1. 从“卷”到“智”上海车展的叙事转向如果你问我今年上海车展最深的感受是什么我会说是“安静”。不是指展馆的噪音而是那种弥漫在展台之间、产品背后一种心照不宣的共识单纯比拼续航、堆砌屏幕、拉长轴距的“内卷”时代正在被一种更深层次的竞争所取代。当“新能源汽车如火如荼”成为行业背景板聚光灯下最抢眼的不再是某个具体的车型而是一个个具象化的“它”——智能驾驶。这届车展几乎所有的头部玩家都在用最直接的方式告诉你智能驾驶已经从PPT上的期货变成了决定你下一辆车买谁的关键现货。回想几年前的车展大家还在争论谁的续航更扎实、谁的充电更快。这些当然重要它们是电动化的基石。但当主流车型的续航普遍突破600公里800V超充网络开始铺开这些“硬参数”的边际效应正在递减。消费者开始问下一个问题除了用电驱动我的车还能为我做什么答案就藏在这次车展上那些看似低调实则暗流涌动的演示里。华为的ADS 2.0、小鹏的XNGP、理想的AD Max 3.0、蔚来的NOP还有一众传统巨头与新势力发布的“城市NOA”时间表共同构成了今年车展的主旋律。这个“它”不再是遥不可及的概念而是已经落地、正在快速迭代并且深刻影响购车决策的核心能力。2. 城市NOA从“期货”到“现货”的临门一脚如果说前两年的智能驾驶还停留在高速和快速路的封闭场景那么今年上海车展最明确的信号就是战火已经烧到了最复杂、最考验功力的城市道路。几乎所有主流品牌都在强调一个词城市NOANavigate on Autopilot领航辅助驾驶。这不仅仅是功能的延伸更是技术能力、数据积累和工程化水平的一次集中检阅。2.1 为什么城市NOA是“分水岭”从技术角度看城市道路与高速路是两种完全不同的“游戏”。高速场景相对结构化车道线清晰交通参与者车辆行为相对可预测规则统一。而城市道路是典型的“非结构化”或“半结构化”环境其挑战是几何级数增长的感知的复杂性除了车辆还有大量的非机动车、行人他们的运动轨迹随机且突然。此外城市中复杂的交通信号红绿灯、倒计时、箭头灯、五花八门的道路标识禁行、让行、潮汐车道、以及随时可能出现的施工围挡、临时路障都对感知系统提出了极高要求。这要求感知模型不仅要“看得见”更要“看得懂”各种语义信息。预测与规划的难度在城市路口你需要预测旁边电动车是直行还是左转预判行人是否会突然闯出还要理解前车司机的意图是停车等人还是找车位。规划模块需要在毫秒间做出兼顾安全、效率和舒适度的决策比如在无保护左转时判断何时切入车流空隙。高精地图的依赖与去图化博弈早期城市NOA严重依赖厘米级高精地图它提供了车道级的精准先验信息。但高精地图制作成本高、更新慢难以覆盖全国所有城市。因此本届车展一个明显的趋势是“重感知、轻地图”甚至“无图”方案被推向前台。各家的技术路线开始分化有的坚持高精地图作为安全冗余有的则宣称通过强大的实时感知和BEV鸟瞰图模型实现“无图”通行。这背后的本质是比拼谁家的感知算法更强大、泛化能力更强。2.2 展台上的“真·体验”与“伪·演示”车展上很多品牌设置了模拟座舱让观众体验城市NOA。这里就藏着一个普通消费者容易忽略的“坑”演示路线。有些演示是精心挑选的、路况简单的固定闭环路线车辆可能只是循迹播放了一段预录视频。而真正的实力体现是像华为、小鹏那样提供覆盖展馆周边真实、开放道路的试乘面对真实的车流、行人和不守规矩的加塞。作为从业者判断一个城市NOA是否“靠谱”可以关注几个细节接管频率与场景在半小时的体验中系统要求人工接管的次数是多少是在简单的跟车时接管还是在复杂的无保护左转、人车混行路口接管频繁接管意味着系统对该场景的处理逻辑还不成熟。博弈能力车辆在汇入主路、通过狭窄路段时是表现得过于保守长时间等待还是能像“老司机”一样通过缓慢逼近、灯光示意等方式与其他交通参与者进行有效博弈安全且高效地通过舒适性加速、刹车、转向是否平顺自然遇到加塞是急刹还是平滑减速这些直接影响乘客的乘坐体验和信任度。