随着太阳每日东升西落，资本市场的风云变幻亦如潮水般起伏不定。智能驾驶行业，这个高度依赖资源、资金及人才的领域，在经历了融资热潮、快速扩张、量产挑战、人员调整及公开上市等一系列波折后，终于在2024年迈入了一个更为理性的发展阶段。
曾几何时，智能驾驶领域群雄逐鹿，数十乃至上百家公司活跃于不同板块与场景之中。然而，时至今日，能继续在市场中保持活跃且具备可持续发展能力的智能驾驶方案公司，已屈指可数，不足十家。
那些曾站在学术前沿与资本市场风口浪尖的先锋们，在量产的洗礼下，亲力亲为，将智能驾驶技术从理论推向实践，成功实现了前装上车，涉足了他们原本并不熟悉的领域。
在人工智能与大模型驱动智能驾驶技术飞速迭代的当下，我们离实现“自动驾驶”的宏伟目标前所未有的接近。然而，新一代智能驾驶技术所需的资金、工程实力及数据规模，也将其推向了高段位玩家的竞技场。
回望过去，2012年深度学习的兴起，为AI领域带来了革命性的变化，智能驾驶亦随之受益匪浅。一时间，众多学界与产业界的大佬纷纷投身其中，小马智行、元戎启行、文远知行、Momenta等名字如雨后春笋般涌现，且大多数公司都将L4级自动驾驶作为业务发展的最终目标。
然而，Robotaxi固定运营的初期策略虽能迅速见效，但难以获取大规模泛化所需的优质数据。加之2020年资本市场的低迷，迫使多数企业不得不调整方向，转向他们起初并不热衷的高阶辅助驾驶量产。在这群深耕AI算法的人看来，从L4级自动驾驶转向高阶辅助驾驶似乎是技术的“下放”或“降维”，但现实却并非如此。
L4级自动驾驶主要适用于限定场景，而量产业务则需面对更为复杂的开放场景，对鲁棒性要求极高。元戎启行的CEO周光曾表示，L4级自动驾驶在限定场景下，一万次测试中有一次失误已属优秀，但量产标准则要求每百万次测试中仅允许出现一次失误。这种从demo到量产的巨大差距，对他们的价值观产生了极大的冲击。
除了工程化能力的短板外，团队的战略意志与组织架构的调整也是一大难题。从研发体系、商务团队、交付团队到考核体系，都需要进行颠覆性的改革，这无疑会引发旧团队体系与新技术路线的不兼容，导致人才流失、内部斗争等风险。
量产项目周期长，内卷严重的汽车市场又迫使供应商以补贴成本报价，短时间内难以看到盈利的希望，这与投资人最初的造富梦想相去甚远。尽管如此，市场上仍有一些公司成功地从L4级自动驾驶转型为高阶辅助驾驶方案商，元戎启行便是其中的佼佼者。
据接近元戎启行的人士透露，元戎启行突然转向高阶辅助驾驶并不意外。周光一直在探索无人驾驶的商业化路径，认为只做L4级自动驾驶无异于闭门造车，永远无法实现自动驾驶的最终目标。因此，从商业和技术终局来看，先做高阶辅助驾驶都是当下的最优选择。
另一家头部智能驾驶方案商Momenta也拿到了众多主机厂的项目。虽然如今看起来风光无限，但Momenta的第一个量产项目却花费了两年多的时间才打磨完成。即便如此，像Momenta和元戎启行这样已经获得多家主机厂青睐的方案商，也不能说其商业化落地已经圆满成功。
因为主机厂们到底是选择自研还是合作，还未尘埃落定。自研方案的成功与否，将直接决定供应商们的长期命运。
进入2024年，智能驾驶已成为车企传播的重中之重。以广州车展为例，长城汽车庞大的展台上仅展示了一款车——20多台全新魏牌蓝山智能驾驶版，彰显了这家自主品牌在智能化方面的决心。
新车发布会上，如果没有智能驾驶技术的更新，不仅缺少一个卖点，还相当于间接承认自家技术没有进展。因为智能驾驶技术的迭代周期已经越来越短。从2022年下半年城市NOA试水向用户开放至今，短短两年内，智能驾驶的主要技术栈已更迭了三代：从依赖高精地图，到无需高精地图，再到如今的端到端大模型智能驾驶。
这对主机厂和智能驾驶方案商来说，都是从技术决策、技术能力、组织架构、战略资源到量产能力的全方位挑战。如今，腰部及以下的智能驾驶团队面临着巨大的压力，因为上一代技术还未完全搞定，头部公司已在下一代技术上取得了显著进展。
