智能网联汽车产业在创业企业和传统企业的共同努力下，取得了显著的技术进步和商业化成果。

　　2.技术趋势方面，各先进AI算法到车端的应用、硬件减配设计、无图智驾、大模型知识蒸馏等多维度技术跃迁推动了智驾系统向更智能、更灵活、更高效的方向发展。

　　3.传统企业通过全栈自研、域控制器、合作生态等方式，推动智能网联汽车技术的商业化落地。

　　欢迎关注下方公众号阿宝1990，本公众号专注于自动驾驶和智能座舱，每天给你一篇汽车干货，我们始于车，但不止于车。

　　智能网联汽车产业在创业企业和传统企业的共同努力下，取得了显著的技术进步和商业化成果。创业企业通过自研技术和创新模式，推动了自动驾驶和车联网技术的快速发展；传统企业通过与科技公司合作，逐步实现了智能网联汽车技术的商业化落地。智能网联汽车行业仍处于快速迭代期，创业企业聚焦技术突破与商业化探索，传统企业依托供应链和品牌推进量产落地，随着技术的不断进步和产业链的完善，未来行业整合趋势将加剧，智能网联汽车产业将迎来更加广阔的发展前景。

　　智驾开发的进化过程体现了从模块化到端到端、规则驱动到数据驱动、高精地图到无图智驾、大模型知识蒸馏等多个维度的技术跃迁。这些趋势共同推动了智驾系统向更智能、更灵活、更高效的方向发展。

　　早期的智驾系统采用模块化设计，将感知、决策、规划、控制等环节拆分为独立模块，每个模块负责特定任务。这种设计便于开发和调试，但模块间的信息传递和协同可能带来延迟和误差。

　　随着深度学习的发展，端到端模型逐渐兴起。这类模型直接从传感器输入（如图像、雷达数据）映射到控制输出（如方向盘、油门），减少了模块间的信息损失，提升了系统效率。然而，端到端模型的透明性和可解释性较差，调试和优化难度较大。

　　早期智驾系统依赖人工规则，如基于交通规则的决策逻辑。这种方法在小规模场景下有效，但难以应对复杂多变的真实环境。

　　随着大数据和深度学习的发展，数据驱动方法成为主流。通过大量真实场景数据的训练，模型能够自动学习驾驶策略，适应复杂环境。数据驱动方法的优势在于其泛化能力，但也依赖于高质量的数据和强大的计算资源。

　　高精地图提供了丰富的环境信息（如车道线、交通标志、障碍物位置等），帮助车辆精确定位和规划路径。然而，高精地图的构建和维护成本高，且难以覆盖所有区域。

　　无图智驾通过车辆的实时感知能力（如摄像头、雷达、激光雷达）实现环境理解和路径规划，减少对高精地图的依赖。这种方法更具灵活性，但对感知和决策算法的要求更高。

　　随着计算能力的提升，大模型（如Transformer、GPT等）在智驾领域得到广泛应用。这些模型能够处理复杂的多模态数据（如图像、雷达、激光雷达等），并具备强大的推理能力。

　　大模型虽然性能强大，但计算资源需求高，难以直接部署在车载设备上。知识蒸馏技术通过将大模型的知识迁移到小模型上，实现了模型压缩和加速，使其更适合车载环境。

　　当然，除了以上的变革以外，智驾系统在多模态融合、仿真与虚拟测试、车路协同、边缘计算与云计算结合等方面也同时发力，实现了很好的技术革新。

　　在智驾发展趋势中，硬件减配设计逐渐成为主机厂的主流选择，这一过程背后有多重原因，包括成本控制、技术成熟度、市场需求变化以及供应链优化等。

　　早期智驾系统依赖高成本硬件（如激光雷达、高算力计算平台），导致整车价格高昂，难以大规模普及。主机厂为了降低整车成本，提升市场竞争力，开始探索硬件减配的可能性。随着技术成熟度提升，包括算法优化和软件能力的提升，部分功能可以通过软件实现，减少对硬件的依赖。例如，基于摄像头的视觉感知算法逐渐成熟，可以在某些场景下替代激光雷达。在市场需求变化过程中，消费者对智驾功能的需求逐渐分层，部分用户对高端智驾功能（如城市NOA）的需求有限，更关注性价比。主机厂因此推出不同配置的车型，满足多样化需求。最后，高端硬件（如激光雷达、高算力芯片）供应链复杂，存在供应不稳定、成本波动等问题。减配设计可以降低对单一供应商的依赖，提升供应链韧性。

