摘 要:自動駕駛作為人工智能與交通產業深度融合的標志性領域，其發展已超越單一交通工具的自動化范疇，正深度重構全球交通產業生態，引領帶動全球科技競爭新趨勢。近年來，自動駕駛技術取得巨大進展，已完成從實驗室驗證到商業化落地的關鍵躍遷，在垂直領域、乘用車智駕及自動駕駛出租車等核心賽道同步突破產業化瓶頸。但現階段在安全性、成本控制、法律規范等方面，仍面臨一系列難點與挑戰，需建立“數據驅動技術迭代、規模降低邊際成本、商業反哺數據積累”的動態循環體系，打造進階式示范區，設立規模化運營準入許可，建立無安全員車輛合法運營機制，加快自動駕駛法律法規體系建設，實現自動駕駛從技術突破向規模化、商業化應用躍升。
關鍵詞:自動駕駛 人工智能 技術發展 產業落地
【中圖分類號】U463.6 【文獻標識碼】A
2025年4月，習近平總書記在上海考察時強調：“我國數據資源豐富，產業體系完備，市場空間巨大，發展人工智能前景廣闊，要加強政策支持和人才培養，努力開發更多安全可靠的優質產品。”[1]2019年，中共中央、國務院印發《交通強國建設綱要》，要求“加強智能網聯汽車（智能汽車、自動駕駛、車路協同）研發，形成自主可控完整的產業鏈。”自動駕駛技術正以前所未有的速度突破虛實邊界，成為人工智能（AI）在物理世界落地的核心載體與戰略制高點。其發展已超越單一交通工具的自動化范疇，正深度重構全球交通產業生態，引領帶動全球科技競爭新趨勢。
從技術躍遷維度看，自動駕駛驅動人工智能實現從“虛擬智能”向“具身智能”的范式革命。以多模態大模型、端到端學習為代表的新一代AI技術，推動系統架構從“規則驅動”轉向“數據驅動”演進。視覺—語言模型（ VLM）、視覺—語言—動作模型（VLA）等技術的融合應用，大幅提升車輛對復雜環境的認知與決策能力，使長尾場景的泛化處理成為可能。這種對物理世界的深度理解與交互能力，使自動駕駛被公認是通向通用人工智能（AGI）的關鍵路徑。
從產業競合維度看，自動駕駛領域已成為全球科技大國競逐產業制高點的重要戰場。2025年，中美企業在全無人駕駛領域同步取得突破性進展：Waymo、特斯拉等美國企業持續推進規模化商業落地，Waymo在舊金山等地的全無人運營版圖持續擴張；中國領軍企業百度Apollo、小馬智行（Pony.ai）等在北京、上海、深圳等城市實現全無人收費運營，文遠知行在阿聯酋、新加坡等海外市場成功開展服務。全球范圍內，頭部企業已在阿聯酋、德國、沙特等市場展開技術驗證與商業布局。當前中國在特定場景深度與商業化速度上展現優勢，而全球市場規模化能力與技術標準話語權將成為下一階段競爭焦點。
從協同創新維度看，自動駕駛作為復雜系統集成的典范，正在釋放強大的產業輻射效應。其發展強力帶動人工智能算法、車規級芯片、高精傳感器、網聯通信等產業鏈升級，通過多傳感器融合感知、實時智能決策、安全冗余設計等關鍵技術突破，以及在法律法規、倫理責任等治理體系的先行探索，為低空經濟、具身智能等領域提供可遷移的技術范式，加速多領域無人化技術的協同突破。
自動駕駛技術發展現狀
總體發展趨勢與現狀
自動駕駛技術的研究，最早可追溯至20世紀70年代，經過近50年的發展，整體技術研究經歷三個重要的階段[2]。
第一階段（20世紀70年代至20世紀末）：完全基于規則的技術。早期的自動駕駛研究，主要集中于基于規則的車輛控制。1984年美國國防部高等研究計劃局開展自主地面車輛項目，率先開始探索將自動駕駛應用于軍用車輛的可能性。早期技術方案需要編制大量預先設置的規則集，用于決策與車輛控制，技術上限較低且可擴展性不足。
