2025年7月，盖世汽车第八届智能辅助驾驶大会落下帷幕。在当前人工智能技术飞速发展、消费者对汽车安全需求日益凸显的大背景下，辅助驾驶已经稳步迈向深度应用的关键时期，从感知层的精准识别，到决策层的快速判断，再到执行层的高效响应，以及网联层的信息互通，各个层面都在协同进化，这一过程正深刻地重塑着整个汽车产业的格局。

本届辅助驾驶大会也传递出了清晰的信号，整个行业正在经历着技术深度整合、安全体系重构和产业生态的大协同，已经处于从量变到质变的转折阶段。大会紧扣行业前沿动态，产学研领袖齐聚，，围绕从AI端到端、数据与算力、感知与融合、测试与验证等涵盖了智能辅助驾驶全流程的各个关键环节，展开了深入探讨，共同寻求辅助驾驶技术进一步商业化的破局之道。

技术范式重构，端到端架构与认知革命的深度碰撞

AI端到端技术正成为突破更高阶辅助驾驶落地瓶颈的核心路径，这是本次大会传递出的核心信息之一。

当前，行业正加速从传统的“Two Model”架构向“One Model”融合架构转型，这一转型背后是技术发展的必然趋势。传统的“Two Model”架构将感知和决策控制分为两个独立的模型，虽然在一定程度上简化了开发难度，但在面对复杂场景时，两个模型之间的协同往往存在滞后性，影响系统的响应速度和决策准确性。

而“One Model”融合架构则通过算法与数据的深度耦合，将感知、决策、控制等环节整合到一个统一的模型中，实现了从输入到输出的端到端处理。这种架构不仅减少了模型之间的交互成本，提高了系统的响应速度，更重要的是提升了系统对复杂场景的适应能力。

盖世汽车CEO周晓莺在大会上明确指出，当前行业主流正从传统的“Two Model”架构向“One Model”融合架构演进。特斯拉、华为等行业领军企业，都在积极通过构建数据闭环与开展大模型训练，不断提升系统的泛化能力，以更好地应对复杂多变的实际路况。

这种转型不仅是技术路线的调整，更意味着汽车智能化从“功能叠加”向“系统协同”的质变。以往，汽车的智能化功能往往是一个个独立的模块，如自适应巡航、车道偏离预警等，各功能之间缺乏有效的协同。而在端到端架构下，整个辅助驾驶系统成为一个有机的整体，各功能模块相互配合、协同工作，为用户提供更加连贯、智能的驾驶体验。

城市场景的拓展将成为端到端技术的重要战场。与高速场景相比，城市场景的交通环境更加复杂，存在大量的行人、非机动车、交叉路口等，对智能辅助驾驶系统的决策能力和环境适应能力提出了更高的要求。政策层面的积极引导为技术落地创造了有利条件，多地政府纷纷出台了支持智能网联汽车在城市道路测试的政策，为企业提供了更多的实际场景测试机会。

然而，实际应用中仍面临多重挑战。首先是复杂交通环境下的决策逻辑优化，城市道路上的交通参与者行为多样，难以用固定的规则来描述，这就要求端到端模型具备更强的学习能力和泛化能力，能够从海量的数据中学习到各种复杂的交通规则和行为模式。其次是极端天气等长尾场景的覆盖不足，如暴雨、大雪、大雾等天气条件下，传感器的性能会受到很大影响，如何保证系统在这些场景下的稳定运行，是企业需要攻克的难题。此外，算力需求激增带来的成本压力也不容忽视，端到端模型的训练和运行需要大量的算力支持，这无疑会增加车辆的制造成本，影响其市场普及。

在这一领域，自主车企凭借软硬件一体化优势表现突出。自主车企能够从整车设计之初就考虑智能辅助驾驶系统的需求，实现硬件与软件的深度融合，从而更好地发挥端到端技术的优势。例如，比亚迪通过自主研发的芯片和算法，实现了端到端模型在其车型上的高效运行，为用户提供了优质的智能驾驶体验。而合资品牌则通过跨界合作加速追赶，与科技企业联手，借助科技企业在人工智能和大数据方面的优势，弥补自身在软件算法上的短板，形成了多元竞争格局。

