摘  要:自動駕駛作為人工智能與交通產(chǎn)業(yè)深度融合的標志性領(lǐng)域，其發(fā)展已超越單一交通工具的自動化范疇，正深度重構(gòu)全球交通產(chǎn)業(yè)生態(tài)，引領(lǐng)帶動全球科技競爭新趨勢。近年來，自動駕駛技術(shù)取得巨大進展，已完成從實驗室驗證到商業(yè)化落地的關(guān)鍵躍遷，在垂直領(lǐng)域、乘用車智駕及自動駕駛出租車等核心賽道同步突破產(chǎn)業(yè)化瓶頸。但現(xiàn)階段在安全性、成本控制、法律規(guī)范等方面，仍面臨一系列難點與挑戰(zhàn)，需建立“數(shù)據(jù)驅(qū)動技術(shù)迭代、規(guī)模降低邊際成本、商業(yè)反哺數(shù)據(jù)積累”的動態(tài)循環(huán)體系，打造進階式示范區(qū)，設(shè)立規(guī)?；\營準入許可，建立無安全員車輛合法運營機制，加快自動駕駛法律法規(guī)體系建設(shè)，實現(xiàn)自動駕駛從技術(shù)突破向規(guī)模化、商業(yè)化應(yīng)用躍升。

關(guān)鍵詞:自動駕駛  人工智能  技術(shù)發(fā)展  產(chǎn)業(yè)落地

【中圖分類號】U463.6                 【文獻標識碼】A

2025年4月，習近平總書記在上海考察時強調(diào)：“我國數(shù)據(jù)資源豐富，產(chǎn)業(yè)體系完備，市場空間巨大，發(fā)展人工智能前景廣闊，要加強政策支持和人才培養(yǎng)，努力開發(fā)更多安全可靠的優(yōu)質(zhì)產(chǎn)品。”[1]2019年，中共中央、國務(wù)院印發(fā)《交通強國建設(shè)綱要》，要求“加強智能網(wǎng)聯(lián)汽車（智能汽車、自動駕駛、車路協(xié)同）研發(fā)，形成自主可控完整的產(chǎn)業(yè)鏈。”自動駕駛技術(shù)正以前所未有的速度突破虛實邊界，成為人工智能（AI）在物理世界落地的核心載體與戰(zhàn)略制高點。其發(fā)展已超越單一交通工具的自動化范疇，正深度重構(gòu)全球交通產(chǎn)業(yè)生態(tài)，引領(lǐng)帶動全球科技競爭新趨勢。

從技術(shù)躍遷維度看，自動駕駛驅(qū)動人工智能實現(xiàn)從“虛擬智能”向“具身智能”的范式革命。以多模態(tài)大模型、端到端學習為代表的新一代AI技術(shù)，推動系統(tǒng)架構(gòu)從“規(guī)則驅(qū)動”轉(zhuǎn)向“數(shù)據(jù)驅(qū)動”演進。視覺—語言模型（ VLM）、視覺—語言—動作模型（VLA）等技術(shù)的融合應(yīng)用，大幅提升車輛對復雜環(huán)境的認知與決策能力，使長尾場景的泛化處理成為可能。這種對物理世界的深度理解與交互能力，使自動駕駛被公認是通向通用人工智能（AGI）的關(guān)鍵路徑。

從產(chǎn)業(yè)競合維度看，自動駕駛領(lǐng)域已成為全球科技大國競逐產(chǎn)業(yè)制高點的重要戰(zhàn)場。2025年，中美企業(yè)在全無人駕駛領(lǐng)域同步取得突破性進展：Waymo、特斯拉等美國企業(yè)持續(xù)推進規(guī)?；虡I(yè)落地，Waymo在舊金山等地的全無人運營版圖持續(xù)擴張；中國領(lǐng)軍企業(yè)百度Apollo、小馬智行（Pony.ai）等在北京、上海、深圳等城市實現(xiàn)全無人收費運營，文遠知行在阿聯(lián)酋、新加坡等海外市場成功開展服務(wù)。全球范圍內(nèi)，頭部企業(yè)已在阿聯(lián)酋、德國、沙特等市場展開技術(shù)驗證與商業(yè)布局。當前中國在特定場景深度與商業(yè)化速度上展現(xiàn)優(yōu)勢，而全球市場規(guī)?；芰εc技術(shù)標準話語權(quán)將成為下一階段競爭焦點。