第二階段（21世紀初至2010年代中后期）：感知和數據驅動。隨著傳感器技術與車載硬件計算能力的提升，自動駕駛開始注重環境感知，通過部署于車端的多種傳感器獲取大量數據，并基于這些數據進行決策。有影響力的項目，包括谷歌無人車（后來的Waymo）、百度Apollo等。這一階段的自動駕駛系統采用模塊化設計，建模并訓練多種碎片化的小模型，對地圖、視覺、激光雷達數據進行信息提取與描述，并基于這些輸入制定大量感知、規劃、決策的規則，使得整個系統變得越來越復雜，維護和擴展難度逐步增大。
第三級階段（2010年代晚期至今）：強AI驅動的整合式系統。隨著AI技術的快速發展，端到端學習、深度學習，以及近年來涌現的大模型技術開始快速被應用于自動駕駛領域。相關AI技術的引入，使自動駕駛模型具備更強的學習能力和適應性，可以基于海量的駕駛數據，學習和總結內在駕駛邏輯與規則，并據此進行決策。隨著引入能力更強的AI模型與算法，原有基于規則的決策系統，可以被模型化替代，并將過去模塊化無人駕駛系統整合為更精簡、更智能的端到端系統。這一階段的案例，以特斯拉的全自動駕駛系統和特斯拉無人出租車，以及百度蘿卜快跑為代表。
近年來，無人駕駛技術與人工智能技術的發展，已呈現出高度耦合的趨勢，AI領域前沿的圖像與3D視覺建模方法，被大量引入自動駕駛的感知系統。AI領域中模仿學習、強化學習方法，被廣泛用于無人駕駛規劃模塊或端到端決策系統。新涌現的語言、多模態大模型，也開始被快速用于新能源汽車的智能座艙，甚至被用于探索提升自動駕駛車輛在復雜環境中的常識理解及自主決策能力。目前，人工智能技術的幾個主流發展方向，幾乎都可以在自動駕駛系統中找到相對應的應用出口，凸顯AI技術在現階段自動駕駛技術發展中所扮演的重要角色。
前沿技術研究方向
多模態數據融合。自動駕駛汽車中普遍安裝大量的感知傳感器，如多個監控不同方向的高分辨率攝像頭、毫米波雷達甚至激光雷達，不同類型傳感器數據的結構形式、數據特征以及采樣頻率與延遲，都存在很大的差異。構建魯棒和高性能的自動駕駛系統，需要有效地融合多模態的視覺及雷達點云數據，消除感知盲點，增強感知能力，以支撐更可靠的駕駛決策。現階段自動駕駛研究領域，已探索包括前融合（傳感器數據層面融合）、中融合（先進行數據特征抽取，再進行特征層面融合）和后融合（先抽取各模態相關信息，再組合利用結果信息）的三種數據融合技術。由于前融合對多模態數據處理算力及帶寬要求較高，后融合存在數據信息損失問題，因此中融合已成為目前自動駕駛研究領域的主流方案。
端到端學習。自動駕駛中的端到端學習，是讓基于深度神經網絡的AI模型，直接從攝像頭、毫米波雷達、激光雷達等設備采集的原始傳感器中，學習車輛的規劃與控制方式，實現從感知到決策的端到端映射。最早的端到端自動駕駛模型，可追溯至1988年卡內基梅隆大學的神經網絡控制的陸地自動駕駛汽車（ALVINN）項目[3]。現階段的端到端自動駕駛模型，普遍采用基于Transformer等現代深度學習模型架構，并基于模仿學習等AI決策優化方法，從海量駕駛數據中直接學習自動駕駛決策與控制模式。傳統模塊化架構，將自動駕駛任務分解為感知、預測、規劃、控制等多個子任務與多個專用小模型的設計，端到端學習將駕駛任務作為一個整體任務，減少模塊間融合的損失以及對大量規則的依賴，賦予系統更強的整體性能、更好的可學習性及泛化能力[4]。
世界模型。世界模型是一類能夠對環境進行建模并預測未來狀態的生成式AI模型。自動駕駛世界模型可通過自監督學習的方式，從大量未標注的駕駛數據中學習并提取有關物理世界的有價值信息，可用于生成多樣化、真實化的駕駛場景，豐富訓練數據集，提高自動駕駛系統的魯棒性和適應性。在規劃和決策方面，世界模型也可幫助模型進行更可靠的未來預測和決策推理，提高自動駕駛模型在復雜及博弈場景下的決策能力與安全性。目前，世界模型已從早期的基于圖像的單模態模型，向多模態模型的方向發展，在物理世界的場景建模與生成能力方面取得巨大進展[5]。
