自主級別

3秒看懂

“自主級別”是衡量自動駕駛系統“人類依賴程度”與“系統自主決策能力”的通用標尺。核心是基於國際自動機工程師學會（SAE International）釋出的SAE J3016標準，它將駕駛自動化劃分為L0至L5六個級別，定義了從完全人類駕駛到完全機器駕駛的清晰邊界。級別越高，系統的操作設計域（ODD）越寬，對人工智慧的感知、決策、控制能力要求呈指數級增長，這背後的算力、演算法和資料需求，是驅動當前AI晶片、感測器和雲端運算產業鏈的核心動力。

3分鐘產業解釋

想像自動駕駛是一條從“人類主導”通往“機器主導”的完整道路，SAE J3016標準在這條道路上設定了6個清晰的里程碑（L0-L5）。

• L0-L2（輔助駕駛）：人類仍是駕駛責任主體，系統在特定場景下提供橫向或縱向的駕駛支援（如車道保持、自適應巡航）。目前全球量產的主流乘用車大多處於此階段。此階段的產業核心是“漸進式”升級，圍繞攝像頭、毫米波雷達、低成本域控制器晶片展開，目的是提升使用者體驗併為高階功能積累資料與演算法能力。

• L3-L5（自動駕駛）：駕駛責任開始從人類向系統轉移。L3是關鍵的轉折點，系統在限定的ODD內全權負責駕駛，但要求人類在系統請求時準備接管；L4在特定場景（如城市限定區域的Robotaxi、港口）內實現完全自主，無需人類接管；L5則是終極形態，可在任何人類能駕駛的場景下執行。此階段的產業核心是“跨越式”創新與系統工程能力，需要引入雷射雷達、數百甚至上千TOPS的高算力計算平台、高精地圖、V2X通訊，以及支撐演算法持續迭代的雲端化資料閉環體系。

從產業投資視角看，自主級別的提升是汽車產業百年價值鏈重構的核心主線。硬體方面，感測器套件、中央計算晶片、線控底盤的價值量和複雜度發生質變；軟體與服務方面，AI演算法、中介軟體、作業系統、模擬工具鏈成為新的競爭制高點。當前，資本在兩條路徑上並行押注：一是L2+（高階輔助駕駛，如城市NOA）的大規模量產上車，追求工程化落地與成本控制；二是L4在特定場景的無人化商業運營，追求技術可行性與商業模型的閉環。

技術原理

自主級別的實現依賴於一個多層級的閉環“感知-決策-執行”系統，其技術棧的深度和複雜程度隨級別躍升而發生根本性變化。

[自動駕駛系統技術棧簡化模型]
| 級別 | 感知層                     | 決策規劃層                         | 執行與控制層       | 關鍵系統要求                     |
|------|----------------------------|------------------------------------|--------------------|----------------------------------|
| L0-L1| 單目攝像頭，超音波雷達     | 簡單閾值判斷，單任務控制           | ESP, EPS           | 基本功能安全(ASIL-B)             |
| L2   | 多攝像頭，前向毫米波雷達   | 多感測器目標融合，基於規則   | 線控制動，轉向冗餘  | 功能安全，區域性冗餘             |
| L3   | **+雷射雷達**，高精定位    | **資料驅動+規則**，場景理解        | 全冗餘線控底盤      | **預期功能安全(SOTIF)**，ODD管理 |
| L4   | 多雷射雷達，4D成像雷達     | **端到端神經網路為主**，不確定性建模 | 雙冗餘線控/異構冗餘    | **網路安全**，超大規模模擬驗證    |

核心機制解析：

• 操作設計域（ODD, Operational Design Domain）：定義為自動駕駛系統被設計為可安全執行的特定條件集合，相當於系統的“使用說明書”。這包括但不僅限於道路型別、車道線清晰度、地理圍欄、天氣條件（雨/雪/霧）、光照（白天/黑夜/隧道）、速度範圍及交通密度。ODD範圍的寬窄，直接決定了該級別技術的實現難度和潛在商業價值。 從L2到L4，本質是ODD的不斷擴充套件，直至L5覆蓋全域。

