文章核心观点 华为智能驾驶解决方案ADS已从1.0迭代至4.0，其核心是坚持多传感器融合的技术路线，并通过软件架构与算法的持续升级，实现了从依赖高精地图的规则驱动到不依赖高精地图的端到端数据驱动，最终迈向基于“云端训练+车端推理”协同范式、具备高速L3级能力的系统级重构[2][4] 华为ADS硬件迭代：多传感器融合方案 - 公司坚持采用激光雷达、毫米波雷达、摄像头、超声波雷达等多传感器互补融合的方案，以实现全天候全天时的高效感知能力[2] - 各传感器特点如下： - **激光雷达**：作为成像级传感器，可渲染3D环境，成像干净、噪点少、信息丰富，但受天气和光照条件影响明显，感知范围较近，高速行驶场景有欠缺[3] - **毫米波雷达**：用于盲点监测、变道辅助，在夜晚及极端天气下仍可工作，抗电磁干扰能力强、成本较低，但对静止障碍物探测有待提高，噪点多、对金属敏感[3] - **超声波雷达**：用于5米以内的短距感知和泊车辅助，成本低、探测能力强，但作用距离近，点云缺乏高度信息[3] - **摄像头**：用于环境探测和障碍物信息采集，获取信息丰富、速度快、成本相对较低，可以描绘道路环境深度信息及3D整体环境，但视觉受天气及光线影响[3] - 在技术方案中，摄像头是基础图像信息传感器，激光雷达可丰富环境信息并生成3D图像，毫米波雷达（特别是4D毫米波雷达）在极端天气下辅助感知，超声波雷达则是泊车辅助的必备低成本元件[3] 华为ADS各代技术演进与核心能力 - **ADS 1.0 (2021年4月发布)**： - 配置方案为多传感器融合+有图智驾，软件架构为BEV[4] - 核心智驾功能为NCA智驾领航辅助，初期城区功能限于上海、广州、深圳[4] - 智驾级别为L2，搭载于极狐阿尔法S、阿维塔11等车型[4] - 感知层采用BEV+Transformer算法，依赖“白名单机制”人工标注，存在无法识别白名单外异形物体的“长尾效应”[6] - 采用有图（高精地图）智驾方案，该方案存在新城渗透速度慢（需2-3年）和更新不及时（更新频率1-3个月）两大缺点[7][9] - **ADS 2.0 (2023年4月发布)**： - 配置方案升级为多传感器融合+无图智驾，软件架构为BEV+GOD 2.0+RCR 2.0[4] - 核心智驾功能NCA覆盖高速路与城区车道，智驾级别为L2[4] - 搭载于问界M5/M7/M9、阿维塔11鸿蒙版、阿维塔12、智界S7等车型[4] - 核心算法为GOD2.0与RCR2.0，分别解决“看得懂物”和“看得懂路”的问题[8] - **GOD2.0网络**：可识别通用障碍物白名单外的异形物体，并能精细区分障碍物种类（如救护车、警车），识别率高达99.9%[8][11]。该网络构建在自学习数据引擎上，利用车端收集数据、云端自动标注和4D场景重建进行训练，每天产生大量有价值数据，公司利用上千个NPU和上亿公里驾驶数据对其进行训练，目标是训练成一个能像人类一样灵活应对各种场景的基础模型[12][14] - **RCR2.0网络**：实现导航地图与现实世界的匹配，感知面积可达2.5个足球场，能实时生成道路拓扑，解决了无高精地图情况下的车道内行驶和路口处理两大关键难题[16] - **ADS 3.0 (2024年4月发布)**： - 配置方案为多传感器融合+端到端大模型，软件架构为GOD大网+PDP[4] - 核心智驾功能NCA覆盖全国高速与城区，可实现“车位到车位”的全程智驾，智驾级别为L2[4] - 搭载车型进一步扩展至问界M5/M7/M9、阿维塔11/12、智界S7、享界S9、岚图梦想家等[4] - 采用“端到端”的仿生神经网络架构，通过海量真实驾驶数据训练，使驾驶决策更接近人类直觉[18] - 多传感器深度融合，其中激光雷达探测距离达到200米，负责高精度三维建模[20] - **GOD大网**：识别精度较前代提升30%，能识别包括异形障碍物在内的多种目标[21] - **PDP路径规划算法**：引入深度强化学习，可根据实时路况动态优化路径，减少对固定规则的依赖[23] - 创新功能包括： - **车位到车位智驾**：支持从停车场入口到目标车位的全程自主导航与泊车，无需高精地图，在复杂场景下泊车成功率可达95%以上[24] - **全场景智能防撞系统CAS 