注意不要被华丽的UI界面和流畅的动画演示所迷惑。真正的智能驾驶能力必须在开放、动态的真实交通环境中检验。车展的静态体验更多是感受交互逻辑和界面设计核心能力还得路上见真章。3. 端到端大模型智能驾驶的“大脑”进化如果说城市NOA是本届车展的“明星应用”那么端到端End-to-End大模型就是支撑这颗明星的“底层引擎”是更值得技术爱好者深挖的亮点。传统智能驾驶系统是一个“流水线”作业感知模块识别出物体、车道线、信号灯然后交给预测模块猜测它们未来的运动最后规划模块基于这些信息规划出一条路径。这套流程模块众多链路长且每个模块的优化目标可能不一致比如感知追求准确率规划追求舒适度容易产生“误差累积”。而端到端大模型试图用一套统一的、数据驱动的神经网络直接处理传感器输入图像、激光雷达点云并输出车辆的控制指令方向盘转角、油门刹车。你可以把它想象成一个吸收了海量人类司机驾驶视频的“超级大脑”它学习的是从场景到驾驶动作的映射关系而不是被拆解成一个个子任务。3.1 端到端的优势与挑战优势显而易见更拟人化的驾驶风格由于是端到端学习系统做出的决策可能更接近人类司机的综合判断在处理一些规则模糊的复杂场景时比如在拥堵中寻找变道时机可能表现出更好的“博弈感”和“通行效率”。系统更简洁减少了模块间接口和手工规则理论上可以降低系统复杂度提升迭代速度。但挑战同样巨大这也是为什么它尚未大规模上车的原因“黑盒”与可解释性传统的模块化方案如果出了问题我们可以定位是感知错了还是规划错了。但端到端模型像一个黑盒我们很难理解它为什么在某个时刻做出了特定的决策这在涉及安全的关键领域是难以接受的。数据与算力饥渴训练这样的模型需要天文数字级的真实驾驶数据并且对计算芯片的算力要求极高。长尾场景处理对于训练数据中极少出现的极端场景corner case模型的应对能力存疑。在本届车展上一些领先的企业已经展示了基于端到端思路的下一代智能驾驶架构的雏形或研发方向。这预示着智能驾驶的竞争正在从“功能实现”的工程赛转向“底层架构”的算法与数据赛。3.2 从技术展示到用户体验的闭环对于普通用户而言无需深究端到端的技术细节但可以关注一个衍生出的重要体验提升基于大模型的交互与语音能力。很多品牌将智能驾驶与智能座舱的语音控制深度融合实现了“说去哪就去哪”的体验。例如你可以直接说“帮我开到前面那个商场的地下车库”车辆便能自主完成路径规划、进出匝道、甚至寻找车位。这背后正是自然语言处理大模型与智能驾驶系统的结合让机器能更好地理解人类的模糊指令完成复杂任务。这也是本届车展上智能驾驶从“技术秀”走向“体验秀”的一个重要体现。4. 激光雷达的“上车”博弈与成本下探走到任何一个热门品牌的展台你很容易发现一个共同点车顶或前保险杠位置那个显眼的“瞭望塔”或“犄角”——激光雷达。它已经成为高端智能驾驶的“显性标配”。但今年的趋势在于激光雷达正在从百万豪车向下渗透到20-30万价位的主流车型甚至出现了“双激光雷达”、“三激光雷达”的配置方案。这引发了一个核心讨论智能驾驶到底需要多少颗激光雷达4.1 激光雷达的核心价值安全冗余与精准感知首先明确一点激光雷达并非智能驾驶的必需品。以特斯拉为代表的纯视觉方案证明了不用激光雷达也能实现高级辅助驾驶。但激光雷达的核心优势在于提供了确定性的测距信息和不受光线影响的3D感知能力。确定性测距摄像头是通过图像像素和算法来估算距离容易受环境干扰如夜间、逆光。激光雷达直接发射激光束并测量反射时间能提供厘米级精度的距离信息对于判断前车距离、障碍物位置至关重要。3D建模可以快速构建车辆周围环境的精确三维点云清晰区分路面上的物体是纸箱还是石头和它们的轮廓。