娱乐试玩

娱乐试玩

2025年底，工信部正式公布我国首批L3级有条件自动驾驶车型的市场准入许可，12月23日，北京和重庆分别发出了第一批L3级自动驾驶车辆的专用号牌。中国自动驾驶行业迈出了关键一步，明确了系统在特定条件下接管驾驶任务的权限，标志着行业发展从技术探索阶段迈入由法规规范与护航的商业化前夜。

然而，如果从技术挑战性的维度审视，我们必须厘清“市场准入”与“技术测试”的区别。出于对公共安全的审慎考量，当前获准市场准入试点的道路环境相对保守，多局限于基础设施完善、交通流规范的特定路段。

现阶段真正能够体现L3级自动驾驶最高技术水平与应对极端工况能力的，依然是各地正在开展的、旨在探索技术边界的L3级自动驾驶道路测试。这类测试的目标在于评估L3级自动驾驶系统能否脱离预设的理想环境，在真实且充满不确定性的公开道路上，完成无预演的实战验证。

虽然当前L3道路测试的主要环境依然限于高速公路这类结构化道路，但真正的挑战隐藏在那些极低概率却极高风险的场景中。如占道施工，前车突然变道后露出的静止障碍物（消失的前车），突然窜出的野生动物，以及大货车遗撒等。

此外，中国幅员辽阔，频发的雨、雾、尘等恶劣天气对传感器的冗余度与融合算法提出了极高的要求。唯有经受住这些复杂交通流、突发障碍以及极端气象条件的严苛考验，L3技术才能实现从实验室环境向商业化落地的实质性跨越。

在此背景下，鸿蒙智行近期披露的L3级自动驾驶系统研发测试的影像资料，凭借其对高速L3场景中真实路况的高度还原及技术表现的稳健性，引发了行业的广泛关注。

您目前设备暂不支持播放注：路人遇问界M9重庆L3路测

测试摒弃了预设脚本或受控场景演示，客观记录了鸿蒙智行旗下尊界S800与问界M9在限定道路环境下的实际测试过程。无论是在重庆错综复杂的立交枢纽，合肥高密度的繁忙高速路段，抑或隧道这种明暗对比强烈，信号环境恶劣的场景，测试车辆均展现出在真实车流博弈中的自主决策与执行能力。这种在复杂工况下进行的系统稳定性与安全性验证，有力证明了鸿蒙智行的整体实力。

此次测试不仅验证了鸿蒙智行在L3级自动驾驶研发中的扎实进展，更反映出行业竞争阶段的关键变化，中国L3级自动驾驶的竞争，正由早期的技术验证、参数比拼与准入资质获取，转向更务实的实战考量——在真实高速上L3自动驾驶的实际表现能力与最前瞻技术体验，最终还是要看以实际道路测试与系统安全冗余为核心的综合比拼。这一转变，标志着行业正在经历从“期货”到“现货”的关键跨越。

一、决战夜：政策与技术的双重共振

L3级自动驾驶市场准入与道路实测的加速推进，是中国汽车产业在全球竞争格局下的战略需求与技术发展双重驱动的结果。

当前，L2级别的辅助驾驶竞争已经产生明显的同质化现象。特别是硬件层面，高标准的硬件预埋已经成为内卷的重灾区。

但硬件预埋不仅增加成本，在现有的技术瓶颈下，很多车企虽然堆砌了硬件冗余，但其实算法上并没有进行深度的软硬融合。这导致车辆无法充分利用多传感器融合的感知信息，也无法有效调动各部件的安全冗余能力，更难以充分压榨车端芯片的算力。

这种四肢发达但头脑简单，运动不协调的情况，使得很多硬件预埋更多是为了营销需要，并不能为用户带来持续的辅助驾驶体验与安全提升。用户花更多钱买到的算力、激光雷达等硬件冗余，最终成了长期摆设，徒增购车成本。

所以高技术水平的企业需要通过L3的竞争体现自己的技术优势，拉开体验差距，将沉没的算力与传感器成本转化为高溢价能力和品牌资产。

同时，在全球的自动驾驶竞赛中，中国企业需要尽快建立起基于本土复杂路况的数据主权与技术标准，建立行业壁垒。当前的L3准入和道路测试，不是简单的政策松绑，而是国家层面构建产业护城河的战略举措，也是对头部企业进行的一次实战演练，还是完善法规环境，推动社会共识的关键步骤。