從協(xié)同創(chuàng)新維度看，自動駕駛作為復雜系統(tǒng)集成的典范，正在釋放強大的產(chǎn)業(yè)輻射效應(yīng)。其發(fā)展強力帶動人工智能算法、車規(guī)級芯片、高精傳感器、網(wǎng)聯(lián)通信等產(chǎn)業(yè)鏈升級，通過多傳感器融合感知、實時智能決策、安全冗余設(shè)計等關(guān)鍵技術(shù)突破，以及在法律法規(guī)、倫理責任等治理體系的先行探索，為低空經(jīng)濟、具身智能等領(lǐng)域提供可遷移的技術(shù)范式，加速多領(lǐng)域無人化技術(shù)的協(xié)同突破。

自動駕駛技術(shù)發(fā)展現(xiàn)狀

總體發(fā)展趨勢與現(xiàn)狀

自動駕駛技術(shù)的研究，最早可追溯至20世紀70年代，經(jīng)過近50年的發(fā)展，整體技術(shù)研究經(jīng)歷三個重要的階段[2]。

第一階段（20世紀70年代至20世紀末）：完全基于規(guī)則的技術(shù)。早期的自動駕駛研究，主要集中于基于規(guī)則的車輛控制。1984年美國國防部高等研究計劃局開展自主地面車輛項目，率先開始探索將自動駕駛應(yīng)用于軍用車輛的可能性。早期技術(shù)方案需要編制大量預先設(shè)置的規(guī)則集，用于決策與車輛控制，技術(shù)上限較低且可擴展性不足。

第二階段（21世紀初至2010年代中后期）：感知和數(shù)據(jù)驅(qū)動。隨著傳感器技術(shù)與車載硬件計算能力的提升，自動駕駛開始注重環(huán)境感知，通過部署于車端的多種傳感器獲取大量數(shù)據(jù)，并基于這些數(shù)據(jù)進行決策。有影響力的項目，包括谷歌無人車（后來的Waymo）、百度Apollo等。這一階段的自動駕駛系統(tǒng)采用模塊化設(shè)計，建模并訓練多種碎片化的小模型，對地圖、視覺、激光雷達數(shù)據(jù)進行信息提取與描述，并基于這些輸入制定大量感知、規(guī)劃、決策的規(guī)則，使得整個系統(tǒng)變得越來越復雜，維護和擴展難度逐步增大。

第三級階段（2010年代晚期至今）：強AI驅(qū)動的整合式系統(tǒng)。隨著AI技術(shù)的快速發(fā)展，端到端學習、深度學習，以及近年來涌現(xiàn)的大模型技術(shù)開始快速被應(yīng)用于自動駕駛領(lǐng)域。相關(guān)AI技術(shù)的引入，使自動駕駛模型具備更強的學習能力和適應(yīng)性，可以基于海量的駕駛數(shù)據(jù)，學習和總結(jié)內(nèi)在駕駛邏輯與規(guī)則，并據(jù)此進行決策。隨著引入能力更強的AI模型與算法，原有基于規(guī)則的決策系統(tǒng)，可以被模型化替代，并將過去模塊化無人駕駛系統(tǒng)整合為更精簡、更智能的端到端系統(tǒng)。這一階段的案例，以特斯拉的全自動駕駛系統(tǒng)和特斯拉無人出租車，以及百度蘿卜快跑為代表。

近年來，無人駕駛技術(shù)與人工智能技術(shù)的發(fā)展，已呈現(xiàn)出高度耦合的趨勢，AI領(lǐng)域前沿的圖像與3D視覺建模方法，被大量引入自動駕駛的感知系統(tǒng)。AI領(lǐng)域中模仿學習、強化學習方法，被廣泛用于無人駕駛規(guī)劃模塊或端到端決策系統(tǒng)。新涌現(xiàn)的語言、多模態(tài)大模型，也開始被快速用于新能源汽車的智能座艙，甚至被用于探索提升自動駕駛車輛在復雜環(huán)境中的常識理解及自主決策能力。目前，人工智能技術(shù)的幾個主流發(fā)展方向，幾乎都可以在自動駕駛系統(tǒng)中找到相對應(yīng)的應(yīng)用出口，凸顯AI技術(shù)在現(xiàn)階段自動駕駛技術(shù)發(fā)展中所扮演的重要角色。

