新华财经南京1月22日电（谷青竹、李亭、朱程）2025年11月，自动驾驶行业再次出现洗牌事件，这次的主角是累计完成七轮融资、估值一度突破10亿美元的独角兽毫末智行。这家由长城汽车孵化的明星企业，曾被视为中国高阶智驾落地的重要旗手，却悄然宣布全员停工放假，复工时间遥遥无期。

　　与此同时。安全问题亦在加剧公众对自动驾驶的信任危机：2025年12月，湖南株洲哈啰无人驾驶出租车（Robotaxi）撞人事件尚未平息，到2026年1月美国又传来特斯拉在自动辅助驾驶模式（Autopilot）下与半挂卡车相撞的致命事故。

　　中国经济信息社“行业洞察产业数据服务平台”最新数据显示，当前国内自动驾驶相关企业已近500家，赛道看似繁荣，实则暗流汹涌。在资本退潮、技术瓶颈与安全焦虑交织的当下，一个紧迫而根本的问题摆在所有人面前：自动驾驶通往真正安全与智能的道路，究竟在何方？

　　L2.9999还是L4？

　　智能驾驶的技术路线之争，本质上是一场关于“如何更安全地走向自动驾驶”的路径博弈。当前，以特斯拉为代表的纯视觉方案与以华为、魔门塔（Momenta）等为代表的多传感器融合路线各有利弊，折射出行业在追求技术突破与守住安全底线之间的深层张力。

　　中科英智投资经理赵一凡分析认为，特斯拉的优势在于凭借全球海量量产车的大规模数据采集闭环体系及强大算力，支撑起庞大的算法迭代；但同时，也存在着摄像头难以分辨静态物体状态，以及在可视度较差环境下识别灵敏度降低的缺陷。相较之下，国产智能辅助驾驶汽车解决方案供应商中，无论是华为还是魔门塔（Momenta），都采用了激光雷达与摄像头共同组成多传感器的视觉融合方案来进行智驾模型决策，可以有效填补特斯拉纯视觉方案的不足——激光雷达的数据采集半径可达几百米，远超普通摄像头二十几米的有效探测范围，二者数据采集的能力差距显著。但同时，多传感器融合方案也存在着不同设备间数据校准复杂等缺点。

　　“目前车端智驾技术方案都还未达到尽善尽美，现阶段不宜过度宣传和盲目高估单车智能驾驶的自主能力，毕竟生命只有一次。”赵一凡强调。

　　《汽车驾驶自动化分级》（GB/T 40429-2021）标准则将“智驾”分为L0到L5六个等级，规定L3以下（L0-L2）系统仅提供辅助驾驶功能，L3为特定场景（如高速拥堵）下短暂接管动态驾驶，L4可在限定场景下完全自主驾驶，L5则能在所有场景下实现全自主驾驶。其中，L3级被视为“人类接管”与“系统主导”的关键分水岭。

　　正因责任边界敏感，汽车行业对智驾等级的表述愈发谨慎。例如，华为常务董事、终端BG董事长余承东曾将问界M5高阶智能驾驶版搭载的HUAWEI ADS 2.0称为“L2.9999级”。然而，在量产乘用车市场趋于保守的同时，却可见无人驾驶出租车和无人作业车已纷纷大胆亮出“L4级”标签，批量驶上街头。

　　是否在出租载客、服务作业等场景中，无人驾驶已能突破复杂路况下的自主决策与安全信任边界？

　　天安智联董事、执行副总裁洪涛告诉新华财经，随着无人作业车相关审批政策逐步放开，行业迅速进入抢占市场份额的野蛮扩张阶段，大量配送、清扫、物流等功能的低速无人作业车辆密集涌入城市街头。“但低速并不代表安全，”洪涛表示，这些车辆时常发生违规侵入机动车道行驶、因故障违规占道、驶入禁行施工区域、或在交叉路口转弯时因决策迟滞而长时间卡顿等不良运行情况，给道路交通安全埋下极大隐患。“此类乱象让一线交警颇为头疼，他们无法对无人车辆的违规操作进行劝导警示和指挥，使日常巡逻与处置的压力大幅增加。”

　　光象科技CEO张涛则认为，无人驾驶出租车离全面投运仍有还待跨越的“一步之遥”。目前无人驾驶出租车虽能在大城市开放场景中运营，但其可靠性依赖多重策略冗余和后台遥控的“兜底”，且可复制性欠佳，新增行驶区域需要大量测试和调教，车企重点押注的端到端技术路线的出现为突破这一困境提供了可行方向，但亦仍需时日打磨。

