Transcription
就在上周，全球电动车行业发生了两件看似独立，实则将彻底重塑未来十年出行版图的大事。这两件事标志着电动车竞争正式从“能源”上半场，跨越到了“智能”下半场的决胜时刻。
第一件事，坐标北京亦庄。中国工信部深化了智能网联汽车的准入测试，而在最新的L3级实测名单中，北汽极狐和长安深蓝赫然在列。请注意，这不再是简单的“辅助驾驶”，而是技术上明确定义的“系统接管”，意味着在特定的运行设计域内，算法的置信度，首次在工程伦理上压倒了人类的直觉。
第二件事，坐标德克萨斯奥斯汀。马斯克，这个硅谷的“技术疯子”，刚刚直播展示了Cybercab Robotaxi的无干预运行。没有安全员，甚至取消了传统的规则代码库。那辆没有方向盘的车，完全依靠“端到端”的大模型，在复杂的德州街头进行推理。
很多人看新闻，只看个热闹。哎呀，车能自己跑了！但在计算机科学家和系统工程师眼里，这两条新闻拼在一起，其实只写了一个词：分叉。这不仅仅是“谁家车更聪明”的竞赛，这是一场关于“机器智能究竟该如何理解物理世界”的路线之争。是靠确定性的工程冗余？还是靠概率性的暴力计算？
今天，我们站在2025年的技术前沿，扒一扒L2到L5背后的系统架构差异，看看中美这两条截然不同的科技树，到底谁更符合第一性原理。系好安全带，谢谢各位顺手点个订阅，这对我们很重要！
好了，我们直接进入系统后台。在深入中美这两条技术路线的腹地之前，我们必须先清理一下战场上的概念迷雾。
首先，我们得把SAE（美国汽车工程师协会）那个枯燥的分级表，用“控制权”、“系统边界”以及大家最关心的“驾驶员状态”这三个逻辑，重新翻译一遍。
为什么大家总觉得自动驾驶这几年，像是在“挤牙膏”？因为从L2到L4，跨越的不是功能，是系统架构的代差，更是人类角色的根本性退场。
我们先看L2级：人机回路（Human in the loop）。在这个级别，驾驶员状态是在岗，且必须精神紧绷，像个随时准备踩刹车的教练。这是2024年及以前绝大多数ADS（高阶辅助驾驶）的真实写照。无论它叫FSD Supervised，还是ADS 2.0，在控制论上，人类依然处于控制回路的核心。
在这个阶段，算法负责执行，也就是转方向盘和踩油门，但人类负责监控和决策兜底。技术逻辑上，这叫“鲁棒性不足”。这时候的AI，本质上是一个高级的“定速巡航加车道保持”脚本。它就像一个刚拿到驾照的实习生，只要遇到长尾场景，比如路边突然飞出一个低空风筝，或者前面有一辆形状怪异的工程车，AI的第一反应是抛出异常代码，然后滴滴乱叫，把控制权像烫手山芋一样扔回给你。
这里有一个巨大的心理学陷阱，叫做“警觉性衰减”。人类很难在“无所事事”的状态下，保持高度专注。L2最好用的时刻，往往也是最危险的时刻，因为你松懈了。如果这时候你正在刷视频，对不起，物理定律会教你做人。
这种尴尬的局面，直到L3级：有条件的冗余（Conditional Redundancy），才被打破。这是2025年12月北汽极狐、长安深蓝正在进行的特定场景测试，这是系统架构的第一次质变。
在这个级别，驾驶员状态依然是在岗，但可以合法地“摸鱼”，比如玩手机或看书，不过耳朵得竖着，随时准备应召。L3的技术定义是，在特定的ODD（运行设计域），比如高精地图覆盖的高速公路，系统具备了“态势感知”能力。它不仅能开，还能监控环境。在这个域内，系统是主导者，只有当系统检测到超出自身能力的边界，比如前方道路塌陷，或者地图数据丢失时，它才会请求人类介入。
这里的技术难点在于“接管请求”。根据人因工程学的研究，人类从“看戏模式”切换回“战斗模式”，恢复对路况的完全认知，平均需要6到10秒。所以，L3系统必须具备“先知”能力。它不能等到撞车前一秒才喊你，它必须提前10秒预判到自己处理不了。这就要求感知算法具备极低的“误检率”和“漏检率”。这就好比一个医生，必须非常清楚自己治不了什么病，并且在病人断气前及时转院。这对算法的置信度要求，是指数级上升的。