前沿技術(shù)研究方向

多模態(tài)數(shù)據(jù)融合。自動駕駛汽車中普遍安裝大量的感知傳感器，如多個監(jiān)控不同方向的高分辨率攝像頭、毫米波雷達甚至激光雷達，不同類型傳感器數(shù)據(jù)的結(jié)構(gòu)形式、數(shù)據(jù)特征以及采樣頻率與延遲，都存在很大的差異。構(gòu)建魯棒和高性能的自動駕駛系統(tǒng)，需要有效地融合多模態(tài)的視覺及雷達點云數(shù)據(jù)，消除感知盲點，增強感知能力，以支撐更可靠的駕駛決策?，F(xiàn)階段自動駕駛研究領(lǐng)域，已探索包括前融合（傳感器數(shù)據(jù)層面融合）、中融合（先進行數(shù)據(jù)特征抽取，再進行特征層面融合）和后融合（先抽取各模態(tài)相關(guān)信息，再組合利用結(jié)果信息）的三種數(shù)據(jù)融合技術(shù)。由于前融合對多模態(tài)數(shù)據(jù)處理算力及帶寬要求較高，后融合存在數(shù)據(jù)信息損失問題，因此中融合已成為目前自動駕駛研究領(lǐng)域的主流方案。

端到端學習。自動駕駛中的端到端學習，是讓基于深度神經(jīng)網(wǎng)絡(luò)的AI模型，直接從攝像頭、毫米波雷達、激光雷達等設(shè)備采集的原始傳感器中，學習車輛的規(guī)劃與控制方式，實現(xiàn)從感知到?jīng)Q策的端到端映射。最早的端到端自動駕駛模型，可追溯至1988年卡內(nèi)基梅隆大學的神經(jīng)網(wǎng)絡(luò)控制的陸地自動駕駛汽車（ALVINN）項目[3]?，F(xiàn)階段的端到端自動駕駛模型，普遍采用基于Transformer等現(xiàn)代深度學習模型架構(gòu)，并基于模仿學習等AI決策優(yōu)化方法，從海量駕駛數(shù)據(jù)中直接學習自動駕駛決策與控制模式。傳統(tǒng)模塊化架構(gòu)，將自動駕駛?cè)蝿?wù)分解為感知、預測、規(guī)劃、控制等多個子任務(wù)與多個專用小模型的設(shè)計，端到端學習將駕駛?cè)蝿?wù)作為一個整體任務(wù)，減少模塊間融合的損失以及對大量規(guī)則的依賴，賦予系統(tǒng)更強的整體性能、更好的可學習性及泛化能力[4]。

世界模型。世界模型是一類能夠?qū)Νh(huán)境進行建模并預測未來狀態(tài)的生成式AI模型。自動駕駛世界模型可通過自監(jiān)督學習的方式，從大量未標注的駕駛數(shù)據(jù)中學習并提取有關(guān)物理世界的有價值信息，可用于生成多樣化、真實化的駕駛場景，豐富訓練數(shù)據(jù)集，提高自動駕駛系統(tǒng)的魯棒性和適應(yīng)性。在規(guī)劃和決策方面，世界模型也可幫助模型進行更可靠的未來預測和決策推理，提高自動駕駛模型在復雜及博弈場景下的決策能力與安全性。目前，世界模型已從早期的基于圖像的單模態(tài)模型，向多模態(tài)模型的方向發(fā)展，在物理世界的場景建模與生成能力方面取得巨大進展[5]。

自動駕駛VLM/VLA大模型。近年來，以視覺—語言模型（VLM）和視覺—語言—動作模型（VLA）為代表的新興大模型，在具身智能領(lǐng)域內(nèi)取得快速發(fā)展，并開始逐步影響自動駕駛領(lǐng)域。自動駕駛VLM/VLA等多模態(tài)大模型，大多基于海量的互聯(lián)網(wǎng)級圖像—文本數(shù)據(jù)進行預訓練，捕捉了豐富的關(guān)于物理世界常識信息，并具備對于視覺輸入中的文字、標志的認知能力，同時可借助多模態(tài)大模型本身強大的理解和推理能力，大幅提升自動駕駛模型在復雜、未知環(huán)境下的決策能力。目前普遍認為，自動駕駛VLM/VLA大模型是端到端模型之后的下一代技術(shù)路線，學術(shù)界和產(chǎn)業(yè)界已進行一系列積極的探索，如Waymo的EMMA自動駕駛模型[6]及國內(nèi)理想汽車所提出的DriveVLM[7]、 MindVLA等模型。

