2024年，是注定被刻进汽车行业发展史的一年。
这一年，从基础辅助驾驶到高阶智能驾驶，使得智能化逐渐成为车企针尖麦芒角逐的焦点。
这一年，武汉街头的萝卜快跑驶入公众眼球，特斯拉的无人驾驶出租车Robotaxi揭开神秘面纱，中美企业都在智驾赛道上一路狂奔。
地平线、黑芝麻智能、文远知行、小马智行等头部智驾企业扎堆IPO，“端到端”自动驾驶算法落地，城市NOA、大模型、车路云、自学习、数据闭环等技术纷纷加码，各智驾企业初步落定身位。但巨大的路线分歧也成为一道“分割线”，纯视觉与激光雷达、端到端一段式与两段式、单车智能与车路云等技术之争，将智驾行业推向岔路口。
展望2025年，智驾行业虽终点未明，但“车速”确定。据IDC预测，2025年我国智能汽车出货量将达约2500万辆，复合增长率达16.1%。据中国信通院预计，到2025年中国智能驾驶汽车市场规模将接近万亿。
随着技术的不断进步和政策的持续推动，智驾功能将逐渐从高端市场向中低端市场渗透，成为未来汽车市场的标配。同时，车路云一体化启动大规模建设，又为智驾行业增添了新的变量。
“分化”成为主旋律
如果给2025年的智驾行业定义一个关键词，那么“分化”最贴切不过。
智能驾驶的发展已历经多个阶段，从早期的硬件堆砌，单纯比拼单车感知硬件与智驾芯片算力，到人海战术阶段对开城数量的竞争，如今已迈入AI驱动的高阶智驾阶段。据相关测算，2025年城市高阶智能驾驶市场规模有望接近550亿元。
2024年末，大部分主流车企已经实现了无（高精度）图全国都能开。而第一梯队的玩家，从以规则为主的算法框架，向神经网络模型为主的新架构切换，也就是时下流行的“端到端”技术，这一技术标志着车辆的智能化水平进入到一个全新阶段。
传统的智能驾驶系统往往采用模块化架构，感知、预测、规划三方分立为独立模块进行处理。虽然模块化架构在技术上较为成熟，但方案中的感知模块通常依赖于多传感器融合技术，其缺点在于各模块之间的数据传递和处理存在一定的延迟和信息损耗，可能导致反应速度的问题并影响整体性能。同时，较多的代码和对地图的需要也使其构建成本存在劣势。
端到端大模型的引入改变了这一局面，其将感知、预测、规划三个独立的模型合并，大规模数据训练使其能够直接从传感器数据中生成控制指令，避免了中间环节的延迟和误差累积，通过“经验”完成学习分析，并最终具备决策能力。
这一特质使端到端系统具备应对多变和复杂场景的能力，表现为车辆可以在没有预先设定路线的情况下，根据实时感知到的环境进行自主判断和规划行驶轨迹。同时也意味着当该系统运行时，处理交通状况是通过类似“直觉”来进行判断，从而使车辆运行更加拟人化，大幅提升驾驶体验的自然性和舒适性。
这轮技术升级，最直接的好处是让智驾系统更大程度地享受到了Scaling Law数据扩张带来的红利，让智驾不再按场景分类解题，而是按照“能力”批量解题。
从技术演进来看，2024下半年端到端模型上车奠定基础。在端到端实现后，竞争焦点正从单纯比拼城区NOA的开城数量转为比拼用户体验，以此为核心的高阶智驾正处于市场高速增长前的关键拐点，成为车企拉开差距、开始分化的一道分水岭。
但“用户体验”是一个很笼统的词，车企需要借助一个强有力的论据，让用户看到击穿痛点的价值。为此，各大车企在“车位到车位”功能层面展开竞争，并将成为2025年智驾领域的重要发展节点。谁能实现更高覆盖率的全场景驾驶，谁就会在下半程的体验之战中占据上风。
如果说此前“全国都能开”是从面上证明开城规模广，现在的“车位到车位”就是从点上明确使用价值高，把“从A点开到B点”的底层逻辑映射到现实层面，可以看作车企对于“端到端”方法论的具体演绎。
所谓“车位到车位”智驾，就是上车即可开启智驾，车辆自主从车位开出，自主进出园区和识别闸机抬杆，再经过无论是城市道路还是高速路，包括城市环岛、掉头等复杂场景，再进入封闭的园区及小区，自动将导航终点匹配园区及小区内的行驶路线，无论是露天还是地库等各种停车位，都能够最终自主泊入车位。
“车位到车位”打通了停车场到公开道路、公开道路到园区、园区地面到地下车库等多种场景，其中“过闸机”能力成为了表述关键词。此前车企在阐述智驾能力时，往往把应对多个极端场景作为重点论据，但极端场景多样化无法穷尽。