自動駕駛VLM/VLA大模型。近年來，以視覺—語言模型（VLM）和視覺—語言—動作模型（VLA）為代表的新興大模型，在具身智能領域內取得快速發展，并開始逐步影響自動駕駛領域。自動駕駛VLM/VLA等多模態大模型，大多基于海量的互聯網級圖像—文本數據進行預訓練，捕捉了豐富的關于物理世界常識信息，并具備對于視覺輸入中的文字、標志的認知能力，同時可借助多模態大模型本身強大的理解和推理能力，大幅提升自動駕駛模型在復雜、未知環境下的決策能力。目前普遍認為，自動駕駛VLM/VLA大模型是端到端模型之后的下一代技術路線，學術界和產業界已進行一系列積極的探索，如Waymo的EMMA自動駕駛模型[6]及國內理想汽車所提出的DriveVLM[7]、 MindVLA等模型。
車路協同。單車所具備的感知與決策能力往往有限，在滿足高等級自動駕駛所要求的安全與可靠性方面，仍存在較大的挑戰。因此，通過將單車智能系統與道路感知系統雙向耦合，實現信息交互協同、偵測感知協同，可大大地拓展單車的感知范圍與準確性。此外，通過車與車、車與路、車與人之間的網絡互聯化，可增強車輛、道路的協同決策能力，從而提高安全冗余及交通效率[7]。目前，車路協同自動駕駛仍需要攻克一系列關鍵技術，包括協同感知技術、高精度定位技術、協同決策與協同控制技術、高可靠低延時網絡通信技術、云計算及安全保障技術等，但“車—路—云”一體化技術的發展，可從本質上解決單車智能自動駕駛所遇到的技術瓶頸，從而保證自動駕駛的安全性。
產業落地現狀
自動駕駛技術已完成從實驗室驗證到商業化落地的關鍵躍遷，在垂直領域、乘用車智駕及自動駕駛出租車等核心賽道同步突破產業化瓶頸。
自動駕駛垂直場景商業化里程碑。自動駕駛技術在封閉/半封閉場景實現全面產業化突破，全球頭部企業已驗證其顯著降本增效。港口自動駕駛已進入商業化規模應用階段。1993年，世界上第一座自動化集裝箱碼頭——鹿特丹港的ECT自動化碼頭正式投入商業運營，目前鹿特丹港在運營的自動駕駛引導車已有數百臺。在國內，寧波舟山港已部署102輛無人集卡，晝夜無間斷運行使得效率提升30%。礦業無人化已實現規模化落地應用。截至2023年底，卡特彼勒全球正在運行的無人駕駛礦用卡車超過630臺，累計總運輸量超過75億噸，效率最高提升達30%。在國內，2025年5月，百臺無人電動礦卡集群“華能睿馳”在內蒙古伊敏露天礦正式投入編組運營。末端配送技術正邁向規模化商業運營，并將以低成本重構即時物流成本模型。
乘用車自動駕駛分級突破新格局。全球乘用車市場，呈現“L2+規模化普及—L3法規落地突破—L4城市驗證”的演進路徑。L2+規模化加速滲透：蓋世汽車研究院研究報告顯示，2024年，國內新車L2級及以上輔助駕駛裝配量達1098.2萬輛，滲透率達47.9%；2025年前4個月，L2+滲透率快速突破60.94%，其中2025年4月L2++滲透率達20%，表明L2+技術正從高端車型標配向主流市場全面普及。國際L3級認證突破：2024年，中國工信部批準多家車企開展L3級自動駕駛公開道路測試。2025年，梅賽德斯—奔馳DRIVE PILOT 4.0獲得歐盟首個L3認證，在德國1.3萬公里高速路網允許最高95公里/時自動駕駛（需滿足指定條件），標志著有條件自動駕駛技術進入落地應用新階段。乘用車L4開啟路測：繼百度、小馬智行、滴滴等自動駕駛出租車營運車輛開放路測后，奔馳S—Class EQS部署L4級硬件平臺，成為首個獲準在北京同步開展城市及高快速路L4自動駕駛測試的國際車企，標志著乘用車高階自動駕駛測試進入新階段。