• 異構感測器融合：高級別自動駕駛（L3+）要求融合多種物理原理各異的感測器，包括攝像頭（擅長語義識別但受光照影響大）、毫米波雷達（測速準但無顏色資訊）、雷射雷達（三維空間幾何資訊精準但受惡劣天氣影響大）及高精地圖定位。其核心不是簡單資料疊加，而是在原始資料層、特徵層或目標層進行時空對齊與融合，以克服單一感測器的物理極限，實現魯棒的環境感知。

• 資料閉環系統：這是L3+系統能力持續進化的核心驅動引擎。量產車或測試車隊在真實道路中採集的海量場景資料，尤其是長尾的罕見場景，通過篩選、脫敏、回傳至雲端端；在雲端資料中心進行自動化標註、模型訓練和基於場景庫的模擬測試驗證後，新的演算法模型通過OTA升級部署回車輛。這背後需要一個龐大的“資料工廠”，涵蓋基於大型模型的自動標註、場景挖掘和重建能力。

• 全棧冗餘與安全設計：從L3開始，系統必須為所有關鍵失效路徑設計冗餘備份，確保單點故障不會導致車輛處於危險狀態。這要求對感知系統（如攝像頭+雷射雷達互為冗餘）、計算平台（雙SoC鎖步或異構冗餘）、執行機構（雙繞組轉向電機、雙迴路制動）、通訊網路和電源供應進行系統性冗餘設計。這嚴格遵循汽車功能安全標準ISO 26262（處理隨機硬體故障）和預期功能安全標準ISO 21448（SOTIF，處理系統性能侷限與誤用引發的風險）。

關鍵引數

評估和對比不同公司及系統的自主級別與成熟度時，須關注以下量化與工程化引數體系：

1. ODD覆蓋率與場景通過率：系統在設計執行域內，能夠無需人工干預或降級便可安全通過的標準場景組合比例。這通常由內部路測及第三方獨立測試得出。
2. MPI/MTBF（平均干預間隔/安全相關故障平均間隔時間）：MPI衡量系統功能的連續性，是評估系統可靠性的核心指標。MTBF則從功能安全形度衡量系統硬體與軟體的隨機故障週期。兩者均有嚴格要求，為L4級系統設定極高門檻。
3. 單系統硬體BOM成本：特指實現該等級功能所需的全部新增硬體單元的總物料清單成本，包括感測器套件（攝像頭+毫米波+雷射雷達）、高精定位模組（GNSS+IMU）、計算平台及冷卻系統。此引數直接決定技術方案在當前市場的量產可行性和滲透速度。
4. 計算平台的能效比：衡量在特定算力（TOPS）水平下系統的功耗表現，單位為TOPS/Watt。在車載嚴苛環境，能效比是限制感測器接入路數、模型複雜度和熱管理設計的關鍵工程約束。
5. 單車日有效資料產出量：在合規前提下，單車每日回傳的可用於迭代演算法的有效Corner Case場景資料量（TB級），是衡量資料閉環效率的核心前提，直接決定演算法迭代速度。

技術路線

當前產業界並行推進兩條主要技術路徑，並在架構上趨同於資料驅動。

• 漸進式路線（從L2+到L4）：以特斯拉、小鵬、蔚來及傳統Tier 1為代表。通過大規模量產搭載L2+功能的車輛，在獲得成本與規模優勢的同時，向用戶提供高階駕駛體驗，並利用真實上路的海量資料，訓練演算法逐步擴充套件ODD。其優勢在於商業閉環清晰，資料獲取成本邊際遞減；挑戰在於系統架構需平滑演進，安全論證必須覆蓋更復雜的執行場景。

• 跨越式路線（直接切入L4）：以Waymo、百度Apollo、小馬智行等為代表。它們通常直接針對特定場景（如城市Robotaxi、港口、礦山）設計並部署L4級自動駕駛系統，追求限定場景下的無人化運營。其優勢在於技術架構設計目標明確，無需考慮人類駕駛的後備冗餘，直接驗證商業模型；挑戰在於前期技術研發與硬體部署投入巨大，且每個場景都需要重複驗證，技術泛化難度高。