而当我们把目光投向奥斯汀的Cybercab，那是L4级：去人化架构（Human out of the loop）。在这里，驾驶员状态是彻底消失。驾驶座上可以是空气，也可以是你的宠物狗。L4在架构上切断了与人类的实时强关联。它的核心技术特征是“故障导向安全”。什么意思呢？如果主计算单元挂了，备用单元必须能在毫秒级接管。如果感知模块瞎了，系统必须能依靠惯导或备用传感器，把车安全地停到路边，而不是直接死机。
在L4阶段，驾驶员这个职业，在物理意义上被消灭了。这不再是软件问题，而是全链路的硬件冗余问题。刹车、转向、电源、计算，全部都要双份甚至三份。因为在这个级别，机器没有“呼叫场外援助”的权利，它必须自己搞定一切。
最后，是存在于理论中的L5级：完全自动驾驶（Full Automation）。在这里，驾驶员状态？这个词汇已经被彻底删除了。L5级意味着“全域无限制”，不再有ODD运行设计域的限制。不管是北京的早高峰，还是西伯利亚的暴风雪无人区，只要人类能开的地方，它都能开。这更像是一种哲学上的完美形态。方向盘、油门、刹车，全部消失，车内就是个移动的客厅。
虽然马斯克和许多科技狂人总喜欢拿L5画饼，但站在2025年的今天，我们必须诚实地说，L5依然是科幻片。它就像是皇冠上最遥远的那颗宝石，指引着方向，但短期内谁也摘不下来。
理清了这些层级，我们就能看懂这次北汽极狐和长安深蓝所代表的“中国技术路线”，底层逻辑究竟有多硬核。
如果你深入研究这些车型的技术白皮书，你会发现中国汽车工业走的是一条追求“确定性”的工程路线。核心关键词有两个：多模态融合以及V2X（车路协同）。
西方，主要是特斯拉的逻辑是模拟人类视觉。既然人类用眼睛看路，车也应该只用摄像头看。而中国的逻辑是，人类有生理局限，比如看不见死角，看不透大雾，反应速度慢。所以，机器应该超越人类，而不是“模仿人类”！！
首先是感知冗余，不仅要看，还要扫。中国L3测试车型普遍标配激光雷达（LiDAR）。为什么必须有激光雷达？摄像头的本质是被动接收光线，它很容易被强光致盲，或者在黑夜中把白色的货车车厢识别成天空。这种基于RGB像素矩阵的推测，在算法上存在天然的“不确定性”。但激光雷达是主动发射激光，利用飞行时间原理（Time of Flight），构建三维点云。它不“猜”前面有没有物体，它通过光速的物理回波，“测量”出前面有障碍物。
这里还有一个细节，目前的激光雷达正在从905纳米波长，向1550纳米演进。1550纳米对人眼更安全，因此可以加大发射功率，探测距离能达到500米以上。这意味着车在500米外，就能精确知道路面上有一块砖头。在严谨的工程学上，测量的数据置信度，永远高于视觉推测。这就是为什么中国工程师坚持要给车装上这只“天眼”。这不仅是增加一个传感器，这是给AI系统增加了一个物理世界的“真值锚点”。
其次是视距扩展，V2X上帝视角。在亦庄等测试区，路侧单元充当了额外的传感器。这在计算机科学里叫“分布式感知”。想象一个场景，你开着一辆算力爆表的车，正准备通过一个没有红绿灯的十字路口。左侧视野被一辆停着的公交车挡得严严实实。这时候，哪怕你的车有1000 TOPS的算力，它也算不出盲区里有没有一辆失控的渣土车正冲过来。这就是单车智能的物理极限——视距限制。
但中国方案不同。挂在路灯上的摄像头和雷达，已经把那辆渣土车锁定了。通过5G-A（5.5G）低时延网络，路侧设备（RSU）直接把目标数据广播给你的车。你的车虽然眼睛看不见，但它的“脑子”里已经有了那辆渣土车的轨迹。这就好比你在玩即时战略游戏，以前你是第一人称视角，只能看眼前。现在中国方案给你开了全图挂，拥有了上帝视角。这不仅仅是技术，这是“基建狂魔”的降维打击。这种技术优势，将单车的感知范围从200米扩展到了几公里，从物理原理上彻底解决了“鬼探头”这个自动驾驶界的千古难题。
这条路线的本质，是极致的工程思维。用硬件的堆叠、信息的互通、基建的配合，去填补算法可能存在的漏洞，追求绝对的、确定性的安全。
