·  汽车十三行    ID：wzhauto2023  ·

前有纯视觉方案在多个城市实测中拉平城市NOA 体验，逐步削弱对高精地图和激光雷达的依赖；后有激光雷达下探至 11 万元价位段，开始出现在更多家用车的配置清单里。

靠激光雷达建立起来的智能驾驶围墙，再次出现裂痕。

争议的爆点来自小鹏汽车智能驾驶产品高级总监袁婷婷的一句话：" 激光雷达看得远，是个伪命题。" 一句话挑开行业旧伤口，引发工程、算法和消费者的激烈讨论。有人说她挑明了行业的集体沉默，也有人觉得这话 " 过于干脆 "，容易误导公众理解。

到底什么才是智能驾驶的核心能力？到底要不要继续堆料？到底用户能不能分辨这些差距？要不要为激光雷达买单？

激光雷达听起来唬人，用起来不一定

过去两年，一直浸淫在 " 无激光雷达无智驾 " 的营销环境中，谁的雷达线数多、看得远，谁就像更先进。这套逻辑一度非常好卖，雷达越大，越显眼，发布会一亮相，科技感拉满。但这些年越到实用阶段，车企自己也越来越清楚一个现实，看得远，不等于用得好。

激光雷达的工作方式决定了它越远精度越低，点云会变稀，信号变弱，还特别容易受多径反射干扰。像城市里的高架、隧道、反光路标，都可能导致雷达看花眼，再加上刷新率普遍低于摄像头，车速一快，识别就跟不上目标移动的节奏。

实战中，不少激光雷达该识别的没识别、不该刹车的频繁急刹，麻烦不断。

而视觉系统听起来寒酸一些，但搭配高分辨率摄像头、语义识别和大模型算法，也能干不少复杂活。很多城区 NOA 方案，就是靠视觉系统在两百米外准确识别横穿电动车、误闯红绿灯的人、贴墙停车的车辆。

到这个阶段，" 谁更先进 " 的争论其实开始偏离方向。大家嘴上聊的是路线，背后想的都是成本。雷达贵，视觉便宜；雷达吃算力，视觉吃数据。方案怎么选，最终还是落在 " 花多少钱、能带来多少体验差异 " 上。

但行业里很少有人把这句话挑明了，因为路线听起来有格局，成本听起来像妥协。于是，" 激光雷达 vs 纯视觉 " 的话题，从一个实际的工程问题，变成了一个拿来装进 PPT 的立场问题。看上去像在讨论技术选型，其实绕开了一个更棘手的现实，这些设备加上去之后，用户到底有没有感觉？愿不愿意多掏几千块钱？

从某种程度上看，这场路线之争的热闹，是在回避成本与体验这道难题。

讨论参数更容易，回避用户感知更安全。只不过，等故事讲完、雷达上车、价格写进配置表之后，最终还是得有人回答那个被搁置的问题：这些投入，到底值不值？

智驾硬件边际价值递减，技术突围向软件能力迁移

" 激光雷达是伪命题 " 这句话，虽然听起来像一句挑衅，但它的合理性在于，它提醒行业回头去看：硬件还能解决哪些问题，哪些问题只能靠软件来破？

前几年，技术突破靠堆料：加传感器、上大芯片、换更高线数的雷达。激光雷达能看得更远、Orin 芯片算力翻倍、毫米波雷达叠满前后左右，这些看得见的升级确实让系统变得更稳，也带动了整个行业的信心。

但问题是，堆料的边界越来越明显。传感器越多，布线更复杂；芯片更强，发热更高、功耗更大；线数更密，数据处理压力也更大。这时候你会发现，很多设备上去了，体验提升却有限，成本还翻了好几倍。

这就是硬件升级遇到的瓶颈——边际价值开始递减。

在这个背景下，过去要靠硬件兜底的事情，现在靠算法就能解决一部分。以前必须靠雷达识别井盖，现在可以通过视觉大模型判断 " 那个圆东西可以不避 "；以前没图不敢进城市，现在靠感知系统 + 大模型推理，系统能自己理解路口红绿灯和潮汐车道的变化。

这里的关键词，叫泛化能力。

这不是 " 识别清楚一个物体 "，而是 " 理解一个场景 "。硬件能告诉你 " 哪里有东西 "，但软件能告诉你 " 那是一辆骑得很慢的电动车，它可能要变道了 "。而且这个理解，不依赖地图、标注或固定规则，而是靠模型学会的。

换句话说，软件具备一种硬件永远给不了的能力：适应没见过的情况。

这也是为什么现在头部玩家都在讲模型，不再讲传感器。小鹏把城市 NOA 从图上挪下来了；理想讲 " 快系统 + 慢系统 "，底层依赖的就是 " 泛化 + 纠偏 " 的组合架构；小米在推 VLM 模型时，也强调未来路线能靠语言描述就触发自动驾驶行为，这些都是典型的软件做主、硬件辅助。

但随之而来的新问题是，硬件可以一眼看见、简单描述，软件进化却藏在结构和链条里，用户看不到、很难被感知，不符合一些靠消费感知营销的企业的路数，很多车明明用上了最新算法，城市 NOA 做到了无图覆盖，结果用户感觉 " 和以前也差不多 "。

虽然技术变强了，但感知断层却更明显了。

智驾体验卡在了 " 回报率 " 这道坎上

自动驾驶发展到今天，技术早已不缺突破，真正难的是让用户意识到这些突破正在发生。城市 NOA 已经不再依赖高精地图，感知架构从传统模块化演进到端到端，大模型也开始上车处理复杂场景判断。

但如果用户坐上车之后感觉 " 和以前没什么区别 "，这些技术进展就很难转化为市场价值。

问题出在 " 感知回报率 " 上，简单说，就是用户能不能体会到你做的技术升级，这是一道常被跳过的环节。

研发团队在意的是精度、鲁棒性、闭环周期，而消费者关心的却是通勤有没有更顺，停车是不是更稳，遇到复杂路口会不会手忙脚乱。中间这道从能力到体验的转换题，没有标准答案，也没有统一路径，却决定了技术能不能转化成信任，信任能不能转化成溢价。

自动驾驶技术越往深水区走，感知落差就越大。早期靠激光雷达、芯片堆料制造科技感，用户还能看得见升级；但到了算法主导、大模型接管的阶段，技术藏得越深，越难被感知。这就要求车企在技术设计之外，还要思考 " 用户怎么知道这台车变聪明了 "，不仅是功能，而是直观认知上的变化。

从经济学角度看，这其实是 " 效用可感知性 " 的问题。如果系统性能提升了，但用户没有强烈感知，那这项升级就不会被纳入用户的价值判断，也就很难形成价格认同。反过来，如果用户明显感觉 " 开这车就是不一样 "，即使他不完全知道背后的算法逻辑，也会产生信任感和使用粘性。

因此，当技术指标拉不开差距时，谁能把系统智能翻译成体验差异，谁就有机会赢得智能驾驶下半场的主动权。

真正的竞争，不是跑得多快、堆得多满，而是：用户感觉到了吗？值吗？愿意为它留下来吗？这才是智能驾驶从技术自嗨走向用户共识的那道门槛，而不是抛开事实不谈，直接搞对立情绪。

—— END ——

目前已入驻平台

新浪财经｜富途牛牛｜同花顺｜东方财富｜雪球

凤凰｜腾讯｜搜狐｜网易｜易车｜知乎｜百家号

商务合作

  邮箱   | wzhauto2023@163.com

版权声明

文章版权归汽车十三行所有