2016年，特斯拉CEO埃隆马斯克展示了一段“特斯拉无人驾驶”的演示视频——一辆特斯拉Model X，从加州Menlo Park出发，“无人驾驶”到位于Palo Alto的特斯拉总部。在长达3分45秒视频中，这辆特斯拉自动的在城市、郊区和高速公路上行驶，全程没有一点人为干预。

  然而，前不久路透社就爆出一个大瓜：“特斯拉宣传无人驾驶的这段视频是演的。”

  按照特斯拉无人驾驶软件总监Ashok Elluswamy的说法，该视频是在预定路线D映射制作的，消费者没办法使用该功能。此外，他还提到，“该视频的目的并不是要准确描述 2016年客户能使用什么。它是为了描述可以构建到系统中的内容。”

  2023年1月28日，春节后开工的第一天，理想汽车和小鹏汽车相继宣布今年“城市级无人驾驶”的规划。其中，小鹏汽车董事长何小鹏宣布，2023年在中国率先推出全无人驾驶，在中国超过50个城市能够放手自动驾驶；而理想汽车创始人李想则宣布，城市NOA导航辅助驾会在2023年底开始落地。

  互联网没有记忆，但虎嗅汽车是有的。就在一周前的1月20日，一辆理想L9在开启高速NOA导航辅助驾驶功能状态下，以超过100km/h的时速，径直撞向从右侧变道的车辆。涉事车主发文称，“理想的车机没有一点预警和主动刹停的动作。”具体的事故原因，目前官方仍未正式公布。

  不光是理想，以特斯拉、蔚来、小鹏为首的造车新势力们，都曾因为辅助驾驶类功能而造成过有人员伤亡的交通事故。但即便如此，各大车企仍乐此不疲地开放更多的功能。前两年，车企宣称要让用户们在高速上“脱手”，今年开始则嚷嚷着在城市里“放手”。

  核心原因主要在于，智能化的创新已然乏力。一方面，智能座舱里头的创新趋于同质化。如今随便一台智能汽车，车载屏幕的显示素质基本都能媲美家用电视，车内座椅分分钟代替家里的沙发。在车里追《狂飙》已经是基本操作，在车机上玩大型主机游戏就属于是“高级玩家”了。

  但另一方面，车企还要布局未来，让用户在车内有更多的娱乐时间。那么必须把驾驶员从驾驶任务中解脱出来。特斯拉FSD（Full Self-Driving）的目的大抵也是如此——让车自己开，让人去玩车机。

  现在市面上所谓的“全自动驾驶”、“全场景智能驾驶”，无一例外都是将“泊车、城区、高速”这三大场景进行拼接，最终组成从A点到B点的自动驾驶。

  首先，最为简单的场景就是泊车。由于车速较低、涉及的道路参与者与障碍物较为简单，所以几乎所有的新能源车型都能支持自动泊车功能。

  其次，难度进阶的下一层场景是封闭道路。特斯拉最早是在2019年，向中国用户推送了高速NOA（Navigate on Autopilot，自动辅助导航驾驶）功能。

  从2020年开启，“蔚小理”相继实现了类似的高速NOA功能。但为了凸显差异化，蔚来和小鹏都进行了重新包装。像蔚来的高速导航辅助驾驶功能就叫NOP（Navigate On Pilot）、小鹏的叫NGP（Navigation Guided Pilot），毫末智行的则叫NOH（Navigation on HIPilot）。

  本质上，NOA功能并不是一项全新的、颠覆性的技术，而是把我们常见的ACC自适应巡航、LKA车道保持辅助、ALC自动变道辅助和高精地图定位，这四者进行了一个无缝的集成。所以，与以前辅助驾驶功能相比，NOA功能的差异点就在——定位。

  像理想汽车官网对NOA功能的描述是：“基于亚米级高精度定位能力，自主超车、调速与出入匝道”。通常，支持NOA功能的车型都需要搭载一套“组合导航系统”，其核心是高精度定位单元（GNSS+IMU）。其中，GNSS是全球卫星导航系统，IMU是惯性测量单元。

  有了组合导航系统，车辆就能轻松的获得三类信息：第一类为坐标信息，如经纬度、 高程，可以区分高架上下、隧道和地库；第二类为姿态信息，包括道路行车过程中的侧倾、俯仰等； 第三类是动力学信息，包括加速度、速度、角速度。在此之上，通过GNSS 、IMU、高精地图三者相互配合、补足，无人驾驶系统才可以获取到高精定位，从而“让车辆清楚自己身处何方”。

