--- title: "智驾，是时候该「补补脑子」了！" type: "Topics" locale: "en" url: "https://longbridge.com/en/topics/39443315.md" description: "「我认为世界上每一家企业，每一家软件公司，都需要一个 Agent 系统，一个 Agent 战略！」在最近举办的 GTC 2026 大会上，当英伟达 CEO 黄仁勋抛出这句话时，很多人第一反应是：Agent 正在成为 AI 行业的新共识。英伟达在大会上也把 Agent 系统放到了非常靠前的位置，强调软件、推理和智能体正在一起重塑企业的技术框架。如果把这个判断放到辅助驾驶行业来看..." datetime: "2026-03-23T08:49:13.000Z" locales: - [en](https://longbridge.com/en/topics/39443315.md) - [zh-CN](https://longbridge.com/zh-CN/topics/39443315.md) - [zh-HK](https://longbridge.com/zh-HK/topics/39443315.md) author: "[汽车之心](https://longbridge.com/en/profiles/3726156.md)" --- # 智驾，是时候该「补补脑子」了！ 「我认为世界上每一家企业，每一家软件公司，都需要一个 Agent 系统，一个 Agent 战略！」 在最近举办的 GTC 2026 大会上，当英伟达 CEO 黄仁勋抛出这句话时，很多人第一反应是：**Agent 正在成为 AI 行业的新共识。** 英伟达在大会上也把 Agent 系统放到了非常靠前的位置，强调软件、推理和智能体正在一起重塑企业的技术框架。 如果把这个判断放到辅助驾驶行业来看，意思其实更直接：**当整个 AI 行业都在换代，智驾也不可能继续沿用旧方法，只靠修修补补往前走。** 过去两年，辅助驾驶行业表面上很热闹。无图、端到端、VLA、世界模型、强化学习……一时间，行业内热词不断涌现，技术迭代不断加快。 随着高精地图不再是前提，城区 NOA 开始大规模开城，整个行业都像是迈过了一道门槛。 也正是在这样的背景下，一些公司开始不再满足于修补现有体系，而是尝试从底层重塑系统逻辑。 在今年的 GTC 上，元戎启行给出的，就是这样一种更彻底的解法。他们没有再围绕局部优化做文章，而是提出用一套统一的 Foundation Model（基座模型），同时承担感知、理解、推理与决策的能力。 换句话说，不再是多个模块各自为战，而是让系统拥有一个可以持续进化的「统一大脑」，这个思路听起来甚至带着一点理想主义色彩。 但真正关键的问题在于：**为什么直到现在，行业才开始认真讨论这件事？** **01、停滞的 18 个月：端到端之后，再无真突破** 过去几年，如果把热闹的概念堆叠剥开，把厂商宣传的包装去掉，你会发现一个尴尬的事实：智驾的进步速度，并没有跟上热词迭代的速度。 对此，元戎启行 CEO 周光曾经在 2025 年广州车展期间点破过这层窗户纸。当时有厂商宣称「两年推出三代技术」，他的回应很直接： 一两个月就有变化的，多是基于规则的修补，大的技术迭代一年一次已属不错。他举了特斯拉的例子——**从 V12 到 V15，基本保持着一年一次的实质性迭代频率。** 这句话的潜台词是：行业里很多所谓的「技术突破」，其实是营销口径的突破，不是模型能力的突破。为什么迭代这么难？因为智驾行业的底层逻辑，正在发生一场无声的断裂。 时间拨回到 2024 年初。 那时候，整个行业都在为「无图端到端」欢呼。高精地图这个曾经被视为自动驾驶「拐杖」的东西，终于被甩掉了。华为说「全国都能开」，小鹏说「不限城市」，理想说「全场景」。 一时间，各家都在比拼开城数量，仿佛去掉地图，智驾就能一夜间飞入寻常百姓家。 现在回头看，2024 年初那场「无图运动」，竟然是智驾行业过去 18 个月里最后一次真正的范式突破。 地平线副总裁苏箐在 2025 年底的一次发言中，点破了这个尴尬。他说，FSD V12 的发布确实是分水岭，它证实了端到端路径的可行性。 但他紧接着补了一句：**未来三年，自动驾驶行业将告别范式迭代的狂飙，进入极致优化的「苦日子」。** 「苦日子」这三个字，翻译成大白话就是：大的突破没了，剩下的都是修修补补。 2024 年到 2025 年，行业内热词没断过：端到端、VLA、世界模型、强化学习。但如果把时间线拉长来看，你会发现一个扎心的事实： 从体验层面，过去 18 个月以来，其实整个行业没有「根本性」的提升。 