自動駕駛出租車全球化競爭格局與運營拐點。全無人出租車運營邁入多極擴張、成本擊穿、模式驗證的全球競速階段。北美規模化發展：截至2025年5月，Waymo美國舊金山、洛杉磯、鳳凰城和奧斯汀運營的自動駕駛出租車達到1500輛，每周提供超過25萬次付費出行服務，并正在紐約曼哈頓開啟試運營，標志著自動駕駛進入全美最復雜路網，開啟全新里程碑。中國商業閉環突破：百度Apollo已于全國11個城市開放載人測試運營服務，在北京、武漢、重慶、深圳、上海開展全無人自動駕駛出行服務與測試。截至2025年5月，百度Apollo部署超1000輛無人車，全球累計提供超1100萬次出行服務，安全行駛里程超過1.7億公里。車企戰略轉型升級：2025年6月大眾汽車推出專為自動駕駛出租車設計的全自動駕駛量產車型ID. Buzz AD，并已在美國奧斯汀，德國慕尼黑、漢堡，以及挪威奧斯陸進行實際道路測試；同月，特斯拉自動駕駛出租車在美國奧斯汀正式開啟試運行，標志著車企啟動戰略轉型。技術成本逆轉臨界：隨著激光雷達、車載計算單元等硬件成本快速下降，自動駕駛出租車單公里成本從2019年的23.3元降至2023年的4.5元，預計2026年達2.1元，2030年降至1元，屆時將擊穿傳統出租車1.8元成本線（弗若斯特沙利文數據），商業模式完成閉環驗證。
自動駕駛技術發展面臨挑戰
安全性與可靠性挑戰
安全性與可靠性，是自動駕駛技術所面臨的重要挑戰。為支撐自動駕駛技術的大規模應用，行業內形成的普遍共識是需要讓自動駕駛的安全性，較人類駕駛員高出一個數量級，這對自動駕駛系統提出極高的要求。現階段自動駕駛系統的安全性與可靠性挑戰來自多方面，同時涉及耦合基礎技術、系統工程及政策法規等方面。
感知系統存在可靠性瓶頸。這主要表現為多傳感器數據融合過程中所面臨的技術挑戰，以及單車感知覆蓋問題及觀測盲點。提升感知系統的可靠性，不僅要求進一步研究并提升單車感知AI模型本身的魯棒性及準確性，還需考慮在未來有效融合“車—路—云”一體化感知體系，掃除單車感知無法覆蓋的盲點與死角。
復雜場景下的決策能力與泛化挑戰。真實駕駛環境復雜多變，現階段自動駕駛規劃、決策系統，仍欠缺復雜場景下的高等級博弈與決策能力，在特定場景下仍可能存在應對能力不足或失效的風險。此外，現階段自動駕駛決策AI模型所普遍采用的監督式模仿學習框架，也存在泛化能力挑戰。只是對正常駕駛數據的模仿，難以學習數據分布外長尾場景及遇危狀態下的駕駛行為。由于以上駕駛條件的駕駛數據高度稀缺，單純采用模仿學習無法實現決策模型的有效泛化。新興的AI強化學習技術對解決以上問題有一定的潛力，但目前仍存在依賴仿真環境，獎勵函數設計困難，復雜多任務決策模型訓練困難等一系列問題。
黑盒模型下的可解釋性問題。自動駕駛技術已逐漸從原有的規則式系統，向AI模型甚至是端到端的統一系統過渡。AI模型帶來能力提升的同時，其黑盒系統的不可解釋性帶來新的挑戰。由于黑盒系統內部的決策、推理過程難以解讀，對開發者在評價、識別和改進算法模型中的缺陷造成額外的障礙。由于無法清晰地理解系統的行為與意圖，也給用戶造成人機協作與信任難題。
閉環測試與安全驗證。為充分測試自動駕駛系統性能與安全性，普遍需要進行大規模的仿真與實車上路，耗費大量的時間及資源，客觀上降低自動駕駛系統的迭代研發效率。目前閉環仿真測試在環境、周車行為的擬真度及場景覆蓋方面，仍存在很多缺陷，無法充分驗證系統在真實環境中的性能。如何進行更充分、低成本的閉環測試與安全驗證，是需要學界及產業界共同探索的重要問題。
系統復雜性與成本問題
自動駕駛系統的復雜程度，遠超一般的手機和電腦等智能硬件系統。整個自動駕駛系統裝備有大量的傳感器，需要時刻采集數據、清洗處理數據，對周圍復雜環境進行感知，并做出實時的安全決策規劃。自動駕駛涉及對一系列復雜的軟件、硬件、算力系統的深度集成，開發、測試與部署成本高昂。以傳感器為例，目前L4級自動駕駛車輛的硬件單元一般包含6—12臺攝像頭，3—12臺毫米波雷達、5臺以內激光雷達，以及1—2臺全球衛星導航系統與慣性測量單元。為滿足自動駕駛AI模型的計算需求，還需裝備1—2套高性能車載計算系統。即使近年來傳感器及算力芯片價格不斷下降，疊加所有元件的成本仍然非常高昂。這讓車輛的安全性與經濟實用性成為難以兼得的“魚”和“熊掌”。