車路協(xié)同。單車所具備的感知與決策能力往往有限，在滿足高等級自動駕駛所要求的安全與可靠性方面，仍存在較大的挑戰(zhàn)。因此，通過將單車智能系統(tǒng)與道路感知系統(tǒng)雙向耦合，實現(xiàn)信息交互協(xié)同、偵測感知協(xié)同，可大大地拓展單車的感知范圍與準確性。此外，通過車與車、車與路、車與人之間的網(wǎng)絡(luò)互聯(lián)化，可增強車輛、道路的協(xié)同決策能力，從而提高安全冗余及交通效率[7]。目前，車路協(xié)同自動駕駛?cè)孕枰タ艘幌盗嘘P(guān)鍵技術(shù)，包括協(xié)同感知技術(shù)、高精度定位技術(shù)、協(xié)同決策與協(xié)同控制技術(shù)、高可靠低延時網(wǎng)絡(luò)通信技術(shù)、云計算及安全保障技術(shù)等，但“車—路—云”一體化技術(shù)的發(fā)展，可從本質(zhì)上解決單車智能自動駕駛所遇到的技術(shù)瓶頸，從而保證自動駕駛的安全性。

產(chǎn)業(yè)落地現(xiàn)狀

自動駕駛技術(shù)已完成從實驗室驗證到商業(yè)化落地的關(guān)鍵躍遷，在垂直領(lǐng)域、乘用車智駕及自動駕駛出租車等核心賽道同步突破產(chǎn)業(yè)化瓶頸。

自動駕駛垂直場景商業(yè)化里程碑。自動駕駛技術(shù)在封閉/半封閉場景實現(xiàn)全面產(chǎn)業(yè)化突破，全球頭部企業(yè)已驗證其顯著降本增效。港口自動駕駛已進入商業(yè)化規(guī)模應(yīng)用階段。1993年，世界上第一座自動化集裝箱碼頭——鹿特丹港的ECT自動化碼頭正式投入商業(yè)運營，目前鹿特丹港在運營的自動駕駛引導車已有數(shù)百臺。在國內(nèi)，寧波舟山港已部署102輛無人集卡，晝夜無間斷運行使得效率提升30%。礦業(yè)無人化已實現(xiàn)規(guī)?；涞貞?yīng)用。截至2023年底，卡特彼勒全球正在運行的無人駕駛礦用卡車超過630臺，累計總運輸量超過75億噸，效率最高提升達30%。在國內(nèi)，2025年5月，百臺無人電動礦卡集群“華能睿馳”在內(nèi)蒙古伊敏露天礦正式投入編組運營。末端配送技術(shù)正邁向規(guī)?；虡I(yè)運營，并將以低成本重構(gòu)即時物流成本模型。

乘用車自動駕駛分級突破新格局。全球乘用車市場，呈現(xiàn)“L2+規(guī)?；占?mdash;L3法規(guī)落地突破—L4城市驗證”的演進路徑。L2+規(guī)?；铀贊B透：蓋世汽車研究院研究報告顯示，2024年，國內(nèi)新車L2級及以上輔助駕駛裝配量達1098.2萬輛，滲透率達47.9%；2025年前4個月，L2+滲透率快速突破60.94%，其中2025年4月L2++滲透率達20%，表明L2+技術(shù)正從高端車型標配向主流市場全面普及。國際L3級認證突破：2024年，中國工信部批準多家車企開展L3級自動駕駛公開道路測試。2025年，梅賽德斯—奔馳DRIVE PILOT 4.0獲得歐盟首個L3認證，在德國1.3萬公里高速路網(wǎng)允許最高95公里/時自動駕駛（需滿足指定條件），標志著有條件自動駕駛技術(shù)進入落地應(yīng)用新階段。乘用車L4開啟路測：繼百度、小馬智行、滴滴等自動駕駛出租車營運車輛開放路測后，奔馳S—Class EQS部署L4級硬件平臺，成為首個獲準在北京同步開展城市及高快速路L4自動駕駛測試的國際車企，標志著乘用車高階自動駕駛測試進入新階段。

