AI相对论① | 智能驾驶下半场：技术突围与商业落地的双重变奏

每经记者：李星 刘曦 每经编辑：余婷婷

当行业还在热议“开城数量”的竞赛时，中国智能驾驶领域已悄然步入下半场——从追求“能跑”转向“好用”，从硬件“堆料”转向价值“深耕”。然而，技术理想与商业落地之间，仍横亘着几道关键难题：城区NOA（领航辅助驾驶）如何实现低成本规模化部署？过于保守的系统如何平衡安全与体验？硬件成本居高不下，“软件付费”模式能否跑通商业闭环？

针对上述行业痛点，徽声在线“AI相对论”首期圆桌对话邀请两位破局者展开深度探讨：一位是小米汽车智能驾驶基座大模型负责人陈龙，他正推动VLA（视觉语言动作）大模型从实验室走向量产，试图让智驾系统从“数据驱动”升级为“认知驱动”；另一位是黑芝麻智能CMO杨宇欣，作为国内头部芯片供应商的管理者，他从产业链底层逻辑出发，对成本控制、供应链协同与商业生态构建有着独到见解。

这场对话呈现鲜明对比：一位从算法创新层面突破，一位从硬件根基处发力。两位嘉宾围绕中国智能驾驶本土化落地与商业化突围的核心议题，展开了一场关于技术理想与现实路径的思维碰撞。

◼︎本期嘉宾：小米汽车智能驾驶基座大模型负责人陈龙、黑芝麻智能CMO杨宇欣

陈龙 图片来源：企业供图

杨宇欣 图片来源：企业供图

“好用”与“能用”的平衡术

NBD：当前智驾行业竞争白热化，车企研发投入持续加码。在您看来，中国智驾水平在全球处于什么位置？

小米汽车陈龙：国内智驾技术已形成独特优势，尤其在复杂路况下的适应能力。中国道路场景的多样性（如密集的电动车流、突发的加塞行为）对系统提出了更高要求，用户对效率与安全性的双重期待，反而推动了技术快速迭代。这也是我选择回国加入小米汽车的重要原因。

黑芝麻智能杨宇欣：全球智驾格局可划分为三个梯队：特斯拉凭借全栈自研能力占据技术制高点，其探索方向具有行业风向标意义；第二梯队以中国自主品牌为主，消费者对智驾的接受度（购车决策占比超40%）和车企投入强度均领先全球，推动自主品牌市占率突破60%；第三梯队是供应链企业，我们抓住了海外供应商响应速度慢的机遇，通过技术迭代切入整车供应链，目前与头部车企合作覆盖率达80%。

中国智驾发展呈现“双轮驱动”特征：新能源汽车普及为智能化提供载体，而智能化又反哺新能源车市场扩张。这种良性循环正在重塑全球汽车产业格局。

NBD：行业对“能用”和“好用”的界定模糊，您观察到中国用户对智驾的核心期待发生了哪些变化？

小米汽车陈龙：传统辅助驾驶更像“高级配置”，用户开启频率不足30%。但随着大模型技术突破，智驾正从辅助工具进化为“出行伙伴”，用户期待其能主动处理复杂场景，释放驾驶精力。我们调研显示，超70%用户将“安心感”列为首要需求，其次是通勤效率提升。

黑芝麻智能杨宇欣：用户认知进化经历两个阶段：第一阶段是“购买认知”，通过车企宣传建立“智能=安全”的关联；第二阶段是“使用认知”，需要解决“何时该接管”“系统边界在哪里”等核心问题。当前行业痛点在于，如何让用户在安全框架内充分信任系统，这需要软硬件协同优化。

我们通过用户行为数据分析发现，频繁提示接管的系统使用率下降42%，而过度保守的策略又会导致效率损失30%。找到这个平衡点需要千万级公里的真实道路测试。

NBD：中国道路复杂性常被归结为算法瓶颈，您认为核心挑战是什么？芯片企业能发挥多大作用？

黑芝麻智能杨宇欣：芯片是智驾系统的“数字引擎”，其重要性可从三个维度理解：首先，AI产业呈现“倒三角”结构，芯片企业占据产业链顶端，市值占比超35%；其次，智驾技术迭代高度依赖芯片算力支撑，如VLA大模型对算力的需求呈指数级增长；最后，芯片架构设计直接决定系统成本，我们的第三代NPU通过近存计算设计，将带宽需求降低60%，使同等算力芯片成本下降40%。

算法与芯片的协同创新是关键。我们提前18个月与算法团队对接，将Transformer架构需求融入芯片设计，这种“软硬预融合”模式使系统能效比提升2.3倍。

高阶智驾落地：效率与安全的双重博弈

NBD：安全优先策略常导致系统过于保守，如何平衡商业化与用户体验？

小米汽车陈龙：从技术角度看，我们希望完全依赖模型能力，通过海量数据迭代提升系统鲁棒性。但商业产品必须设置多重安全冗余，这导致模型潜力无法完全释放。辅助驾驶系统存在“不可能三角”：安全、舒适、效率难以同时达到最优，车企通常选择牺牲10%-15%的效率来确保安全。

