摘要：2025年这会儿，自动驾驶出租车早不是概念了，已经真刀真枪跑在马路上，Waymo在美国旧金山、洛杉矶这些城市，摆了1500辆自动驾驶出租车，每周能接25万次付费订单。

2025年这会儿，自动驾驶出租车早不是概念了，已经真刀真枪跑在马路上，Waymo在美国旧金山、洛杉矶这些城市，摆了1500辆自动驾驶出租车，每周能接25万次付费订单。

百度Apollo更狠，全球范围投了超1000辆无人车，累计给1100多万人提供过出行服务，安全跑了1.7亿公里。

但说实话，别看落地规模这么大，行业里的技术吵架压根没停过，传感器该选哪种、系统架构咋搭、甚至大模型该当“思考者”还是“执行者”，这些争议才真决定着自动驾驶下一步往哪走。

自动驾驶要跑起来，先得“看见”世界，这一步就分成了两派，吵了快20年，最早是2004年，美国军方搞了个沙漠挑战赛，放200万美元奖金，问“怎么让车感知环境”。

卡内基梅隆、斯坦福这些高校团队，用激光雷达拿了第一，这技术能扫出3D点云图，连路边石头的位置都能标得清清楚楚，后来谷歌旗下的Waymo就接着用这套思路。

早年的激光雷达就是“奢侈品”，一套要7.5万美元，比不少家用车还贵，想大规模装在普通车上，根本不现实。

十年后特斯拉跳出来唱反调：“人类俩眼睛就能开车，机器为啥要搞这么复杂？2014年，它推出Autopilot系统，采用以摄像头为主的方案。

2016年，马斯克言辞更为直接，宣称“激光雷达是徒劳之举”，就此将纯视觉路线笃定下来。

特斯拉的玩法是用8个摄像头绕车一圈，模拟人类视野，再靠算法从2D图像里拼出3D环境，成本低廉优势尽显，可广泛搭载于各类车辆。

运行之际，能汇聚海量数据，以此反向优化算法，宛如构建起一个循环不息、持续转动的“数据飞轮”，可问题也明摆着，摄像头靠环境光吃饭，逆光、黑夜或者下大雨，性能就掉下来。

我见过有特斯拉车主吐槽，雨夜走高速，屏幕上连护栏的边缘都有点模糊，得自己多盯着点。

现在两边倒不那么死磕了，纯视觉也开始加些辅助传感器，多传感器融合这边，也越来越重视视觉算法的作用，毕竟要“看懂”场景，还得靠视觉。

主流车企，像小鹏、蔚来，依旧倾向多融合方案，毕竟，安全乃自动驾驶之核心，多一套传感器便多一份保障，在安全面前，无人敢贸然下注，谨慎选择自是必然。

即便选择了多传感器融合方案，其中仍存一小争议：既已配备激光雷达，缘何还要安装4D毫米波雷达？毕竟毫米波雷达才几百块，激光雷达早年要好几万，这差价可不是小数。

激光雷达的优势，在于能解决“极端情况”，比如路上突然窜出个行人，或者路面有块小砖头，激光雷达能清晰分辨出来，这对L4级自动驾驶来说是刚需，总不能等出了事故再补救吧？

现在Waymo用的激光雷达，识别静态物体的能力已经很成熟了，基本不会漏判。

然而，激光雷达亦惧“恶劣天气”，雨滴、雪花的尺寸与激光波长相近，会将激光散射，如此一来，屏幕上便会现诸多“噪声”，致使其难以精准识别物体。

这时候4D毫米波雷达就派上用场了，它穿透力强，不管下雨下雪还是起大雾，都能正常工作。

去年小鹏G9车主反馈，大雾天里，毫米波雷达能探到150米外的车，比当时激光雷达的探测距离还远。

然而，它亦存在短板，回波点过于稀疏，仅能标注物体大致位置，难以勾勒其轮廓，有时还会将路边广告牌误判为障碍物，此即行业内所谓的“幽灵识别”。

所以现在车企都在搞“配合术”：L4级的无人出租车和豪华车，比如WaymoOne、蔚来ET7，就多装激光雷达，再用毫米波雷达补漏，不计成本要安全。

普通的L2+、L3级车型，比如比亚迪汉EV，就用摄像头加毫米波雷达，再在车顶装1颗激光雷达，既控制了成本，又能应对大部分场，这俩不是谁替代谁，是分工干活，各补各的短板。

传感器宛如自动驾驶的“眼睛”与“触觉”，而算法架构则堪称其“大脑”，在自动驾驶领域，关于算法架构的争议之复杂程度，更甚于传感器。

早年，行业普遍采用“模块化”架构开展工作，此架构将驾驶任务拆解为感知、预测、规划、控制等步骤，且针对每个步骤独立研发算法，以此推进相关业务。

此设计的优势在于便于调试，以华为ADS3.0为例，其采用这般设计，一旦流程中某一步骤出现问题，能够迅速精准地找出根源，高效解决状况。

但毛病也明显，信息在步骤间传递时，会被简化或抽象，比如感知模块看到的细节，传到规划模块可能就丢了，最后整体效果反而不好，就像流水线作业，每个环节都达标，最后组装起来的产品未必最优。

2022到2023年，特斯拉FSDV12搞了个“端到端”架构，直接把传感器收集的原始数据，转换成方向盘转角、油门刹车这些指令，不用拆模块。

本来想这方案能解决信息丢失的问题，后来发现新麻烦：它像个“黑箱”，出了事故没法溯源。

2025年，加州发生一起事故，一辆特斯拉突然急刹，经三天排查，真相水落石出，原来是车辆系统误判，将路面阴影错认为坑洞，才导致此次意外发生。

当下，“显式端到端”方案应运而生，此方案保留可行驶区域、目标轨迹等中间数据，旨在于性能与可解释性之间探寻精妙平衡，以达更优之效。

“大脑”之外，还有“灵魂”之争，大模型该当“思考者”（VLM）还是“执行者”（VLA）。

VLM派比如Waymo、华为，觉得大模型虽然厉害，但不能让它拍板，得让它负责理解场景，比如识别“被风吹走的塑料袋”，最终决策交给传统模块，这样出了问题能追责。

VLA派比如特斯拉、吉利，觉得模型够大、数据够多，就能自己学会所有驾驶细节，甚至超过人类。

VLA太烧钱了，吉利千里H9的VLA方案，一年训练成本就1.2亿，而且溯源难题还没解决，和汽车行业的安全标准有点冲突，现在主流车企还是选VLM，毕竟能落地、能把控风险，比追求“极致潜力”更实际。

回头看这些流派纷争，其实从来不是谁赢谁输，激光雷达和视觉在融合，模块化和端到端在互补，大模型也在给所有系统加“智慧”。

那些曾经吵得不可开交的问题，最后都会变成技术进步的台阶。

说不定到2030年，L4级自动驾驶真能大规模落地，到时候我们打车，可能真就见不着司机了，而现在这些争议，都会变成那时候的“行业往事”。

来源：鉴史观一点号