更深层次的变革在于，行业已经到了实现“辅助”到“自动”这次跨越的关键节点，而此刻最亟须的就是明确“辅助”和“自动”之间的界线，而这个界线只能在实际测试中不断厘清。

L3级自动驾驶的根本意义，在于它第一次在特定条件下将驾驶主体从“人”转移给了“系统”。这并非简单的功能叠加，而是底层运行逻辑的重构。

在L2时代，系统仅充当辅助角色，人必须时刻保持对环境的感知与决策。而在L3时代，车辆在“限定条件”（如高速公路、拥堵路段）下，能够独立承担驾驶任务，允许驾驶员在法律允许范围内将注意力脱离路面。这种注意力的解放，标志着汽车从交通工具向生活空间进化的实质性开端，是自动驾驶商业价值爆发的真正起点。

然而，这种驾驶主体的让渡伴随着极高的技术门槛与安全责任。L3虽然允许“脱手脱眼”，但并不意味着完全“脱脑”。驾驶员仍需作为“接管责任人”随时待命，应对系统无法处理的边界情况。

您目前设备暂不支持播放注：L3状态下脱手

这种“系统主导、人兜底”的人机共驾模式，实际上对系统提出了比全自动驾驶更为苛刻的要求。不仅要开得稳，更要在遇到极端风险时，具备足够的时间冗余和交互能力，确保控制权能够安全、平滑地交还给人类，或者在人类无法接管时执行最小风险策略。因此，L3实测的核心，不仅是验证车辆“能开多久”，更是验证在危急时刻系统能否守住安全底线。

现阶段开启L3准入与实测，其实质是行业从野蛮生长迈向确立秩序。它不仅是对技术成熟度的“大考”，更是为未来构建符合中国复杂路况特征的自动驾驶安全标准提供实证依据。

在这一战略窗口期，通过严苛的实战测试来厘清人机责任边界、验证安全冗余机制，将为L3级自动驾驶的规模化商用扫清最后的障碍。这不仅关乎单一企业的胜负，更关乎中国汽车产业能否在全球自动驾驶竞赛中确立主导地位，从而真正引领下一代移动出行方式的变革。

然而，宏大的战略叙事终需回归技术的严酷逻辑，在触达这一愿景之前，行业必须穿越充满未知风险的“深水区”，直面技术与安全的巨大鸿沟。

二、深水区：跨越“概率”与“责任”的鸿沟

不论是准入许可，还是道路测试，这些都只是L3落地的第一步，要实现L3级自动驾驶的商业化落地，必须跨越从“概率性辅助安全”向“确定性责任安全”的鸿沟。

这一跨越的核心瓶颈，在于概率极低但风险极高的“长尾场景”的应对能力。在L2级辅助驾驶体系下，系统在遭遇无法识别的复杂路况或感知局限时，可遵循“失效即退出”逻辑，将控制权交还给驾驶员。

然而，在L3级自动驾驶模式下，系统是责任主体，若其在长尾场景中发生误判或决策失误，将直接引致法律责任的归属问题及不可逆的安全风险。因此，L3系统必须具备在极端工况下的冗余处理能力与容错机制，而非简单地依赖人工接管。

L3级自动驾驶的终极考验，在于当系统面对未知的突发风险时，能否基于安全第一的原则做出符合逻辑的决策，甚至在系统能力边界之外的极端情况下，依然能够通过最小风险策略，为驾驶员及乘客提供确定性的安全保障。

此外，事故责任的界定与归属构成了另一个亟待解决的法理与技术难题。当车辆处于自动驾驶状态时，若发生交通事故，责任判定的颗粒度需精确至毫秒级，以清晰地区分系统行为与人为干预的界限。

这不仅要求车辆具备黑匣子级别的数据记录能力，更需要行业建立统一的责任认定标准。当前，法规细则的完善仍依赖于海量实测数据的支撑，唯有具备大规模验证能力的企业，才能通过真实场景下的数据迭代，为立法提供具备统计学意义的实证依据。

