激光雷达，会是中国智驾反超的那条捷径吗？

激光雷达到底有没有用、是否最终要被去掉，成为最近行业里争议不断的话题之一。

前不久，华为余承东向马斯克喊话，“特斯拉的FSD方案很不错”，但是“华为的方案更优更安全，我们配备了3颗激光雷达，和特斯拉相比，华为ADS遥遥领先，有无高精地图都能用。”

而事实是，华为问界M7 MAX版本（拥有城市高阶辅助驾驶功能，简称城市NOA）选配比例超过60%，小鹏G6、G9Max销量占比均超过70%，甚至是80%。这说明，高阶智驾正在成为影响消费者购买智能电动车决策的主要因素之一。

不难发现，这些具备城市NOA功能的车型无一例外都搭载了激光雷达，前不久上市的智己LS6甚至标配激光雷达和城市NOA。这意味着，无论是头部车企想保持领先还是腰部车企想迎头赶上，在这场已经打响的智能高维竞赛中，激光雷达几乎成为一个必备项。

01

激光雷达迈入前装量产大爆发时代

其实，大部分车企之所以都选择采用激光雷达，核心原因就两个：底子好，迭代快。

激光雷达通过主动发射激光从而获得目标的距离、方位、高度、速度、姿态、形状等参数，不像摄像头一样容易受外界环境光线变化影响，而且不依赖算法训练且算力要求低，在细小和异形障碍物的检测方面，相比摄像头和毫米波雷达等传统传感器有绝对优势。

激光雷达和摄像头的感知能力差异

沃尔沃 Jim Rowan (骆文襟) 总裁兼CEO也曾在EX90发布会的公开演讲中说到：“沃尔沃EX90标配了激光雷达。通过使用智能驾驶软件和传感器，我们可以把车祸导致重伤和死亡事故率降低20%。”

奔驰也表示，激光雷达对于“实现安全可靠的L3级别自动驾驶是必不可少的”。

正是由于其安全特性，激光雷达正在大规模“上车”。

以禾赛为代表的国内激光雷达公司，面对整车厂降成本、过车规的需求，率先以器件半导体化、生产高度自动化、产品开发平台化的方式，实现了激光雷达产品形态从机械式向半固态的转变，并在2022年率先量产了半固态激光雷达AT128，成本和最早的机械式激光雷达相比，成本下降了近百倍，并迅速实现月销破万，成为全球首家月交付过万的车载激光雷达公司。

禾赛AT128

这促成了激光雷达大批量上车，也让国产激光雷达呈现出“风景这边独好”的发展态势。而眼下，激光雷达的发展即将迈入新阶段——大规模前装量产。这一阶段的主要动力正是高阶智驾需求的大爆发。

对车企来说，城市NOA已经成为一场不能输、不敢输的战役，而对用户来说，购买高阶智驾的目的有且只有一个：让出行更便捷、更安全，而这也是激光雷达不断上车且不断发展最根本的原因。

以华为为例，在激光雷达加持下，ADS 2.0智驾方案不仅支持城市高阶智驾无图方案，其主动安全能力也更强。ADS 2.0融合了激光雷达的通用障碍物检测算法，在自动紧急制动、自动避障方面表现出色——在多家媒体的场景测试中，车辆能够在120公里时速下避让道路上的不规则物体。

这意味着，激光雷达不仅是助力城市NOA的有力武器，也是能进一步提升主动安全可靠性的“隐形安全气囊”。

02

拨乱反正，激光雷达路线“总成本”更低

在激光雷达加速上车，声量渐响之时，另一种让激光雷达“下车”的声音也针锋相对，有消息称个别造车新势力在制定拿掉激光雷达的计划。

之所以这样做，一个原因是在价格战惨烈的中国智能电动汽车行业，车企的现金流与利润率均遭受挤压，急需硬件降本，单价仍不够便宜的激光雷达首当其冲。

另一个原因则是，特斯拉给出了高阶智驾的另外一种可能：特斯拉依靠仅使用摄像头作为主传感器的纯视觉方案，已经在美国开启了FSD商业化使用的进程。

在两大因素催化下，仅依靠摄像头的纯视觉感知这个看起来技术架构更简洁、硬件更便宜的方案，自然受到行业关注。

但车企为产品和功能的开发进行技术选择时，不能只关注技术的一次性BOM（Bill of materials，物料）成本，更要关注一项技术方案的“总实现成本”。

在产品端，特斯拉看似仅使用9个摄像头就实现了纯视觉方案支持的FSD，但正所谓“台上一分钟，台下十年功”，你不能只看到别人现在吃肉，但对别人以前花过的钱、雇过的人，吃过的苦选择性忽视。

事实上，FSD之所以有今天的表现是因为特斯拉将其作为核心竞争力，并倾斜了无数资源才有的结果。

在FSD的开发过程中，特斯拉车队积累了超过90亿英里Autopilot使用里程，实际是全球最大的自动驾驶数据来源；为了利用这些数据，特斯拉不断扩充其超算集群，招聘顶级的AI人才，自研芯片和Dojo，外购GPU，将云端算力堆到了10 Exaflops。

换言之，这种领先地位是暴力美学x长期主义的结果。

当后发车企也接受暴力美学的叙事、追随特斯拉步入纯视觉路线，就会发现一些扎心的事实：

PPT上有现成的算法架构可供学习，实际量产中却有数不清的工程大坑要填；表面是算法与产品功能的比拼，内里却是资源厚度与钞能力的硬碰硬；理论上纯视觉能帮车企省钱，现实则是要在荷包紧张的当下，斥巨资建立相应的体系。

