從輔助到自動，L3終于破冰

2025年底，工信部正式公布我國首批L3級有條件自動駕駛車型的市場準入許可，12月23日，北京和重慶分別發出了第一批L3級自動駕駛車輛的專用號牌。中國自動駕駛行業邁出了關鍵一步，明確了系統在特定條件下接管駕駛任務的權限，標志著行業發展從技術探索階段邁入由法規規范與護航的商業化前夜。

然而，如果從技術挑戰性的維度審視，我們必須厘清“市場準入”與“技術測試”的區別。出于對公共安全的審慎考量，當前獲準市場準入試點的道路環境相對保守，多局限于基礎設施完善、交通流規范的特定路段。

現階段真正能夠體現L3級自動駕駛最高技術水平與應對極端工況能力的，依然是各地正在開展的、旨在探索技術邊界的L3級自動駕駛道路測試。這類測試的目標在于評估L3級自動駕駛系統能否脫離預設的理想環境，在真實且充滿不確定性的公開道路上，完成無預演的實戰驗證。

雖然當前L3道路測試的主要環境依然限于高速公路這類結構化道路，但真正的挑戰隱藏在那些極低概率卻極高風險的場景中。如占道施工，前車突然變道后露出的靜止障礙物（消失的前車），突然竄出的野生動物，以及大貨車遺撒等。

此外，中國幅員遼闊，頻發的雨、霧、塵等惡劣天氣對傳感器的冗余度與融合算法提出了極高的要求。唯有經受住這些復雜交通流、突發障礙以及極端氣象條件的嚴苛考驗，L3技術才能實現從實驗室環境向商業化落地的實質性跨越。

在此背景下，鴻蒙智行近期披露的L3級自動駕駛系統研發測試的影像資料，憑借其對高速L3場景中真實路況的高度還原及技術表現的穩健性，引發了行業的廣泛關注。

您目前設備暫不支持播放
注：路人遇問界M9重慶L3路測

測試摒棄了預設腳本或受控場景演示，客觀記錄了鴻蒙智行旗下尊界S800與問界M9在限定道路環境下的實際測試過程。無論是在重慶錯綜復雜的立交樞紐，合肥高密度的繁忙高速路段，抑或隧道這種明暗對比強烈，信號環境惡劣的場景，測試車輛均展現出在真實車流博弈中的自主決策與執行能力。這種在復雜工況下進行的系統穩定性與安全性驗證，有力證明了鴻蒙智行的整體實力。

此次測試不僅驗證了鴻蒙智行在L3級自動駕駛研發中的扎實進展，更反映出行業競爭階段的關鍵變化，中國L3級自動駕駛的競爭，正由早期的技術驗證、參數比拼與準入資質獲取，轉向更務實的實戰考量——在真實高速上L3自動駕駛的實際表現能力與最前瞻技術體驗，最終還是要看以實際道路測試與系統安全冗余為核心的綜合比拼。這一轉變，標志著行業正在經歷從“期貨”到“現貨”的關鍵跨越。

一、決戰夜：政策與技術的雙重共振

L3級自動駕駛市場準入與道路實測的加速推進，是中國汽車產業在全球競爭格局下的戰略需求與技術發展雙重驅動的結果。

當前，L2級別的輔助駕駛競爭已經產生明顯的同質化現象。特別是硬件層面，高標準的硬件預埋已經成為內卷的重災區。

但硬件預埋不僅增加成本，在現有的技術瓶頸下，很多車企雖然堆砌了硬件冗余，但其實算法上并沒有進行深度的軟硬融合。這導致車輛無法充分利用多傳感器融合的感知信息，也無法有效調動各部件的安全冗余能力，更難以充分壓榨車端芯片的算力。

這種四肢發達但頭腦簡單，運動不協調的情況，使得很多硬件預埋更多是為了營銷需要，并不能為用戶帶來持續的輔助駕駛體驗與安全提升。用戶花更多錢買到的算力、激光雷達等硬件冗余，最終成了長期擺設，徒增購車成本。

所以高技術水平的企業需要通過L3的競爭體現自己的技術優勢，拉開體驗差距，將沉沒的算力與傳感器成本轉化為高溢價能力和品牌資產。

同時，在全球的自動駕駛競賽中，中國企業需要盡快建立起基于本土復雜路況的數據主權與技術標準，建立行業壁壘。當前的L3準入和道路測試，不是簡單的政策松綁，而是國家層面構建產業護城河的戰略舉措，也是對頭部企業進行的一次實戰演練，還是完善法規環境，推動社會共識的關鍵步驟。

