WAIC现场的真诚吐槽：特斯拉老车主的硬件之痛

在世界人工智能大会（WAIC: World Artificial Intelligence Conference）的现场，人声鼎沸，科技浪潮扑面而来。在这个充满未来感的科技盛会上，抖音精选与WAIC联合邀请了各路行业大咖与技术先锋。我们“人民公园说AI”节目也非常荣幸地在大会现场搭建了交流平台，并邀请到了千里智驾的CTO杨沐先生，共同探讨智能驾驶在物理世界和人工智能交汇处的未来走向。

作为智能驾驶的狂热拥趸，节目的联合主持人老修一上来就表达了自己作为老车主的真诚吐槽与求助。老修是一位非常经典的特斯拉（Tesla: 全球领先的电动汽车与智能驾驶技术公司）车主。然而，他同时也是被时代快速迭代无情“淘汰”的那一代车主。他所拥有的车型是搭载了HW3.0（Hardware 3.0: 特斯拉自主研发的第三代全自动驾驶硬件系统，搭载AI3芯片）硬件架构的Model Y。

老修回顾了自己的购车心路历程：“我是2020年订的车，2021年满怀期待地提车，结果到了2023年，我的车在硬件层面就已经被淘汰了。现在最痛苦的是，特斯拉最新一代的FSD（Full Self-Driving: 特斯拉完全自动驾驶系统）已经明确表示无法直接支持在HW3.0硬件上完美运行。比特斯拉直接拒绝更折磨人的是，他们说未来可能会开一些小型的改造工厂来提供升级方案，但是具体的升级时间、支持的车型范围以及升级费用全部都是模糊的。这种不确定性让老车主感到非常难受。我们每年都看着老马（埃隆·马斯克）在财报会和社交媒体上承诺‘明年一定会支持’，结果一年又一年，这饼吃了好几年，股票倒是买了不少，但功能却迟迟没有兑现。”

老修的这段吐槽不仅代表了他个人的困惑，更揭示了早期智能驾驶用户面临的普遍困局：硬件的迭代速度远超车辆的使用寿命。面对老修的求助，杨沐坦言：“作为特斯拉车主，这种硬件代际的阵痛确实让人爱莫能助。因为智能驾驶技术在过去几年的演进中，经历了一次本质上的技术范式重构。”

智能驾驶技术的三代演进：从感知重构到端到端大模型

为了让大家清晰地理解为什么老一代硬件无法兼容最新的软件系统，杨沐从技术架构的迭代史出发，将智能驾驶的模型范式划分为三个核心阶段：

第一代是2021年之前的前视范围视图（Range View: 简称RV，指主要基于车辆正前方广角摄像头进行目标识别与距离估算的传统感知方案）。在这一阶段，系统主要依赖车辆前方的一个广角摄像头来进行纵向的距离识别和目标检测。这是一种非常传统且局限的规则驱动路线，系统对侧方、后方的感知能力极弱，电子电气架构也相对零散，无法实现真正意义上的全维空间感知。

第二代是在2022年左右走向成熟的鸟瞰图（Bird's Eye View: 简称BEV，指将多路摄像头视角的图像投影到统一的360度俯视三维空间中进行多任务感知融合的技术方案）。从2022年开始，特斯拉FSD的V12/13版本逐步引入并固化了这一方案。BEV范式将车身周围的11颗摄像头（或更少）以及前方长焦摄像头的视觉输入，通过神经网络统一投影并融合到一个360度的鸟瞰图空间中。配合激光雷达（LiDAR: 利用激光进行三维空间探测的传感器）等辅助设备，使得车辆对物理世界的感知维度与人类视觉基本对标。这一套感知范式的稳定，为智能驾驶的软硬件接口划定了分水岭。

第三代则是从2025年开始全面爆发的端到端（End-to-End: 指输入传感器原始数据，直接通过统一的深度学习模型输出车辆控制指令的一站式系统架构）。端到端一站式方案打破了传统感知、预测、规划、控制之间的级联误差，用一个统一的神经网络完成了从“眼睛”到“手脚”的映射。

在厘清了这三代范式后，杨沐给广大消费者吃了一颗定心丸。对于“现在购买国产车，是否会在三年后重演硬件淘汰悲剧”的担忧，杨沐认为这种风险已经大幅度降低。

“2022年之后，整个行业的硬件配置方案已经基本稳定并趋同。主流的传感器配置通常是全车11颗高清摄像头，辅以车头的一颗长焦和前方的激光雷达。这套硬件的感知带宽，从第一性原理上来说，已经完全满足了人类驾驶所需要的感官输入信息。这意味着车辆的‘五官感知’等基础外设已经发育完全。未来的升级迭代将主要发生在车辆的‘大脑’——即计算芯片的能力和软件模型的参数规模上，而不需要频繁去更换车身的摄像头和传感器等物理硬件。”杨沐解释道。

