論畫餅，馬斯克爭第二，沒人敢爭第一。2016年，特斯拉CEO埃隆·馬斯克展示了一段“特斯拉自動駕駛”的演示視頻——一輛特斯拉Model X，從加州Menlo Park出發，“自動駕駛”到位於Palo Alto的特斯拉總部。在長達3分45秒視頻中，這輛特斯拉自動的在城市、郊區和高速公路上行駛，全程沒有任何人為乾預。

然而，前不久路透社就爆出一個大瓜：“特斯拉宣傳自動駕駛的這段視頻是演的。”

按照特斯拉自動駕駛軟件總監Ashok Elluswamy的說法，該視頻是在預定路線上使用3D映射製作的，消費者無法使用該功能。此外，他還提到，“該視頻的目的並不是要準確描述2016年客戶可以使用什麼。它是為了描述可以構建到系統中的內容。”

簡而言之就是，畫餅。

特斯拉“視頻造假”風波還未平息，國內造車新勢力也跟風畫起了大餅。

2023年1月28日，春節後開工的第一天，理想汽車和小鵬汽車相繼宣布今年“城市級自動駕駛”的規劃。其中，小鵬汽車董事長何小鵬宣布，2023年在中國率先推出全自動駕駛，在中國超過50個城市能夠放手自動駕駛；而理想汽車創始人李想則宣布，城市NOA導航輔助駕會在2023年底開始落地。

一夜之間，消費者眼前出現了一幅“自動駕駛時代來臨”的繁榮景象。

互聯網沒有記憶，但虎嗅汽車是有的。就在一周前的1月20日，一輛理想L9在開啟高速NOA導航輔助駕駛功能狀態下，以超過100km/h的時速，徑直撞向從右側變道的車輛。涉事車主發文稱，“理想的車機沒有任何預警和主動剎停的動作。”具體的事故原因，目前官方仍未正式公佈。

顯然，未來到來的，還沒有那麼快。

不光是理想，以特斯拉、蔚來、小鵬為首的造車新勢力們，都曾因為輔助駕駛類功能而造成過有人員傷亡的交通事故。但即便如此，各大車企仍樂此不疲地開放更多的功能。前兩年，車企宣稱要讓用戶們在高速上“脫手”，今年開始則嚷嚷著在城市裡“放手”。

但是，國產車下一個大餅，還真不該拿消費者的命來畫。

小心！車企在玩文字遊戲

城市級自動駕駛，是2023年車企必卷的方向，沒有之一。

核心原因在於，智能化的創新已然乏力。一方面，智能座艙裡頭的創新趨於同質化。如今隨便一台智能汽車，車載屏幕的顯示素質基本都能媲美家用電視，車內座椅分分鐘代替家裡的沙發。在車裡追《狂飆》已經是基本操作，在車機上玩大型主機遊戲就屬於是“高級玩家”了。

但另一方面，車企還要佈局未來，讓用戶在車內有更多的娛樂時間。那麼必須把駕駛員從駕駛任務中解脫出來。特斯拉FSD（Full Self-Driving）的目的大抵也是如此——讓車自己開，讓人去玩車機。

現在市面上所謂的“全自動駕駛”、“全場景智能駕駛”，無一例外都是將“泊車、城區、高速”這三大場景進行拼接，最終組成從A點到B點的自動駕駛。

首先，最為簡單的場景就是泊車。由於車速較低、涉及的道路參與者和障礙物較為簡單，所以幾乎所有的新能源車型都能支持自動泊車功能。

其次，難度進階的下一層場景是封閉道路。特斯拉最早是在2019年，向中國用戶推送了高速NOA（Navigate on Autopilot，自動輔助導航駕駛）功能。

特斯拉NOA

從2020年開啟，“蔚小理”相繼實現了類似的高速NOA功能。但為了凸顯差異化，蔚來和小鵬都進行了重新包裝。像蔚來的高速導航輔助駕駛功能就叫NOP（Navigate On Pilot）、小鵬的叫NGP（Navigation Guided Pilot），毫末智行的則叫NOH（Navigation on HIPilot）。