  无论NOA功能的名字如何被包装，N字必须排在首要位置上。N所代表的导航，指的是高精度组合导航定位系统，有了它，NOA功能才能得以实现。即便是特斯拉的纯视觉再牛，它也需要GNSS和IMU来提供厘米级别定位，视觉传感器则提供相对定位，三者共同完成高精定位，最终实现NOA。

  NOA功能先被应用于高速场景，还在于高速公路的道路参与者相对简单、变化性相比来说较低。并且，中国城际高速公路和城市快速路加起来也就30万公里，远低于全国的城市道路的近1000万公里。数字。这时候，高精地图的鲜度和覆盖率，就能够达到无人驾驶系统的使用要求。

  通常来说，高精地图提供的信息包括：道路类型、曲率、车道线位置等道路信息，以及路边基础设施、障碍物、交通标志等环境对象信息，同时包括交通流量、红绿灯状态信息等实时动态信息。这就等于给了自动驾驶系统一根“拐杖”。

  在开启高速NOA功能后，高精地图将为车辆的自动驾驶系统提供道路先验信息。为车辆纵向加减速、横向转向及变道等决策提供先验信息；其次，可预知车道线、道路标识牌等交通要素的位置， 有助于提高传感器的检测精度和速度。

  实际上，在特斯拉和“蔚小理”进行大规模量产之后，业内慢慢的开始出现廉价的NOA解决方案。毕竟一套组合导航系统的成本也不高，摄像头+毫米波雷达的感知硬件又可以跟其他功能进行复用，只要添置一套性能和成本兼顾的计算平台，找一家价格实惠的高精地图供应商，基本就能实现物美价廉的高速NOA功能。哪怕是15万以内的低端车型，也都能实现特斯拉需要花3万2选配才有的功能。

  高速NOA功能在全行业的快速普及，让“蔚小理”有了危机感。尤其是主打智能化的小鹏汽车，曾经有一段时间还把无人驾驶软件包付费当作是其全新的商业模式。但随着意外事故频发、功能推新速度放缓，高速NOA功能对用户的吸引力也开始下降。这时，城市NOA功能的落地，就必须按下加速键。

  因为，那些所谓的无人驾驶出租车Robotaix，其测试的功能本质上就是城市NOA。即便它们都挂着昂贵的设备、没日没夜的上路跑测试，但至今也没见得实现远超人类驾驶员的可靠性、通行效率和乘坐舒适性。时至今日，大多数测试车还是被圈在北京亦庄、广州南沙、上海安亭等地的电子围栏里。

  很多人高估了NOA的普及速度，低估了城市NOA的开发难度。毫末智行CEO顾维灏告诉虎嗅，“现在城市里面的环境很复杂，包括静态环境，例如车道线的磨损和重划，路口之间的间距。以及动态环境中，各种各样的机动车、两轮车、行人等。”

  根据小鹏汽车的多个方面数据显示，其城市NGP的代码量是高速NGP的6倍，感知模型数量是高速的4倍，预测/规划/控制相关代码量是高速的88倍。但更多的车企，是明知山有虎，却偏向虎山行。因为根据小鹏自己的数据，一位车主的平均总用车里程和用车时间中，城市道路占比高达71%和90%。

  “城市NOH其实是实现全自动驾驶的一个触发器。”在顾维灏看来，假设MPI（Miles Per Intervention，每两次人工接管之间行驶的平均里程数）只有500米，那么L4就是不切实际。但如果城市NOA的MPI能达到5公里，这样一个时间段就是抠动扳机，开始更多投入的时候了。因为距离线慢慢的接近了。

  比如，上方这段路测视频片段，是集度ROBO-01工程车。集成百度Robotaxi能力的集度，第一次在广州进行路试。但实际上路的效果，却是慢慢悠悠、悠哉悠哉，就连一旁的外卖小哥都能轻轻松松完成超越。再比如，小鹏P5的城市NGP功能，在交汇路口时就表现得像一位刚拿到驾照的新手司机。

  “通行效率低的原因，主要是无人驾驶系统用了更保守的驾驶策略。”智能汽车创新研究平台HiEV合伙人洪泽鑫向虎嗅分析道，无人驾驶车辆正常情况下不会超过道路限速行驶，但其实大部分社会车辆都会超。“它是比较守规矩的，所以通行效率低。”

  尤其是在高速匝道上，依据《中华人民共和国道路安全法》的规定，限定车速为40公里/小时。但如果你在现实中以这个时速行驶，跟在后车必然会“口吐芬芳”。

  驾驶策略的问题还算好解决，而系统的安全性才是地狱级的挑战。洪泽鑫向虎嗅表示，“高精地图对安全性有一定的影响。如果你开到某一个区域遇到高精地图出现缺失，那么就会导致系统退出。例如突发的道路施工，会产生与高精地图的偏差，用户要及时接管。”