“小脑”与“大脑”的分工：模仿学习的物理局限与因果推理

虽然车辆的五官感知和物理运动系统（即执行机构）已经基本长好，但智能驾驶的整体智商与人类相比依然存在巨大的鸿沟。为了形象地描述这一问题，杨沐提出了小脑（Cerebellum）与大脑（Cerebrum）的分工理论。

当前的端到端智能驾驶系统，本质上更像是一个发育完善的小脑。它擅长处理运动神经控制和瞬时的反应性操作，能够平稳地控制方向盘、刹车和油门，在常规路况下实现流畅的跟车和避让。然而，小脑系统存在一个致命的缺陷：它主要是通过模仿学习（Imitation Learning: 通过拟合海量人类驾驶数据来学习驾驶行为的概率分布，使模型在行为上接近人类的机制）来构建的。

模仿学习的本质是统计概率的拟合。神经网络并不真正理解物理世界的因果规律，它只是在海量人类优质驾驶数据的概率分布中寻找最优的动作映射。这种缺乏因果逻辑和深度推理能力的架构，在面对复杂的人机博弈和长尾场景时就会“掉链子”。

老老修在日常驾驶中深有体会：“很多时候，新手司机开不好车，是因为他们不会察言观色。而经验丰富的老司机在通过窄道汇入、加塞博弈或者叉车混行的路段时，会仔细观察旁车的微表情——比如对方的轮胎是否转动了30度，对方的司机有没有伸出手示意，或者对方是否看了你一眼。这些非结构化的因果信息，对于决定你是加速通过还是刹车让行至关重要。”

这种“察言观色”和“博弈推理”正是“大脑”的工作。智能驾驶要从小脑向大脑进化，就必须引入因果推理和泛化理解能力。如果系统只具备小脑，它就像是一个智商只有三岁、但运动细胞极其发达的神童；只有通过鸡娃式的学习，把智力水平提升到十岁，让它学会根据物理规则和人类社会默契进行逻辑判断，智能驾驶才能真正应对复杂的城市路况。

世界模型与VLA：第三代智驾的底层技术路径

为了给智能驾驶装上“大脑”，学术界和工业界目前衍生出了两条最主流的技术演进路线：世界模型（World Model）与视觉-语言-动作模型（Vision-Language-Action Model: 简称VLA，是一种将大语言模型的认知与物理世界动作输出相结合的多模态端到端系统）。

第一条路径是世界模型。其核心理念是解决智能驾驶系统对物理世界的“稠密表征”问题。以往的智能驾驶系统采用的是稀疏表征路线，只关注车道线、车辆、行人等特定语义符号，这导致系统面对水坑、奇形怪状的障碍物（如石柱、横躺的树木）时容易视而不见。而世界模型提倡使用稠密的特征编码器，将物理世界的一切细节无差别地编码进特征空间中，并利用生成式技术（类似于视频生成）让系统具备预测未来的能力。世界模型能够预测车辆做出某个动作后，周围环境在下一秒会如何发生变化，从而在虚拟空间中进行对抗学习和仿真验证。

第二条路径是VLA模型。这一路线试图将大语言模型（Large Language Model: 简称LLM，基于海量语料训练、具备逻辑推理能力的系统）的思维链（Chain of Thought: 简称COT，通过分步骤的推理链条逐步导出复杂问题答案的技术）引入到智驾系统中。VLA利用视觉语言模型（VLM）来理解场景的语义，比如“前面有交警在打手势”、“旁边的卡车装载的货物有掉落风险”，然后利用大模型的常识和因果推理能力，在语义层面做出逻辑决策。

“在实际的系统架构中，这两条路线并不是孤立或者非此即彼的。”杨沐指出，“智驾系统如果完全依赖大模型，会遇到严重的幻觉和实时性差的问题，因为车在路上跑，你不可能等大模型思考半秒钟再决定踩不踩刹车。因此，未来的最佳实践是‘司机与领航员’的协同模式。底层的端到端小脑模型是司机，负责高频、毫秒级的物理控制；而大模型大脑则是领航员，负责低频的语义推理和博弈规划。当司机遇到不确定的复杂路况时，去询问领航员，领航员给出一个语义层面的决策指引，两相结合，在不回退既有运动控制能力的前提下，极大提升系统的安全上限。”

边缘端部署与工程裁剪：高参数大模型如何低成本上车？

随着大模型参数量飙升到200B（2000亿）甚至300B（3000亿），一个非常现实的商业问题摆在了所有车企面前：物理大脑的硬件成本如此高昂，普通消费者真的买得起吗？

杨沐对此给出了非常务实的工程化解答。他认为，在量产的商业化逻辑中，车企会采用非常多的分级分流策略，这与我们在云端使用大模型API的逻辑非常类似。

“我们在云端调用API时，看起来后台是一个庞大的200B模型，但实际上，云端会通过门控网络（Routing）或分流机制，优先调用一个轻量级的小模型来快速响应用户的简单请求。只有当检测到用户提出了非常高难度的数学题，或者用户开始表现出不耐烦甚至生气的语气时，系统才会自动切换并激活云端的高算力大模型。这种分层策略能够极大降低计算成本。”

