从年初至今，车企价格战愈演愈烈，而价格战背后，则是车企对整车成本压缩到了极致。这种极致的成本压缩，也传导至智能驾驶领域，车企们也从追求高性能产品，逐渐向让产品更具有性价比转变。

      从技术发展角度来说，现阶段不管是对轻地图、无图化技术路线的讨论，抑或是大模型的上车应用等，核心都是为了降低智能驾驶系统成本，提升效能、加速智能驾驶的商业化量产落地。

      同时，今年8月份，有媒体报道称，特斯拉正在中国组建一个20人左右的本地运营团队，以推动自动驾驶解决方案FSD在中国市场落地。另外，报道还称，特斯拉亦将在中国尝试成立一个数据标注团队，规模约上百人，同样是为训练FSD的算法做准备。

      特斯拉FSD如果入华，无疑将发动巨大的“鲶鱼效应”，一方面，将有望整体加速中国电动汽车的智能化进程，强化市场消费者的教育和认知。另一方面，某种程度上，也将促进车企优胜劣汰，对于受价格战冲击比较大、自研能力较弱的车企来说，未来将面临更大压力。

      随着智能驾驶从高速走向城区，中国智能驾驶行业也迎来发展拐点，即将进入大规模商业量产落地的新阶段。但智能驾驶商业化落地也面临着技术、数据、安全、政策法规等诸多挑战，如何突破这些挑战，快速实现智能驾驶技术的商业化落地，并能够让消费者为其买单，将成为车企决胜的关键。

      智能驾驶商业化落地的核心挑战

      目前，智能网联汽车产业的发展已明显提速，BEV+Transformer大模型的应用，更是加速了智能驾驶技术的商业化落地。

      产品层面，国内L2级智能驾驶汽车功能不断增强，智能汽车行驶能力接近L3级水平。市场层面，工信部数据显示，2023年上半年，具备高阶辅助驾驶功能的乘用车新车销量占比达到了42.4%，预计2025年乘用车高阶辅助驾驶的渗透率将会达到70%。

      尽管产业的发展速度有所提升，但现存的挑战仍然不容忽视。尤其是当前中国智能驾驶大规模商业化落地仍以L2+为主，距离L3/L4以上更高阶的智能驾驶仍有段距离。该话题也在此前在由21财经、21世纪新汽车研究院联合腾讯智慧出行共同推出「行者有云」主题沙龙活动中，引发行业专家学者、企业负责人等热议。

      想要真正的实现L3级以上智能驾驶的商业落地，“在技术上会面临更大的挑战，尤其是在人工智能和大模型领域，中国现阶段与国外最先进水平仍有所差距。”智慧互通人工智能科学家、清华大学人工智能研究院邓志东说到。

      当前，自动驾驶处于非常关键时期，一方面是智能驾驶整体搭载规模在极速扩大，另一方面则是智能驾驶整体能力也在快速提升。

      “但基于与用户深度交流情况来看，智能驾驶商业化落地还需要克服一些挑战，比如考虑安全和体验的兼顾性问题，毕竟一个智能驾驶系统如果安全方面做的不够好，就缺少存在的根基，如果体验做的不够好，则商品价值就不存在。”长安汽车智能化研究院副总经理梁锋华说到。

      而想要兼顾安全和体验，背后的根源在于收集更多、更广泛的场景数据，以及基于数据不断提升智能驾驶技术能力。小马智行副总裁、卡车业务负责人李衡宇表示，中国场景路况比较复杂，无论是哪个级别的智能驾驶，都要应对复杂的场景和路况，应对这样的挑战，则必须要收集到足够多的场景数据，来保证技术能够取得进步和突破。

      与此同时，如何降低成本，也将成为智能驾驶迈向商业化量产落地的关键。腾讯智慧出行副总裁钟学丹则表示，海量智能驾驶数据爆发，让自动驾驶算力逐渐由车端转向云端，且自动化数据标注和训练对云端的需求也会带来成本上升，怎么确保这方面的成本可控，成为关键问题。

      同时，钟学丹还表示，随着车端智能化技术的成熟度越来越高，车企对地图数据的要求，特别是城市级的数据鲜活度的要求也非常高。如果用传统的数据生产模式，数据的使用成本则非常高，不利于自动驾驶商业化落地。且越来越多相关政策法规的落地和实施，也对自动驾驶大量依赖的数据安全性、合规性提出了更高的要求。