我们的解决方案是构建“渐进式释放”机制：通过影子模式收集极端场景数据，先在封闭场地验证，再逐步向用户推送。这种“小步快跑”策略使系统迭代周期缩短至3个月。

NBD：城区NOA大规模落地需要突破哪些瓶颈？

小米汽车陈龙：核心挑战在于模型泛化能力。城区场景包含2000+种交通参与者组合，系统必须具备“零样本学习”能力。我们通过引入世界模型生成合成数据，将长尾场景覆盖率从68%提升至92%。同时，用户体验必须达到“可用”标准，如果接管频率高于每100公里1次，用户就会放弃使用。

NBD：作为芯片供应商，黑芝麻智能如何助力高阶智驾普惠化？

黑芝麻智能杨宇欣：我们提出“技术收敛+架构创新”双轮驱动策略：技术收敛方面，高速NOA算力需求已从500TOPS降至30TOPS，城区NOA也将经历类似过程；架构创新方面，通过存算一体设计将带宽效率提升4倍，使100TOPS芯片实现500TOPS等效性能。

在武汉萝卜快跑案例中，我们通过芯片级优化使单车成本下降37%，这是其实现盈利的关键因素之一。预计到2026年，城区NOA芯片成本将占BOM比例从当前的12%降至5%以下。

NBD：高阶智驾商业化路径是否清晰？

黑芝麻智能杨宇欣：L3级商业化已进入爆发前夜，其本质是“人机共驾”的效率优化。北京亦庄的测试数据显示，L3系统可使通勤效率提升22%，用户付费意愿达6000元/年。L4级仍在探索阶段，但Robotaxi运营成本已从2022年的8.5元/公里降至3.2元/公里，接近网约车水平。

我们判断，2025年将出现首个L4级商业闭环案例，其关键在于本土供应链的支撑能力。黑芝麻智能正在与头部车企联合开发车规级L4芯片，预计2026年量产。

NBD：L3与L4在技术架构上关联度如何？

黑芝麻智能杨宇欣：底层架构高度相似，差异主要体现在算力规模和冗余设计。L4需要400TOPS以上算力支持多传感器融合，而L3在100TOPS即可实现基础功能。但两者对大模型处理的需求一致，我们的A1000L芯片通过动态算力分配技术，可同时支持L3/L4算法运行。

NBD：如何看待Robotaxi的商业前景？

黑芝麻智能杨宇欣：中国Robotaxi商业化具备三大优势：政策支持力度大（已发放300+张测试牌照）、基础设施完善（5G覆盖率超95%）、用户接受度高（调研显示68%用户愿意尝试）。武汉的实践表明，千辆级车队可实现单城盈亏平衡，预计到2028年，30个核心城市将部署5000辆级车队，市场规模突破300亿元。

海外布局方面，中东市场因地广人稀和资本优势成为首选，我们已与阿联酋车企签订合作协议，2025年将投放200辆L4级车辆。

智驾普惠化：从“溢价卖点”到“基础配置”

NBD：高阶智驾普惠化的核心路径是什么？

小米汽车陈龙：降本需要“软硬协同”：硬件端通过NPU专项优化提升算力利用率，软件端通过大模型复用分摊研发成本。小米的基座模型可同时支持智驾、机器人和智能家居，使单场景成本下降55%。此外，我们与黑芝麻智能联合开发“算力池化”技术，使芯片利用率从40%提升至75%。

黑芝麻智能杨宇欣：系统降本依赖三大杠杆：架构创新（如存算一体使芯片面积缩小40%）、算法优化（通过稀疏化计算提升能效比）、规模效应（年出货量超100万片时，单片成本可下降32%）。我们预测，2027年15万元级车型将标配全场景NOA，10万元级车型可实现高速NOA。

NBD：智驾成为标配后，品牌价值如何体现？

黑芝麻智能杨宇欣：品牌竞争将转向“科技生态”维度。用户关注的不再是单一功能，而是系统迭代能力（如OTA更新频率）、场景拓展能力（如从行车到泊车的无缝衔接）以及数据安全水平。我们正在构建“芯片+算法+云服务”的全栈生态，帮助车企打造差异化优势。

小米汽车陈龙：即使智驾功能趋同，品牌仍可通过“体验细节”建立壁垒。例如，小米的智驾系统与米家生态深度融合，用户在车内可控制智能家居设备，这种“人-车-家”闭环体验是独特竞争优势。我们的调研显示，超60%用户因生态协同选择小米汽车。

NBD：未来智驾企业的核心壁垒是什么？

黑芝麻智能杨宇欣：对于芯片企业，生态构建能力是关键。我们已与100+算法公司、30+车企建立合作，通过“芯片开放平台”降低客户开发门槛。此外，跨领域布局也很重要，我们正在将汽车芯片技术迁移至机器人领域，打造第二增长曲线。

小米汽车陈龙：数据闭环能力将决定企业上限。小米拥有全球最大的消费级IoT网络，每天产生1.8PB数据，这些数据可反哺智驾模型训练。未来，智驾不仅是出行工具，更是“物理世界AI”的入口，其价值将延伸至广告、电商、内容等多个领域。