--- title: "智駕，是時候該「補補腦子」了！" type: "Topics" locale: "zh-HK" url: "https://longbridge.com/zh-HK/topics/39443315.md" description: "「我認為世界上每一家企業，每一家軟件公司，都需要一個 Agent 系統，一個 Agent 戰略！」在最近舉辦的 GTC 2026 大會上，當英偉達 CEO 黃仁勳拋出這句話時，很多人第一反應是：Agent 正在成為 AI 行業的新共識。英偉達在大會上也把 Agent 系統放到了非常靠前的位置，強調軟件、推理和智能體正在一起重塑企業的技術框架。如果把這個判斷放到輔助駕駛行業來看..." 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/zh-HK/profiles/3726156.md)" --- # 智駕，是時候該「補補腦子」了！ 「我認為世界上每一家企業，每一家軟件公司，都需要一個 Agent 系統，一個 Agent 戰略！」 在最近舉辦的 GTC 2026 大會上，當英偉達 CEO 黃仁勳拋出這句話時，很多人第一反應是：**Agent 正在成為 AI 行業的新共識。** 英偉達在大會上也把 Agent 系統放到了非常靠前的位置，強調軟件、推理和智能體正在一起重塑企業的技術框架。 如果把這個判斷放到輔助駕駛行業來看，意思其實更直接：**當整個 AI 行業都在換代，智駕也不可能繼續沿用舊方法，只靠修修補補往前走。** 過去兩年，輔助駕駛行業表面上很熱鬧。無圖、端到端、VLA、世界模型、強化學習……一時間，行業內熱詞不斷湧現，技術迭代不斷加快。 隨着高精地圖不再是前提，城區 NOA 開始大規模開城，整個行業都像是邁過了一道門檻。 也正是在這樣的背景下，一些公司開始不再滿足於修補現有體系，而是嘗試從底層重塑系統邏輯。 在今年的 GTC 上，元戎啓行給出的，就是這樣一種更徹底的解法。他們沒有再圍繞局部優化做文章，而是提出用一套統一的 Foundation Model（基座模型），同時承擔感知、理解、推理與決策的能力。 換句話説，不再是多個模塊各自為戰，而是讓系統擁有一個可以持續進化的「統一大腦」，這個思路聽起來甚至帶着一點理想主義色彩。 但真正關鍵的問題在於：**為什麼直到現在，行業才開始認真討論這件事？** **01、停滯的 18 個月：端到端之後，再無真突破** 過去幾年，如果把熱鬧的概念堆疊剝開，把廠商宣傳的包裝去掉，你會發現一個尷尬的事實：智駕的進步速度，並沒有跟上熱詞迭代的速度。 對此，元戎啓行 CEO 周光曾經在 2025 年廣州車展期間點破過這層窗户紙。當時有廠商宣稱「兩年推出三代技術」，他的回應很直接： 一兩個月就有變化的，多是基於規則的修補，大的技術迭代一年一次已屬不錯。他舉了特斯拉的例子——**從 V12 到 V15，基本保持着一年一次的實質性迭代頻率。** 這句話的潛台詞是：行業裏很多所謂的「技術突破」，其實是營銷口徑的突破，不是模型能力的突破。為什麼迭代這麼難？因為智駕行業的底層邏輯，正在發生一場無聲的斷裂。 時間撥回到 2024 年初。 那時候，整個行業都在為「無圖端到端」歡呼。高精地圖這個曾經被視為自動駕駛「枴杖」的東西，終於被甩掉了。華為説「全國都能開」，小鵬説「不限城市」，理想説「全場景」。 一時間，各家都在比拼開城數量，彷彿去掉地圖，智駕就能一夜間飛入尋常百姓家。 現在回頭看，2024 年初那場「無圖運動」，竟然是智駕行業過去 18 個月裏最後一次真正的範式突破。 地平線副總裁蘇箐在 2025 年底的一次發言中，點破了這個尷尬。他説，FSD V12 的發佈確實是分水嶺，它證實了端到端路徑的可行性。 但他緊接着補了一句：**未來三年，自動駕駛行業將告別範式迭代的狂飆，進入極致優化的「苦日子」。** 「苦日子」這三個字，翻譯成大白話就是：大的突破沒了，剩下的都是修修補補。 2024 年到 2025 年，行業內熱詞沒斷過：端到端、VLA、世界模型、強化學習。但如果把時間線拉長來看，你會發現一個扎心的事實： 從體驗層面，過去 18 個月以來，其實整個行業沒有「根本性」的提升。 不信可以問一個普通用户： 2025 年底的城市 NOA，比 2024 年初好用多少？他大概率答不上來。也許在某些場景下更順滑了，但遇到施工改道、遇到不規則障礙物、遇到需要讀文字牌的複雜路口，該接管還是得接管。 