过去几年，大模型推动了多个产业的能力跃迁，智能驾驶是其中变化最为剧烈的一个。
如果说早期智驾竞争更多集中在传感器配置、规则工程与算力堆叠，那么随着大模型进入车端，行业的核心变量正在发生转移——模型能力本身，正在成为决定智驾上限的关键因素。
大模型驱动意味着：模型越大、算力越强、学习数据越多，系统的泛化能力与决策质量就越接近人类经验。大模型的Scaling Law 似乎在智驾领域显现出同等效用。
但一个长期悬而未决的问题始终存在：
智驾系统“更智能”到底该如何衡量？
行业此前缺乏统一、有效的评价尺度。end to end 的概念最早来自大模型，在智驾上还衍生出一段式、多段式的端到端，VLA、VLM、World Model 不同技术路线和模型架构谁优谁劣，芯片算力、模型参数量、特定功能这些指标，其实难以真正反映系统的智能化程度。
如今，这一问题正在被重新定义。
在日前举行的2026 年国际消费类电子展（CES 2026）上，千里智驾与吉利共同宣布，面向全球市场发布全新辅助驾驶品牌——千里浩瀚G-ASD（Geely Afari Smart Driving，千里浩瀚）。
其中，“G”代表吉利，“ASD”代表千里智驾。G-ASD 是双方联合研发的高含模量智能辅助驾驶解决方案，覆盖从 L2 到 L4 的完整能力区间。
相比品牌发布本身，更值得关注的是，千里智驾在此次发布中提出了一个新的判断框架：
在千里智驾看来，含模量越高，意味着智驾系统全链路中由AI 模型承担的决策与控制比例越大，智能能力的上限也随之抬升。智驾提升含模量需要极其扎实的技术底座，以及前瞻的模型路线选择，再通过持续的数据驱动与仿真测试进化。
不断提升系统含模量，才是智驾能力从“接近人类”走向“超越人类”的关键路径。这个过程中，大量回传数据的筛选、抽象，超大规模且以指数极增长的真实车端场景数据，如何进行关键Token压缩，以及构建世界模型进行物理仿真的推演和验证，都是门槛极高。
G-ASD这一高含模量智能辅助驾驶方案，不仅标志着千里智驾完成了一次明确的技术卡位，也为智能驾驶行业提供了一种新的理解和评估坐标。
当智能辅助驾驶开始像“老司机”一样决策
含模量，是千里科技CTO 杨沐对自动驾驶技术演进给出的一个核心判断。
如果把AI 的发展拉长来看，这是一条从感知，到认知，再到行动与推理逐步融合的路线。
在ResNet 之前，深层网络难以稳定训练，视觉系统更多停留在特征提取层面；ResNet 出现后，深度模型得以规模化训练，视觉对象开始被更稳定地映射为语义信息，为复杂场景理解提供基础。
随后，Transformer 架构与以 AlphaGo 为代表的强化学习路径结合，模型不再只“看懂世界”，而是开始在行为空间中进行博弈和决策，第一次真正跨出了感知的边界。
到了ChatGPT 之后，人类知识以语义形式被系统性地映射进模型特征空间，推理能力与行为模式学习显著增强，模型具备了更完整的“理解—推导—行动”能力。
回到智能辅助驾驶的逻辑里，“含模量”并不是一个抽象口号，而是一种工程化判断：
在一个复杂系统中，让模型覆盖更多行为与子系统，让尽可能多的决策逻辑进入同一套数据驱动范式。
含模量越高，系统可学习、可演化的空间就越大；只要数据驱动能够持续推进，系统能力的理论上限就会不断抬升，最终体现出对人类驾驶的系统性超越。
这一逻辑与特斯拉的FSD类似。通过不断削减人为规则，把感知、预测、规划、控制压缩进更少、更统一的模型中，通过数据规模来拉高系统上限。
在工程实现上，千里智驾采用的是全轨迹端到端训练范式，即从多传感器输入，到最终车辆控制输出，全部在一套统一模型框架中完成训练与推理。
相较于传统分段式架构，这一步解决的并不是单点性能，而是感知、预测、规划、控制之间长期存在的割裂问题，也是含模量提升最关键的一环。
而端到端能够跑通，前提并不只是模型结构的变化，而是数据供给与迭代效率的根本性变化。
在过去，智能辅助驾驶高度依赖人工标注，效率低、成本高，且难以支撑高频迭代。针对这一行业瓶颈，千里智驾构建了自动标注与数据闭环体系，实现了从“人工驱动”向“模型驱动”的转型。
截至目前，该体系已积累包括国宾级司机轨迹数据、超过2500万条高价值视频 clips、百万级事故数据集、百亿公里级行驶数据，并形成覆盖全生命周期的数据闭环。
这意味着，系统能够持续生成已标注的高质量训练数据，逐步摆脱对人工标注和机械化采集的依赖，从根本上解决模型训练中最难的“第一步”。
除了高质量数据外，如何迭代也是另一个关键问题。
原因很简单，智能辅助驾驶并非单纯的软件问题，模型最终控制的是物理世界中的车辆，过去对模型的验证高度依赖上车调试，周期长、成本高，也限制了迭代速度。
为此，千里智驾在仿真与世界模型上进行了大量布局，让模型能够在虚拟环境中完成验证与验收，推动更高频的训练和演进。在部分难以真实采集的场景中，还可以通过模型生成进行案例构造，大幅降低数据获取成本。