而在“车位到车位”的语境下，则强调了智驾应对复杂路况的连贯性与完整性。这种出色的泊车能力与车辆行驶之间没有断点。用户坐进车内，就可以启动智驾，系统可以让自动驾驶与泊车无缝协作，到达下一个车位。
由此，跨过“车位到车位”这道大坎的玩家们，正在新的竞争模式中开启竞速。目前，华为ADS于2024年8月在享界S9交付相关功能；理想汽车在2024年11月全量推送；小米汽车12月推送先锋版；小鹏汽车也积极推进测试与部署；极氪则预计明年一季度分批推送，二季度全量推送。
这一功能的实现标志着智能驾驶从点到点的简单辅助迈向全场景无缝衔接的新阶段，极大提升了日常驾驶的便利性，减少驾驶员在停车环节的操作负担，是智能驾驶普及的关键一步。
这场高阶智驾的比拼特别像体育界的铁人三项，要想赢得竞赛，需要三个核心要素：技术、工程和产品。高阶智驾要实现好用、爱用，需要关注两个维度。一个是Scale up（性能提升），即把系统打磨到可以处理各种极端环境和复杂交通流；另一个是Scale out（场景泛化），即系统在全场景下在不同的时间、天气、环境和不同的城市都可以有很好的表现。
从技术路径看，无论世界模型也好，还是VLM（视觉-语言模型）也罢，最后来看都将殊途同归，就是建立VLA流程（Vision-Language-Action，即视觉-语言-动作），整体系统会更加接近于人的应激反应，（感知）看到什么，（规控）就能做出相应的驾驶动作。不少智驾行业人士都将VLA视为当下“端到端”方案的2.0版本，认为这是未来确定的技术路线，只是实现的时间快慢问题。
VLA架构下，端到端与多模态大模型的结合将会更彻底。但更具挑战的是，当端到端与VLM模型合二为一后，车端模型参数将变得更大，这既要有高效实时推理能力，同时还要有大模型认识复杂世界并给出建议的能力，对车端芯片硬件有相当高要求。如何将端到端与多模态大模型的数据与信息进行深度交融，实现软硬件的无缝融合与协同配合，将考验着每一个智驾团队的模型框架定义能力、模型的工程开发能力以及模型快速迭代能力。
事实上，智驾竞争到最后比拼的就是对AI资源的消耗能力。模型参数越大，对硬件算力、数据闭环的迭代能力要求越高。部署VLA模型，对芯片算力等级直接来到了NVIDA DRIVE Thor，算力高达1000+TOPS，这将进一步拉大智驾各梯队之间的差距。这也意味着，谁掌握了更多算力和数据资源，谁就将掌握这场竞争的主动权。
技术路线的骤然升级与竞赛变奏，为还没发力端到端的玩家设置了更高门槛，后发制人的机会更加稀少。可以预料的是，随着VLA、世界模型等新技术的陆续登场，以及对AI资源消耗的需求进一步攀升，高阶智驾的里程碑被全面刷新，智驾梯队的席位竞逐将更加激烈。
关键变量也是最大增量
在车企竞相发展单车智能的同时，车路云一体化作为2024年交通智能化升级的一大新趋势拉开序幕。
此前，无论是终端车企还是智能驾驶领域的企业，对于高阶自动驾驶发展的关注点主要集中在汽车本身，例如堆积越来越多高质量的系统配置、频繁升级智能驾驶方案的技术、持续收集更多行车数据做模型训练等。
2024年7月，工信部、交通运输部等五部门联合发布了关于公布智能网联汽车“车路云一体化”应用试点城市名单的通知，首度确定了以北京、上海和重庆为首的20个城市（联合体）为智能网联汽车“车路云一体化”应用试点城市。
保守预计2026年之前，国内车路云一体化的相关的产业规模有望达千亿级以上，未来到2030年后，预计撬动万亿级市场。
不单是我国关注车路云一体化，美国和欧洲多国同样意识到车路云一体化在未来智驾领域中的重要性。美国在发布的智能交通系统战略中计划全境75%的城市和高速公路，在2035年应当具备车路云一体化能力，欧洲则在《网联、协作和自动化出行路线图》中，也强调了车路云一体化的核心作用。
什么样的智能驾驶才是完美状态？最佳状态是车和路都达到了较高的智能化水平，能够实现无缝协同，但这只是理想状态。现实情况是，不是每一台车都具备足够高的智能化水平，也并不是每一台车都可以实现智能化，规模庞大的存量非智能车仍是主体。