在当前这个发展阶段，行业迫切需要具备全栈技术验证能力与规模化数据积累的破冰者，去探索出一条兼顾技术可行性与法律合规性的落地路径。

三、 破冰者：构建不可复制的体系化壁垒

在L3级自动驾驶商业化的竞争中，单一维度的技术指标已不足以构成竞争壁垒，综合的体系化能力成为决定胜负的关键。鸿蒙智行构建了“技术自研为核、数据循环为血、规模验证为骨”三位一体能力，使其具备了区别于传统车企的持续进化与自我迭代能力，成为实现L3级自动驾驶关键跨越的破冰者。

顶层设计：构建基于物理认知的系统基础

早期辅助驾驶多基于“规则驱动”，靠工程师堆砌代码穷尽路况。如今行业虽已转向“端到端”大模型，但路径各有局限。基于语言大模型的技术路线，虽然在解决长尾场景上有所突破，但在高速突发问题的处理上面临推理时延的挑战。模仿学习路线，通过海量司机片段“复刻”驾驶行为，往往知其然不知其所以然，缺乏对物理世界的完整理解。面对中国道路环境中高度的随机性与非结构化特征，无论是基于“预设规则”还是“模仿学习”，一旦遇到训练数据之外的“超纲题”，系统就容易罢工。

鸿蒙智行的顶层设计实现了从“规则/模仿驱动”向“认知驱动”的范式转移，其核心载体是WEWA（World Engine & World Action）架构。这一架构通过云端与车端的协同，构建了一套完整的物理世界认知与决策体系。

WE（World Engine，世界引擎）坐镇云端，充当自动驾驶系统的“训练场”。当前，L3级自动驾驶的训练瓶颈在于稀缺的长尾高难案例。WE具备强大的生成式能力，可基于物理规律推演数亿种现实中难以复现的极端场景，如暴雨夜侧翻车辆，红绿灯突然掉落的路口等，对系统进行高强度的“压轴题”特训。其生成的难例密度相比现实世界高出1000倍，实现了从“人教AI”向高效率“AI教AI”模式的跨越。同时，通过引入云端强化学习与Reward安全奖励机制，系统在海量高难博弈中将“安全第一”的价值观内化为模型能力的一部分，不断重塑应对长尾风险的能力。

同时，WA（World Action，世界行为模型）部署在车端，是自动驾驶系统的“执行者”。相比于传统辅助驾驶将感知、决策、执行分为独立流程排队处理，WA采用端到端的大模型路径，实时接收传感器信息随后调用MoE多专家混合能力架构，在不同场景下动态调用不同的专家模型，避免了VLA（视觉语言动作）模型“转译”带来的推理时延，实现了低延时、高效的最优控车轨迹输出。

这种机制赋予了系统对当前复杂环境的深度理解能力，使其不再死板地遵守线性逻辑，而是像人类一样具备博弈思维，深层理解交通参与者的复杂意图，如识别旁车是单纯偏移还是强行加塞，并基于安全和效率等价值判断规划出最优轨迹，进行精准控制。这种WEWA架构推高了系统能力的“天花板”，将上限从程序员的想象力提升至物理世界的复杂度。传统规则无法穷尽无限的现实路况，而WEWA通过云端学习“物理规律”和车端掌握“博弈直觉”，从根本上减少了对规则的依赖。这赋予了系统更强的泛化能力，使其在面对未曾见过的陌生路况时，依然能凭借“类人直觉”做出安全、灵活的决策。

安全策略：多重冗余应对极端场景

在L3阶段，安全是“一票否决”指标。现实世界的开放道路环境远比实验室模拟更为严酷，任何单一维度的感知或决策依赖，在极端工况下都可能成为系统失效的阿喀琉斯之踵。

12月23日在旧金山发生的大规模停电事件提供了一个典型的现实警示。当时，城市交通基础设施因停电彻底瘫痪，红绿灯信号缺失。Waymo的Robotaxi车队由于过度依赖高精地图与基础设施的规则指引，在面对这一并未预设且失去了明确路权指示的极端场景时，系统无法进行有效的无保护路口博弈，自动驾驶系统基于单车安全第一原则“原地停摆”，造成了严重的交通拥堵。

这一案例深刻揭示了“单点依赖”的脆弱性，如果系统缺乏足够的感知冗余与自主环境博弈能力，仅依赖既定规则或外部基础设施，在极端突发情况下即便可以保证单车个体安全，也有可能造成整体交通环境的灾难性后果。

