2025年，中美車企的股價表現(xiàn)可謂是冰火兩重天。

比亞迪、小鵬等各路本土車企股價一路震蕩下行。

特斯拉盡管面臨歐洲區(qū)銷量接近腰斬、中國區(qū)銷量萎靡不振、大漂亮區(qū)銷量隨著懂王取消電動車補貼而受到壓制的諸多不利局面，股價卻在銷量節(jié)節(jié)下滑之際逆勢走出了一條震蕩上行的曲線。

事后諸葛亮地來看，推動特斯拉股價上行的發(fā)動機是其于6月22日落地的Robotaxi。

此舉標志著特斯拉以強AI的純視覺方案、依靠沒有多少冗余機制的量產(chǎn)乘用車實現(xiàn)了L4級無人出租車服務(wù)，完成了L2到L4的驚天一躍。

半年之后，國內(nèi)兩款車型首次拿到L3量產(chǎn)準入。

在26年開年的新品發(fā)布會上，小鵬汽車更是直接宣布跨過L3，直通L4。

L4無人駕駛出租車玩家們的護城河一夜崩塌，這背后到底發(fā)生了什么呢？

習(xí)慣了線性增長的人類總是很難理解指數(shù)級增長的概念。

在過去的兩三年里，自動駕駛系統(tǒng)的性能開啟了一輪氣勢磅礴的指數(shù)級增長。

而推動這一曲線成立的根本動力，就是23年就有大聰明認為會失效、到現(xiàn)在還依然活蹦亂跳的Scaling Law。

Scaling Law描繪出了一條“算法-數(shù)據(jù)-算力”協(xié)同推動自動駕駛性能提升的三重曲線。正是在算法、數(shù)據(jù)、算力三要素的乘法效應(yīng)下，系統(tǒng)性能才得以從線性增長轉(zhuǎn)化為指數(shù)級增長。

算法層面，基于端到端范式的視覺語言動作模型和世界模型，基本消滅了由碎片化的AI模型、神經(jīng)元算法和許多固定規(guī)則拼湊得雜亂無章的分模塊方案的諸多缺陷。

數(shù)據(jù)層面，得益于L2+級輔助駕駛系統(tǒng)的快速普及，海量車隊源源不斷地產(chǎn)生天然符合真實世界物理規(guī)律和車輛運動學(xué)的真實路采數(shù)據(jù)；

得益于物理規(guī)律模擬得越來越好，越來越符合剛體動力學(xué)、摩擦力、重力等物理約束，云端世界模型/世界模擬器能夠以極低的成本實現(xiàn)常規(guī)場景的飽和覆蓋和長尾場景的按需創(chuàng)造。

海量真實路采數(shù)據(jù)與高質(zhì)量合成數(shù)據(jù)的組合拳正在以前所未有的效率和規(guī)模攻克著制約自動駕駛系統(tǒng)性能提升的數(shù)據(jù)瓶頸。

算力層面，雖說并非不值一提，但確實沒有太高的優(yōu)先級。

在算法-數(shù)據(jù)-算力三要素里，算法范式的轉(zhuǎn)變和數(shù)據(jù)瓶頸的突破主導(dǎo)了尺度定律可以向自動駕駛領(lǐng)域完美遷移。

正是基于尺度定律，Momenta創(chuàng)始人曹旭東最近才敢于斷言，到2028-2030年，自動駕駛將穩(wěn)定地超越甚至大幅度超越人類的駕駛能力。

這不是基于美好祈愿的無腦預(yù)言，而是基于對尺度定律推動的增長曲線的合理推斷。

理想汽車之前有過一個判斷，分模塊方案只能實現(xiàn)L2，端到端方案可以實現(xiàn)L3，大模型才能實現(xiàn)L4。

換言之，端到端將自動駕駛能力等級由L2推進到了L3，大模型進一步將自動駕駛能力等級提高到了L4。

我們借花獻佛，遵循分模塊到端到端、端到端到大模型的路線簡單談一談，這兩個關(guān)鍵節(jié)點相繼解決了被代替方案的哪些缺陷。

分模塊到端到端更多的是一種開發(fā)范式的轉(zhuǎn)變。

原來通過人為設(shè)計的接口連接各個模塊、通過規(guī)則編碼駕駛決策的方式，轉(zhuǎn)變?yōu)橛梢粋€大一統(tǒng)的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)統(tǒng)一處理感知定位-規(guī)劃決策、通過神經(jīng)網(wǎng)絡(luò)和海量數(shù)據(jù)驅(qū)動駕駛策略學(xué)習(xí)的方式。