例如，一些国际Tier 1正在跟进有图城市NOA的量产，而自主品牌的自研团队大部分刚刚实现了自研高速NOA的量产。相比之下，智能驾驶头部公司华为、元戎启行、Momenta已经全面切换到了端到端大模型的架构。
一位供应链人士认为，主机厂可以自研低阶方案，如ACC、LCC甚至高速NOA，因为这些方案成熟、路径清晰；但高阶方案却很难做，因为缺乏积累，短期内难以补课；而且新技术迭代迅速，团队内耗或走错路线，很容易拉大技术差距，得不偿失。
周光认为，做智能驾驶需要“技术预判”。前融合、车端推理引擎以及时下最新的“视觉-语言-动作VLA模型”，都是元戎启行在行业内最早提出的。周光记得，大约在2020年左右，有行业大佬来访询问他对智能驾驶下一步趋势的看法，他当时认为是“去高精地图”，这一预判后来被一一验证。
据悉，元戎启行的智能驾驶方案已经随魏牌蓝山改款上车。为了证明其无图能力，元戎启行甚至用板车拖着试验车，让客户指定地点进行随机路测，效果良好，从而拿下了第一个项目。
到2024年下半年，除了蔚来、小鹏、理想等造车新势力之外，绝大多数主机厂都选择了与华为、元戎启行、Momenta中的至少一家展开合作，在高阶智能驾驶方案上寻求突破。
这也说明智能驾驶格局正趋于收敛，主机厂与方案商的共创成为大部分车企建立智能驾驶能力的必经之路。随着方案的大规模量产，新的盟友关系、数据闭环和商业闭环也在逐渐形成。
在智能驾驶技术快速迭代的2024年，有两个趋势已成为汽车行业的共识：大模型成为智能车越来越重要的开发方式；端到端智能驾驶技术的提升速度飞快，且远未达到其上限。
理想和小鹏都公布了下半年基于端到端版本的智能驾驶接管指标和体验上的显著提升，达到了3-4倍以上。周光认为，自动驾驶刚刚进入端到端时代，车端的Scaling Law至少还有5年的发展空间。他认为接下来几年端到端技术的进展将是极其巨大的，落后一年的技术基本上就不太可用了。
端到端技术使智能驾驶更加依赖于AI，从第一性原理出发，“算力、数据、算法”的重要性前所未有。根据华为、理想、小鹏的规划，到明年，智能驾驶第一梯队的云端训练算力规模都将达到10 EFlops级别。由于车端算力、供电的局限，车端模型规模的增长不会像云端那样迅速，Scaling Law的周期会更长。
然而，与大模型相比，端到端模型的训练算力需求并不大。因为它不需要基于互联网上的海量文字、图片信息去训练，只需要驾驶行为中可能涉及的路标、路况等相关信息。开车过程中遇到的大多数场景和路况都是重复的，这意味着大多数数据都是已有数据，并不是训练模型所需的新数据。端到端技术需要的是高质量的边缘场景数据。
在算力充裕的基础上，如何挖掘高价值的数据来训练一个“全知全能”的智能驾驶世界模型；以及在有限的车端算力基础上，如何保障有限参数规模下单一端到端模型的下限，并极致压榨其上限，是目前全行业都在共同求解的两大议题。
在元戎启行C1轮融资披露的同时，周光对外宣布了下一代方案将量产“视觉-语言-动作模型，VLA模型”。一些行业人士将VLA视为“端到端”方案的下一代版本。
如果说智能驾驶的上半场是资本撒下种子，那么如今一些创业公司已经成长为茁壮的树苗。当市场格局、商业模式逐渐清晰，下半场将是这些树苗如何长成参天大树的争夺战。
数据是决定智能驾驶模型上限的核心资源。目前，大部分智能驾驶数据都掌握在主机厂手里，但绝大多数数据难以充分发挥效用。面对日益增长的数据量，匹配合适的方案商，挖掘车主数据的价值，形成具有主机厂特色的智能驾驶体验，已成为水到渠成之事。
大语言模型、多模态大模型的浪潮使得算力资源成为稀缺供给。除了互联网行业之外，汽车行业对算力的需求最为强烈。而背靠BAT等互联网大厂的公司，如华为、元戎启行、Momenta等，分别依托华为云、阿里云、腾讯云，具有天然的优势。