• 技術範式趨同：BEV+Transformer與端到端： 無論哪條路線，感知與決策模型架構正在趨同。自2021年以來，由特斯拉引領的基於鳥瞰圖的感知模型和Transformer網路架構已成為業界共識。該方案將多感測器二維資訊統一轉換至三維向量空間，進行時序融合和特徵表徵。更進一步，“端到端”自動駕駛系統（從感測器輸入直接輸出駕駛軌跡）正在從研究走向工程化，它用可訓練的模型取代了大量人工定義的規則和模組介面，但其中間表徵的可解釋性、安全性驗證仍是重大挑戰。

上游

實現L2+至L4系統所需的產業鏈上游環節，主要由高效能專用硬體和基礎軟體供應鏈構成。

• 高效能SoC（系統級晶片）：承擔即時推論與計算的核心。主要工藝節點在7nm至5nm及以下。代表產品包括NVIDIA DRIVE Orin/Thor，高通Snapdragon Ride Flex，華為MDC平台，Mobileye EyeQ系列，地平線征程系列，黑芝麻智慧A1000系列等。公開資訊顯示，2024年NVIDIA Thor的算力已瞄準2000 TOPS級別。
• 感測器陣列：
  • 雷射雷達：向半固態及固態、晶片化演進，追求成本下探與可靠性提升。主廠商包括禾賽科技、速騰聚創、圖達通、法雷奧、Luminar等。根據Yole Group 2023年報告，禾賽科技在L4自動駕駛雷射雷達的全球市場份額居前。
  • 毫米波雷達：從傳統3D雷達向4D成像雷達升級，提供高度維度和更高解析度的點雲端。主廠商包括博世、大陸集團、安波福、森思泰克。
  • 攝像頭模組：要求車規級、高動態範圍、LED閃爍抑制。主供應商為豪恩、舜宇光學、聯創電子等。
• 基礎軟體及工具鏈：
  • 車載OS與中介軟體：包括符合功能安全的即時作業系統（如QNX），自適應AUTOSAR平台。
  • 高精地圖與定位：提供釐米級絕對位置與車道拓撲模型。主供應商為百度地圖、高德地圖、四維圖新、HERE等。注：行業趨勢正從高精地圖的“重圖”模式向“輕圖”或“無圖”的眾源感知模式過渡。
  • 模擬測試：構成虛擬ODD以驗證系統。提供方包括NVIDIA DRIVE Sim，西門子，以及各科技巨頭的自研模擬引擎。

下游

自動駕駛技術面向多元化的下游應用與終端運營場景。

• 前裝量產乘用車市場：由整車廠直接將不同等級（目前以L2-L3為主）的智慧駕駛功能集成於新車中。主要參與者為特斯拉、比亞迪、各大新勢力，以及傳統OEM如賓士、寶馬、大眾等。根據工業和資訊化部資料及多家行業機構統計，2023年中國市場L2級輔助駕駛的滲透率已超35%，其中L2+（具備高速NOA）功能的滲透率在快速增長。
• 公共出行服務（Robotaxi/Robobus）：在限定城市區域提供付費自動駕駛出行服務。運營主體包括百度Apollo（“蘿蔔快跑”）、小馬智行、Waymo（通過Waymo One）、Cruise（通用汽車旗下）等。根據公開運營報告，截至2024年上半年，百度Apollo的累計載人測試運營里程和訂單量均達到全球前列。無人公交多在園區、景區等低速限定環境執行。
• 商用車物流與特定作業：
  • 幹線物流：編隊行駛或主駕無人，由自動駕駛卡車公司（如圖森未來、智加科技及嬴徹科技）推動。
  • 港口/礦區：環境封閉、路線固定，最易於實現商業化。西井科技、踏歌智行、易控智駕等公司在國內外均有落地的自動化水平運輸作業車隊。
  • 末端配送：用於最後三公里的無人配送小車（如美團、京東、新石器），在低速與園區環境內工作。