更深層次的變革在于，行業已經到了實現“輔助”到“自動”這次跨越的關鍵節點，而此刻最亟須的就是明確“輔助”和“自動”之間的界線，而這個界線只能在實際測試中不斷厘清。

L3級自動駕駛的根本意義，在于它第一次在特定條件下將駕駛主體從“人”轉移給了“系統”。這并非簡單的功能疊加，而是底層運行邏輯的重構。

在L2時代，系統僅充當輔助角色，人必須時刻保持對環境的感知與決策。而在L3時代，車輛在“限定條件”（如高速公路、擁堵路段）下，能夠獨立承擔駕駛任務，允許駕駛員在法律允許范圍內將注意力脫離路面。這種注意力的解放，標志著汽車從交通工具向生活空間進化的實質性開端，是自動駕駛商業價值爆發的真正起點。

然而，這種駕駛主體的讓渡伴隨著極高的技術門檻與安全責任。L3雖然允許“脫手脫眼”，但并不意味著完全“脫腦”。駕駛員仍需作為“接管責任人”隨時待命，應對系統無法處理的邊界情況。

您目前設備暫不支持播放
注：L3狀態下脫手

這種“系統主導、人兜底”的人機共駕模式，實際上對系統提出了比全自動駕駛更為苛刻的要求。不僅要開得穩，更要在遇到極端風險時，具備足夠的時間冗余和交互能力，確保控制權能夠安全、平滑地交還給人類，或者在人類無法接管時執行最小風險策略。因此，L3實測的核心，不僅是驗證車輛“能開多久”，更是驗證在危急時刻系統能否守住安全底線。

現階段開啟L3準入與實測，其實質是行業從野蠻生長邁向確立秩序。它不僅是對技術成熟度的“大考”，更是為未來構建符合中國復雜路況特征的自動駕駛安全標準提供實證依據。

在這一戰略窗口期，通過嚴苛的實戰測試來厘清人機責任邊界、驗證安全冗余機制，將為L3級自動駕駛的規模化商用掃清最后的障礙。這不僅關乎單一企業的勝負，更關乎中國汽車產業能否在全球自動駕駛競賽中確立主導地位，從而真正引領下一代移動出行方式的變革。

然而，宏大的戰略敘事終需回歸技術的嚴酷邏輯，在觸達這一愿景之前，行業必須穿越充滿未知風險的“深水區”，直面技術與安全的巨大鴻溝。

二、深水區：跨越“概率”與“責任”的鴻溝

不論是準入許可，還是道路測試，這些都只是L3落地的第一步，要實現L3級自動駕駛的商業化落地，必須跨越從“概率性輔助安全”向“確定性責任安全”的鴻溝。

這一跨越的核心瓶頸，在于概率極低但風險極高的“長尾場景”的應對能力。在L2級輔助駕駛體系下，系統在遭遇無法識別的復雜路況或感知局限時，可遵循“失效即退出”邏輯，將控制權交還給駕駛員。

然而，在L3級自動駕駛模式下，系統是責任主體，若其在長尾場景中發生誤判或決策失誤，將直接引致法律責任的歸屬問題及不可逆的安全風險。因此，L3系統必須具備在極端工況下的冗余處理能力與容錯機制，而非簡單地依賴人工接管。

L3級自動駕駛的終極考驗，在于當系統面對未知的突發風險時，能否基于安全第一的原則做出符合邏輯的決策，甚至在系統能力邊界之外的極端情況下，依然能夠通過最小風險策略，為駕駛員及乘客提供確定性的安全保障。

此外，事故責任的界定與歸屬構成了另一個亟待解決的法理與技術難題。當車輛處于自動駕駛狀態時，若發生交通事故，責任判定的顆粒度需精確至毫秒級，以清晰地區分系統行為與人為干預的界限。

這不僅要求車輛具備黑匣子級別的數據記錄能力，更需要行業建立統一的責任認定標準。當前，法規細則的完善仍依賴于海量實測數據的支撐，唯有具備大規模驗證能力的企業，才能通過真實場景下的數據迭代，為立法提供具備統計學意義的實證依據。

