前有純視覺方案在多個城市實測中拉平城市NOA體驗，逐步削弱對高精地圖和激光雷達的依賴；后有激光雷達下探至11萬元價位段，開始出現在更多家用車的配置清單里。

靠激光雷達建立起來的智能駕駛圍墻，再次出現裂痕。

爭議的爆點來自小鵬汽車智能駕駛產品高級總監袁婷婷的一句話：“激光雷達看得遠，是個偽命題。”一句話挑開行業舊傷口，引發工程、算法和消費者的激烈討論。有人說她挑明了行業的集體沉默，也有人覺得這話“過于干脆”，容易誤導公眾理解。

到底什么才是智能駕駛的核心能力？到底要不要繼續堆料？到底用戶能不能分辨這些差距？要不要為激光雷達買單？

01

激光雷達聽起來唬人，用起來不一定

過去兩年，一直浸淫在“無激光雷達無智駕”的營銷環境中，誰的雷達線數多、看得遠，誰就像更先進。這套邏輯一度非常好賣，雷達越大，越顯眼，發布會一亮相，科技感拉滿。但這些年越到實用階段，車企自己也越來越清楚一個現實，看得遠，不等于用得好。

激光雷達的工作方式決定了它越遠精度越低，點云會變稀，信號變弱，還特別容易受多徑反射干擾。像城市里的高架、隧道、反光路標，都可能導致雷達看花眼，再加上刷新率普遍低于攝像頭，車速一快，識別就跟不上目標移動的節奏。

實戰中，不少激光雷達該識別的沒識別、不該剎車的頻繁急剎，麻煩不斷。

而視覺系統聽起來寒酸一些，但搭配高分辨率攝像頭、語義識別和大模型算法，也能干不少復雜活。很多城區NOA方案，就是靠視覺系統在兩百米外準確識別橫穿電動車、誤闖紅綠燈的人、貼墻停車的車輛。

到這個階段，“誰更先進”的爭論其實開始偏離方向。大家嘴上聊的是路線，背后想的都是成本。雷達貴，視覺便宜；雷達吃算力，視覺吃數據。方案怎么選，最終還是落在“花多少錢、能帶來多少體驗差異”上。

但行業里很少有人把這句話挑明了，因為路線聽起來有格局，成本聽起來像妥協。于是，“激光雷達vs純視覺”的話題，從一個實際的工程問題，變成了一個拿來裝進PPT的立場問題。看上去像在討論技術選型，其實繞開了一個更棘手的現實，這些設備加上去之后，用戶到底有沒有感覺？愿不愿意多掏幾千塊錢？

從某種程度上看，這場路線之爭的熱鬧，是在回避成本與體驗這道難題。

討論參數更容易，回避用戶感知更安全。只不過，等故事講完、雷達上車、價格寫進配置表之后，最終還是得有人回答那個被擱置的問題：這些投入，到底值不值？

02

智駕硬件邊際價值遞減，技術突圍向軟件能力遷移

“激光雷達是偽命題”這句話，雖然聽起來像一句挑釁，但它的合理性在于，它提醒行業回頭去看：硬件還能解決哪些問題，哪些問題只能靠軟件來破？

前幾年，技術突破靠堆料：加傳感器、上大芯片、換更高線數的雷達。激光雷達能看得更遠、Orin芯片算力翻倍、毫米波雷達疊滿前后左右，這些看得見的升級確實讓系統變得更穩，也帶動了整個行業的信心。

但問題是，堆料的邊界越來越明顯。傳感器越多，布線更復雜；芯片更強，發熱更高、功耗更大；線數更密，數據處理壓力也更大。這時候你會發現，很多設備上去了，體驗提升卻有限，成本還翻了好幾倍。

這就是硬件升級遇到的瓶頸——邊際價值開始遞減。

在這個背景下，過去要靠硬件兜底的事情，現在靠算法就能解決一部分。以前必須靠雷達識別井蓋，現在可以通過視覺大模型判斷“那個圓東西可以不避”；以前沒圖不敢進城市，現在靠感知系統+大模型推理，系統能自己理解路口紅綠燈和潮汐車道的變化。

這里的關鍵詞，叫泛化能力。

這不是“識別清楚一個物體”，而是“理解一個場景”。硬件能告訴你“哪里有東西”，但軟件能告訴你“那是一輛騎得很慢的電動車，它可能要變道了”。而且這個理解，不依賴地圖、標注或固定規則，而是靠模型學會的。

換句話說，軟件具備一種硬件永遠給不了的能力：適應沒見過的情況。

這也是為什么現在頭部玩家都在講模型，不再講傳感器。小鵬把城市NOA從圖上挪下來了；理想講“快系統+慢系統”，底層依賴的就是“泛化+糾偏”的組合架構；小米在推VLM模型時，也強調未來路線能靠語言描述就觸發自動駕駛行為，這些都是典型的軟件做主、硬件輔助。

但隨之而來的新問題是，硬件可以一眼看見、簡單描述，軟件進化卻藏在結構和鏈條里，用戶看不到、很難被感知，不符合一些靠消費感知營銷的企業的路數，很多車明明用上了最新算法，城市NOA做到了無圖覆蓋，結果用戶感覺“和以前也差不多”。

雖然技術變強了，但感知斷層卻更明顯了。

03

智駕體驗卡在了“回報率”這道坎上

自動駕駛發展到今天，技術早已不缺突破，真正難的是讓用戶意識到這些突破正在發生。城市NOA已經不再依賴高精地圖，感知架構從傳統模塊化演進到端到端，大模型也開始上車處理復雜場景判斷。

但如果用戶坐上車之后感覺“和以前沒什么區別”，這些技術進展就很難轉化為市場價值。

問題出在“感知回報率”上，簡單說，就是用戶能不能體會到你做的技術升級，這是一道常被跳過的環節。

研發團隊在意的是精度、魯棒性、閉環周期，而消費者關心的卻是通勤有沒有更順，停車是不是更穩，遇到復雜路口會不會手忙腳亂。中間這道從能力到體驗的轉換題，沒有標準答案，也沒有統一路徑，卻決定了技術能不能轉化成信任，信任能不能轉化成溢價。

自動駕駛技術越往深水區走，感知落差就越大。早期靠激光雷達、芯片堆料制造科技感，用戶還能看得見升級；但到了算法主導、大模型接管的階段，技術藏得越深，越難被感知。這就要求車企在技術設計之外，還要思考“用戶怎么知道這臺車變聰明了”，不僅是功能，而是直觀認知上的變化。

從經濟學角度看，這其實是“效用可感知性”的問題。如果系統性能提升了，但用戶沒有強烈感知，那這項升級就不會被納入用戶的價值判斷，也就很難形成價格認同。反過來，如果用戶明顯感覺“開這車就是不一樣”，即使他不完全知道背后的算法邏輯，也會產生信任感和使用粘性。

因此，當技術指標拉不開差距時，誰能把系統智能翻譯成體驗差異，誰就有機會贏得智能駕駛下半場的主動權。

真正的競爭，不是跑得多快、堆得多滿，而是：用戶感覺到了嗎？值嗎？愿意為它留下來嗎？這才是智能駕駛從技術自嗨走向用戶共識的那道門檻，而不是拋開事實不談，直接搞對立情緒。