受益公司

注：以下分析旨在梳理產業內不同角色代表，不構成任何投資建議。

• 核心算力提供商（“賣鏟人”）：NVIDIA處於產業核心，提供從雲端端訓練（DGX/AI Enterprise）到車端推論（DRIVE平台）的端到端解決方案，是高級別系統算力的主要來源。高通、Mobileye（英特爾子公司）分別在座艙駕艙融合和高效單晶片方案上佔據關鍵生態位置。
• 全棧自研的乘用車領軍者：特斯拉通過純視覺的FSD方案和超大規模車隊，建置了最強的量產資料閉環，被視為技術範式風向標。比亞迪則在2024年宣佈將投入巨資進行智慧化轉型，利用自身年銷百萬輛的規模優勢，可能極大地加速L2+的滲透率，但其高階智駕的系統能力尚待市場驗證。
• L4級解決方案及運營先鋒：百度Apollo擁有國內最大的L4運營車隊和最高公開訂單量，技術驗證和運營經驗領先。華為以“華為ADS”智駕方案和MDC計算平台為切入點，通過向賽力斯、長安阿維塔等提供全棧方案，建置了從晶片到演算法的垂直整合生態。
• 關鍵感測器龍頭：禾賽科技、速騰聚創均已實現車載雷射雷達的大規模量產交付。根據其各自發布的2023年財報，出貨量均超十萬臺級並年增率增長超過100%，受益於L2+及L3車型上雷射雷達的快速裝載。

市場規模

注：以下資料僅為多家第三方研究機構估算的參考量級，具體精確數字請查閱IHS Markit, McKinsey & Company, IDC等機構的當期付費報告，不同口徑會存在較大差異。

• 全球及全球主要市場量級：據麥肯錫2023年的報告預測，全球自動駕駛市場（含乘用車輔助駕駛軟硬體、Robotaxi運營營收、商用車方案等）的總規模將可能從2023年的千億美元量級，增長至2030年的4000億-8000億美元。其中，中國市場基於其龐大的汽車消費體量與政策推動，被認為是增長最快的地區之一。IDC 2023年釋出的預測指出，中國乘用車L2自動駕駛滲透率到2026年將可能超過50%。
• 結構性增長點：
  • 近期（2024-2026）：增長主要由L2+功能（全場景NOA）滲透率提升和硬體成本（尤其是雷射雷達）下降驅動，計算晶片和感測器公司的營收會率先體現。
  • 遠期（2027-2030及以後）：軟體訂閱營收與Robotaxi/無人運輸服務的運營營收將成為新的市場支柱。公開資料顯示，多家諮詢機構認為Robotaxi市場到2030年左右可能實現數千億美元的年市場規模，但其實現路徑高度依賴技術成熟度、法規許可以及公眾接納程度。

玩家對比

此處選取不同技術路線的三家代表性公司，進行模型層面的對比，所有資訊均來自公開技術報道與官方釋出。

• 特斯拉：採用純視覺感知方案，完全裁撤毫米波雷達乃至超音波雷達，依靠自研的HydraNet至端到端的神經網路，依賴全球數百萬輛量產車建置的“影子模式”和自動化資料閉環。優勢在於資料規模無可匹敵，演算法架構領先、商業健康度好。風險是純視覺方案面臨的長尾場景挑戰和嚴格的法規安全論證壓力。
• 華為：採用視覺加雷射雷達的多模態融合，自研MDC計算平台和星閃通訊，強調全棧可控和系統工程能力。其ADS系統提供給多家乘用車夥伴，模式上相當於新型Tier 1。優勢在於強大的研發投入（2023年公開稱智選車業務研發投入超百億元級別）與硬體垂直整合。挑戰是如何在眾多合作車型上維持一致的高標準體驗，並實現該業務部門的盈利。
• Waymo (Alphabet)：L4技術先驅，採用雷射雷達、攝像頭、毫米波雷達的全感測器融合陣列，自研全部感測器（自研雷射雷達型號為Laser Bear Honeycomb）和計算平台。專注於限定區域的Robotaxi服務，不涉及私家車量產。優勢在於極深厚的技術積累和全球最長的真實無人駕駛載客里程。挑戰是高昂的單車成本和不確定性較強的規模擴張節奏，其母公司財報顯示，該部分業務仍處於中長期戰略投入階段。

