L2玩家搭上L4的直通车

2025年，中美车企的股价表现可谓是冰火两重天。

比亚迪、小鹏等各路本土车企股价一路震荡下行。

特斯拉尽管面临欧洲区销量接近腰斩、中国区销量萎靡不振、大漂亮区销量随着懂王取消电动车补贴而受到压制的诸多不利局面，股价却在销量节节下滑之际逆势走出了一条震荡上行的曲线。

事后诸葛亮地来看，推动特斯拉股价上行的发动机是其于6月22日落地的Robotaxi。

此举标志着特斯拉以强AI的纯视觉方案、依靠没有多少冗余机制的量产乘用车实现了L4级无人出租车服务，完成了L2到L4的惊天一跃。

半年之后，国内两款车型首次拿到L3量产准入。

在26年开年的新品发布会上，小鹏汽车更是直接宣布跨过L3，直通L4。

L4无人驾驶出租车玩家们的护城河一夜崩塌，这背后到底发生了什么呢？

习惯了线性增长的人类总是很难理解指数级增长的概念。

在过去的两三年里，自动驾驶系统的性能开启了一轮气势磅礴的指数级增长。

而推动这一曲线成立的根本动力，就是23年就有大聪明认为会失效、到现在还依然活蹦乱跳的Scaling Law。

Scaling Law描绘出了一条“算法-数据-算力”协同推动自动驾驶性能提升的三重曲线。正是在算法、数据、算力三要素的乘法效应下，系统性能才得以从线性增长转化为指数级增长。

算法层面，基于端到端范式的视觉语言动作模型和世界模型，基本消灭了由碎片化的AI模型、神经元算法和许多固定规则拼凑得杂乱无章的分模块方案的诸多缺陷。

数据层面，得益于L2+级辅助驾驶系统的快速普及，海量车队源源不断地产生天然符合真实世界物理规律和车辆运动学的真实路采数据；

得益于物理规律模拟得越来越好，越来越符合刚体动力学、摩擦力、重力等物理约束，云端世界模型/世界模拟器能够以极低的成本实现常规场景的饱和覆盖和长尾场景的按需创造。

海量真实路采数据与高质量合成数据的组合拳正在以前所未有的效率和规模攻克着制约自动驾驶系统性能提升的数据瓶颈。

算力层面，虽说并非不值一提，但确实没有太高的优先级。

在算法-数据-算力三要素里，算法范式的转变和数据瓶颈的突破主导了尺度定律可以向自动驾驶领域完美迁移。

正是基于尺度定律，Momenta创始人曹旭东最近才敢于断言，到2028-2030年，自动驾驶将稳定地超越甚至大幅度超越人类的驾驶能力。

这不是基于美好祈愿的无脑预言，而是基于对尺度定律推动的增长曲线的合理推断。

理想汽车之前有过一个判断，分模块方案只能实现L2，端到端方案可以实现L3，大模型才能实现L4。

换言之，端到端将自动驾驶能力等级由L2推进到了L3，大模型进一步将自动驾驶能力等级提高到了L4。

我们借花献佛，遵循分模块到端到端、端到端到大模型的路线简单谈一谈，这两个关键节点相继解决了被代替方案的哪些缺陷。

分模块到端到端更多的是一种开发范式的转变。

原来通过人为设计的接口连接各个模块、通过规则编码驾驶决策的方式，转变为由一个大一统的深度学习神经网络统一处理感知定位-规划决策、通过神经网络和海量数据驱动驾驶策略学习的方式。

接口连接各个模块到大一统神经网络的转变，消除了模块间的信息墙，实现了从感知到决策的全量信息传递，使系统能够利用数据中的全部信息进行全局优化。

系统能够从全量信息中模仿学习到人类驾驶员的平滑、预判性操作，驾驶风格更像一个经验丰富的老司机，提升了舒适性，也增强了安全性。

规则编码转向数据驱动意味着系统的能力不再依赖于天才工程师的灵光一现，而是能够建立起强大的进化闭环，在“量产车收集数据-模型训练-OTA升级-收集更多数据”的飞轮效应下，推动自动驾驶系统的能力持续快速地迭代。

端到端方案实现了在已知场景分布内高度拟人化的驾驶，但对于训练数据分布外的场景，端到端方案缺乏基于常识的推理能力。

VLA在视觉V和动作A之间引入语言L这一强大的认知中间层，由于大语言模型压缩了人类世界的海量常识与逻辑推理能力，VLA模型得以像人类一样进行“思维链”推理，显式地理解场景语义，从而解决了传统端到端在复杂交通标识理解、他车意图预测、社会性交互等方面的短板。

世界模型则致力于通过海量观察，从物理本源从头学起，直接构建起对物理世界运行规律的“第一性原理”认知。

总之，VLA/世界行为模型在数据驱动的骨架上注入了认知的灵魂，解决了端到端方案的“语义脆弱”问题，为处理训练数据分布外的极端长尾场景提供了在线推理的工具。

基于数据的视角，自动驾驶的开发流程也在发生着一场静默但深刻的范式转移。

传统开发范式以数据为起点，采取“采集数据-训练模型-测试验证”的开环流程。

在新范式下，开发的起点从“准备训练数据”转移到了“发现问题”上，形成了“仿真测试-针对性生成数据-闭环训练”的迭代循环。

自此，在云端世界模型的推动下，自动驾驶的开发范式完成了从“有什么数据就学什么”到“缺什么能力就造什么数据”的根本性转变。

且不谈在虚拟世界中完成高风险测试的极致安全，单就学习方式而言，这种针对能力短板定向生成训练数据的范式可以极大地加速发现问题-解决问题的迭代效率，从根本上破解数据的难题。

毕竟，自动驾驶行业缺的不是泛泛的数据，缺的是能够暴露和修补自家特定模型能力短板的针对性数据，只有这样的数据，才能称得上真正的高价值、高质量！

在尺度定律的指引下，在算法范式、数据范式革命的技术洪流中，传统L4玩家赖以筑起高墙的规则编码的护城河，已经在数据驱动的端到端范式面前悄然瓦解。

他们坚信的L2与L4之间存在巨大技术鸿沟和不可飞跃的天堑的认知，也在VLA与世界模型面前被彻底证伪。

通往L4的道路，不再是Robotaxi玩家的专属赛道了，它们能卷得过那些如狼似虎的L2赛道老玩家吗？