　　传感器减配方面的具体表现为，早期高端智驾车型普遍配备激光雷达，但成本较高。部分主机厂在中低端车型中取消激光雷达，仅依赖摄像头和毫米波雷达实现感知。部分车型减少摄像头数量，从多目摄像头系统简化为单目或双目系统，降低成本。还有一些车型取消或减少毫米波雷达数量，仅保留前向雷达，甚至完全依赖纯视觉方案。计算平台减配方面，早期智驾系统依赖高算力计算平台（如英伟达Orin），但部分主机厂在中低端车型中采用算力较低的芯片（如地平线征程系列），通过算法优化实现功能。部分主机厂将多个ECU（电子控制单元）整合为单一计算平台，实现了从分布式计算改为集中式计算，以减少硬件数量和成本。最后，部分主机厂通过无图化方案减少对高精地图的依赖，降低地图采集和更新的成本。

　　，智驾系统近些年在模型选代升级的情况下减少了传感器的配置。华为从ADS1.0升级至华为ADS2.0，减少了2个前视摄像头，3个毫米波雷达考虑车端算力等其他配置，综合成本预计下降1-2万元。特斯拉从HW2.0走向HW3.0的过程中，也将部分车型毫米波雷达和超声波去掉。

　　为从依赖外部合作到推动全栈自研，注重数据闭环和算法迭代。EE架构从分布式向域集中式和中央集中式演进。逐步减少对高精地图的依赖，推动无图方案城市NOA落地。探索端到端技术和大模型应用，提升智能驾驶性能。芯片研发是车企掌握核心技术的关键，头部车企通过自研或合作布局车规级芯片。具身智能机器人是未来布局方向，车企主要聚焦工业机器人和服务机器人领域。当然，不同的车企所强调的研发技术内容并不相同。比如

　　强调技术自研，理想聚焦增程式电动车，特斯拉全球化布局，华为则重点关注生态合作。

　　头部企业通过全栈自研、数据闭环、无图方案、端到端技术和大模型应用，推动智能网联汽车技术的快速发展。以下是针对智能网联汽车领域头部创业企业（如小鹏汽车、蔚来汽车、

　　，涵盖智驾投资发展策略、全栈自研发展史、EE架构演进、数据闭环、无图方案、城市NOA、端到端技术、大模型等应用，以及芯片研发和具身智能机器人布局的详细分析。

　　小鹏汽车从成立之初就明确了“智能化”为核心战略，早期投资主要集中在自动驾驶算法、高精度地图和传感器融合技术。获得阿里巴巴、IDG资本等机构的投资，用于研发和量产智能汽车。与英伟达、高德地图等合作，推动自动驾驶技术的商业化落地。

　　：中央计算平台架构，支持更高算力和更复杂的算法。数据闭环方面，通过OTA升级，持续收集用户驾驶数据，优化自动驾驶算法。建立了大规模的数据标注和训练平台，支持算法的快速迭代。在

　　，小鹏P7率先推出城市NOA功能，基于无图技术实现城市道路的自动驾驶。通过多传感器融合和高精度定位，减少对高精度地图的依赖。通过

　　，小鹏正在研发端到端的自动驾驶系统，从感知到决策一体化，减少模块化设计的复杂性。在大模型应用中，引入AI大模型（如Transformer）优化感知和决策算法，提升系统的智能化水平。