不信可以问一个普通用户： 2025 年底的城市 NOA，比 2024 年初好用多少？他大概率答不上来。也许在某些场景下更顺滑了，但遇到施工改道、遇到不规则障碍物、遇到需要读文字牌的复杂路口，该接管还是得接管。 业内有个共识：数据规模确实在涨，但数据的质量没有跟上。某头部智驾供应商内部做过统计，他们采集的上亿公里数据中，真正有价值的长尾场景占比不到 10%。剩下的 90%，都是在高速、环路、通畅城市道路上的重复劳动。 这就像一个人在跑步机上拼命跑，跑了一年，汗流了不少，但抬头一看，还在原地。 懂车帝在 2025 年 7 月做的那场「突袭体检」，把这种尴尬摆到了台面上。 36 款主流车型，15 个高危场景，综合高速场景通过率仅 24%。「消失的前车」场景，超过 70% 的碰撞率。 这些被测试的车，每一辆的发布会都开得轰轰烈烈，每一家的宣传册上都写满了「遥遥领先」。 但把包装纸撕掉，把 PPT 合上，回到真实道路上，它们还是被那块「禁止通行」的指示牌难住了。 苏箐说得更狠，「当前深度学习已显露天花板迹象，AGI 基础理论暂无突破信号。」翻译一下就是：**别指望明天就有新魔法，接下来拼的是耐力。** **02、100 亿英里的门槛：为什么数据越多车越笨？** 正当行业还在争论「端到端是不是终极答案」时，特斯拉已经跑到了另一个量级。 2026 年 2 月，特斯拉宣布 FSD 累计行驶里程突破 84 亿英里。开年头 50 天，新增 10 亿英里。 按照这个速度，马斯克设定的 100 亿英里目标，今年就能撞线。 这个数字意味着什么？意味着特斯拉每小时收集的数据量，比别人一年加起来还多；意味着全球有超过 250 万辆特斯拉，每天都在给 FSD 当「陪练」；意味着当别的厂商还在为数据采集车跑哪条路发愁时，特斯拉已经用真实世界建了一座训练场。 但更值得玩味的是另一个数据：**MPCI——城市里程与关键接管之间的比值。** 根据第三方 FSD 社区追踪器的数据，FSD V14.1 在 2025 年 10 月达到峰值时，MPCI 是 4109 英里。也就是说，平均每行驶 4109 英里城市道路，才需要一次关键接管。 4109 英里是什么概念？ 约等于 6613 公里。从北京开到乌鲁木齐，往返一趟，只需要接管一次。 而国内优秀的城市 NOA 水平，还在几十到百公里级别。这个差距，不是用我们更懂中国路况能填平的。 更让国内厂商焦虑的是，这个差距可能还在拉大。特斯拉的规模效应正在形成正循环： 更多车跑→更多数据→更好模型→更多车愿意买 FSD→更多车跑。这个飞轮一旦转起来，后来者连追的机会都没有。 周光看得明白。他在 2025 年说过一句话：「几万台和十几万台没有本质区别，可能到一百万台才会有区别。」 为什么是 100 万？因为只有到了这个规模，数据才不再是数字，而是「复利」。 如果只有几十万台车，每天产生的数据量不足以覆盖足够多的长尾场景，模型迭代就像挤牙膏。只有过了百万门槛，数据才能形成模型优化、安全升级、规模扩大的正循环。 但这里有个更大的陷阱：如果没有统一的模型基座去整合这些数据，100 亿英里也只是垃圾。 很多供应商走的是另一条路：接十几个小项目，每个项目因为硬件差异——摄像头位置不同、雷达性能不同、算力平台不同——都得把模型拆开、微调、适配。 结果就是，数据被分割在不同的子模型里，参数共享效率低，深度认知能力根本形不成。 从表面上看，好像项目多、覆盖广，实际上每个车型的安全标准都不一样，极端场景下极易出问题。 这就解释了为什么数据堆了这么多，车还是变「笨」了。不是因为数据不够，而是因为数据没有流进同一个大脑。 **03、行业缺的不是「子系统」，而是「统一大脑」** 可以说，今天的辅助驾驶，不缺数据，也不缺模型，缺的是一套能把数据变成能力的「统一大脑」。 如果把今年 GTC 2026 各家辅助驾驶的内容再往回看一遍，一个很明显的变化是：大家已经不太满足于只讲某一个模块做得多强了，而更愿意讲系统级能力。 GTC 上，理想讲「单一 Transformer」、小米讲「同一端到端网络」、Wayve 讲「一套通用模型」、吉利讲「全域 AI 2.0」、元戎讲「Foundation Model（基座模型）」。 这说明行业已经逐渐形成共识：下一阶段的辅助驾驶竞争，不是谁局部功能更炫，**而是谁先拥有一套真正能持续成长的统一大脑。** 其中，元戎提出的 Foundation Model 也成为这场讨论的焦点。很多人第一次听到「基座模型」，容易把它理解成一个更大的模型，或者另一个新热词。但如果只这么理解，其实低估了这件事。 