例如，碰撞类数据在真实道路中极难获取，但在仿真环境里，可以主动构造对抗场景。在车辆正常行驶过程中，修改旁车轨迹，使其快速切入本车前方，生成高风险样本，再结合强化学习进行训练，用以提升模型对危险博弈行为的抑制能力。
这类训练在安全兜底层面能带来即时收益，同时也随着持续迭代不断强化系统整体能力。构建世界模型进行仿真训练和模型验证，需要很强的技术底蕴，车企和智驾都很少有千里团队“大模型原生的技术品味”，一般也只有专注于基础模型公司才具备这样的前沿跟踪能力。
从最终效果看，高含模量的千里智驾ASD，让车辆的驾驶行为更接近经验丰富的“老司机”，更丝滑更安全。
在全场景防御性NOA 中，面对盲区、施工路段、临停车辆，系统并非机械刹停，而是提前控速、预判变道，呈现出更符合人类驾驶直觉的处理方式。
同时，其还能深度模拟人类司机的判断逻辑和操控方式，显著减少传统智驾中常见的急刹与顿挫，在复杂路况下也能更从容地绕障、变道。
归根结底，提升“含模量”的本质，是把原本由人类规则维系的驾驶逻辑，彻底交付给AI驱动的统一范式。
这种交付，换来的是系统上限的不断抬升。当AI 开始在物理世界中学会像人一样博弈与思考，千里智驾跨越的不仅仅是技术架构的鸿沟，更是从“辅助驾驶”走向“智慧生命体”的关键一步。
走出“吉利样板”，迈向全球智驾开放平台
如果只看技术参数，千里浩瀚G-ASD是一次含模量显著抬升的系统升级。
但如果放在产业坐标里，它更像是千里智驾角色的一次转向——从单一车企的“深度定制伙伴”，走向面向行业的通用智能驾驶平台。
此次CES 2026上发布的千里浩瀚G-ASD，本质上是一套由吉利全栈自研软硬件体系承载、由千里智驾提供核心 AI 能力的高含模量辅助驾驶方案。
G 代表吉利，ASD 则是千里智驾对外统一的高阶智能驾驶方案品牌。
这一命名背后，其实隐含着一条清晰的分层逻辑。
其中，千里浩瀚G-ASD，是千里智驾交付给吉利的“定制精装版”：软硬件强耦合、与吉利车型架构深度绑定，是在单一集团体系内，把含模量与工程化做到极致的样本。
而ASD 本身，则是千里智驾面向全行业的通用智能驾驶底座。
这意味着，其定位将不止是供应商，而是更接近“原生安卓”的角色，通过整合技术、研发及产业资源，为海内外车企提供L2+至L4全栈端到端方案的开放平台。
为什么千里智驾能够实现这样的角色转变？
第一，过硬的技术能力。千里智驾选择从吉利这样一个多品牌、多架构、工程标准极高的体系里起步，本身就是一种压力测试。如果一套系统能够在这样复杂的组织和产品矩阵中跑通，并且持续OTA迭代，才有资格谈“通用性”。
截至目前，G-ASD的OTA已在极氪、领克两大品牌的16款车型上落地，覆盖车辆超过30万辆，。今年预期能达到100万，在国内Tier 1 智驾企业中非常突出，让 G-ASD 跻身高阶智驾量产方案的“第一梯队”。如此大的落地规模，足以证明千里智驾ASD的技术实力。
第二，通过与吉利的深度合作，千里智驾打造了与车企深度协同的规模化模板。
吉利庞大的车队规模为千里智驾提供了海量数据（10W clips/day），反哺算法迭代；算法的进步又反过来提升吉利车型的竞争力。
这形成了一种典型的正反馈闭环：车辆规模扩张，带来了更多数据，推动模型进步；模型进步，反哺智驾体验进一步优化，推动车辆规模继续放大。
在OEM拓展方面，目前奔驰也成为千里的第五大股东，双方建立的战略性项目正在推进中，吉利做成“样板间也将应用在奔驰之上。预计在2026年，除吉利和奔驰之外，千里预计还有大概两家战略性客户，继续形成深度协同的规模化“朋友圈”。
在此基础上，千里智驾的生态边界也开始进一步外延。2025年12月3日，千里智驾宣布与吉利集团旗下出行平台曹操出行达成合作，推进 Robotaxi的商业化落地。
此次合作的意义显而易见，主要体现在两个方面：
首先，是高质量、可持续的真实驾驶数据。曹操出行拥有500万司机，每天行驶里程超3000万公里，这些真实路况下的实时数据，能持续反哺千里智驾团队，优化算法模型。
其次，是天然贴近自动驾驶商业化的应用场景。网约车本身就是对安全性、稳定性和运营效率要求最高的出行形态之一，也被业内视为Robotaxi 最现实的落地土壤。
此前，曹操出行已明确提出Robotaxi 战略，并与吉利联合推出枫叶 80V、曹操 60 等定制车型。在这一过程中，智驾能力将决定商业模型是否成立的关键变量。
在这一框架下，千里智驾的技术能力获得了更广阔、也更具实际约束力的应用空间，其技术迭代与商业落地之间的距离，正在被进一步缩短。
展望未来，智驾竞争的核心是，谁能把真实世界的数据持续纳入模型闭环，谁才有机会把技术优势转化为长期优势。
G-ASD的意义，也正在于此。它不只是一次产品发布，更是千里智驾从单点交付，迈向平台化、规模化、生态化的关键一步。
文/林白
PS：如果你对AI大模型领域有独特的看法，欢迎扫码加入我们的大模型交流群。
热门跟贴