让我们跨越太平洋，把目光切到大洋彼岸。马斯克在奥斯汀搞的Robotaxi，完全是另一种技术信仰。如果说中国路线是精密的“航天工程”，讲究多重备份万无一失，那特斯拉就是“通用人工智能”在物理世界的投射，讲究的是暴力出奇迹。
到了2025年12月，特斯拉的FSD技术栈，已经彻底重构为“端到端的大模型”。什么叫端到端？传统的自动驾驶代码，是由人类工程师写下几十万行规则，比如“如果检测到红灯那么刹车”，“如果检测到行人那么减速”。这种被称为“Software 1.0”的模式，代码逻辑是线性的、可读的，但也是僵化的。
但端到端，也就是“Software 2.0”不同。它的输入是摄像头的原始视频流，中间是一个巨大的黑盒模型，输出直接就是方向盘转角和油门开度。中间没有规则，没有人工设计的特征提取，完全靠神经网络自己去“悟”。
特斯拉手里的第一张王牌，是数据驱动的“影子模式”。即便没有开启FSD，全球数百万辆特斯拉也在后台默默运行算法。如果人类司机的操作和算法的预测不一致，比如算法觉得该直行，但人类司机突然猛打方向避让了一个坑，这段数据就会被标记，上传成为AI学习的教材。它学习的不是僵硬的交通规则，而是人类在物理世界中，那种基于直觉和经验的“行为分布”。这就好比教小孩骑自行车，你没办法给小孩列出一套物理公式，告诉他角动量守恒和重心偏移的计算方法，你只能让他不断地骑，不断地摔，直到他的小脑建立了平衡感。特斯拉就是在训练这样一个超级小脑。
特斯拉的第二张王牌，是“占用网络”（Occupancy Network）。这是纯视觉方案对抗激光雷达的核心武器。以前的视觉算法需要先识别“这是什么”，才能决定“要不要躲”。如果它不认识这个物体，比如“一个穿着充气恐龙服的人”，或者“路中间掉落的大纸箱”，系统就会懵圈，导致幽灵刹车或直接撞击。
但端到端模型结合占用网络，它不再纠结“这是什么”。它把物理世界切割成无数个微小的体素（Voxel），它只需要判断这个体素是被“占用”的，还是“空闲”的。只要被占用，就是障碍物就得避让。它不需要认识那是恐龙服还是大纸箱，它只需要知道那块空间不能走。这种泛化能力，让它产生了类似ChatGPT的“涌现”现象。
但这种路线有巨大的技术隐患：不可解释性。这就是一个巨大的概率引擎，它输出的是“向左转的概率是99%”。但在严苛的工程上，99%不等于100%。那1%的“幻觉”，在ChatGPT上可能只是胡说八道，你笑笑就过去了。但在时速100公里的车上，那将会是车毁人亡。我们无法打开这个黑盒，问AI“你为什么要在这时候急刹车？”它可能只是因为路边的一块广告牌的纹理，在特定光照下触发了它神经网络某的一层权重。
马斯克是在赌，他赌随着算力翻倍和数据堆叠，这个概率能无限逼近99.9999%，直到在统计学上超越人类的安全水平。这是一场关于概率论的豪赌。
光说概念没用，让我们把镜头拉近，聚焦在参数的战场上，这才是决定胜负的关键。
第一战场：算力架构之争——边缘计算对抗中央计算。中国阵营倾向于“异构计算”。车端使用如华为MDC或英伟达OrinX进行实时推理，但同时极度依赖边缘计算。路侧的MEC节点分担了部分感知的压力。这是一种分布式系统，它的好处是车不需要造得像超级计算机那么贵，散热压力也小。但它对通信时延要求极高，必须控制在20毫秒以内。这就解释了为什么中国在5G-A和6G技术上如此激进，因为这是自动驾驶的血管。
而特斯拉阵营，走的是极致的“单点暴力计算”。车载的AI5芯片，基于3nm或更先进工艺，就是为了运行庞大的Transformer模型而生的。它不需要网络，不需要5G，它就是把一个超级大脑塞进了后备箱。这对芯片的“访存带宽”和“能效比”是地狱级的考验。大模型最怕的不是算不过来，而是数据搬运不过来，这叫“内存墙”（Memory Wall）效应。你试想一下，要在后备箱里塞进一个能每秒进行千万亿次运算的大脑，还要保证它不把车给烧了，这需要多强的芯片设计能力。