将这个逻辑移植到车端（端侧计算），同样有非常精妙的工程裁剪空间。一方面，驾驶这件事情从智能的维度来说，它并不需要车辆具备教你做微积分、写诗或者当家教的泛化智慧。如果具身智能机器人要当你的全能秘书，它确实需要极高的综合智商；但如果任务仅仅是安全、平稳地把车从A点开到B点，其对通用认知的要求是高度受限的。

因此，车企可以通过模型剪枝（Model Pruning）与蒸馏技术，从一个庞大的通用大模型中裁剪出刚好满足智驾场景所需的局部模型。杨沐透露：“这个行业的技术迭代速度是极其惊人的。去年需要几十B参数量的大模型才能跑出来的仿真闭环和推理效果，今年可能通过5B到6B（50-60亿参数）的小模型就能完美实现。而且，像世界模型的编码器特征，目前很多企业已经通过轻量化的工程手段成功部署在量产车端，默默为系统提供更为丰富的空间特征支撑了。这意味着世界模型其实早已‘悄悄上车’，并非遥不可及。”

通过这种云端分流与端侧裁剪的工程组合拳，即使是十几万到二十几万的主流家用车，在两三年内也完全有能力搭载具备初步“大脑”决策能力的物理AI系统。

商业化终局思考：为什么L4可能比L3更快落地？

在探讨智能驾驶的未来节奏时，杨沐提出了一个反直觉但符合商业逻辑的观点：L4级自动驾驶的商业化落地，可能会比L3级来得更快、更简单。

传统的认知顺序是L2到L3，再到L4。但从商业运营和责任划分的角度来看，L3其实处于一个非常尴尬的过渡带。

杨沐深入剖析了L3所面临的“消费者困境”：“消费者是世界上最难伺候的群体。当你卖给个人消费者一辆宣称达到L3级的车时，他们天然会要求这个系统在任何时间、任何地点都是完美的。一旦发生事故，责任主体从人转移到了车企（OEM），这就意味着现有的交通法规、保险赔偿机制以及责任判定链条要全部重写。这不仅是一个技术问题，更是一个复杂的社会学和商业模式重塑问题。”

相反，L4级自动驾驶（如无人驾驶出租车Robotaxi）走的是统一的B端商业运营路线。对于运营方而言，L4拥有多重安全退避机制。如果在某些极端天气或复杂窄道下系统无法解决，L4车辆可以通过云端座舱由远程安全员接管；同时，L4拥有严格的运行设计域（ODD: Operational Design Domain），在地图未覆盖或建设中的高风险区域，直接从云端禁止车辆驶入即可，无需强行在技术上解决所有极限长尾问题。这使得L4的投资回报率（ROI）在商业上更容易算得过来。

当然，这并不意味着L3毫无机会。杨沐认为，如果未来车企、消费者和保险公司这三方能达成一种契约——比如车企明确告知并限制车辆只能在某些特定场景（如封闭高速公路）下开启L3，消费者愿意接受这些前置限制条件以换取疲劳释放，那么在新的保险和责任分担模式跑通后，L3也有机会提早迎来规模化爆发。

特斯拉入华的现实挑战与国产智驾的乐观展望

回到老修所关心的“特斯拉FSD在中国能否复制其在北美的惊艳体验”这一话题，杨沐给出了相对理性的研判。

毫无疑问，特斯拉在北美凭借全世界最庞大的数据回流网络和最先进的算法迭代，稳居全球智驾第一梯队。然而，特斯拉这套极度依赖“数据闭环”的系统，在中国落地时会面临物理规则层面的加速度不足：

首先是法规与数据回流限制。中国对地理信息安全、自动驾驶数据采集有着极其严格的资质监管。特斯拉作为外资车企，其车辆回流的脱敏数据在传输、存储和训练上面临诸多合规壁垒，无法像在北美那样实现完全无障碍的数据闭环。

其次是图商资质与本土化路况差异。中国城市路况的复杂程度、非机动车与行人的混行比例、以及各地各异的道路标线设计，都与北美有着天壤之别。特斯拉在缺乏本土深度研发团队和高效数据回流的前提下，其“数据加速度”会受到明显掣肘。

相比之下，国内头部的智驾企业在本土化数据闭环、国内图商资质合作以及对中国特殊路况的算法适配上，具有更强的主场优势。

在节目的最后，老修分享了一个温情且真实的瞬间：“虽然我吐槽HW3.0被淘汰，但我必须承认，这套系统在过去几年里确实救过我一两次命。在那些暴雨倾盆、浓雾弥漫、我肉眼完全看不清车道线的极端天气里，特斯拉的传感器依然能够清晰地捕捉到道路标线，帮我稳稳地在前面开，带我渡过难关。那一刻，我觉得智能驾驶的价值是无价的。”

杨沐微笑着总结道：“对于未来的智能驾驶，我们必须保持乐观。无论技术范式如何演进，我们整个行业的最终目的都是为用户带来更多的科技便利与安全保障。两到三年内，又好、又便宜、又聪明的国产物理AI大脑一定会大规模装车。让我们共同期待，保持乐观。”