　　蔚来汽车从成立之初就注重用户体验和智能化，早期投资主要集中在电池技术、换电网络和自动驾驶算法。并获得腾讯、百度等机构的投资，用于研发和基础设施建设的资本支持。同时，与Mobileye、英伟达等技术合作，推动自动驾驶技术的研发。

　　，通过NIO Pilot系统收集用户驾驶数据，优化自动驾驶算法。建立了大规模的数据标注和训练平台，支持算法的快速迭代。在

　　，蔚来正在研发无图技术，计划在未来车型中推出城市NOA功能。端到端技术中，蔚来正在探索端到端的自动驾驶系统，从感知到决策一体化。在大模型应用方面，引入AI大模型优化NOMI智能助手和自动驾驶算法，提升系统的智能化水平。

　　方面，蔚来暂无相关自研计划，主要依赖英伟达等供应商，且未来可能探索智能汽车与机器人的协同应用。

　　理想汽车从成立之初就聚焦增程式电动技术和家庭用户市场，早期投资主要集中在电池技术和智能座舱系统。同时，获得美团、字节跳动等机构的资本支持，用于研发和量产智能汽车。完成与英伟达、地平线等技术合作，推动自动驾驶技术的研发。

　　，通过NOA系统收集用户驾驶数据，优化自动驾驶算法。建立了大规模的数据标注和训练平台，支持算法的快速迭代。在

　　，理想正在研发无图技术，计划在未来车型中推出城市NOA功能。同时，理想正在探索端到端的自动驾驶系统，从感知到决策一体化。引入AI大模型优化智能座舱和自动驾驶算法，提升系统的智能化水平。目前在芯片研发与具身智能机器人布局方面，理想暂无芯片自研计划。

　　特斯拉从成立之初就聚焦电动化和智能化，早期投资主要集中在电池技术、自动驾驶算法和芯片研发。依托资本市场和强大的现金流，持续投入研发。并与英伟达、松下等合作，推动电动化和智能化技术的研发。

　　众所周知，特斯拉一直致力于从硬件到软件算法的全栈自研，EE架构从分布式到集中式架构的演进时间周期均早于其他OEM。

　　，通过FSD系统收集用户驾驶数据，优化自动驾驶算法。建立了大规模的数据标注和训练平台，支持算法的快速迭代。特斯拉率先推出无图技术，基于纯视觉方案实现城市道路的自动驾驶。并正在研发端到端的自动驾驶系统，从感知到决策一体化。同时，引入AI大模型优化自动驾驶算法，提升系统的智能化水平。

　　，特斯拉自研FSD芯片，用于自动驾驶系统。特斯拉推出Optimus人形机器人，探索智能汽车与机器人的协同应用。

　　华为从2019年正式进入智能汽车领域，早期投资主要集中在芯片、操作系统和自动驾驶算法。依托华为强大的资金和技术实力，无需外部融资。并与

　　众所周知，华为前期属于通信公司，并作为tier1入局智驾行业，一直致力于从硬件到软件算法的全栈自研，EE架构从分布式到集中式架构的演进时间周期均早于其他国内OEM。EE架构演进仍旧采用从分布式到集中式架构的整体推进。

　　，通过MDC计算平台收集用户驾驶数据，优化自动驾驶算法。建立了大规模的数据标注和训练平台，支持算法的快速迭代。华为正在完善无图技术的研发，计划在未来车型中推出城市NOA功能。同时，华为正在探索端到端的自动驾驶系统，从感知到决策一体化。通过引入AI大模型优化鸿蒙车机系统和自动驾驶算法，提升系统的智能化水平。

　　，华为自研昇腾AI芯片、麒麟车机芯片，用于自动驾驶和智能座舱系统。此外，华为在机器人方面的研究也是不遗余力，除了本部的研发外，还有一部分华为系的工程师直接脱离本部出来做机器人创业（如智元机器人）。