理想L8 NOA功能官方演示

本質上，NOA功能並不是一項全新的、顛覆性的技術，而是把我們常見的ACC自適應巡航、LKA車道保持輔助、ALC自動變道輔助和高精地圖定位，這四者進行了一個無縫的集成。所以，與以前輔助駕駛功能相比，NOA功能的差異點就在——定位。

像理想汽車官網對NOA功能的描述是：“基於亞米級高精度定位能力，自主超車、調速與出入匝道”。通常，支持NOA功能的車型都需要搭載一套“組合導航系統”，其核心是高精度定位單元（GNSS+IMU）。其中，GNSS是全球衛星導航系統，IMU是慣性測量單元。

有了組合導航系統，車輛就能夠獲得三類信息：第一類為坐標信息，如經緯度、 高程，可以區分高架上下、隧道和地庫；第二類為姿態信息，包括道路行車過程中的側傾、俯仰等； 第三類是動力學信息，包括加速度、速度、角速度。在此之上，通過GNSS 、IMU、高精地圖三者相互配合、補足，自動駕駛系統才能夠獲取到高精定位，從而“讓車輛知道自己身處何方”。

無論NOA功能的名字如何被包裝，N字必須排在首要位置上。N所代表的導航，指的是高精度組合導航定位系統，有了它，NOA功能才能得以實現。即便是特斯拉的純視覺再牛，它也需要GNSS和IMU來提供厘米級別定位，視覺傳感器則提供相對定位，三者共同完成高精定位，最終實現NOA。

NOA功能先被應用於高速場景，主要是因為高速公路的道路參與者相對簡單、變化性相對較低。並且，中國城際高速公路和城市快速路加起來也就30萬公里，遠低於全國的城市道路的近1000萬公里。數字。這時候，高精地圖的鮮度和覆蓋率，就可以達到自動駕駛系統的使用要求。

通常來說，高精地圖提供的信息包括：道路類型、曲率、車道線位置等道路信息，以及路邊基礎設施、障礙物、交通標誌等環境對象信息，同時包括交通流量、紅綠燈狀態信息等實時動態信息。這就相當於給了自動駕駛系統一根“拐杖”。

在開啟高速NOA功能後，高精地圖將為車輛的自動駕駛系統提供道路先驗信息。為車輛縱向加減速、橫向轉向及變道等決策提供先驗信息；其次，可預知車道線、道路標識牌等交通要素的位置， 有助於提高傳感器的檢測精度和速度。

實際上，在特斯拉和“蔚小理”進行大規模量產之後，業內已經開始出現廉價的NOA解決方案。畢竟一套組合導航系統的成本也不高，攝像頭+毫米波雷達的感知硬件又可以跟其他功能進行複用，只要添置一套性能和成本兼顧的計算平台，找一家價格實惠的高精地圖供應商，基本就能實現物美價廉的高速NOA功能。哪怕是15萬以內的低端車型，也都能實現特斯拉需要花3萬2選配才有的功能。

注意！出事司機要負責

高速NOA功能在全行業的快速普及，讓“蔚小理”有了危機感。尤其是主打智能化的小鵬汽車，曾經有一段時間還把自動駕駛軟件包付費當作是其全新的商業模式。但隨著意外事故頻發、功能推新速度放緩，高速NOA功能對用戶的吸引力也開始下降。這時，城市NOA功能的落地，就不得不按下加速鍵。

據統計，已宣布計劃在今年落地城市NOA功能的車企，至少就有5家。

城市NOA功能，也並非一個全新的事物，只是被車企們重新包裝了一下而已。

因為，那些所謂的自動駕駛出租車Robotaix，其測試的功能本質上就是城市NOA。即便它們都掛著昂貴的設備、沒日沒夜的上路跑測試，但至今也沒見得實現遠超人類駕駛員的可靠性、通行效率和乘坐舒適性。時至今日，大多數測試車還是被圈在北京亦莊、廣州南沙、上海安亭等地的電子圍欄裡。