政策法規相對滯后
目前涉及自動駕駛的法律法規尚需完善。不同國家、地區對自動駕駛的定義與審批流程各異，L3級別在歐盟有嚴格的審批要求，在美國多州尚屬灰色地帶。具體到執行層面，也面臨一系列倫理決策及保險與賠付機制設定難題。例如，當面對在“碰撞行人”與“撞擊障礙物”之間選擇時，自動駕駛系統及事后評估認定體系如何量化“最小傷害”。當前多以事后司法裁定為準，難以形成統一的實施標準。此外，若自動駕駛車輛發生事故，是由車企、自動駕駛解決方案提供商還是車主承擔責任？現階段自動駕駛事故責任認定及保險賠付機制仍處于探索階段，難以快速推行。
自動駕駛技術發展未來展望
自動駕駛將成為物理（具身）智能領域中最重要的應用之一，有可能成為第一個通過“新圖靈測試”的具身智能系統。在安全性方面，全無人駕駛安全水平將比人類駕駛至少高10倍，達到人類好司機的標準。在人性化體驗方面，通過模仿學習和自主學習，自動駕駛系統將具備更自然的駕駛風格，結合乘客駕駛習慣提供更人性化的體驗，最終達到人類“老司機”水平。
技術架構層面將深度整合多模態傳感器數據，采用端到端訓練和輕高精地圖策略，提升單車智能決策能力上限。多模態融合利用機器的感知優勢，通過視覺、激光雷達等多源數據全面感知環境。端到端模型將取代碎片化小模型，形成統一任務處理框架。輕高精地圖模式降低對高精地圖的依賴，將地圖作為數據源輸入，依靠實時感知與決策實現精確定位，大幅提升自動駕駛系統的單車智能決策能力。
大模型和生成式AI，將在提升L4級別自動駕駛系統的泛化能力方面，發揮關鍵作用。針對自動駕駛邊緣場景數據不足的問題，大模型生成式AI可結合真實數據，生成高質量邊緣場景數據，覆蓋更廣泛、更復雜的罕見情況，如極端天氣下的特殊物體識別、非標準交通參與者的行為模擬以及復雜路口的多方交互等，填補場景仿真與模擬的不足，有效解決感知領域的長尾挑戰。借助大模型的推理能力，自動駕駛系統可理解并應對道路突發情況，進一步提升能力上限。
系統架構將以單車智能為核心，通過“車—路—云”協同機制，保障安全冗余并提升交通效率。自動駕駛車輛必須獨立具備智能駕駛能力，形成基礎操作保障。“車—路—云”一體化提供多重安全冗余機制，保障駕駛安全。同時通過全局決策優化交通流量，有效提升道路資源利用效率，推動智能交通系統升級。
加快自動駕駛技術創新發展的對策建議
構建數據—規模—商業的自我強化閉環。建立“數據驅動技術迭代、規模降低邊際成本、商業反哺數據積累”的動態循環體系。構建行業—科研機構數據開放共享機制，整合極端工況、長尾場景等關鍵數據資源，形成跨企業數據/算力共享機制，推動行業—科研機構良性合作，實現“真實場景數據—算法優化—商業收益—數據反哺”的正向循環。
打造進階式示范區與產業規模化政策矩陣。推動示范區從單點測試（<50km2）向城市群聯網（>500km2）升級，構建廣域協同的“車路云一體化”基礎設施，支持跨域連續性服務驗證。加速商業化場景開放，在自動駕駛、干線物流、城市微循環等領域設立規模化運營準入許可，推動成熟技術落地應用。建立無安全員車輛合法運營機制，構建自動駕駛安全測試、系統可靠性評價等國家標準，為規模化落地提供有力保障。
加快自動駕駛法律法規體系建設。當前政策法規在責任界定、保險覆蓋、安全驗證等領域尚未形成系統性框架，亟須突破三大關鍵矛盾：技術快速迭代與法規滯后性沖突、商業化需求與現行監管不適配，以及全球化競爭與本地規則不協同。為此，要優先解決自動駕駛路權保障問題，確立自動駕駛系統最小傷害倫理評估原則，制定交通事故責任分級認定標準及賠付規則，創新動態車險精算模型與專屬保險產品體系，同步構建司法裁判與執行保障機制，以法治創新突破加速產業合規化、規模化發展。
【本文作者為中國工程院外籍院士，清華大學智能科學講席教授、智能產業研究院院長】
注釋略
責編：程靜靜／美編：石 玉