第二战场：长尾场景处理机制——白名单对抗黑名单。中国测试车在遇到未知道路特征，比如前方突然施工改道且地图未更新时，依赖的是高精地图的云端下发。如果地图数据不匹配，系统会立刻降级或请求接管。这是一种“白名单机制”。系统默认环境是危险的，只有在已知安全的区域、已知的数据支持下我才开。
而特斯拉Cybercab遇到未知场景，依靠视觉模型的实时建图和推理。它不依赖预先存储的地图，而是像人一样“边走边看”。这是一种“黑名单机制”。系统默认环境是可通行的，只要没识别出明确的危险，我就继续开。这就导致了两种完全不同的体验。中国车在陌生路段可能比较保守，经常让你接管，给你一种“这车有点胆小”的感觉。而特斯拉在陌生路段极其大胆，行云流水，但也更容易出现意想不到的惊吓。
那么，谁握有通往未来的胜出车票？如果你是一个技术极客，把身家性命压在未来的赌桌上，你会押注哪条路线？
短期看，也就是未来1到3年，中国路线的“下限”更高。在L3级准入测试中，北汽极狐和长安深蓝所采用的多传感器融合方案，在安全性和可靠性上具有天然优势。激光雷达的存在，为视觉算法提供了一个物理世界的“真值”兜底。即便摄像头的算法抽风了，激光雷达测出的距离也不会骗人。卡尔曼滤波算法会告诉决策层，虽然摄像头说前面没车，但雷达说有，为了保命信雷达的。在复杂的城市路况，比如早晚高峰的北京，这种冗余设计能更快地通过监管部门的图灵测试。这是系统工程的胜利，也是社会治理能力的体现。
但长期看，把时间拉长到5年以上，特斯拉路线的“上限”更高。为什么？因为一旦端到端模型突破了“数据规模的临界点”，也就是Scaling Law发挥作用时，它的进化速度将是指数级的。它不需要去维护昂贵的激光雷达，不需要去绘制每一寸道路的高精地图。只要算法模型收敛，它能以极低的边际成本覆盖全球所有道路，从纽约的第五大道到非洲的土路，同一套算法通吃。这更像是通用人工智能的胜利。它解决的不是“开车”这个问题，它解决的是“机器人视觉交互”这个通用难题。
未来的技术格局预判，可能会出现一个有趣的**分野**。在封闭场景和高密度城市，中国的V2X路线将成为标准。因为在车流密度极大的地方，全局调度由路侧或云端指挥的效率，远高于单车博弈。这就好比繁忙的机场塔台，如果让几百架飞机靠飞行员自己看窗户，互相商量着怎么降落，那机场早就瘫痪了。全局上帝视角的调度，永远是解决拥堵的最优解。
而在开放场景和地广人稀的区域，特斯拉的单车智能将是唯一解。因为你不可能在每一条乡村公路上，都铺设昂贵的传感器和5G基站。
最后，让我们超越中美两国的科技竞争，聊聊技术的本质。其实，本期视频的核心目的，并不是为了讨论到底是中国电动车的智驾方案更好，还是特斯拉的FSD更牛。这种简单的二元对立，忽略了技术演进的复杂性。因为技术本身没有绝对的优劣，只有适用的场景。
2025年12月，无论是在北京五环实测的国产L3，还是在奥斯汀游荡的Cybercab，它们都在回答同一个问题：硅基生物，是否**有资格**接管碳基生物的方向盘？
北汽极狐和长安深蓝的入局，代表了中国工程师对物理安全的极致敬畏。他们不相信单一的算法，他们相信物理冗余，相信基建的力量，试图用雷达、用5G、用地图，编织一张绝对安全的网。这是一条充满责任感的路。
马斯克的激进，代表了硅谷极客对算法涌现的狂热信仰。他相信神经网络能像人类大脑一样，理解这个混沌的世界，甚至比人类理解得更好。这是一条充满冒险精神的路。
这两条路，没有对错，只有取舍。但有一点是确定的：当第一辆车真正获得L3级准入的那一刻，汽车就不再是机械产品，它变成了一个移动的机器人。对于人类驾驶员来说，这或许是一个悲伤的开始，我们正在亲手训练出替代自己的物种。但对于人类文明来说，这是把我们的生命，从无聊的通勤中解放出来的开始。
接下来的战争，不是马力与扭矩的战争，而是比特与逻辑的战争。
我是老特，用硬核技术看世界。我们下期见。