　　的DiPilot系统、广汽的ADiGO系统等。传统车企通过全栈自研、域控制器、合作生态等方式，推动智能网联汽车技术的商业化落地。部分车企（如比亚迪、广汽）正在研发无图技术和城市NOA功能，计划在未来车型中推出。同时，引入AI大模型优化智能座舱和自动驾驶算法，提升系统的智能化水平。并且，各家车企开始探索端到端自动驾驶系统，从感知到决策一体化，提升系统效率。通过OTA升级和智能驾驶系统收集用户数据，建立大规模数据标注和训练平台，支持算法的快速迭代。

　　(2015年前): 主要以投资或合作方式参与，例如投资初创公司或与科技公司合作研发，自身研发投入较少。

　　(2015-2020年): 开始加大自主研发投入，成立智能驾驶部门或子公司，但仍依赖外部供应商提供关键技术和解决方案。

　　(2020年后): 更加注重自主研发，并积极投资或收购相关企业，以掌握核心技术，构建完整生态。

　　传统车企普遍具备从硬件到软件的部分自研能力，如上汽的斑马智行系统、比亚迪的DiLink系统、广汽的ADiGO系统等。在芯片自研方面，比亚迪表现突出，自研IGBT芯片用于电动车电控系统。当然，传统车企也正在普遍自研域控制器，集成自动驾驶、智能座舱等功能。与传统车企与科技公司（如华为、百度、腾讯）合作，推动智能网联汽车技术的商业化落地。例如，上汽与阿里巴巴合作推出斑马智行系统，比亚迪与华为合作推动5G车联网技术。

　　等传统头部车企在智能驾驶领域的技术路线解析，涵盖智驾投资发展策略、全栈自研发展史（EE架构、数据闭环、无图方案城市NOA、端到端、大模型等），以及芯片研发和具身智能机器人布局的总结。

　　），上汽主要通过投资和合作布局智能驾驶领域，例如与阿里合作推出斑马智行系统，投资自动驾驶初创公司Momenta。斑马智行系统主要聚焦智能座舱，Momenta则专注于自动驾驶算法研发。

　　，上汽成立“上汽乘用车技术中心”，开始加大自主研发投入。与华为、英伟达等企业合作，推动智能驾驶技术的落地。

　　，成立“零束科技”，专注于智能驾驶全栈自研，涵盖软件、硬件和算法。投资地平线、黑芝麻智能等芯片企业，布局自动驾驶芯片。与Momenta深度合作，推动L4级自动驾驶技术的研发和落地。

　　分布式架构（早期），上汽早期的EE架构采用分布式设计，各功能模块独立，系统复杂且难以升级。域集中式架构（现阶段），推出“零束银河”整车电子架构，采用域集中式设计，支持OTA升级和多域协同。中央集中式架构（未来规划），计划向中央集中式架构演进，采用高性能计算平台，支持软件定义汽车。在数据闭环方面，上汽通过与Momenta合作，构建了完整的数据闭环体系。在无图方案城市NOA方面，上汽与Momenta合作，推动无图方案城市NOA的研发。通过端到端和大模型技术，上汽在零束科技的推动下，探索端到端智能驾驶技术，采用深度学习模型，实现从感知到控制的端到端学习。上汽与商汤科技合作，探索大模型在智能驾驶中的应用。提升系统效率和性能，降低模块化设计的复杂性。利用大模型的泛化能力，提升自动驾驶算法的性能。应用于感知、预测和决策等环节。

　　，上汽通过投资地平线、黑芝麻智能等企业，布局自动驾驶芯片。成立芯片研发团队，专注于车规级芯片的设计和研发。同时，上汽探索机器人技术在智能制造和物流领域的应用。在工厂中引入工业机器人，提升生产效率。研发物流机器人，用于仓储和配送。