自動駕駛出租車全球化競爭格局與運營拐點。全無人出租車運營邁入多極擴張、成本擊穿、模式驗證的全球競速階段。北美規(guī)?；l(fā)展：截至2025年5月，Waymo美國舊金山、洛杉磯、鳳凰城和奧斯汀運營的自動駕駛出租車達到1500輛，每周提供超過25萬次付費出行服務(wù)，并正在紐約曼哈頓開啟試運營，標志著自動駕駛進入全美最復雜路網(wǎng)，開啟全新里程碑。中國商業(yè)閉環(huán)突破：百度Apollo已于全國11個城市開放載人測試運營服務(wù)，在北京、武漢、重慶、深圳、上海開展全無人自動駕駛出行服務(wù)與測試。截至2025年5月，百度Apollo部署超1000輛無人車，全球累計提供超1100萬次出行服務(wù)，安全行駛里程超過1.7億公里。車企戰(zhàn)略轉(zhuǎn)型升級：2025年6月大眾汽車推出專為自動駕駛出租車設(shè)計的全自動駕駛量產(chǎn)車型ID. Buzz AD，并已在美國奧斯汀，德國慕尼黑、漢堡，以及挪威奧斯陸進行實際道路測試；同月，特斯拉自動駕駛出租車在美國奧斯汀正式開啟試運行，標志著車企啟動戰(zhàn)略轉(zhuǎn)型。技術(shù)成本逆轉(zhuǎn)臨界：隨著激光雷達、車載計算單元等硬件成本快速下降，自動駕駛出租車單公里成本從2019年的23.3元降至2023年的4.5元，預計2026年達2.1元，2030年降至1元，屆時將擊穿傳統(tǒng)出租車1.8元成本線（弗若斯特沙利文數(shù)據(jù)），商業(yè)模式完成閉環(huán)驗證。

自動駕駛技術(shù)發(fā)展面臨挑戰(zhàn)

安全性與可靠性挑戰(zhàn)

安全性與可靠性，是自動駕駛技術(shù)所面臨的重要挑戰(zhàn)。為支撐自動駕駛技術(shù)的大規(guī)模應(yīng)用，行業(yè)內(nèi)形成的普遍共識是需要讓自動駕駛的安全性，較人類駕駛員高出一個數(shù)量級，這對自動駕駛系統(tǒng)提出極高的要求。現(xiàn)階段自動駕駛系統(tǒng)的安全性與可靠性挑戰(zhàn)來自多方面，同時涉及耦合基礎(chǔ)技術(shù)、系統(tǒng)工程及政策法規(guī)等方面。

感知系統(tǒng)存在可靠性瓶頸。這主要表現(xiàn)為多傳感器數(shù)據(jù)融合過程中所面臨的技術(shù)挑戰(zhàn)，以及單車感知覆蓋問題及觀測盲點。提升感知系統(tǒng)的可靠性，不僅要求進一步研究并提升單車感知AI模型本身的魯棒性及準確性，還需考慮在未來有效融合“車—路—云”一體化感知體系，掃除單車感知無法覆蓋的盲點與死角。

復雜場景下的決策能力與泛化挑戰(zhàn)。真實駕駛環(huán)境復雜多變，現(xiàn)階段自動駕駛規(guī)劃、決策系統(tǒng)，仍欠缺復雜場景下的高等級博弈與決策能力，在特定場景下仍可能存在應(yīng)對能力不足或失效的風險。此外，現(xiàn)階段自動駕駛決策AI模型所普遍采用的監(jiān)督式模仿學習框架，也存在泛化能力挑戰(zhàn)。只是對正常駕駛數(shù)據(jù)的模仿，難以學習數(shù)據(jù)分布外長尾場景及遇危狀態(tài)下的駕駛行為。由于以上駕駛條件的駕駛數(shù)據(jù)高度稀缺，單純采用模仿學習無法實現(xiàn)決策模型的有效泛化。新興的AI強化學習技術(shù)對解決以上問題有一定的潛力，但目前仍存在依賴仿真環(huán)境，獎勵函數(shù)設(shè)計困難，復雜多任務(wù)決策模型訓練困難等一系列問題。