      针对降低成本问题，邓志东认为，最终想要实现真正的降本增效，还是需要靠技术创新来解决问题。梁锋华也表示，面对市场发展趋势，需要重新思考产业链如何更高效的协同发展，即如何提升整体的开发效率、如何通过技术进步去掉不必要的成本。而这离不开车云一体化发展。

      随着汽车智能化水平的提升，智能驾驶数据规模急剧膨胀，仅靠车端算力平台，不仅成本高昂，其也难以满足智能驾驶大规模计算的需求。因此，智能驾驶的发展必然要借助云端的能力，自动驾驶的研发也将从最初就借助云端平台能力构建。

      “从智能驾驶角度来说，车、云一直都是一体化发展，只有云和基础架构的能力的提升，才能带来算法能力的提升和产品体验的提升。”小马智行副总裁、卡车业务负责人李衡宇说到。小马智行在算法迭代上、智能驾驶的技术的研发上，很大程度上得益于基础架构方面的贡献和努力，以及对数据的高效应用，更基础的能力则来自腾讯云服务商的工具链、仿真平台。

      在梁锋华看来，车云一体化发展能够通过云端助力车端给用户提供更好的服务和体验，比如远程诊断、远程控制等。同时，对于自动驾驶研发方面，通过云端构建算力中心，也能够为数据存储、数据训练、模型的构建提供非常关键的基础设施。面向未来，随着云端发挥的作用不断加深，其在开发端的作用也会不断提升。这也就意味着，从服务到工具再到开发平台，车云一体化发展将推动产业合作，使其从车云扩展至车路云。

      不难看出，云计算正在成为汽车行业未来发展的关键基础设施，车云一体化发展成必然趋势，云端能力也成为车企面向未来需要储备的关键能力。钟学丹表示，腾讯一直致力于助力车企客户用更好的算力平台提升计算效率，并降低数据存储成本，让合作伙伴在实现从端的智能化到云的智能化过程中，用更简单和更低成本的配置和算法的灵活应用，节省单车算力成本投入。

      目前，行业内也正在积极搭建各种云端超算中心，比如腾讯此前发布的HCC超算计算集群和腾讯自研星脉高性能计算网络，带来业界最高3.2Tbps带宽，算力性能提升3倍，通信性能提升10倍，计算集群GPU利用率提升60%以上，为智能驾驶大模型训练提供高性能、高带宽、低延迟的智算能力支撑。

      中国智能驾驶大规模商业化量产背后，除了面对本土技术发展等压力外，还同样面临着外部强大对手的竞争。比如特斯拉FSD，如果真的进入中国，就会像梁锋华所言，对中国智能驾驶产业既是机遇，也是挑战。

      一方面，其可以促进行业持续变革以及整个产业架构持续优化，另一方面，围绕中国场景，尤其是中国用户所面对一些场景提供针对性解决方案，则让中国智能驾驶方案价值持续最大化。

      邓志东则表示，FSD引进中国是非常好的事情，上海引进特斯拉超级工厂带动了整个新能源汽车供应链升级换代，并促进中国的新能源汽车产业的蓬勃发展。FSD的到来可以完善本土供应链，甚至推动智能化水平的升级换代。

      不难看出，虽然特斯拉FSD处于行业领先水平，但在中国场景下，中国智能驾驶解决方案也存在独特优势，毕竟中国用户独特的场景需求非常求，如远程智能泊车的系统解决的是停车和挪车的问题。而加快挖掘用户场景需求的速度和力度，从而给用户提供更加精细和更深入的服务，可以让本土的智能驾驶方案价值持续扩大。

      面对中国智能驾驶方案的商业化路径问题，钟学丹也表示，这肯定不是一个企业所能够解决的，而是需要产业链和生态共同推进，甚至需要法规和政策的支持，比如开放城市试验场景等。

      李衡宇也表示，从自动驾驶卡车角度来看，自动驾驶卡车在中国的大规模的落地需要至少三个方向的努力——技术、场景和的车辆，需要自动驾驶公司、主机厂和市场三方合力的同时，还需要法律法规和政策的突破，三方的努力和政策法规的推动，产业的共同的进步，才有可能实现智能驾驶大规模的应用和商业化。