　　），比亚迪主要依赖外部供应商提供智能驾驶解决方案，例如与百度合作开发自动驾驶系统。

　　，成立比亚迪研究院，加大智能驾驶研发投入。与华为合作，推动智能驾驶技术的落地。

　　，成立比亚迪半导体，专注于车规级芯片的研发。推出“BYD OS”操作系统，推动全栈自研。

　　，计划向中央集中式架构演进，支持软件定义汽车。比亚迪依托庞大的电动车用户群体，构建数据闭环体系。通过车载传感器和车联网进行数据采集。利用自研平台处理数据。基于深度学习算法，训练自动驾驶模型。将优化后的模型通过OTA推送到车辆。

　　，成立亿咖通科技，专注于智能驾驶研发。投资自动驾驶初创公司，推动技术落地。

　　吉利早期的EE架构仍旧采用分布式设计。后来，推出“SEA浩瀚架构”，采用域集中式设计，支持L4级自动驾驶，未来也计划向中央集中式架构演进。

　　，吉利通过亿咖通和极氪品牌，构建数据闭环体系。实现数据采集、标注、训练和OTA升级。通过极氪品牌，推动无图方案城市NOA研发，减少对高精地图的依赖。通过亿咖通和极氪品牌，布局端到端和AI大模型技术支持智能驾驶和语音交互，采用深度学习模型，实现从感知到控制的端到端学习。在芯片研发与具身智能机器人布局上，吉利通过亿咖通研发车规级芯片。同时布局卫星通信芯片，提升核心技术能力。同时，吉利通过极氪品牌，探索机器人技术在智能座舱中的应用。

　　（2015年前），广汽与腾讯、华为等企业合作，推出ADiGO智驾系统。

　　（2015-2020年），成立广汽研究院，加大智能驾驶研发投入，投资文远知行等自动驾驶公司。

　　，推出“星灵架构”，推动全栈自研。与华为深度合作，采用其智能驾驶解决方案。

　　广汽早期的EE架构采用分布式设计，推出“星灵架构”，采用域集中式设计，支持L4级自动驾驶。后续，计划向中央集中式架构演进。数据闭环方面，广汽与华为合作，构建数据闭环体系，利用华为的云端训练平台，实现数据采集、标注、训练和OTA升级。并在ADiGO 4.0系统中引入无图方案，逐步减少对高精地图的依赖。通过与华为合作，推动端到端技术研发，采用深度学习模型，实现从感知到控制的端到端学习。同样的，通过利用其盘古大模型推动智能驾驶研发，提升自动驾驶算法的性能。

　　在芯片研发方面，广汽与华为合作，采用其昇腾芯片，同时布局自研芯片，提升核心技术能力。并且广汽也单独有投资服务机器人公司，探索机器人技术在出行服务中的应用。

　　从技术层面上总体来说，车企新势力依赖技术突破，强调算法创新与算力优化。同时，产业链绑定深，商业模式探索仍在早期。资金与落地也是一个核心挑战，部分企业已进入规模化阶段。传统企业强调量产落地，依托品牌与供应链优势推进产品成熟。比如，2020年底-2023年底，高速NOA实现“好用”历时三年，通过复盘高速NOA发展历史，认为城区NOA落地时间预计拐点2.5年，基于迭代加速+落地成本降低，头部车企有望在2025年H1实现“更快”+“好用”拐点。

　　同时，软硬件一体化加速，智能化座舱与驾驶融合。商业模式多元化，软件订阅与数据增值成为探索方向。未来，在软kaiyun体育全站 Kaiyun登录网页硬件协同上，OEM主导，创业企业与Tier1协作开发。数据驱动闭环上，自动驾驶能力得到优化，提升用户体验。最后，就是智能网联融合上，V2X、5G、智能座舱会呈现一体化发展。

　　个人认为，智驾终局或将呈现自建生态vs开放生态两种格局，商业模式决定终将走向寡头垄断格局。这种格局下会催生一种比较奇葩的现象：即好用的智驾系统——用户增加——数据增加——更好用的智驾——更多用户——更多数据。这种模式下，则会产生智驾各种智选模式，通过建立开放生态未来有望从数据维度实现追赶。