对标特斯拉的车企如果以总实现成本算笔账，能很自然地得出结论：纯视觉其实短期内并不省钱，反而可能更烧钱，风险更大。

通俗一点说，在同一条技术赛道上，在资金技术实力相差悬殊的背景下，你或许能追上对手的昨天，但永远追不上它的明天。

03

车企急需的“秘密武器”

陡然加速的城市NOA落地进程，其实给车企们出了一道需要限时解答的难题：当智驾头部车企凭借人无我有的城市NOA赢得更多订单时，后发的车企要如何快速跟进，防止因为高阶智驾的缺失掉出消费者的购车清单。

跟随特斯拉的脚步开发纯视觉方案，看似是一条可以快速复制的道路，但实际情况已证明并非如此——2022年年中，特斯拉公开了具备三维感知能力，可实现通用障碍物检测的Occupancy Network占用网络，如今一年半过去，国内企业量产占用网络的仍寥寥无几。

若以一场竞赛作对比，在纯视觉的路线上，特斯拉显然是一个重金培养、训练充分、才华横溢的天才型选手。大多数智驾后发的车企其实并不具备其条件，如果跟随纯视觉路线，最后的结果不一定是站在巨人肩膀上，反而更可能望着巨人的身影绝尘而去。

某头部新能源车企产品专家表示：“从战略角度来看，跟随行业内的最强者不一定是明智的决策。说白了，特斯拉能干的事儿，行业里又有几家能做出来？华为研发能力这么强，都没有正面硬刚，而是选择另一个可以超越特斯拉的方案。”

类似的案例在人工智能时代并不罕见。今年ChatGPT爆火过后，全世界都沿着OpenAI的路径进行大语言模型创业，国内也掀起了“百模大战”。而就在前两周，当ChatGPT已经进化到多模态阶段，能看能听说，此时许多创业公司的文字对话大模型甚至还没商用。

照抄学霸作业的结果，往往是学霸越来越猛，自己越来越懵。

对后发车企来说，相比于在特斯拉制定的规则中邯郸学步，更理性的选择是取长补短、融会贯通。采用带有激光雷达的多传感器融合感知方案，既能利用视觉算法已有的发展成果，又可以使用天生擅长三维探测的激光雷达作为有效补充。

在眼下的城市NOA竞赛中，车辆必须拥有精确的三维探测能力。而要获得这一能力，不同传感器付出的代价是不同的。

比如上文提到的基于纯视觉的占用网络，其感知经历了一个2D转3D的过程，必须经过大量数据训练才能输出较为准确的占用结果。并且这一网络有很高的计算开销，会对车载芯片算力和算法设计提出考验。

激光雷达的探测结果则天生自带三维信息，能实现物理意义上的“3D直出”，算法的工程开发难度更低。

相比于摄像头或者4D毫米波雷达，激光雷达分别在测距精度、分辨率、真值获取等方面有明显的优势。更重要的是，其3D直出的特性对云端算力和数据量需求更低，这有助于智驾后发车企绕开纯视觉路线的算力与数据霸权。

其实，如果一家车企没有提前布局高阶智驾技术方案，眼下最紧缺的要素甚至不是算力、数据或者资本，而是时间。如果相应法规落地，为了实现L3功能再补装激光雷达很可能意味着需要1~1.5年额外的车型和算法适配——导致直接落后了对手一代车型。

用禾赛CEO李一帆的话来说：“这是一场比拼速度的游戏，激光雷达可以让高阶智能驾驶落地速度提前至少3年。从某种程度上说，其实可以把激光雷达看作一个'作弊神器'”。

根据NuScenes的数据，到目前为止纯视觉方案在多目标追踪感知任务上的平均表现，仍然没有追上“激光雷达+摄像头”融合方案在三年之前的表现，截至到今年上半年，两种路线在数据集上的精度表现仍存在3年差距。

换句话说，使用激光雷达与摄像头融合的方案，相较于纯视觉方案，理论上可以在感知层面追赶以年计算的进度。

另一方面，从历史平均数据来看，纯视觉方案在上述感知任务中的精度提升速度正在变慢——这意味着从全行业来看，纯视觉方案提升感知效果的边际成本也在上升。

在这样的背景下，当智驾后发的车企试图小步快跑、从无到有地抢占高阶智驾市场时，去掉激光雷达看起来并不是一个理性的决策，反而有可能会让自己被甩得越来越远。

禾赛CEO李一帆把智能驾驶的竞赛比作一场群架，“赛场上体型最高大、身材最强壮的那个人一定会跟所有人说：今天我们大家都不要带武器。”

今天，这个“壮汉”是谁不言而喻，而那个武器，毫无疑问就是激光雷达。

事实上，激光雷达的硬件价格也在不断下探。厂商仍在不断推进激光雷达的降本工作和生态建设。

以禾赛为例，他们不仅把激光雷达价格从8万美元降至1000美元以下，也为下游客户提供各种参考设计和参考算法，不断降低激光雷达的使用门槛，让车企能够用得好，用户能觉得买得值。

这为激光雷达配合城市NOA的热潮，进一步普及创造了条件。

对于置身下半场竞争的中国车企来说，是追着领头羊的背影蒙眼狂奔，还是拿起秘密武器抄捷径，在这场智能驾驶下半场的关键之战上领先一个身位，答案已经不言自明。

版权声明：部分文章推送时未能与原作者取得联系。若涉及版权问题，敬请原作者联系我们。