在當前這個發展階段，行業迫切需要具備全棧技術驗證能力與規模化數據積累的破冰者，去探索出一條兼顧技術可行性與法律合規性的落地路徑。

三、 破冰者：構建不可復制的體系化壁壘

在L3級自動駕駛商業化的競爭中，單一維度的技術指標已不足以構成競爭壁壘，綜合的體系化能力成為決定勝負的關鍵。鴻蒙智行構建了“技術自研為核、數據循環為血、規模驗證為骨”三位一體能力，使其具備了區別于傳統車企的持續進化與自我迭代能力，成為實現L3級自動駕駛關鍵跨越的破冰者。

• 頂層設計：構建基于物理認知的系統基礎

早期輔助駕駛多基于“規則驅動”，靠工程師堆砌代碼窮盡路況。如今行業雖已轉向“端到端”大模型，但路徑各有局限。基于語言大模型的技術路線，雖然在解決長尾場景上有所突破，但在高速突發問題的處理上面臨推理時延的挑戰。模仿學習路線，通過海量司機片段“復刻”駕駛行為，往往知其然不知其所以然，缺乏對物理世界的完整理解。面對中國道路環境中高度的隨機性與非結構化特征，無論是基于“預設規則”還是“模仿學習”，一旦遇到訓練數據之外的“超綱題”，系統就容易罷工。

鴻蒙智行的頂層設計實現了從“規則/模仿驅動”向“認知驅動”的范式轉移，其核心載體是WEWA（World Engine & World Action）架構。這一架構通過云端與車端的協同，構建了一套完整的物理世界認知與決策體系。

WE（World Engine，世界引擎）坐鎮云端，充當自動駕駛系統的“訓練場”。當前，L3級自動駕駛的訓練瓶頸在于稀缺的長尾高難案例。WE具備強大的生成式能力，可基于物理規律推演數億種現實中難以復現的極端場景，如暴雨夜側翻車輛，紅綠燈突然掉落的路口等，對系統進行高強度的“壓軸題”特訓。其生成的難例密度相比現實世界高出1000倍，實現了從“人教AI”向高效率“AI教AI”模式的跨越。同時，通過引入云端強化學習與Reward安全獎勵機制，系統在海量高難博弈中將“安全第一”的價值觀內化為模型能力的一部分，不斷重塑應對長尾風險的能力。

同時，WA（World Action，世界行為模型）部署在車端，是自動駕駛系統的“執行者”。相比于傳統輔助駕駛將感知、決策、執行分為獨立流程排隊處理，WA采用端到端的大模型路徑，實時接收傳感器信息隨后調用MoE多專家混合能力架構，在不同場景下動態調用不同的專家模型，避免了VLA（視覺語言動作）模型“轉譯”帶來的推理時延，實現了低延時、高效的最優控車軌跡輸出。

這種機制賦予了系統對當前復雜環境的深度理解能力，使其不再死板地遵守線性邏輯，而是像人類一樣具備博弈思維，深層理解交通參與者的復雜意圖，如識別旁車是單純偏移還是強行加塞，并基于安全和效率等價值判斷規劃出最優軌跡，進行精準控制。這種WEWA架構推高了系統能力的“天花板”，將上限從程序員的想象力提升至物理世界的復雜度。傳統規則無法窮盡無限的現實路況，而WEWA通過云端學習“物理規律”和車端掌握“博弈直覺”，從根本上減少了對規則的依賴。這賦予了系統更強的泛化能力，使其在面對未曾見過的陌生路況時，依然能憑借“類人直覺”做出安全、靈活的決策。

• 安全策略：多重冗余應對極端場景

在L3階段，安全是“一票否決”指標。現實世界的開放道路環境遠比實驗室模擬更為嚴酷，任何單一維度的感知或決策依賴，在極端工況下都可能成為系統失效的阿喀琉斯之踵。

12月23日在舊金山發生的大規模停電事件提供了一個典型的現實警示。當時，城市交通基礎設施因停電徹底癱瘓，紅綠燈信號缺失。Waymo的Robotaxi車隊由于過度依賴高精地圖與基礎設施的規則指引，在面對這一并未預設且失去了明確路權指示的極端場景時，系統無法進行有效的無保護路口博弈，自動駕駛系統基于單車安全第一原則“原地停擺”，造成了嚴重的交通擁堵。

這一案例深刻揭示了“單點依賴”的脆弱性，如果系統缺乏足夠的感知冗余與自主環境博弈能力，僅依賴既定規則或外部基礎設施，在極端突發情況下即便可以保證單車個體安全，也有可能造成整體交通環境的災難性后果。