针对中国复杂多变的路况特征，如隧道进出时的光线剧变、路面出现的轮胎皮等异形障碍物，以及恶劣多变的天气，如山区雨雾、风沙扬尘等，鸿蒙智行坚定采用了多传感器融合的冗余策略。

通过结合激光雷达的主动探测精度、4D毫米波雷达的全天候穿透力与视觉感知的高识别能力，构建了一套互为备份、互为校验的异构感知体系。这种设计确保了在暴雨遮挡视觉、逆光致盲摄像头或基础设施信号缺失等极端环境下，系统依然能保持稳定的全方位感知与决策能力，避免出现类似“规则失效即停摆”的困境，确保系统的可靠性。

这种极致的安全冗余设计，体现了鸿蒙智行对L3级自动驾驶“限定条件”的深刻理解与敬畏。只有具备了应对最恶劣环境的能力，才能在常态化场景中提供可信的能力。

同时，这种从L3测试中沉淀下来的高阶安全技术，如“驾驶员失能后的自动救援”，正在通过技术下放应用到现有的辅助驾驶功能中，在驾驶员发生昏睡、晕厥等失能情况时，车辆无论是否开启辅助驾驶系统，都会自动变道至应急车道，开启双闪、投射SOS大灯、打开门锁。这种将安全兜底功能普惠至广泛用户群体的做法，扩大了L3技术的应用范畴，提升了整体产品的安全标准，凸显了L3的含金量。

建立壁垒：规模效应驱动数据飞轮

技术可以研发，硬件可以升级，但高质量数据的积累和用户规模的扩大是无法压缩的时间成本，也是最难以逾越的行业壁垒。

鸿蒙智行拥有行业领先的大规模用户群体，这构建了一个庞大且活跃的分布式数据网络。超九成的鸿蒙智行用户高频使用辅助驾驶功能，这意味着每天都有海量的、覆盖全国各地不同路况和驾驶习惯的真实数据，经过脱敏后用于模型训练。这些数据并非枯燥的数据流，而是包含了无数次人类接管、避险操作与复杂博弈的真实场景。

这就形成了一个正向增强的“数据飞轮”：

规模产生数据，数据反哺技术，技术促进规模。这一正向循环是数据飞轮能够转动的基础，也是海量真实驾驶数据持续生成的源动力。

但需要厘清的一个关键概念是，车辆行驶数据≠有效训练数据。行业内不乏保有量巨大但智驾体验停滞不前的案例，根源在于陷入了低质量的“数据泡沫”。数据总量指数级增长，但其中充斥着场景简单重复的无效噪声，单纯的规模堆砌已无法直接转化为技术优势。

高效的数据提炼才是智能驾驶进化的“数字燃料”。真正的决胜点在于构建完整的数据闭环能力。从车端传感器持续采集多维环境信息，云端构建起数据存储、智能挖掘、自动标注、模型训练与验证的技术链条。这套机制能够“沙里淘金”，过滤掉大量无效的重复场景，精准提炼出高价值的长尾高难案例。这种智能化筛选与自动标注能力，才能让规模效应真正转化为技术壁垒。

在“高质量+大规模”双重驱动的数据飞轮下，鸿蒙智行不仅实现了用户规模与长尾场景库的同步增长，更保证了每一份喂给模型的数据都是“高营养”的有效样本。这种基于大规模且高质量数据集形成的自我造血与技术迭代能力，构成了鸿蒙智行最核心、最难以被复制的技术壁垒。

L3级自动驾驶的逐步兑现，将彻底重构人、车、路的关系，使汽车真正从交通工具进化为“第三生活空间”。然而，这一伟大进化的基石，只能建立在极致技术冗余之上的人机信任。

鸿蒙智行通过“深度技术自研、快速数据迭代、广泛规模验证”三位一体的能力，正在为这份沉甸甸的信任签署第一份契约。通往自动驾驶终局的道路没有捷径，唯有在最真实的复杂路况中反复打磨，才能让机器智能真正成为人类可以托付生命的伙伴。

本内容由作者授权发布，观点仅代表作者本人，不代表虎嗅立场。如对本稿件有异议或投诉，请联系 tougao@huxiu.com。

本文来自虎嗅，原文链接：https://www.huxiu.com/article/4821011.html?f=wyxwapp