2025年12月15日，工信部公布了我国首批L3级自动驾驶车型准入许可。两款分别适配城市拥堵和高速路段的车型，将在北京、重庆的指定区域上路试点。同一天，北京和重庆发放了L3专用号牌。这件事在产业界的份量，远不止“又多了一个新功能”那么简单——它标志着自动驾驶的责任主体，第一次在法律意义上从驾驶员向车辆系统发生了转移。在L3激活状态下，如果事故源于系统故障，担责的是车企，而不是握着方向盘的那个人。
从“辅助驾驶”到“自动驾驶”，一字之差，背后是感知硬件、计算芯片、算法架构、法规标准乃至整个产业逻辑的连锁重构。智能汽车正在经历的，是一场从“能帮你开”到“替你开、并且替你负责”的成人礼。
车如何“看见”：三种眼睛，各有各的盲区
要理解这场变革，得先回到一个朴素的问题：一辆车在没有人类眼睛和大脑的情况下，凭什么“看懂”路况？
答案是一套异构的传感器阵列。摄像头模拟人眼的视觉功能，能识别车道线、交通标志、红绿灯状态，甚至读懂前车刹车灯亮起所传递的语义。但摄像头有一个致命短板：夜间或强逆光下近乎“失明”，雨雾天也会大幅退化。毫米波雷达补上了这个缺口——它发射无线电波，靠回波测量距离和相对速度，穿透雨雪雾的能力远强于光学传感器，常被称作“穿雾眼”。但它对非金属物体和低矮障碍物的分辨能力有限，单靠它无法区分一个立着的纸箱和一块石头。激光雷达则走了一条更“奢侈”的路线：发射激光脉冲，直接构建周围环境的三维点云，测距精度达到厘米级，探测距离超过150米，能把障碍物的几何轮廓“画”出来。
没有一种传感器是完美的。摄像头的语义理解强但环境适应性弱，毫米波雷达的恶劣天气稳定性好但空间分辨率低，激光雷达的精度高但成本曾经居高不下。所以真正关键的不是某一种传感器有多强，而是多传感器融合——把不同维度、不同物理原理的信号在时间和空间上对齐，交叉验证，构建出一个比任何单一传感器都更可靠的外部世界模型。这有点像侦察系统同时收到光学照片、雷达回波和红外信号，指挥员不会只听一家之言，而是把几路情报叠在一起做判断。
从“看见”到“想明白”：决策层的两条路线
感知层输出的是一张数字化的路况图。接下来，车需要回答两个问题：当前是什么场景，以及应该怎么做。
传统方案把这件事拆成两级：行为决策模块先判断“高速巡航还是无保护左转”，运动规划模块再在成千上万条候选轨迹中用代价函数打分，兼顾安全、舒适、合规和效率。这种分层架构的优点是逻辑清晰、可解释性强，缺点是规则写得再多，也覆盖不了真实道路上的长尾场景——那些罕见但致命的“万一”。
大模型的介入改变了局面。2025年到2026年初，行业围绕两条技术路线展开了激烈的公开争论：VLA和世界模型。VLA在端到端框架中引入大语言模型作为推理中枢，让系统不仅能“看到”，还能用语言做隐式逻辑推理，再输出驾驶动作，其逻辑是“理解是驾驶的前提”。世界模型则走了另一条路：它不在当前画面上做判断，而是在内部预演未来几秒环境会如何演化，带着“预判”去开车，其逻辑是“预测才是关键”。
争论持续了大半年，但2026年行业出现了一个务实的转向：融合。一个被广泛接受的共识逐渐成形——用视觉语言大模型做“大脑”，负责认知推理和场景理解；用端到端小模型做“小脑”，负责毫秒级的快速执行。理想汽车的MindVLA-o1引入了“预测式隐世界模型”，把世界模型压缩到车端可运行的规模，让模型在隐空间里“想象”未来，再据此决策。华为则坚持世界行为模型路线，认为VLA的“云端蒸馏到车端”存在幻觉风险，而驾驶场景中的幻觉是致命的。分歧仍在，但方向已经收敛：不管叫VLA还是世界模型，大模型是唯一出路，这一点不再有争议。
算力是这场认知革命的地基。英伟达Thor芯片的量产算力标称达到5000 TOPS，官方称足以支撑L4/L5级自动驾驶和座舱娱乐的全部计算需求。高通的Ride Elite提供720 TOPS，同时押注“舱驾一体”的融合趋势。国产芯片也在快速切入：地平线征程系列累计量产突破1000万套，华为在高阶智驾芯片市场与英伟达、地平线形成了实质性的竞争格局。算力的持续上探和成本下探，是算法从实验室走向量产车的前提。