很多人高估了NOA的普及速度，低估了城市NOA的開發難度。毫末智行CEO顧維灝告訴虎嗅，“現在城市裡面的環境非常複雜，包括靜態環境，例如車道線的磨損和重劃，路口之間的間距。以及動態環境中，各種各樣的機動車、兩輪車、行人等。”

根據小鵬汽車的數據顯示，其城市NGP的代碼量是高速NGP的6倍，感知模型數量是高速的4倍，預測/規劃/控制相關代碼量是高速的88倍。但更多的車企，是明知山有虎，卻偏向虎山行。因為根據小鵬自己的數據，一位車主的平均總用車里程和用車時間中，城市道路佔比高達71%和90%。

“城市NOH其實是實現全自動駕駛的一個觸發器。”在顧維灝看來，假設MPI（Miles Per Intervention，每兩次人工接管之間行駛的平均里程數）只有500米，那麼L4就是不切實際。但如果城市NOA的MPI能夠達到5公里，這個時候就是摳動扳機，開始更多投入的時候了。因為距離真正的L4越來越近了。

簡而言之，啃不下城市NOA這塊硬骨頭，全自動駕駛就是無稽之談。

集度ROBO-01（視頻源：集度汽車）

但現階段，幾乎所有的自動駕駛測試車輛，都宛如一個“移動路障”。

比如，上方這段路測視頻片段，是集度ROBO-01工程車。集成百度Robotaxi能力的集度，第一次在廣州進行路試。但實際上路的效果，卻是慢慢悠悠、悠哉悠哉，就連一旁的外賣小哥都能輕鬆完成超越。再比如，小鵬P5的城市NGP功能，在交匯路口時就表現得像一位剛拿到駕照的新手司機。

小鵬P5（視頻源：新出行）

“通行效率低的原因，主要是自動駕駛系統用了更保守的駕駛策略。”智能汽車創新研究平台HiEV合夥人洪澤鑫向虎嗅分析道，自動駕駛車輛一般不會超過道路限速行駛，但其實大部分社會車輛都會超。“它是比較守規矩的，所以通行效率低。”

尤其是在高速公路匝道上，依據《中華人民共和國道路安全法》的規定，限定車速為40公里/小時。但如果你在現實中以這個時速行駛，跟在後車必然會“口吐芬芳”。

駕駛策略的問題還算好解決，而係統的安全性才是地獄級的挑戰。洪澤鑫向虎嗅表示，“高精地圖對安全性有一定的影響。如果你開到某一個區域遇到高精地圖出現缺失，那麼就會導致系統退出。例如突發的道路施工，會產生與高精地圖的偏差，用戶需要及時接管。”

在城市裡依賴高精地圖來使用NOA功能，則更像是駕駛“有軌電車”。嚴格按照軌道行駛時，它可以做到安全、可靠。一旦軌道斷了，乘客的安全性就無法得到保障。最致命的問題就在於此——人類駕駛員壓根就不知道，高精地圖會在什麼時候、什麼地點出現缺失。

如前文所說，高精地圖在高速NOA功能中起到了神效，為系統提供了“上帝視角”。而理論上講，如果城市NOA能夠擁有高鮮度的高精地圖數據，同樣可以實現較好的用戶體驗。但現階段，由於監管的要求，城市範圍內的高精地圖測繪製作充滿了挑戰。尤其是像北京這樣的一線城市，即便是通過了層層審核，高精地圖的數據並不能完整的覆蓋所有行車場景。

像目前，小鵬P5的城市NGP、極狐阿爾法S Hi版的NCA，都需要依靠高精地圖的數據支持。所以，其功能覆蓋的城市少之又少。像小鵬就僅在廣州開通，背靠華為的極狐也僅在上海、深圳等地開始交付城市NOA功能。極狐的官網上，就明確寫到一行小字：“NCA智駕導航輔助需在國家法規允許以及高精地圖開放的情況下使用，依賴於各城市對高精地圖的行政審批通過（某些行政管轄區可能會需要更長的時間），該功能推送時不能覆蓋所有城市，將依據各城市審批情況逐步開放。”