很显然，端到端技术的发展应用不可能一蹴而就的，需要企业在算法研发、数据积累、算力建设等方面持续投入，同时也需要政策和市场的共同推动。

岚图汽车感知与硬件总监刘会凯介绍了岚图鲲鹏辅助驾驶平台与大模型端到端实践的成果：“我们通过视觉语言特征对齐技术，让车辆理解‘禁止驶入’标志与交警手势的语义关联；扩散模型生成的轨迹可模拟人类驾驶的柔顺性，立交桥汇入场景的乘坐不适感降低60%。”更具颠覆性的愿景来自极佳科技毛继明：“世界模型将成为Physical AI的底层操作系统。”其团队构建的“世界模型 智能体”双轮驱动体系，已实现停车场场景中车辆对行人意图的预测准确率达92%，较传统规则引擎提升35个百分点。

数据算力：智能时代的核心“底座”

在智能辅助驾驶的发展进程中，数据与算力也已成为不可或缺的“硬通货”。随着智能辅助驾驶技术的不断升级，车辆需要采集的信息越来越多，从最初的摄像头图像、雷达信号，到如今的激光点云、高精度地图等多模态数据，数据采集范围的不断扩大，使得单车日均数据产生量呈指数级增长。

一辆配备了高级智能辅助驾驶系统的车辆，每天产生的数据量就可能高达数十GB甚至上百GB。如此海量的数据，如何进行有效的管理和利用，成为企业面临的重要课题。

构建高效的数据闭环体系，实现数据从采集、标注到训练的全流程智能化，成为企业核心竞争力的重要体现。数据闭环体系是指从车辆实际行驶中采集数据，经过清洗、标注后，用于训练算法模型，再将优化后的模型部署到车辆上，在实际行驶中进一步采集数据，形成一个持续迭代的循环。通过这种方式，算法模型能够不断学习和优化，提升智能辅助驾驶系统的性能。

在数据采集环节，企业需要解决数据的真实性、完整性和及时性问题。为了保证数据的真实性，需要采用高精度的传感器，并对传感器进行严格的校准和测试；为了保证数据的完整性，需要覆盖各种不同的路况和场景；为了保证数据的及时性，需要建立高效的数据传输通道，将车辆采集的数据快速传输到数据中心。

数据标注是数据闭环体系中的关键环节，其质量直接影响算法模型的训练效果。传统的人工标注方式不仅效率低下，而且成本高昂，难以满足海量数据的标注需求。因此，自动化标注技术成为行业的研究热点。通过引入人工智能技术，如计算机视觉、自然语言处理等，实现对图像、视频、激光点云等数据的自动标注，能够大大提高标注效率，降低标注成本。同时，为了保证标注质量，还需要建立完善的质量控制体系，对自动标注的结果进行抽样检查和修正。

数据训练环节则需要强大的算力支持。随着算法模型的复杂度不断提高，对算力的需求也越来越大。传统的CPU已经难以满足需求，GPU、TPU等专用计算芯片逐渐成为主流。企业需要建立大规模的计算集群，为算法模型的训练提供充足的算力保障。

算力需求的爆发式增长推动着芯片技术的迭代。跨域融合芯片的出现打破了传统功能域的边界，为舱驾一体化提供了硬件基础。传统的汽车电子架构采用分布式设计，每个功能域都有独立的控制器和芯片，这种设计不仅成本高，而且不利于各功能域之间的协同。跨域融合芯片将多个功能域集成到一个芯片上，实现了硬件资源的共享和高效利用，降低了系统的复杂度和成本。同时，跨域融合芯片还能够支持舱驾一体化功能，将智能座舱和辅助驾驶系统进行深度融合，为用户提供更加便捷、智能的体验。