  在城市里依赖高精地图来使用NOA功能，则更像是驾驶“有轨电车”。严格按照轨道行驶时，它能做到安全、可靠。一旦轨道断了，乘客的安全性就没办法得到保障。最致命的问题就在于此——人类驾驶员压根就不知道，高精地图会在何时、什么地点出现缺失。

  如前文所说，高精地图在高速NOA功能中起到了神效，为系统提供了“上帝视角”。而理论上讲，如果城市NOA能够拥有高鲜度的高精地图数据，一样能实现较好的使用者真实的体验。但现阶段，由于监管的要求，城市范围内的高精地图测绘制作充满了挑战。尤其是像北京这样的一线城市，即便是通过了层层审核，高精地图的数据并不能完整的覆盖所有行车场景。

  像目前，小鹏P5的城市NGP、极狐阿尔法S Hi版的NCA，都需要依靠高精地图的数据支持。所以，其功能覆盖的城市少之又少。像小鹏就仅在广州开通，背靠华为的极狐也仅在上海、深圳等地开始交付城市NOA功能。极狐的官网上，就明确写到一行小字：“NCA智驾导航辅助需在国家法规允许以及高精地图开放的情况下使用，依赖于各城市对高精地图的行政审批通过（某些行政管辖区可能会要更长的时间），该功能推送时不能覆盖所有城市，将依据各城市审批情况逐步开放。”

  从效率和安全的角度来说，城市NOA功能避免过度依赖高精地图才是更优解。并且，车端实时感知和计算的能力的增强，使得规模化部署的理论可行性更高。

  “差不多在2016年左右的时候，视觉感知的能力非常有限，看得不远，算力也不行。”顾维灏在加入毫末智行前曾担任百度地图副总经理，主导过高精地图的采集。在他看来，早期高精地图技术是作为辅助手段，来补齐当时无人驾驶技术在感知层面的短板。“现在车端算力大了200多倍，摄像头的个数从一个变成了十几个，像素也高了很多。之前的假设条件已发生了很大的变化，技术的实现方案也该随之调整。对此，特斯拉做得更加决绝。”

  马斯克就公开表示，“过分依赖高精度地图会让无人驾驶系统变得极其脆弱，普及起来更困难。”实际上，特斯拉从高速NOA功能开始，就摆脱了高精地图的依赖。在进入到FSD完全无人驾驶功能的开发时，特斯拉纯视觉的路径走入了深水区。

  从单点功能的实现，到全场景、全范围的覆盖，就像一个“打怪升级”的过程。而反过头来看，每一个阶段都会象征性的里程碑。

  因为城区场景极其复杂，车道信息、交通标志等关键要素的感知识别，需要消耗大量的算力。像蔚来第二代平台车型，都搭载了4颗英伟达Orin-X芯片，总算力达1016TOPS（处理器运算能力单位）。但这显然是“性能过剩”了，因为支撑FSD完全无人驾驶的特斯拉HW3.0，算力也才达到144TOPS。

  相对较保守的小鹏G9、理想L9则用两颗Orin系列芯片，得到508TOPS的算力。毫末智行用的5nm高通骁龙8540+7nm高通骁龙9000方案，算力达到360 TOPS。最“节约”的莫过于极氪了。只有了用2颗Mobileye EyeQ5H，总算力为48TOPS。

  理论上，L2级别需要的计算力小于10TOPS，L3约为30-60TOPS，L4需要大于100TOPS的算力，而L5预计需要大于500TOPS 的算力。考虑到算力冗余的需要，城市NOA功能所对应的L3级，最多到200TOPS也就够用了。所以，大部分的智能汽车，还是“算力过剩”了。

  像上面这个片段，就是比较有代表性的“静止车辆”场景。在视频车辆穿过十字路口时，左前方准备完成掉头的“黑车”突然起步，并阻挡了视频车辆前进的路线。从画面能够正常的看到，小鹏P5的SR环境模拟显示界面中并未检测出这辆突然起步的“黑车”。

  市面上，很多车型都开始搭载激光雷达。但绝大多数车型，用的是半固态激光雷达，大多数都用在中长距离的探测，来识别车辆前行方向上的静态和异形障碍物。然而，它们并不能很好的识别两侧的威胁。