黑盒模型下的可解釋性問題。自動駕駛技術(shù)已逐漸從原有的規(guī)則式系統(tǒng)，向AI模型甚至是端到端的統(tǒng)一系統(tǒng)過渡。AI模型帶來能力提升的同時，其黑盒系統(tǒng)的不可解釋性帶來新的挑戰(zhàn)。由于黑盒系統(tǒng)內(nèi)部的決策、推理過程難以解讀，對開發(fā)者在評價、識別和改進算法模型中的缺陷造成額外的障礙。由于無法清晰地理解系統(tǒng)的行為與意圖，也給用戶造成人機協(xié)作與信任難題。

閉環(huán)測試與安全驗證。為充分測試自動駕駛系統(tǒng)性能與安全性，普遍需要進行大規(guī)模的仿真與實車上路，耗費大量的時間及資源，客觀上降低自動駕駛系統(tǒng)的迭代研發(fā)效率。目前閉環(huán)仿真測試在環(huán)境、周車行為的擬真度及場景覆蓋方面，仍存在很多缺陷，無法充分驗證系統(tǒng)在真實環(huán)境中的性能。如何進行更充分、低成本的閉環(huán)測試與安全驗證，是需要學界及產(chǎn)業(yè)界共同探索的重要問題。

系統(tǒng)復雜性與成本問題

自動駕駛系統(tǒng)的復雜程度，遠超一般的手機和電腦等智能硬件系統(tǒng)。整個自動駕駛系統(tǒng)裝備有大量的傳感器，需要時刻采集數(shù)據(jù)、清洗處理數(shù)據(jù)，對周圍復雜環(huán)境進行感知，并做出實時的安全決策規(guī)劃。自動駕駛涉及對一系列復雜的軟件、硬件、算力系統(tǒng)的深度集成，開發(fā)、測試與部署成本高昂。以傳感器為例，目前L4級自動駕駛車輛的硬件單元一般包含6—12臺攝像頭，3—12臺毫米波雷達、5臺以內(nèi)激光雷達，以及1—2臺全球衛(wèi)星導航系統(tǒng)與慣性測量單元。為滿足自動駕駛AI模型的計算需求，還需裝備1—2套高性能車載計算系統(tǒng)。即使近年來傳感器及算力芯片價格不斷下降，疊加所有元件的成本仍然非常高昂。這讓車輛的安全性與經(jīng)濟實用性成為難以兼得的“魚”和“熊掌”。

政策法規(guī)相對滯后

目前涉及自動駕駛的法律法規(guī)尚需完善。不同國家、地區(qū)對自動駕駛的定義與審批流程各異，L3級別在歐盟有嚴格的審批要求，在美國多州尚屬灰色地帶。具體到執(zhí)行層面，也面臨一系列倫理決策及保險與賠付機制設(shè)定難題。例如，當面對在“碰撞行人”與“撞擊障礙物”之間選擇時，自動駕駛系統(tǒng)及事后評估認定體系如何量化“最小傷害”。當前多以事后司法裁定為準，難以形成統(tǒng)一的實施標準。此外，若自動駕駛車輛發(fā)生事故，是由車企、自動駕駛解決方案提供商還是車主承擔責任？現(xiàn)階段自動駕駛事故責任認定及保險賠付機制仍處于探索階段，難以快速推行。

自動駕駛技術(shù)發(fā)展未來展望

自動駕駛將成為物理（具身）智能領(lǐng)域中最重要的應(yīng)用之一，有可能成為第一個通過“新圖靈測試”的具身智能系統(tǒng)。在安全性方面，全無人駕駛安全水平將比人類駕駛至少高10倍，達到人類好司機的標準。在人性化體驗方面，通過模仿學習和自主學習，自動駕駛系統(tǒng)將具備更自然的駕駛風格，結(jié)合乘客駕駛習慣提供更人性化的體驗，最終達到人類“老司機”水平。

技術(shù)架構(gòu)層面將深度整合多模態(tài)傳感器數(shù)據(jù)，采用端到端訓練和輕高精地圖策略，提升單車智能決策能力上限。多模態(tài)融合利用機器的感知優(yōu)勢，通過視覺、激光雷達等多源數(shù)據(jù)全面感知環(huán)境。端到端模型將取代碎片化小模型，形成統(tǒng)一任務(wù)處理框架。輕高精地圖模式降低對高精地圖的依賴，將地圖作為數(shù)據(jù)源輸入，依靠實時感知與決策實現(xiàn)精確定位，大幅提升自動駕駛系統(tǒng)的單車智能決策能力。