事实上，基座模型并不是一个新鲜事物，此前，Waymo 也曾经提出过自己的基座模型。 对于辅助驾驶而言，基座模型最重要的意义，不是「模型变大」，而是研发范式在变。 过去的辅助驾驶，数据闭环的流程其实已经非常成熟，但许多关键环节仍然高度依赖人工参与。 例如，在问题发现阶段，往往仍然需要人工去分析接管事件或异常行为；在根因分析和场景分类阶段，也常常需要人工进行经验判断。 而引入基座模型之后，则是用一个统一的模型，同时承担驾驶、分析、评估多种角色，让系统不是「东拼西凑地完成驾驶」，而是像一个整体那样去理解和行动。 这个变化，表面看是架构变化，本质上其实是在回答一个更根本的问题：辅助驾驶到底是靠不断堆人工、堆工程细节往前走，还是让系统统一驱动进化？ 元戎显然押注了后者。因为行业发展到今天，大家已经越来越清楚： 如果系统没有形成更强的世界认知，只靠不断补策略、补规则、补场景，最终只能得到一个越来越复杂、越来越重、越来越难持续进化的系统。 对此，元戎启行 CTO 曹通易给出了一组数据对比：原先一套的数据闭环跑下来，耗时超过 5 天，100 多个小时；但在引入 Foundation Model 之后，数据闭环的效率缩短到 12 小时。 也正因为如此，元戎启行选择把视线从继续修补旧体系，转向重塑辅助驾驶的能力体系。 如果这条路能够跑通，那么辅助驾驶下一阶段的变化，就是从底层开始发生质变：车会越来越懂路，越来越懂人，也越来越接近一个「老司机」该有的判断力。 说到底，今天行业最缺的，已经不是又一个更响亮的热词，而是一种能把规模变成能力、把数据变成复利、把系统变成整体的新方法。 而这，或许才是无图之后，智驾真正的新起点。 $NVIDIA(NVDA.US) $Tesla(TSLA.US) ### Related Stocks - [TSLA.US](https://longbridge.com/en/quote/TSLA.US.md) - [NVDA.US](https://longbridge.com/en/quote/NVDA.US.md) - [02015.HK](https://longbridge.com/en/quote/02015.HK.md) - [09660.HK](https://longbridge.com/en/quote/09660.HK.md) - [09868.HK](https://longbridge.com/en/quote/09868.HK.md) - [LI.US](https://longbridge.com/en/quote/LI.US.md) - [XPEV.US](https://longbridge.com/en/quote/XPEV.US.md) - [TSDD.US](https://longbridge.com/en/quote/TSDD.US.md) - [TSLL.US](https://longbridge.com/en/quote/TSLL.US.md) - [TSLQ.US](https://longbridge.com/en/quote/TSLQ.US.md) - [09366.HK](https://longbridge.com/en/quote/09366.HK.md) - [07766.HK](https://longbridge.com/en/quote/07766.HK.md) - [07366.HK](https://longbridge.com/en/quote/07366.HK.md) - [TSLR.US](https://longbridge.com/en/quote/TSLR.US.md) - [NVDL.US](https://longbridge.com/en/quote/NVDL.US.md) - [07788.HK](https://longbridge.com/en/quote/07788.HK.md) - [07388.HK](https://longbridge.com/en/quote/07388.HK.md) - [NVDY.US](https://longbridge.com/en/quote/NVDY.US.md) - [NVDD.US](https://longbridge.com/en/quote/NVDD.US.md) - [NVDX.US](https://longbridge.com/en/quote/NVDX.US.md) - [HHZD.SG](https://longbridge.com/en/quote/HHZD.SG.md)