2024年中国L2级辅助驾驶渗透率已突破50%，但真正让车企烧掉千亿研发经费的，是那条通往L4的“断头路”——当前全球没有任何一家公司实现无地理限制的全无人驾驶商业化运营。技术路线的分歧，本质是对“传感器堆料”与“算法突破”之间的赌注分配。

激光雷达派：用硬件冗余换取安全边际

以Waymo为代表的“重感知”方案，单车搭载5颗激光雷达、29颗摄像头、6颗毫米波雷达，传感器成本高达20万美元。在凤凰城郊区测试中，这种方案能识别200米外的路面积水反光与塑料袋的差异，避免误判刹车。但代价是：每辆车的计算功耗超过2.5千瓦，相当于同时运行20台游戏笔记本。当车辆在十字路口需同时处理32个移动目标的轨迹预测时，激光雷达点云数据量会瞬间超过车载以太网带宽上限，导致决策延迟。

纯视觉派：用算法赌概率的“穷人法拉利”

特斯拉FSD V12版本彻底抛弃雷达，仅靠8个120万像素摄像头完成从感知到控制的端到端神经网络。在硅谷某段施工路段的实测中，纯视觉系统能通过识别锥桶的投影角度变化，提前3秒预测车道偏移——这是人类驾驶员都难以做到的“反直觉推理”。但致命缺陷同样存在：当车辆逆光驶入隧道时，摄像头动态范围不足会导致画面全黑0.8秒，而在这个时间窗口内，一辆以60km/h行驶的汽车已经前进了13米，足够酿成事故。

车路协同派：让红绿灯学会“说话”

中国主导的C-V2X方案在长沙测试了另一种路径：在智慧路口部署RSU（路侧单元），将红绿灯倒计时、行人闯入预警、前方事故位置直接广播给200米范围内的车辆。测试数据显示，这种方案能让交叉路口通行效率提升22%，但代价是每公里道路改造费用超过300万元。更棘手的是，当一辆未搭载OBU（车载单元）的老旧车辆突然闯入智慧路口，系统会因无法通信而瞬间退化为“盲人模式”——这正是当前车路协同普及率不足10%时的核心痛点。

终极拷问：谁在烧钱，谁在盈利？

截至2024年Q3，全球自动驾驶公司累计亏损超过800亿美元，而商业化落地最成功的场景却是“阉割版”的L2+：小鹏XNGP在高速路段能实现全程零接管，但遇到暴雨天气会自动降级到L0；百度Apollo在武汉投放的无人出租车，每天仍需远程安全员介入3-5次处理“长尾场景”（如路面油污、临时交通管制）。

给从业者与投资者的3个误区别踩

• 误区一：堆算力就能解决corner case。英伟达Thor芯片号称2000TOPS算力，但某Tier 1测试发现，当车辆每秒处理10万帧点云数据时，GPU功耗飙升导致散热风扇噪音超过60分贝——这直接违反了欧盟车内噪声法规。
• 误区二：纯视觉能节省20%成本。特斯拉的端到端大模型需要每天处理100万小时驾驶数据进行训练，单次训练成本超过400万美元。且一旦遭遇“未标注场景”（如某城市突然出现的移动充气城堡），系统需要至少2周才能通过OTA修复。
• 误区三：中国道路太复杂不适合自动驾驶。德国高速不限速场景下，摄像头需要以200km/h的速度识别100米外的车祸碎片，这对传感器帧率的要求是中国的3倍——技术难点是通用的，而中国特有的“外卖电动车鬼探头”问题，反而能被中国企业的城市NOA方案用“社交行为建模”破解。