大模型和生成式AI，將在提升L4級別自動駕駛系統(tǒng)的泛化能力方面，發(fā)揮關(guān)鍵作用。針對自動駕駛邊緣場景數(shù)據(jù)不足的問題，大模型生成式AI可結(jié)合真實數(shù)據(jù)，生成高質(zhì)量邊緣場景數(shù)據(jù)，覆蓋更廣泛、更復雜的罕見情況，如極端天氣下的特殊物體識別、非標準交通參與者的行為模擬以及復雜路口的多方交互等，填補場景仿真與模擬的不足，有效解決感知領(lǐng)域的長尾挑戰(zhàn)。借助大模型的推理能力，自動駕駛系統(tǒng)可理解并應(yīng)對道路突發(fā)情況，進一步提升能力上限。

系統(tǒng)架構(gòu)將以單車智能為核心，通過“車—路—云”協(xié)同機制，保障安全冗余并提升交通效率。自動駕駛車輛必須獨立具備智能駕駛能力，形成基礎(chǔ)操作保障。“車—路—云”一體化提供多重安全冗余機制，保障駕駛安全。同時通過全局決策優(yōu)化交通流量，有效提升道路資源利用效率，推動智能交通系統(tǒng)升級。

加快自動駕駛技術(shù)創(chuàng)新發(fā)展的對策建議

構(gòu)建數(shù)據(jù)—規(guī)模—商業(yè)的自我強化閉環(huán)。建立“數(shù)據(jù)驅(qū)動技術(shù)迭代、規(guī)模降低邊際成本、商業(yè)反哺數(shù)據(jù)積累”的動態(tài)循環(huán)體系。構(gòu)建行業(yè)—科研機構(gòu)數(shù)據(jù)開放共享機制，整合極端工況、長尾場景等關(guān)鍵數(shù)據(jù)資源，形成跨企業(yè)數(shù)據(jù)/算力共享機制，推動行業(yè)—科研機構(gòu)良性合作，實現(xiàn)“真實場景數(shù)據(jù)—算法優(yōu)化—商業(yè)收益—數(shù)據(jù)反哺”的正向循環(huán)。

打造進階式示范區(qū)與產(chǎn)業(yè)規(guī)?；呔仃嚒Ｍ苿邮痉秴^(qū)從單點測試（<50km2）向城市群聯(lián)網(wǎng)（>500km2）升級，構(gòu)建廣域協(xié)同的“車路云一體化”基礎(chǔ)設(shè)施，支持跨域連續(xù)性服務(wù)驗證。加速商業(yè)化場景開放，在自動駕駛、干線物流、城市微循環(huán)等領(lǐng)域設(shè)立規(guī)?；\營準入許可，推動成熟技術(shù)落地應(yīng)用。建立無安全員車輛合法運營機制，構(gòu)建自動駕駛安全測試、系統(tǒng)可靠性評價等國家標準，為規(guī)?；涞靥峁┯辛ΡＵ?。

加快自動駕駛法律法規(guī)體系建設(shè)。當前政策法規(guī)在責任界定、保險覆蓋、安全驗證等領(lǐng)域尚未形成系統(tǒng)性框架，亟須突破三大關(guān)鍵矛盾：技術(shù)快速迭代與法規(guī)滯后性沖突、商業(yè)化需求與現(xiàn)行監(jiān)管不適配，以及全球化競爭與本地規(guī)則不協(xié)同。為此，要優(yōu)先解決自動駕駛路權(quán)保障問題，確立自動駕駛系統(tǒng)最小傷害倫理評估原則，制定交通事故責任分級認定標準及賠付規(guī)則，創(chuàng)新動態(tài)車險精算模型與專屬保險產(chǎn)品體系，同步構(gòu)建司法裁判與執(zhí)行保障機制，以法治創(chuàng)新突破加速產(chǎn)業(yè)合規(guī)化、規(guī)模化發(fā)展。

【本文作者為中國工程院外籍院士，清華大學智能科學講席教授、智能產(chǎn)業(yè)研究院院長】

注釋略

責編：程靜靜／美編：石 玉