大模型上车后，高阶智驾真能落地吗？

最近半年，我去试了好几款宣传“大模型驱动高阶智驾”的国产新车。销售 repeatedly 提到OTA之后的表现有多大提升。但在实际路测中，我发现一个奇怪的现象：有些场景，比如无保护左转或临时施工路段，车辆的处理依然会很犹豫，跟两年前没太大区别。而宣传材料里那些“类人驾驶”的丝滑画面，似乎只在特定路段才能复现。

说实话，我之前对这个技术组合挺乐观的。2025年底那会儿，看着各家发布的端到端架构和千亿参数上车，感觉问题快解决了。但现在这个判断可能太武断。我翻看了一下自己近期的测试笔记，在大概40次有记录的长途或复杂路段体验里，车辆能全程无人工接管的比例，可能不到三成。大部分时候，系统表达的信心和实际让我放心的程度，中间有不小的差距。

这就引出一个有点反直觉的情况：硬件算力越来越强、模型越来越大的同时，我们感知到的“跃升式”体验改善，似乎并没有同步出现。有意思的是，我对比了两款不同代际的产品。一款是去年中的车型，用的是上一代规则加小模型融合方案；另一款是近期的，搭载了明确宣称“大模型原生”的系统。在高速跟车、车道保持这类基础任务上，两者差别不大。但在真正考验理解能力的复杂市区路口，新款的成功率确实高了一些，大概从六成多提升到了将近八成。只是，这离宣传中的“高阶”和“自动”，感觉还有一段路。

从逻辑上看，可能的原因是，我们对于“大模型上车”的形式理解有偏差。一个模型被部署到车端，跟它在云端跑演示，完全是两码事。车端的算力、功耗、实时性要求，会迫使模型做大量裁剪和量化。我听到一个做工程的朋友提过，有些所谓的“大模型”，实际跑在车上的可能只是一个蒸馏后的小模型，参数量大概是云端版本的十分之一左右。另一个矛盾点在于数据闭环。大模型需要海量的高质量Corner case数据来持续进化，但行业里真正能高效挖掘、清洗、回流这些数据并形成飞轮效应的，我观察到的可能也就一两家。

为了看得更清楚，我拉了一个粗略的对比。对比对象是同一品牌、同一路段（一段约15公里的复杂市区路线），半年前后的体验变化。当然，样本不大，版本也在迭代，结果只能做参考。

从这个表看，进步是有的，尤其是在应对结构性场景时。但离我们想象中的“高阶”——比如在闹市里像老司机一样预判加塞、礼让后快速通过——差距还挺明显。这可能是因为，大模型解决了“感知”和“预测”的一部分模糊性问题，但在最终的“规划与控制”环节，出于安全冗余，厂商普遍还是加上了保守的硬规则。所以最终表现，像一个想象力被束缚住的实习生。

另一个让我动摇的地方是成本。2026年的今天，单颗Orin-X或者类似级别的芯片已经不便宜，而要跑一个“真”大模型，车企可能得堆两颗甚至更多。再加上为了散热和稳定付出的工程代价，我粗略估计，这套系统给单车增加的成本，大概在1万5到2万5之间。这个价格，对于30万以上的车型或许还好，但对于更主流的市场，消费者是否愿意为这个“不到八成”的通过率买单，是个很大的疑问。

所以我的一个不太确定的看法是：2026年4月这个时间点，“国产大模型上车实现高阶智驾”，更多是一个工程和营销上的里程碑，而非体验上的分水岭。它证明了这条技术路径在车端是可运行的，并且确实能带来可量化的改进。但是，高阶智驾落地的真正瓶颈，可能已经从“有没有大模型”转向了“如何低成本、高可靠地跑好大模型”，以及“如何收集和处理那个能实现质变的数据量”。

我不太确定这个判断明年这个时候是否还有效。技术演进有时候是非线性的。就像我四五个月前还觉得城区NOA普及遥遥无期，但现在看看一二线城市的覆盖率，已经比我想的快多了。也许，当算法、算力和数据的飞轮真的转起来，那个“老司机”时刻会比预期来得更突然。

只是现在，面对那些铺天盖地的“已落地”海报，我们可能还需要问一句：落地的，究竟是技术的可能性，还是用户真实的便利性？这两者之间的等号，或许还需要好几年的时间来画上。