车路云：一条不同于单车的中国路径
如果只盯着车本身，会漏掉中国智能汽车发展中最具结构性差异的一环。
特斯拉代表的“单车智能”路线，本质上是在一辆车上堆叠尽可能强的感知和计算能力，让车自己解决所有问题。中国的选择是在此之外，同步推进“车路云一体化”：路侧部署感知设备和通信单元，云端提供算力调度和全局协调，车辆通过V2X与路、云实时交互。北京经开区的示范区截至2025年5月已实现600平方公里设施智能化部署，吸引30余家测试企业投放超千台自动驾驶车辆，累计测试里程超过3500万公里。全国20个“车路云一体化”试点城市部署的各类智能化设备已超过6万套，服务车辆超过十万台。
这条路径的深层逻辑在于：单车智能的感知边界受限于物理视野和车载算力，而路侧设备可以提供“超视距”信息——前方路口的盲区来车、几百米外的拥堵或事故，车自己看不到，但路知道，云可以告诉它。更重要的是，车路云一体化为自动驾驶增加了一层系统级的冗余：当车端感知出现偶发失效时，路侧和云端可以充当备份。当然，这条路径的挑战同样明显——路侧设备的覆盖密度、跨区域的互联互通、建设与运维的可持续商业模式，都不是单靠技术能解决的问题。但它至少提供了一种不同于“把一切押注在车上”的替代思路。
时间表：L3落地之后，L4还有多远
回到市场层面，智能汽车的普及速度比多数人预期的要快。2020年，中国乘用车组合驾驶辅助功能的搭载率还只有16.2%；到2025年，这个数字攀升到64.9%；2026年上半年，L2级组合驾驶辅助在新车中的渗透率已经突破70%，领航辅助驾驶达到34.2%。北京作为先行城市，2026年上半年L2渗透率更是达到了77.5%。
L3的节奏则更为审慎。首批获准车型的运行条件被严格限定：长安的车型只能在重庆内环快速路等特定路段以不超过50km/h行驶，极狐的车型在北京京台高速等路段最高80km/h，且均不允许自主变道。获准车型需要通过企业安全能力评估、第三方机构测试和专家评审的三级验证，覆盖功能安全、网络安全和应急处置等核心能力。这种“小步快跑”的姿态说明，L3的商业化不是一场冲刺，而是一场有边界的压力测试。
行业对后续节奏的判断正在趋于一致。Momenta CEO曹旭东将2024年定义为城市NOA的引爆点，2026年为全面普及阶段，2028年则是L3和L4规模化落地的拐点。长安汽车总经理赵非给出的时间表是2027年L3量产、2028年L4商业化运营。中国科协名誉主席万钢的预期是，到2030年L2渗透率达到95%以上，L3渗透率超过35%。这些预测未必精确，但它们共同指向一个判断：2025到2028年，是从“辅助驾驶大规模普及”向“高级别自动驾驶规模化落地”过渡的关键窗口。
真正的门槛不在技术，在信任
智能汽车走到今天，硬件和算法的进步是肉眼可见的。传感器从单一摄像头走向异构融合，算力从几十TOPS走向数千TOPS，算法从规则驱动走向大模型驱动。但L3准入许可所揭示的，恰恰是一个比技术更难解的问题：当方向盘背后的责任主体不再是人的时候，整个社会的信任机制如何重建。
2025年发生的一些事情提供了注脚。年初车企扎堆喊出“全民智驾”，但随后的一起事故和监管的紧急介入，让夸大宣传迅速退潮，工信部叫停了模糊“辅助驾驶”与“自动驾驶”边界的营销用语，“史上最严”的新国标征求意见稿随之出台。L3准入许可的意义，不仅在于技术标准，更在于它用法律语言重新划定了边界：在系统激活的特定条件下，车负责；在系统请求接管之后，人负责。这条线划清楚了，讨论才能从“敢不敢用”转向“在什么条件下可以放心用”。
智能汽车的“成人礼”，归根结底不是在算力表上完成的，也不是在测试里程的数字里完成的。它完成于一个普通驾驶者第一次在高速上松开方向盘、把注意力从路面移开的那一刻——而那一刻能否到来、何时到来、以什么方式到来，取决于此前所有技术、法规和产业准备的总和。2025年的L3准入只是一个逗号，远非句号。