  比如，在高速上，遇到超宽货车时，系统就不能精准把控邻车辆间距；在城市拥堵的十字路口，车辆无法妥善处理大量VRU（弱势道路使用者，一般指行人、两轮车）的场景，更何况这时还经常会出现人车合流的情况。如果侧向的距离感知能力较弱的话，车辆很有可能会对其他道路参与者可能会产生威胁。

  对此，当前有车企选择为车辆布置补盲激光雷达。例如禾赛的FT120，就具备超广角视场，通常被放置在车身两侧以及侧后方位置，以便在路口转向、车辆加塞、主动超车、自动泊车等场景下，提升环境感知能力，避免危险的发生。

  2021年夏天，特斯拉无人驾驶技术负责人Andrej Karpathy在AI Day上，公开了 FSD 无人驾驶系统中采用的算法，而Transformer则是其中最核心的模块之一。在国内，毫末智行很早就提出了将Transformer神经网络与海量数据来进行有效的融合；在前两天李想也提到，理想汽车的城市NOA将基于BEV感知和Transformer模型来实现。

  由于篇幅关系，这里我们不对BEV和Transformer的概念进行赘述。我们只必须了解到，Transformer对特斯拉FSD带来的能力提升是非常明显的。

  由于是纯视觉方案，特斯拉本就对“眼观八方”有着更高的要求，而Transformer就可以基于全局视野，预训练出一些能够对物体深度信息做准确感知和预测的算法模型，逐步实现2D图像-3D空间-4D空间的搭建，让世界看起来更真实。而在规划控制方面，Transformer预训练多套算法模型，对博弈策略有较大提升，保证了无人驾驶的安全性与高效性。

  在特斯拉纯视觉感知的基础上，毫末的团队还加入了激光雷达的数据。并基于Transformer神经网络模型来进行空间、时间、传感器三个维度的融合，从而去提升感知算法的准确率。尤其是解决了棘手的红绿灯检测和识别，距离摆脱高精地图和车路协同又进了一步。

  因此，在2021年8月，特斯拉正式对外发布了自研的云端超算中心Dojo。Dojo来源于日语，意思是 “道场” 。顾名思义，这个道场就是专门用于处理，大量训练特斯拉无人驾驶汽车AI软件数据。来自全球超百万辆特斯拉的数据将汇聚于此。

  实际上，无论是开发城市NOA，还是其他智能化功能，越是研发的深入以及用户规模的扩大，自建计算中心的重要性就越发凸显。比如像毫末智行之前的数据标注、大模型的训练、仿真验证等工作，都是在公有云上进行。但随着数量的积累，公有云的效率会存在限制，成本也会变得很贵。

  在2023年1月，就已经有两座计算中心上线日，吉利星睿智算中心正式上线，其支撑了吉利旗下的智能驾驶业务、智能网联、电池云端BMS、新能源汽车安全服务等。再往前推，1月5日，毫末智行与火山引擎联合发布智算中心雪湖 绿洲，通过数据管理能力、算力优化、训练效率的提升，来加速城市NOA功能的落地和扩张。

  总之，现阶段的算力和感知已确定进入平稳发展阶段，要快速实现城市NOA以及最终的全自动驾驶，关键是要看“算法能力 + 数据能力”。

  中金曾发布过一份名为《AI 视角下的自动驾驶行业全解析》的研究报告。报告说明，“深度学习是无人驾驶技术发展的分水岭及底层推动力，算法是各厂商接下来应该重点布局的核心能力，同时，数据是决定无人驾驶量产能力的胜负手”。

  最后必须要格外注意的是，城市NOA功能和所谓的全自动驾驶功能，仍处于监管灰色地带。

  从城市NOA的名称、技术体系到产业链相关环节，技术标准不健全、不完善的情况依然存在。不仅全世界内都没有城市NOA专门的标准，感知系统的很多核心零部件及软件都缺乏标准。

  而那些已经有标准的领域，要满足相关认证工作依旧艰难。例如业内相对成熟的激光雷达，其要进行的车规级认证包括国际汽车工作组IATF16949、国际标准化组织ISO26262及AEC-Q100等汽车行业通用标准。不仅认证难度较大，而且缺乏与现存技术相适应的详细指标。

  绝大多数的消费者，对于城市NOA功能还处在一知半解的程度，因此有可能会出现两个极端，一是不敢用，导致性能过剩、资源浪费；二是过分信任，不遵守双手不能脱离方向盘、双眼不能离开前方的规定，轻则发生车辆剐蹭，重则造成人员伤亡。

  因此，车企要在画大饼的同时，保证消费者不能因为被贸然推出的不成熟技术影响人身安全。而消费者则需要为自己的安全负责，决不能因为别人的大饼，自毁前程。