车规级操作系统作为底层支撑，其安全性与兼容性直接决定系统可靠性。行业正从“单一功能满足”向“全栈安全保障”升级，通过功能安全与数据安全的双重防护，构建智能驾驶的信任基石。功能安全是指系统在出现故障时，能够避免对人员和环境造成危害；数据安全则是指保护用户的个人信息和车辆数据不被泄露和滥用。

在算力布局上，“云端协同 边缘计算”的模式逐渐成熟。云端计算主要负责大规模的数据存储、处理和模型训练，能够利用强大的算力资源对海量数据进行深度分析和挖掘，优化算法模型。边缘计算则部署在车辆或路边基础设施上，负责实时的数据处理和决策响应，能够减少数据传输的延迟，提高系统的响应速度。这种模式既满足了大规模数据训练需求，又能实现实时决策响应，为技术落地提供了弹性支撑。

华为技术有限公司昇腾智能汽车&机器人领域产品总监黄梓亮揭示了算力革命的紧迫性：“当模型参数从百万级跃升至百亿级，每日PB级数据洪流需要全新的算力基座。”他展示的预测令人震撼——2028年中国汽车云端AI算力需求将达100EFLOPS。

未来，数据与算力的竞争将更加激烈，企业需要在数据闭环体系建设和芯片技术研发上加大投入，才能在智能辅助驾驶的赛道上占据有利位置。

感知融合：重构环境认知能力

感知技术的融合创新，正在重塑车辆对环境的认知维度。

车辆要实现智能辅助驾驶，首先必须能够准确感知周围的环境，包括车辆、行人、交通信号灯、道路标志等。单一的传感器往往存在局限性，如摄像头在恶劣天气下性能会下降，雷达对物体的识别精度有限等。因此，将多种传感器进行融合，发挥各自的优势，成为提升感知能力的关键。

车路云一体化动态地图的发展是一个新方向，可以突破传统高精地图的局限性，通过实时数据更新，为车辆提供超视距的环境预判能力。传统的高精地图虽然精度高，但更新周期长，难以反映道路的实时变化，如临时施工、交通事故等。车路云一体化动态地图则通过车辆、路边基础设施和云端的实时通信，能够及时获取道路的最新信息，并将这些信息更新到地图中，为车辆提供提前预警和路径规划建议。

激光雷达与视觉传感器的优势互补，结合高精度定位技术，使车辆在复杂场景下的感知精度实现质的飞跃。激光雷达能够发射激光束，通过测量激光束的反射时间来计算物体的距离和三维坐标，具有精度高、不受光照影响等优点；视觉传感器则能够获取丰富的色彩和纹理信息，便于对物体进行分类和识别。将两者的信息进行融合，能够实现对物体的精准定位和识别。

上海几何伙伴智能驾驶有限公司智驾算法事业部副总经理许正昊指出，几何伙伴凭借自研的视觉与4D毫米波成像雷达融合技术，已经可以实现全天时全天候、高精度多模态、低成本易量产的系统级解决方案。

武汉际上导航科技有限公司总经理孙红星也表示，必须采用多传感器的深组合定位技术，通过信息融合互补才能克服单传感器缺陷，提升系统整体性能。孙红星认为，将影像与激光点云引入定位系统是实现场景感知的关键，但应区分于“建图”，他特别强调其团队将SLAM更准确地理解为“同步自主定位”，未来则需要在提升定位性能的同时，持续优化技术方案以实现更好的成本效益平衡。

事实上，感知技术目前正朝着“低成本、高可靠”的方向演进，通过技术创新降低量产门槛，推动智能辅助驾驶向中低端车型普及。例如，一些企业通过优化传感器的设计和制造工艺，降低了激光雷达、摄像头等传感器的成本；通过开发高效的感知算法，减少了对硬件的依赖，提高了系统的性价比。