毫末智行城市NOH

從效率和安全的角度來說，城市NOA功能避免過度依賴高精地圖才是更優解。並且，車端實時感知和計算的能力的增強，使得規模化部署的理論可行性更高。

“差不多在2016年左右的時候，視覺感知的能力非常有限，看得不遠，算力也不行。”顧維灝在加入毫末智行前曾擔任百度地圖副總經理，主導過高精地圖的採集。在他看來，早期高精地圖技術是作為輔助手段，來補齊當時自動駕駛技術在感知層面的短板。“現在車端算力大了200多倍，攝像頭的個數從一個變成了十幾個，像素也高了很多。之前的假設條件已經發生了很大的變化，技術的實現方案也該隨之調整。對此，特斯拉做得更加決絕。”

馬斯克就公開表示，“過分依賴高精度地圖會讓自動駕駛系統變得極其脆弱，普及起來更加困難。”實際上，特斯拉從高速NOA功能開始，就擺脫了高精地圖的依賴。在進入到FSD完全自動駕駛功能的開發時，特斯拉純視覺的路徑走入了深水區。

再等等！技術成熟還有待時日

從單點功能的實現，到全場景、全範圍的覆蓋，就像一個“打怪升級”的過程。而反過頭來看，每一個階段都會像徵性的里程碑。

首先，硬件參數必須達到拉滿。

因為城區場景極其複雜，車道信息、交通標誌等關鍵要素的感知識別，需要消耗大量的算力。像蔚來第二代平台車型，都搭載了4顆英偉達Orin-X芯片，總算力達1016TOPS（處理器運算能力單位）。但這顯然是“性能過剩”了，因為支撐FSD完全自動駕駛的特斯拉HW3.0，算力也才達到144TOPS。

相對較保守的小鵬G9、理想L9則用兩顆Orin系列芯片，得到508TOPS的算力。毫末智行用的5nm高通驍龍8540+7nm高通驍龍9000方案，算力達到360 TOPS。最“節約”的莫過於極氪了。只有了用2顆Mobileye EyeQ5H，總算力為48TOPS。

理論上，L2級別需要的計算力小於10TOPS，L3約為30-60TOPS，L4需要大於100TOPS的算力，而L5預計需要大於500TOPS 的算力。考慮到算力冗餘的需要，城市NOA功能所對應的L3級，最多到200TOPS也就夠用了。所以，大部分的智能汽車，還是“算力過剩”了。

小鵬P5（視頻源：新出行）

算力是夠了，但感知層面的短板還有不少。

像上面這個片段，就是比較有代表性的“靜止車輛”場景。在視頻車輛穿過十字路口時，左前方准備完成掉頭的“黑車”突然起步，並阻擋了視頻車輛前進的路線。從畫面可以看到，小鵬P5的SR環境模擬顯示界面中並未檢測出這輛突然起步的“黑車”。

市面上，很多車型都開始搭載激光雷達。但絕大多數車型，用的是半固態激光雷達，主要用於中長距離的探測，來識別車輛前行方向上的靜態和異形障礙物。然而，它們並不能很好的識別兩側的威脅。

比如，在高速公路上，遇到超寬貨車時，系統就不能精準把控鄰車輛間距；在城市擁堵的十字路口，車輛無法妥善處理大量VRU（弱勢道路使用者，一般指行人、兩輪車）的場景，更何況這時還經常會出現人車合流的情況。如果側向的距離感知能力較弱的話，車輛很可能會對其他道路參與者可能會產生威脅。

對此，當前有車企選擇為車輛佈置補盲激光雷達。例如禾賽的FT120，就具備超廣角視場，通常被放置在車身兩側以及側後方位置，以便在路口轉向、車輛加塞、主動超車、自動泊車等場景下，提升環境感知能力，避免危險的發生。

極狐阿爾法S Hi版（視頻源：張扛扛）

其次，最能拉開研發差距的，可能就在算法層面了。

2021年夏天，特斯拉自動駕駛技術負責人Andrej Karpathy在AI Day上，公開了FSD 自動駕駛系統中採用的算法，而Transformer則是其中最核心的模塊之一。在國內，毫末智行很早就提出了將Transformer神經網絡與海量數據進行有效的融合；在前兩天李想也提到，理想汽車的城市NOA將基於BEV感知和Transformer模型來實現。