業內有個共識：數據規模確實在漲，但數據的質量沒有跟上。某頭部智駕供應商內部做過統計，他們採集的上億公里數據中，真正有價值的長尾場景佔比不到 10%。剩下的 90%，都是在高速、環路、通暢城市道路上的重複勞動。 這就像一個人在跑步機上拼命跑，跑了一年，汗流了不少，但抬頭一看，還在原地。 懂車帝在 2025 年 7 月做的那場「突襲體檢」，把這種尷尬擺到了枱面上。 36 款主流車型，15 個高危場景，綜合高速場景通過率僅 24%。「消失的前車」場景，超過 70% 的碰撞率。 這些被測試的車，每一輛的發佈會都開得轟轟烈烈，每一家的宣傳冊上都寫滿了「遙遙領先」。 但把包裝紙撕掉，把 PPT 合上，回到真實道路上，它們還是被那塊「禁止通行」的指示牌難住了。 蘇箐説得更狠，「當前深度學習已顯露天花板跡象，AGI 基礎理論暫無突破信號。」翻譯一下就是：**別指望明天就有新魔法，接下來拼的是耐力。** **02、100 億英里的門檻：為什麼數據越多車越笨？** 正當行業還在爭論「端到端是不是終極答案」時，特斯拉已經跑到了另一個量級。 2026 年 2 月，特斯拉宣佈 FSD 累計行駛里程突破 84 億英里。開年頭 50 天，新增 10 億英里。 按照這個速度，馬斯克設定的 100 億英里目標，今年就能撞線。 這個數字意味着什麼？意味着特斯拉每小時收集的數據量，比別人一年加起來還多；意味着全球有超過 250 萬輛特斯拉，每天都在給 FSD 當「陪練」；意味着當別的廠商還在為數據採集車跑哪條路發愁時，特斯拉已經用真實世界建了一座訓練場。 但更值得玩味的是另一個數據：**MPCI——城市裏程與關鍵接管之間的比值。** 根據第三方 FSD 社區追蹤器的數據，FSD V14.1 在 2025 年 10 月達到峯值時，MPCI 是 4109 英里。也就是説，平均每行駛 4109 英里城市道路，才需要一次關鍵接管。 4109 英里是什麼概念？ 約等於 6613 公里。從北京開到烏魯木齊，往返一趟，只需要接管一次。 而國內優秀的城市 NOA 水平，還在幾十到百公里級別。這個差距，不是用我們更懂中國路況能填平的。 更讓國內廠商焦慮的是，這個差距可能還在拉大。特斯拉的規模效應正在形成正循環： 更多車跑→更多數據→更好模型→更多車願意買 FSD→更多車跑。這個飛輪一旦轉起來，後來者連追的機會都沒有。 周光看得明白。他在 2025 年説過一句話：「幾萬台和十幾萬台沒有本質區別，可能到一百萬台才會有區別。」 為什麼是 100 萬？因為只有到了這個規模，數據才不再是數字，而是「複利」。 如果只有幾十萬台車，每天產生的數據量不足以覆蓋足夠多的長尾場景，模型迭代就像擠牙膏。只有過了百萬門檻，數據才能形成模型優化、安全升級、規模擴大的正循環。 但這裏有個更大的陷阱：如果沒有統一的模型基座去整合這些數據，100 億英里也只是垃圾。 很多供應商走的是另一條路：接十幾個小項目，每個項目因為硬件差異——攝像頭位置不同、雷達性能不同、算力平台不同——都得把模型拆開、微調、適配。 結果就是，數據被分割在不同的子模型裏，參數共享效率低，深度認知能力根本形不成。 從表面上看，好像項目多、覆蓋廣，實際上每個車型的安全標準都不一樣，極端場景下極易出問題。 這就解釋了為什麼數據堆了這麼多，車還是變「笨」了。不是因為數據不夠，而是因為數據沒有流進同一個大腦。 **03、行業缺的不是「子系統」，而是「統一大腦」** 可以説，今天的輔助駕駛，不缺數據，也不缺模型，缺的是一套能把數據變成能力的「統一大腦」。 如果把今年 GTC 2026 各家輔助駕駛的內容再往回看一遍，一個很明顯的變化是：大家已經不太滿足於只講某一個模塊做得多強了，而更願意講系統級能力。 GTC 上，理想講「單一 Transformer」、小米講「同一端到端網絡」、Wayve 講「一套通用模型」、吉利講「全域 AI 2.0」、元戎講「Foundation Model（基座模型）」。 這説明行業已經逐漸形成共識：下一階段的輔助駕駛競爭，不是誰局部功能更炫，**而是誰先擁有一套真正能持續成長的統一大腦。** 其中，元戎提出的 Foundation Model 也成為這場討論的焦點。很多人第一次聽到「基座模型」，容易把它理解成一個更大的模型，或者另一個新熱詞。但如果只這麼理解，其實低估了這件事。 事實上，基座模型並不是一個新鮮事物，此前，Waymo 也曾經提出過自己的基座模型。 對於輔助駕駛而言，基座模型最重要的意義，不是「模型變大」，而是研發範式在變。 