感知融合技术的发展，让我们的车辆能够像人一样‘看懂’周围的世界，这不仅提高了驾驶的安全性，也为用户带来了更加舒适的驾驶体验。未来，随着越来越多的车企和科技企业继续在感知算法和硬件融合上进行探索，将为智能辅助驾驶技术的进步，持续注入新的动力。

测试验证：辅助驾驶安全落地的最后防线

测试验证体系的完善程度，直接决定智能辅助驾驶技术的商业化节奏，这是测试验证专场达成的共识。

智能辅助驾驶技术的安全性是其能够实现商业化落地的前提，而测试验证则是保证安全性的关键手段。只有通过充分的测试验证，才能确保智能辅助驾驶系统在各种复杂场景下的稳定运行，赢得用户的信任。

数据驱动的仿真测试，目前已经成为行业的主流方向，通过构建虚拟场景库，实现对海量真实路况的复现与推演，大幅提升测试效率。传统的实车测试虽然能够真实反映系统的性能，但存在成本高、周期长、场景覆盖有限等问题。仿真测试则通过计算机模拟各种道路场景和交通状况，能够在短时间内对系统进行大量的测试，大大降低了测试成本，缩短了测试周期。

虚拟场景库的构建是仿真测试的基础，包含各种不同的路况、天气、交通参与者等信息。为了保证虚拟场景的真实性和有效性，需要从实车测试中采集大量的真实数据，并对这些数据进行处理和分析，构建出具有代表性的虚拟场景。从这个角度看，实车测试的重要性依旧很高。深蓝汽车科技有限公司辅助驾驶测试副总工文 谢就在主题演讲时表示，仿真与实车测试必须协同联动，以实车作为标杆推动仿真优化，弥补传统仿真在置信度上的不足。

此外，随着相关法规标准的不断升级，测试验证的完善度也在不断调整，正从“功能达标”向“风险可控”转变。以往的测试验证主要关注系统是否能够实现规定的功能，而现在则更加注重系统在各种情况下的风险控制能力。残余风险评估、预期功能安全等新理念的引入，推动测试体系向更精细化、系统化发展。北京赛目科技股份有限公司首席技术官杨强指出，未来通过整合AI交通流模型与虚拟城市仿真平台，实现高拟真度的大规模测试，将成为应对智能网联汽车安全验证残余风险挑战的重要手段。

残余风险评估是指对系统在正常运行过程中可能存在的潜在风险进行识别和评估，并采取相应的措施进行控制；预期功能安全则是指确保系统在设计预期的范围内能够安全运行，避免因功能不足或误操作而导致的事故。

跨域协同测试平台的构建，更是打破了企业间的数据壁垒，通过场景共享与方法共建，提升全行业的安全验证水平。智能辅助驾驶技术的测试验证需要大量的场景数据和测试资源，单个企业往往难以独立完成。跨域协同测试平台能够将不同企业、科研机构的资源进行整合，实现场景数据的共享和测试方法的交流，提高测试验证的效率和质量。

此外，需要强调的是，测试验证不是一次性的工作，而是一个持续迭代的过程。随着技术的不断发展和场景的不断变化，测试验证体系也需要不断完善和升级，才能为智能辅助驾驶技术的安全落地提供坚实的保障。”

小结：

盖世汽车第八届智能辅助驾驶大会深入探讨了行业未来的发展趋势，很显然，国内的辅助驾驶领域，已进入“技术攻坚与规模落地并行”的新阶段。算法架构的革新、数据底座的夯实、感知能力的升级与测试体系的完善，共同推动着产业从“单点突破”向“系统协同”跨越。未来，随着技术成本的持续优化与法规环境的不断完善，智能辅助驾驶将真正走进大众出行生活，为人们带来更加安全、便捷、舒适的驾驶体验，同时也将成为重塑汽车产业格局的核心力量。

在这个充满机遇与挑战的时代，汽车行业的每一个参与者都需要保持创新精神和合作意识，共同推动智能辅助驾驶技术的发展。相信，真正的高阶智能辅助驾驶成为汽车标配功能的将来，不会让大家等太久了。