接口連接各個模塊到大一統(tǒng)神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)變，消除了模塊間的信息墻，實現(xiàn)了從感知到?jīng)Q策的全量信息傳遞，使系統(tǒng)能夠利用數(shù)據(jù)中的全部信息進行全局優(yōu)化。

系統(tǒng)能夠從全量信息中模仿學(xué)習(xí)到人類駕駛員的平滑、預(yù)判性操作，駕駛風(fēng)格更像一個經(jīng)驗豐富的老司機，提升了舒適性，也增強了安全性。

規(guī)則編碼轉(zhuǎn)向數(shù)據(jù)驅(qū)動意味著系統(tǒng)的能力不再依賴于天才工程師的靈光一現(xiàn)，而是能夠建立起強大的進化閉環(huán)，在“量產(chǎn)車收集數(shù)據(jù)-模型訓(xùn)練-OTA升級-收集更多數(shù)據(jù)”的飛輪效應(yīng)下，推動自動駕駛系統(tǒng)的能力持續(xù)快速地迭代。

端到端方案實現(xiàn)了在已知場景分布內(nèi)高度擬人化的駕駛，但對于訓(xùn)練數(shù)據(jù)分布外的場景，端到端方案缺乏基于常識的推理能力。

VLA在視覺V和動作A之間引入語言L這一強大的認知中間層，由于大語言模型壓縮了人類世界的海量常識與邏輯推理能力，VLA模型得以像人類一樣進行“思維鏈”推理，顯式地理解場景語義，從而解決了傳統(tǒng)端到端在復(fù)雜交通標識理解、他車意圖預(yù)測、社會性交互等方面的短板。

世界模型則致力于通過海量觀察，從物理本源從頭學(xué)起，直接構(gòu)建起對物理世界運行規(guī)律的“第一性原理”認知。

總之，VLA/世界行為模型在數(shù)據(jù)驅(qū)動的骨架上注入了認知的靈魂，解決了端到端方案的“語義脆弱”問題，為處理訓(xùn)練數(shù)據(jù)分布外的極端長尾場景提供了在線推理的工具。

基于數(shù)據(jù)的視角，自動駕駛的開發(fā)流程也在發(fā)生著一場靜默但深刻的范式轉(zhuǎn)移。

傳統(tǒng)開發(fā)范式以數(shù)據(jù)為起點，采取“采集數(shù)據(jù)-訓(xùn)練模型-測試驗證”的開環(huán)流程。

在新范式下，開發(fā)的起點從“準備訓(xùn)練數(shù)據(jù)”轉(zhuǎn)移到了“發(fā)現(xiàn)問題”上，形成了“仿真測試-針對性生成數(shù)據(jù)-閉環(huán)訓(xùn)練”的迭代循環(huán)。

自此，在云端世界模型的推動下，自動駕駛的開發(fā)范式完成了從“有什么數(shù)據(jù)就學(xué)什么”到“缺什么能力就造什么數(shù)據(jù)”的根本性轉(zhuǎn)變。

且不談在虛擬世界中完成高風(fēng)險測試的極致安全，單就學(xué)習(xí)方式而言，這種針對能力短板定向生成訓(xùn)練數(shù)據(jù)的范式可以極大地加速發(fā)現(xiàn)問題-解決問題的迭代效率，從根本上破解數(shù)據(jù)的難題。

畢竟，自動駕駛行業(yè)缺的不是泛泛的數(shù)據(jù)，缺的是能夠暴露和修補自家特定模型能力短板的針對性數(shù)據(jù)，只有這樣的數(shù)據(jù)，才能稱得上真正的高價值、高質(zhì)量！

在尺度定律的指引下，在算法范式、數(shù)據(jù)范式革命的技術(shù)洪流中，傳統(tǒng)L4玩家賴以筑起高墻的規(guī)則編碼的護城河，已經(jīng)在數(shù)據(jù)驅(qū)動的端到端范式面前悄然瓦解。

他們堅信的L2與L4之間存在巨大技術(shù)鴻溝和不可飛躍的天塹的認知，也在VLA與世界模型面前被徹底證偽。

通往L4的道路，不再是Robotaxi玩家的專屬賽道了，它們能卷得過那些如狼似虎的L2賽道老玩家嗎？