　　车路云一体化的机会

　　“公司最初聚焦整车研发及智能驾驶系统的测试验证服务，但随着高阶辅助驾驶（L2+）加速走向开放道路，我们发现部分故障根源越来越多来自‘车-路-云’之间的协同断点：例如路口感知盲区、信号灯相位与路侧信息更新不及时、云端调度与车端执行的时序冲突等。”晓枫汽车技术董事长虞晓枫告诉新华财经，也正是基于对这一行业痛点的洞察，公司主动选择转型深耕车路云一体化生态的能力构建。

　　虞晓枫表示，单车智能在相对可控的场景中仍是现阶段商业化落地主力，但面对无保护左转、施工区域、弱势交通参与者密集路段等复杂场景，仅依赖车载多传感器融合的识别能力存在天然局限——感知盲区难以避免、对突发行为的预测不足，系统端到端响应链路也更容易受限，进而抬高风险。“车路云一体化所提供的超视距感知、群体协同决策和城市级调度能力，可有效弥补单车智能在探查盲区和响应时延等方面的固有短板，为更高等级自动驾驶提供不可或缺的安全冗余支撑。”

　　不过，虞晓枫也强调，完善之道并非是在单车智能与车路云一体化之间做非此即彼的二选一，而是要推动二者深度融合——通过统一的数据接口、验证标准和运营机制，让车端专注于“基础驾驶／基础执行”，让路侧与云端提供“车路协同／全局优化”能力，形成覆盖车辆、道路与云端的“大系统协奏”。

　　这一理念已在无锡展开探索并形成阶段性示范效应。作为全国首个国家级车联网先导区、首批“智慧城市基础设施与智能网联汽车协同发展”试点城市，以及首批20个智能网联汽车“车路云一体化”应用试点城市（联合体）之一，无锡已通过规模化部署和系统性实践，率先勾勒出这一技术范式的样板蓝图。

　　据洪涛介绍，天安智联是城市级车路云一体化项目总集成商与技术兜底方，无锡建设的车路云一体化路侧网联感知系统，能够实时采集交通指挥“数字信号”、路面交通流、突发事件、施工占道等动态信息，并把数字信号、相关预警与决策指令实时下发至车辆终端或导航平台，便于自动驾驶系统提前预判路口车道通行状态、盲区风险、优化通行策略，从源头显著降低事故发生的可能性，真正实现“车看得更远、路想得更早、云控得更准”的协同智能。同时，该系统还可把这些信息通过车路云一体化网络秒级上传至“交管云脑”，用于交通态势分析和信号控制优化，大大提升交通效率。

　　“数据显示，无锡全市平均通行效率提升约15%-20%。”洪涛告诉新华财经，以每公里约30万元的智能化改造成本，对比新建道路每公里不低于2亿元的投入，仅需1%的资金即可实现可观的通行效率提升，这就是数字化新型公共基础设施的价值。

　　未来仍需跨越“四道坎”

　　尽管车路云一体化被寄予成为智能交通“关键拼图”的厚望，但其前行之路也并非坦途。虞晓枫坦言，这项系统工程正经历着“成长的烦恼”——技术可行性持续提升的同时，场景落地、机制协同与商业闭环仍面临多重挑战。

　　首先，是数据“丰而不优”的隐忧。车、路、云、地图、信号控制等系统虽能采集海量信息，但若缺乏统一的数据标准与治理体系，往往会因格式不一、标签不统一、质量参差而陷入“看得见却用不好”的窘境——数据可采，未必可训；即使可训，也未必可验、可复现。

　　其次，是投入与回报的匹配之困。路侧设施、通信与算力平台建设需要持续投入，且运维成本长期叠加，若缺乏清晰的应用场景、长效运营机制和可量化的效益评估，再先进的设施也有可能沦为“沉默的硬件”，陷入“建而难用、用而难续”的尴尬。

　　三是多方协同的现实摩擦。政府、车企、科技公司、通信运营商等主体各有立场与诉求，若缺乏明确的权责边界和开放兼容的接口协议，这场本该和谐的智能“交响”，容易变成各自为政的“独奏”。

　　最后是规模化复制的落地壁垒。中国城市千城千面，道路形态、交通组织、治理逻辑、存量设施条件各不相同，“一城一策”虽因地制宜，却也抬高了推广门槛，让成熟经验难以轻盈“出圈”。（参与调研：常竣斐）