因為這種ODD下，匹配上高精圖，算力壓力很小（即便考慮激光雷達的信號處理，也可能不足200Tops）。

基于這樣的條件，在L3級系統激活期間發生事故，?責任由車企承擔?；若駕駛員未及時接管，責任則轉移至駕駛員?。

L3能力決定了L3架構

城區的L3，全球暫時還沒有先例，中國大概率會做第一個批準城區上L3的國家，那么會不會像有些車企說的，今年就能部署呢？

回答這個問題，我們需要先看看L3要求具備什么能力？

和L2一樣，L3在無法勝任的條件下也要求人工接管，只不過后者的次數要“非常少“。如果人工未能及時接管，L3必須有能力脫離當前場景（緩慢靠邊等）。

L2和L3的分野也在這里，L2有時候不知道自己搞不定（未知不安全），而L3最好知道自己搞不定（已知不安全）。顯然，“未知不安全”是發生事故的主要前提，應該盡量少，這就是“合理安全”。達到什么程度才合理呢？馬斯克建議安全性要超過人類駕駛10倍，這大概是600萬公里一次的事故概率。

L3應該識別所有環境因素，包括逆光/微光、靜止的非結構性障礙物，路面特殊狀況等。不認識水馬、翻倒的貨車、欄桿等，再也不能成為借口。

基于現在的傳感器、算力和算法水平，想讓合理安全區盡量擴大，提升硬件能力緩不濟急，只能增加感知、控制和執行的冗余。因此，在所有重要環節上冗余（熱備份），就成為當前L3的一個重要特點。

L3的重要特點在于關鍵節點必須冗余

航空的決策鏈路一般三冗余或者四冗余，通常對多路信號采取仲裁機制，但汽車這么做有點太奢侈了。目前采用較多的做法是單通道+診斷，每個節點功能都和診斷鏈路串聯，兩個通道隨時互相診斷，一個通道的診斷鏈路可以關斷另一個通道的輸出，以此確保關鍵節點出現故障時，整個系統仍能正常工作（功能安全）。

當然，如果對成本不敏感，還可以上更復雜的架構，比如雙通道冗余（兩功能通道、兩診斷通道）冗余。這個時候有用仲裁機制的，但更多還是用協商機制。原因在于，如果通道之間得出的結果差異比較大，仲裁器很難決策。簡單問題可以“yes or no”，但復雜問題，只能尋優。相比仲裁，協商機制更復雜。

類似的架構有很多方案，但所有關鍵點都必須設置冗余，這是L3架構不同于L2的最大特點。

L3的技術難點有多難

進一步講，有了L3架構，是不是就可以實現L3功能？

當然不是。眼下面臨的技術挑戰難度超過任何L2。雖然德國高速要求L3必須在晴朗的白天啟動，但真正的L3可能面臨更為復雜的氣象條件。

即使傳感器冗余了，麻煩一點不少，還多了不少。

和L2一樣，激光雷達的刷新率與攝像頭時序不同步，造成兩者對動態物體定位有分歧。尤其是速度比較高的時候，10毫秒級誤差，就足以引發風險。在雨霧中，激光雷達點云散射率可能高達50%以上，攝像頭在低照度和逆光時信噪比快速下滑。如何協調多個傳感器，比L2更難。原因是L3必須創建更大的合理安全區。

比感知更難的是預測。現有的所有模型，都對3秒以上的預測誤差很大。比如電瓶車從非機動車道突然左轉插入機動車道，連越多條車道。

所有不遵守交通規則的行為，都具備隨意性。而深度學習模型仍然依賴大量標注數據訓練（好消息是標注自動化了），在低照度場景下，泛化能力值得懷疑。簡單說，夜間違章突襲，更容易讓L3破防。

電瓶車隨意進入機動車道等違章行為，對預測帶來了很大不確定性

同理，即便在ODD范圍內，根據規則決策，有時也會遇到“規則刺客”。比如無預警突然剎車、動物橫穿公路等等。這種情況下，端到端學習的“不可解釋”性，讓決策變得不透明。監管可能無法同意上線（最近一次各家最新OTA方案被一刀切地要求等待）

L2的城區NOA重點在于博弈，人開車同樣也將注意力放在博弈上。這種博弈符合納什均衡理論，但若過多引入智能體的博弈模型，可能壓垮當前車載算力，表現就是膽小如鼠。另有一些“傻大膽”的智駕系統，表現出無知無畏的莽撞，這就是剛才提到的典型的“菜而不自知”。

而算力有時候浪費嚴重，比如英偉達雙Orin X芯片，就通過“鎖步機制”實現雙核校驗，但因此損失了40%算力。這個時候，更合適采用異步計算架構。國內Soc供應商正以此作為不對稱突破點。

高精圖可以降低算力壓力，但國內一水的輕圖，就是因為地圖更新成本太高，審批跟不上實際道路變化。但輕圖下的L3，算力壓力又上了一個臺階。這也是L3目前傾向于在特定地理圍欄內做試點，而不是輕易承諾“全國都能開”。

事實上，“全市都能開”，今年也絕無可能。L3要求覆蓋百萬量級的長尾場景，如何完成數據閉環，成為挑戰。L2上無所作為的廠商，很難跨越到L3，很大程度上就是因為掌握的高質量數據太少。虛擬測試并不能覆蓋所有情況。任何仿真軟件，相比真實的物理世界，總是存在偏差。場景庫只能逼近而不會完全達到現實的逼真度。實際上，現有場景庫和真實世界，復雜度可能相差3、4個數量級。

而L3不能強行要求人工接管，允許后者行動緩慢或者未接管。這種時候，大部分就不再是技術問題，而是倫理或者社會心理學問題（比如電車難題）。這也意味著此事不會有簡單答案。

如此，問題就很清楚了，多家企業早就研發了L3架構，有些也進行了小規模路測和小批量產品生產，但大規模商業化部署，技術還不成熟。實際上不存在企業能力被監管和政策約束無法“起飛”的情形。監管是在保護企業，企業不能放飛自我，先實現收窄ODD條件下的L3部署，比德國人的限定做有限拓寬。

退一步說，即便L3部署了，也不要有太多濾鏡。只要路上存在L0，哪怕你是L5，都有可能出事故，不要懷疑人思想上的多樣性。

注:圖片部分來源網絡，如有侵權，聯系刪除。

供應鏈管理為什么成為一把手工程