3.0**：整合23项主动安全功能，已累计避免潜在碰撞事故超200万次[25][28] - **城区与高速双域NCA**：可应对红绿灯识别、无保护左转等复杂城市路况，对交通信号灯的识别准确率达99%[26] - **ADS 4.0 (2025年4月发布)**： - 配置方案为多传感器融合+世界模型，软件架构为WEWA架构[4] - 核心智驾功能覆盖全国，可实现高速L3级别驾驶[4] - 搭载品牌扩展至奥迪、岚图汽车、深蓝、广汽传祺、阿维塔、北汽等[4] - 搭载的WEWA架构通过“云端训练+车端推理”的协同范式，彻底重构了智驾的训练与运行逻辑[4] - 该架构通过“AI教AI”的方式补齐长尾难例（如鬼探头、极端天气突发状况），并将“安全价值观”内化为决策底层，实现了真正“原生面向智驾”的系统级重构[4] 技术迭代总结 - ADS 1.0至3.0完成了从“规则驱动”到“端到端数据驱动”的产业级落地，解决了高阶智驾“能开、开好”的基础问题[4] - ADS 4.0则通过WEWA架构，利用“云端训练+车端推理”的协同范式，实现了智驾系统训练与运行逻辑的彻底重构[4]

文章核心观点 - 智能驾驶行业已进入“端到端”数据驱动范式转型的竞速期，未能彻底完成转型的公司将面临淘汰 [1] - 头部企业间的技术差距以“月”为单位波动，2026年行业竞争激烈程度将远超往年 [1] - 卓驭科技通过“断臂式”转型All in端到端技术，并凭借“软硬一体+场景拓展”策略应对同质化竞争 [1][3] 行业现状与竞争格局 - 行业核心矛盾已从“要不要做端到端”转变为“能不能转得彻底”，彻底转型是抵御淘汰的关键 [1] - 国内智驾头部阵营格局清晰：特斯拉仍是技术领跑者，但领先优势从3年缩小至1年左右；华为凭借鸿蒙智行经济效益稳居行业第一；小鹏、理想、文远知行、元戎启行等技术端竞争激烈，排序每月都可能变化 [3] - 2026年头部企业将持续推出更强模型，试驾前“看版本号”将成为常态 [5] 卓驭科技的转型与策略 - 公司在2024年10月进行了“断臂式”转型，删掉了三年积累的所有规则代码，彻底转向数据驱动开发范式 [1] - 转型初期面临模型不成熟的挑战，2025年年初每周迭代50个模型仅1-2个可用，后提升至每周3-5个模型即可出成果，但仍无法承诺两周内解决特定问题 [2] - 公司通过搭建严苛的测评体系来规避端到端模型的安全风险，而非依赖传统兜底逻辑 [3] - 公司破局点在于“软硬一体+场景拓展”，坚持软硬一体是能力而非商业植入 [3] - 软硬一体方案能在高通8650芯片上实现媲美双Orin-X的性能，并以风冷方案突破燃油车智驾的散热瓶颈 [4] - 公司业务从乘用车拓展至商用车，依托端到端模型的横向迁移能力，将乘用车技术平移至重卡NOA与无人物流车领域 [4] - 重卡高速NOA项目已与徐工、陕汽、重汽达成合作，计划2026年上半年量产；无人物流车计划2026年完成首款产品研发与试点投放 [4] - 乘用车模型迁移至商用车工程代价极低，两者版本代差仅1个月左右，30人团队即可支撑商用车研发 [4] - 公司未来将以基座模型授权模式拓展开放能力，让客户自主定义功能、开展模型后训练 [5] - 公司核心目标是将VLA（视觉-语言-动作）架构的三大模块完整落地，证明端到端技术在多场景的拓展能力 [6] 公司业务与客户进展 - 公司已覆盖9大乘用车客户、15个品牌、50余款量产车型，从10万元级燃油车到百万元级高端车型全面渗透 [1] - 在获得一汽战略投资后，公司新增了奥迪等合资品牌项目，市场对其独立性的担忧未影响新客户获取 [5] - 公司通过“35%（一汽）+34%（大疆）+31%（其他股东）”的股权结构保持了独立经营决策权，董事会11席按“5+2+2+2”分配，原管理团队与技术路线未变动 [4] - 公司计划2026年上半年开启第二轮融资 [5] 数据驱动范式的内涵与挑战 - 数据驱动的核心特征包括产出存在概率性，要求公司治理进行深层调整 [2] - 转型涉及财务架构需预留足够算力投入，供应链设计需包含数据闭环硬件成本，项目交付团队KPI需纳入数据链路通畅度指标 [2] - 工程师需要改变工作习惯，从遇到问题先写规则兜底，转向回到数据采集、清洗、训练的完整链路 [2]