新能源汽车智驾下半场：城市 NOA 端到端模型落地与成本下探

2024 年智能驾驶进入深水区，城市导航辅助驾驶正从高端车型向 20 万元以内市场快速渗透。随着端到端神经网络架构普及，摆脱高精地图依赖成为行业共识。本文解析技术栈变革如何推动成本下降，以及算力竞争背后的实际路测数据表现，展望大众化智能出行的技术路径与面临的合规挑战。

架构重塑：端到端大模型取代规则代码

智能驾驶技术栈正经历从“模块化”向“端到端”的根本性转变。传统自动驾驶系统依赖感知、规划、控制等独立模块，通过数百万行代码规则处理场景，难以覆盖复杂路况。2024 年起，华为 ADS 3.0、小鹏 AI 天机等系统相继引入端到端神经网络架构，实现从传感器输入到车辆控制信号输出的直接映射。

这种架构核心在于引入占用网络（Occupancy Network）技术，将 3D 空间体素化，不再依赖白名单识别障碍物。实测数据显示，采用新架构的车型在施工路段、异形障碍物识别率上提升约 40%。特斯拉 FSD V12 的推送进一步验证了该路径可行性，国内厂商则通过本地化数据训练，优化了加塞博弈与无保护左转场景，接管里程从平均每 100 公里 5 次降低至 0.5 次以内。

成本博弈：激光雷达去留与算力性价比

随着算法效率提升，硬件成本成为智驾下沉的关键。此前城市 NOA 仅配备于 30 万元以上车型，主要受制于激光雷达与高算力芯片成本。2024 年，深蓝、零跑等品牌将智驾车型门槛拉低至 15 万元区间，核心策略是优化传感器配置。

部分厂商开始尝试“纯视觉”方案，移除成本高昂的激光雷达，依靠高分辨率摄像头与强算力芯片弥补深度信息缺失。例如，某主流车型采用单颗 Orin-X 芯片（算力 254 TOPS）配合 11 颗摄像头，实现了覆盖全国 300 个城市的无图智驾。与此同时，国产芯片厂商推出性价比更高的行泊一体方案，将智驾系统 BOM 成本控制在 5000 元以内，使得高阶辅助驾驶成为中端车型的标准配置，而非选配项。

数据闭环：万卡集群训练与泛化能力

算法迭代速度取决于数据处理效率。头部车企已建成万卡级智算中心，用于训练自动驾驶大模型。华为云端算力达到 5000 PFLOPS，小鹏智算中心“扶摇”算力规模亦突破 600 PFLOPS。这些算力集群用于处理每日回传的数千万公里路测数据，通过自动标注技术挖掘长尾场景。

数据闭环能力直接决定泛化水平。以往开通新城市需工程师手动采集高精地图，耗时数月。如今基于重感知轻地图方案，车辆可凭借实时感知数据在陌生城市通行。行业数据显示，2024 年上半年，主要车企城市 NOA 开通数量从平均 50 个激增至“全国都能开”。云端训练模型每两周迭代一次，显著提升了系统对极端天气和复杂路口的适应能力，减少了区域差异带来的体验波动。

落地挑战：长尾场景与安全冗余机制

尽管技术进步显著，大规模落地仍面临安全与法规挑战。端到端模型存在“黑盒”特性，决策逻辑难以完全解释，这在事故责任认定上带来困难。目前行业普遍采用“影子模式”进行验证，即在人工驾驶后台运行智驾系统，对比决策差异，确保安全性后再推送 OTA。

此外，长尾场景仍是痛点。数据显示，90% 的接管发生在剩余 10% 的复杂场景中，如暴雨夜间行驶或交警手势指挥。为此，车企开始建立安全冗余机制，包括双算力芯片备份与制动系统冗余。监管部门也在完善标准，工信部发布的《汽车驾驶自动化分级》国家标准进一步明确了 L3 级准入条件。未来，智能驾驶竞争将从功能开通率转向安全里程积累，唯有通过百万公里级无事故验证，才能真正赢得用户信任。

来源：综合自 2024 年各大车企技术发布会、工信部行业报告及公开路测数据