針對中國復雜多變的路況特征，如隧道進出時的光線劇變、路面出現的輪胎皮等異形障礙物，以及惡劣多變的天氣，如山區雨霧、風沙揚塵等，鴻蒙智行堅定采用了多傳感器融合的冗余策略。

通過結合激光雷達的主動探測精度、4D毫米波雷達的全天候穿透力與視覺感知的高識別能力，構建了一套互為備份、互為校驗的異構感知體系。這種設計確保了在暴雨遮擋視覺、逆光致盲攝像頭或基礎設施信號缺失等極端環境下，系統依然能保持穩定的全方位感知與決策能力，避免出現類似“規則失效即停擺”的困境，確保系統的可靠性。

這種極致的安全冗余設計，體現了鴻蒙智行對L3級自動駕駛“限定條件”的深刻理解與敬畏。只有具備了應對最惡劣環境的能力，才能在常態化場景中提供可信的能力。

同時，這種從L3測試中沉淀下來的高階安全技術，如“駕駛員失能后的自動救援”，正在通過技術下放應用到現有的輔助駕駛功能中，在駕駛員發生昏睡、暈厥等失能情況時，車輛無論是否開啟輔助駕駛系統，都會自動變道至應急車道，開啟雙閃、投射SOS大燈、打開門鎖。這種將安全兜底功能普惠至廣泛用戶群體的做法，擴大了L3技術的應用范疇，提升了整體產品的安全標準，凸顯了L3的含金量。

• 建立壁壘：規模效應驅動數據飛輪

技術可以研發，硬件可以升級，但高質量數據的積累和用戶規模的擴大是無法壓縮的時間成本，也是最難以逾越的行業壁壘。

鴻蒙智行擁有行業領先的大規模用戶群體，這構建了一個龐大且活躍的分布式數據網絡。超九成的鴻蒙智行用戶高頻使用輔助駕駛功能，這意味著每天都有海量的、覆蓋全國各地不同路況和駕駛習慣的真實數據，經過脫敏后用于模型訓練。這些數據并非枯燥的數據流，而是包含了無數次人類接管、避險操作與復雜博弈的真實場景。

這就形成了一個正向增強的“數據飛輪”：

規模產生數據，數據反哺技術，技術促進規模。這一正向循環是數據飛輪能夠轉動的基礎，也是海量真實駕駛數據持續生成的源動力。

但需要厘清的一個關鍵概念是，車輛行駛數據≠有效訓練數據。行業內不乏保有量巨大但智駕體驗停滯不前的案例，根源在于陷入了低質量的“數據泡沫”。數據總量指數級增長，但其中充斥著場景簡單重復的無效噪聲，單純的規模堆砌已無法直接轉化為技術優勢。

高效的數據提煉才是智能駕駛進化的“數字燃料”。真正的決勝點在于構建完整的數據閉環能力。從車端傳感器持續采集多維環境信息，云端構建起數據存儲、智能挖掘、自動標注、模型訓練與驗證的技術鏈條。這套機制能夠“沙里淘金”，過濾掉大量無效的重復場景，精準提煉出高價值的長尾高難案例。這種智能化篩選與自動標注能力，才能讓規模效應真正轉化為技術壁壘。

在“高質量+大規模”雙重驅動的數據飛輪下，鴻蒙智行不僅實現了用戶規模與長尾場景庫的同步增長，更保證了每一份喂給模型的數據都是“高營養”的有效樣本。這種基于大規模且高質量數據集形成的自我造血與技術迭代能力，構成了鴻蒙智行最核心、最難以被復制的技術壁壘。

L3級自動駕駛的逐步兌現，將徹底重構人、車、路的關系，使汽車真正從交通工具進化為“第三生活空間”。然而，這一偉大進化的基石，只能建立在極致技術冗余之上的人機信任。

鴻蒙智行通過“深度技術自研、快速數據迭代、廣泛規模驗證”三位一體的能力，正在為這份沉甸甸的信任簽署第一份契約。通往自動駕駛終局的道路沒有捷徑，唯有在最真實的復雜路況中反復打磨，才能讓機器智能真正成為人類可以托付生命的伙伴。

本內容由作者授權發布，觀點僅代表作者本人，不代表虎嗅立場。如對本稿件有異議或投訴，請聯系 tougao@huxiu.com。

本文來自虎嗅，原文鏈接：https://www.huxiu.com/article/4821011.html?f=wyxwapp