如果用L2+的车，配上高等级的路（比如C5级别），其实也能够达到比较高的智能驾驶水平。所以，现在不能仅依靠单车的智能化，更多是要靠提升车路云的整体协同能力。
车路云一体化由于增添了路侧和云端设施，加强了车辆与路侧、其他车辆、云端之间的数据信息交互，使得云端能够依托车辆的当前情况，以及交通环境的动态变化来做出最为合理的协同决策，推动车辆从被动的预警功能向主动控制、提前规避潜在风险转变。
在未来，车路云一体化成熟度很大程度上取决于“智能新基建”的升级进度。其中，路侧基础设施的建设升级是2025年车路云发展和政策的聚焦点，路侧数据在车端的应用水平是衡量车路云一体化建设效果的关键一环。
高质量数据是车路云一体化规模化应用的前提和基础，把有价值的数据提取出来给车企使用是最核心的环节。提升数据质量的关键首先在于单节点的数据质量需要足够的高，保证数据质量的核心并不只是硬件设备，而是系统和算法。车路云一体化不是单纯的堆硬件、堆设备，而是需要一整套操作系统把摄像头、激光雷达、通信计算的硬件进行整合和驱动，并且通过操作系统中的AI算法模型对数据进行处理。
其次，要深入了解车企的实际需求，与车企真正打通。过去车路云一体化在建设的时候太过于关注硬件和各类指标，往往都是从技术人员的角度，用一系列技术标准来衡量车路云的建设效果，却忽略了车企到底需要什么、提供的数据如何给车辆使用等更为贴近应用侧的需求。
车路云网络产生的数据，最终能否给车辆使用、能有多少用户可以直接使用，这是车路云建设的核心标准。目前在车路云建设过程中，设备层的生态非常丰富已经趋于成熟，但在系统层、算法层和应用层，还有很大的缺失。这就导致数据在准确性、实时性等方面无法满足智能网联车辆和自动驾驶车辆的真正使用需求。
如果从数据应用角度看，车路云“数据上车”可以分为五个阶段：
第一，路侧基础设施建设阶段，主要将“通感算”的硬件设备部署在路侧；
第二，数据质量达标阶段，针对单节点数据质量进行达标测试，可参考行业权威标准，比如信通院的“双SL3”；
第三，数据上车初级应用阶段，通过车路云系统，将信号灯数据、路侧识别到的事件类数据赋能智能网联车辆；
第四，数据上车高级应用阶段，通过车路云系统，将实时孪生数据赋能给智能网联车辆和自动驾驶车辆，真正实现协同感知、协同决策；
第五，量产车型大规模应用阶段，与车企进行量产车合作，保证车辆大规模接入车路云网络，并享受各类实时数据服务。
车路云网络让车辆不再是孤立的智能体，而是融入到一个更大范围的智能交通生态系统中。道路上布设的智能路侧设施如AI数字道路基站、V2X通信设备能够实时监测路况，为车辆提供超视距感知；云端则利用大数据和AI算法，对交通流量进行优化调度，实现更高效、安全的行车环境。
这套网络还为车辆提供了强大的后盾支持，即便在恶劣天气或复杂交通状况下，路侧设施也能提供比车载传感器更稳定、可靠的数据，并通过云平台的实时分析辅助做出准确判断，这种稳定性和可靠性对于自动驾驶技术的落地实现至关重要。
此外，车路云网络还将显著提升交通系统的智能化和响应效率。通过集成路侧设施和云端数据，车辆可以获得更广泛的感知能力和更精准的数据分析，从而实现更高效的交通管理。例如，在交通事故发生时，车路云网络可以迅速感知并分析事故情况，及时调整交通信号和车辆路径，减少事故对交通流量的影响，从而有利于交通管理部门对城市交通的全局可控，提升交通整体运行效率。
除了能够提升车辆在道路上的智驾能力之外，车路云一体化还将有助于智驾算法的深度开发。通过车路云网络，可以提供更为庞大的数据量和丰富的数据类型，对车端数据集形成强有力的补充，进一步提升数据闭环能力，开发更高质量的自动驾驶模型，从而实现更深层次的智驾场景挖掘、场景重建和生成。
新一年，中国智驾产业的竞争将不再局限于技术的比拼，更是生态系统与商业模式的博弈。智驾产业若想取得更大突破，仍需解决技术瓶颈、法规限制在内的一系列难题。同时，如何将车路云一体化这个关键变量转化为产业发展的最大增量，也值得每个参与者的深入思考。
在智能化下半场，智驾行业的故事将会更多、更精彩，它能走到哪一步，且让我们拭目以待。
热门跟贴