在复杂的中国道路环境如“鬼探头”、夜间无照明路段、隧道明暗交替下激光雷达相当于为系统增加了一层可靠的“安全冗余”。当摄像头因强光或阴影“致盲”时激光雷达的数据可以确保系统依然能感知到危险。4.2 “堆料”与“性价比”的平衡本届车展上我们看到了两种不同的技术路线“堆料”派通过部署多颗激光雷达如前向一颗两侧翼子板各一颗实现更广的FOV视场角和侧向盲区的覆盖追求全场景、无死角的感知能力。这通常出现在定位高端的车型上其逻辑是用硬件成本换取性能上限和营销亮点。“性价比”派坚持使用一颗高性能的前向激光雷达通过优化算法和融合摄像头、毫米波雷达的数据来实现足够安全的城市NOA功能。同时积极推动激光雷达本身的成本下降从早期的上万元降到现在的数千元级别。对于消费者这里有一个实用的判断点不要单纯比较激光雷达的数量更要关注该品牌实际的城市NOA表现。一颗调校精良、与算法深度契合的激光雷达其价值可能远胜于两颗配合生疏的雷达。更重要的是整套感知融合方案的能力以及背后大量的数据积累和算法迭代。提示在了解一款车的智能驾驶硬件时可以形成一个简单的检查清单有没有激光雷达有则多了重保障是什么型号主流如禾赛AT128、图达通猎鹰等性能有差异数量是多少通常1颗够用2颗以上侧重侧向感知再结合该品牌已推送用户的真实智驾口碑就能做出更理性的判断。5. 芯片算力智能驾驶的“军备竞赛”与真实需求与激光雷达的“外显”不同智能驾驶芯片的算力是一场隐藏在机盖下的“军备竞赛”。展台上动辄“上千TOPS”万亿次运算/秒的算力宣传牌屡见不鲜。英伟达的Orin芯片254 TOPS几乎成了高端车型的入场券而下一代Thor芯片2000 TOPS也已提上日程。但算力真的越大越好吗这里存在一个巨大的认知误区。5.1 算力的“水分”与有效算力首先芯片厂商宣传的TOPS通常是理论峰值算力是在最理想、最简单的运算模型下测得的数据。而实际运行复杂的智能驾驶算法如BEV感知模型、Transformer网络时由于数据搬运、内存带宽、芯片架构效率等问题有效算力往往远低于峰值算力。不同架构的芯片如GPU、NPU、ASIC处理同一种算法的效率也天差地别。因此单纯比较TOPS数字意义不大。更重要的是“算力-功耗-成本”的三角平衡。一颗算力极高的芯片往往意味着更高的功耗和发热这对车辆的电气系统和散热设计是挑战也直接影响续航。同时高昂的芯片成本最终会转嫁给消费者。因此优秀的智能驾驶方案追求的是在满足功能和安全需求的前提下实现算力利用效率的最大化而不是无脑堆砌算力。5.2 如何理性看待算力宣传对于购车者可以这样理解算力算力是“潜力”更高的算力意味着硬件平台有更强的能力去支撑未来更复杂、更强大的算法模型如端到端大模型的迭代升级车辆的全生命周期智能体验上限可能更高。这是一种“战未来”的储备。当下体验看“算法”与“数据”当前阶段的智能驾驶体验好坏更多取决于算法软件的成熟度、以及用于训练算法的数据规模和质量。一个用100TOPS算力但算法精湛、数据丰富的系统其实际表现可能远超一个用1000TOPS算力但算法粗糙的系统。这就是为什么有些算力宣称不高的车型智驾体验反而备受好评。关注整体架构比起单一芯片的算力更应关注计算平台的整体架构。是否是集中式的电子电气架构智驾域控制器是否足够强大各传感器数据能否高效融合这决定了算力能否被充分、协调地利用。所以当你在车展上看到算力宣传时不妨多问一句“这套高算力平台目前已经兑现了哪些独一无二的功能未来的升级路线图是什么” 将算力与具体的用户体验和功能进化绑定起来看才更有意义。6. 数据闭环智能驾驶看不见的“护城河”本届车展上那些智能驾驶体验领先的品牌其真正的优势往往不在展车本身而在于一套看不见的体系——数据闭环。这是智能驾驶从“功能”走向“体验”并持续进化的核心引擎也是后来者最难在短期内逾越的壁垒。