過去的輔助駕駛，數據閉環的流程其實已經非常成熟，但許多關鍵環節仍然高度依賴人工參與。 例如，在問題發現階段，往往仍然需要人工去分析接管事件或異常行為；在根因分析和場景分類階段，也常常需要人工進行經驗判斷。 而引入基座模型之後，則是用一個統一的模型，同時承擔駕駛、分析、評估多種角色，讓系統不是「東拼西湊地完成駕駛」，而是像一個整體那樣去理解和行動。 這個變化，表面看是架構變化，本質上其實是在回答一個更根本的問題：輔助駕駛到底是靠不斷堆人工、堆工程細節往前走，還是讓系統統一驅動進化？ 元戎顯然押注了後者。因為行業發展到今天，大家已經越來越清楚： 如果系統沒有形成更強的世界認知，只靠不斷補策略、補規則、補場景，最終只能得到一個越來越複雜、越來越重、越來越難持續進化的系統。 對此，元戎啓行 CTO 曹通易給出了一組數據對比：原先一套的數據閉環跑下來，耗時超過 5 天，100 多個小時；但在引入 Foundation Model 之後，數據閉環的效率縮短到 12 小時。 也正因為如此，元戎啓行選擇把視線從繼續修補舊體系，轉向重塑輔助駕駛的能力體系。 如果這條路能夠跑通，那麼輔助駕駛下一階段的變化，就是從底層開始發生質變：車會越來越懂路，越來越懂人，也越來越接近一個「老司機」該有的判斷力。 説到底，今天行業最缺的，已經不是又一個更響亮的熱詞，而是一種能把規模變成能力、把數據變成複利、把系統變成整體的新方法。 而這，或許才是無圖之後，智駕真正的新起點。 $英偉達(NVDA.US) $特斯拉(TSLA.US) ### 相關股票 - [TSLA.US](https://longbridge.com/zh-HK/quote/TSLA.US.md) - [NVDA.US](https://longbridge.com/zh-HK/quote/NVDA.US.md) - [02015.HK](https://longbridge.com/zh-HK/quote/02015.HK.md) - [09660.HK](https://longbridge.com/zh-HK/quote/09660.HK.md) - [09868.HK](https://longbridge.com/zh-HK/quote/09868.HK.md) - [LI.US](https://longbridge.com/zh-HK/quote/LI.US.md) - [XPEV.US](https://longbridge.com/zh-HK/quote/XPEV.US.md) - [TSDD.US](https://longbridge.com/zh-HK/quote/TSDD.US.md) - [TSLL.US](https://longbridge.com/zh-HK/quote/TSLL.US.md) - [TSLQ.US](https://longbridge.com/zh-HK/quote/TSLQ.US.md) - [09366.HK](https://longbridge.com/zh-HK/quote/09366.HK.md) - [07766.HK](https://longbridge.com/zh-HK/quote/07766.HK.md) - [07366.HK](https://longbridge.com/zh-HK/quote/07366.HK.md) - [TSLR.US](https://longbridge.com/zh-HK/quote/TSLR.US.md) - [NVDL.US](https://longbridge.com/zh-HK/quote/NVDL.US.md) - [07788.HK](https://longbridge.com/zh-HK/quote/07788.HK.md) - [07388.HK](https://longbridge.com/zh-HK/quote/07388.HK.md) - [NVDY.US](https://longbridge.com/zh-HK/quote/NVDY.US.md) - [NVDD.US](https://longbridge.com/zh-HK/quote/NVDD.US.md) - [NVDX.US](https://longbridge.com/zh-HK/quote/NVDX.US.md) - [HHZD.SG](https://longbridge.com/zh-HK/quote/HHZD.SG.md)