由於篇幅關係，這裡我們不對BEV和Transformer的概念進行贅述。我們只需要知道，Transformer對特斯拉FSD帶來的能力提升是非常明顯的。

由於是純視覺方案，特斯拉本就對“眼觀八方”有著更高的要求，而Transformer就可以基於全局視野，預訓練出一些能夠對物體深度信息進行準確感知和預測的算法模型，逐步實現2D圖像-3D空間-4D空間的搭建，讓世界看起來更真實。而在規劃控制方面，Transformer預訓練多套算法模型，對博弈策略有較大提升，保證了自動駕駛的安全性與高效性。

在特斯拉純視覺感知的基礎上，毫末的團隊還加入了激光雷達的數據。並基於Transformer神經網絡模型來進行空間、時間、傳感器三個維度的融合，從而去提升感知算法的準確率。尤其是解決了棘手的紅綠燈檢測和識別，距離擺脫高精地圖和車路協同又進了一步。

最後，算法的持續迭代，更離不開數據的閉環。

隨著所需處理的數據開始指數級增長，特斯拉也在提高訓練神經網絡的算力。

因此，在2021年8月，特斯拉正式發布了自研的雲端超算中心Dojo。Dojo來源於日語，意思是“道場” 。顧名思義，這個道場就是專門用於處理，大量訓練特斯拉自動駕駛汽車AI軟件數據。來自全球超百萬輛特斯拉的數據將匯聚於此。

實際上，無論是開發城市NOA，還是其他智能化功能，越是研發的深入以及用戶規模的擴大，自建計算中心的重要性就越發凸顯。比如像毫末智行之前的數據標註、大模型的訓練、仿真驗證等工作，都是在公有云上進行。但隨著數量的積累，公有云的效率會存在限制，成本也會變得很貴。

這就要求車企自建私有云和計算中心，以便處理海量的業務需求。

在2023年1月，就已經有兩座計算中心上線。1月28日，吉利星睿智算中心正式上線，其支撐了吉利旗下的智能駕駛業務、智能網聯、電池雲端BMS、新能源汽車安全服務等。再往前推，1月5日，毫末智行與火山引擎聯合發布智算中心雪湖· 綠洲，通過數據管理能力、算力優化、訓練效率的提升，來加速城市NOA功能的落地和擴張。

總之，現階段的算力和感知已經進入平穩發展階段，要快速實現城市NOA以及最終的全自動駕駛，關鍵是要看“算法能力+ 數據能力”。

中金曾發布過一份名為《AI 視角下的自動駕駛行業全解析》的研究報告。報告指出，“深度學習是自動駕駛技術發展的分水嶺及底層推動力，算法是各廠商接下來應該重點佈局的核心能力，同時，數據是決定自動駕駛量產能力的勝負手”。

寫在最後

最後需要注意的是，城市NOA功能以及所謂的全自動駕駛功能，仍處於監管灰色地帶。

從城市NOA的名稱、技術體係到產業鏈相關環節，技術標準不健全、不完善的情況依然存在。不僅全球範圍內都沒有城市NOA專門的標準，感知系統的很多核心零部件及軟件都缺乏標準。

而那些已經有標準的領域，要滿足相關認證工作依舊艱難。例如業內相對成熟的激光雷達，其要進行的車規級認證包括國際汽車工作組IATF16949、國際標準化組織ISO26262及AEC-Q100等汽車行業通用標準。不僅認證難度較大，而且缺乏與現有技術相適應的詳細指標。

絕大多數的消費者，對於城市NOA功能還處在一知半解的程度，因此容易出現兩個極端，一是不敢用，導致性能過剩、資源浪費；二是過分信任，不遵守雙手不能脫離方向盤、雙眼不能離開前方的規定，輕則發生車輛剮蹭，重則造成人員傷亡。

因此，車企要在畫大餅的同時，保證消費者不能因為被貿然推出的不成熟技術影響人身安全。而消費者則需要為自己的安全負責，決不能因為別人的大餅，自毀前程。

來源：虎嗅網