6.1 什么是数据闭环简单说就是“在路上跑——收集数据——发现问题——改进算法——再上路验证”的完整循环。每一辆搭载了智能驾驶系统的车在获得用户授权后都可以在行驶过程中尤其是在系统处理得不够好或需要人工接管的场景下自动采集相关的传感器数据图像、点云等和车辆状态数据。这些数据被加密上传到云端的数据中心。在云端海量的数据经过自动化的清洗、标注用于训练和优化感知、预测、规划等各个算法模型。新训练出的模型再通过OTA空中升级的方式推送到每一辆车上。于是整个车队的能力就得到了集体进化。今天系统不会处理的某个罕见场景可能因为另一辆车遇到了并上传了数据下个月所有车就都会处理了。6.2 数据闭环的规模效应与伦理边界这就形成了强大的“规模效应”和“网络效应”规模效应上路行驶的智能驾驶车辆越多收集到的 corner case极端案例数据就越丰富、越多样算法进化的速度就越快。网络效应每一辆车的体验提升都受益于整个车队数据贡献的成果而更好的体验又会吸引更多用户购买进一步扩大数据采集的规模形成正向循环。因此我们看到头部品牌在宣传其智能驾驶时经常会强调“XX亿公里路测数据”、“覆盖XX座城市”。这本质上是在展示其数据闭环的规模和成熟度。对于消费者而言选择一个数据闭环体系成熟、车队规模大的品牌意味着你的智能驾驶系统在未来几年内持续进化和改善的潜力更大、速度更快。当然数据闭环也伴随着数据隐私和安全的风险。负责任的企业会建立严格的数据脱敏和匿名化流程并在用户协议中明确告知数据收集和使用的范围征得用户同意。这也是消费者在享受智能驾驶便利时需要关注和了解的重要方面。7. 用户体验与商业模式智驾如何“变现”当技术趋于成熟下一个问题自然浮现如何让用户为智能驾驶买单本届车展也透露了商业模式探索的诸多信号。7.1 从“买断”到“订阅”的服务化趋势早期智能驾驶软件通常与硬件捆绑作为高配车型的一部分一次性卖断。而现在“软件服务费”或“订阅制”越来越普遍。例如提供基础辅助驾驶功能而高阶的城市NOA功能需要按月或按年付费订阅。这种模式的好处是降低购车门槛用户可以先以较低价格购入硬件支持的车后期根据需要开通服务。持续获得收入企业可以获得持续的服务收入用于支撑数据闭环、算法迭代和运维的长期投入。按需使用对于不常使用城市通勤的用户可以选择在需要时如长途旅行临时订阅。但挑战在于用户是否愿意为一项“服务”持续付费。这极度依赖于功能的实际体验和价值感知。如果城市NOA能真正大幅降低驾驶疲劳成为每天通勤的“必需品”那么订阅模式就可能成功。反之如果体验不佳、可用范围有限用户就可能停止续费。7.2 体验设计的细微之处除了商业模式本届车展在智能驾驶的“人机共驾”体验设计上也看到了更多思考。例如交互的信任感建立中控屏或仪表盘如何清晰、直观地显示系统感知到的世界SR场景渲染在系统即将做出复杂决策如无保护左转时如何提前告知用户它的意图这些设计直接影响用户对系统的信任程度。接管的平顺与安全当系统需要人工接管时提醒的方式是温和渐进的如声音、视觉、触觉提示层层递进还是突然且令人紧张的接管后车辆控制权交接是否平顺个性化设置能否让用户调节跟车距离、变道激进程度等参数以适应不同驾驶风格这些看似细微的体验点恰恰是决定智能驾驶功能能否从“可用”到“好用”最终让用户形成依赖的关键。车展上的演示车其UI/UX设计的水准也反映了该品牌对智能驾驶用户体验的思考深度。逛完这届车展一个清晰的结论是新能源汽车的竞争上半场是电动化解决了动力来源的问题而下半场无疑是智能化核心战场就是智能驾驶。它不再是一个炫技的配置而是正在重塑我们对于“驾驶”和“汽车”的定义。对于消费者选择一辆车越来越像是在选择一个持续进化、具有生命力的智能出行伙伴。而对于行业这场关于数据、算法、芯片和用户体验的深度竞赛才刚刚拉开序幕。