風險

產業觀察和評估時需要重視的結構性風險：

1. 技術長尾與安全性悖論：系統能輕鬆處理99.9%的常規場景，但真正威脅安全的來自0.1%甚至更稀少的極端長尾場景。隨著ODD擴張，窮舉驗證變得不可能。一旦發生嚴重安全事故，將可能對整個產業造成階段性聲譽危機和法規收緊。
2. 法規與准入緩慢：全球各國對於L3級系統的事故責任認定、資料安全、自動駕駛汽車准入等關鍵法規仍在討論或試點階段，進展遠慢於技術迭代。如果法規不能提供明確的責任歸屬（如德國對L3的認可，或中國的L3准入試點），系統功能將空有技術但無法進行商用啟用。
3. 商業模式兌現風險：L4級Robotaxi等服務的商業模式尚未得到大規模驗證。能否在高投入的研發與硬體成本、高昂的運營維護（遠端監控、車隊排程、清潔）和營收之間實現單位經濟（UE）盈利，仍是整個行業面臨的難題。公開資料未見有Robotaxi業務以年度整體核算獲利轉正的案例。
4. 地緣與供應鏈擾動：車規級高算力晶片（如NVIDIA、Qualcomm產品）的供應與製造高度集中，任何地緣政治導致的貿易限制，都可能影響特定市場自動駕駛系統的迭代速度和產品規劃落地。

誤讀糾偏

1. 誤讀：L3級的核心只是比L2多了個雷射雷達。
   • 糾偏：L3是駕駛責任主體的轉移，是質變而非量變。它不僅要求感測器加裝，更強制系統在ODD內進行所有風險判斷並給出足夠接管時間，同時必須具備全冗餘電子電氣架構、功能安全和預期功能安全（SOTIF）流程認證。雷射雷達只是為了增強感知置信度，真正的挑戰在於系統架構的可靠性證明和無限接近100%的安全區間。
2. 誤讀：宣佈算力越高的計算平台，自動駕駛級別一定越高。
   • 糾偏：算力是必要非充分條件。高算力為執行更大感知和規劃模型提供了可能，但系統最終表現的“天花板”由演算法效率、訓練資料質量、軟體架構整合能力共同決定。一些業界頂尖演算法可能在晶片級最佳化後，用相對較低的算力實現相當甚至更流暢的駕駛體驗，而低效的演算法堆砌再高的算力也無法彌補系統的缺陷。
3. 誤讀：L4級Robotaxi已經可以在所有時段、所有區域完全無人運營。
   • 糾偏：目前的無人化運營嚴格限定在預先進行高精測繪、天氣適宜、交通流模式相對固定的少數區域內（嚴格定義的ODD）。對於暴雨、暴雪、罕見障礙物、人類手勢指揮等複雜情況，仍主要由遠端安全員或系統本身降級策略處理。其當前的商業化本質是“在高度受控的ODD內，驗證技術可靠性和商業模型”。
4. 誤讀：訂閱制的高階自動駕駛軟體服務將很快成為整車廠主要獲利來源。
   • 糾偏：目前全球市場環境下，消費者對純軟體訂閱購買自動駕駛功能的意願，遠低於為明確硬體配置付費。隨著越來越多公司標配硬體，通過限時免費試用再付費的方式推廣，但公開資料顯示整體付費啟用率仍未跨過關鍵拐點。其成為主要獲利來源的前提是軟體體驗形成遠超免費方案的代差優勢。

最新事件

將追蹤截止2024年上半年的關鍵產業動態：

• 端到端自動駕駛架構邁向量產：特斯拉於2024年大規模推送基於端到端神經網路的FSD V12版本給北美使用者。多家中國主流新勢力車企也宣佈完成端到端感知與決策模型的技術實車驗證，並從工程完善期轉向量產上車期。產業普遍將2024年定義為“端到端智駕上車元年”。
• L3級別上路政策的實質性破冰：
  • 中國工信部於2023年底至2024年上半年釋出了《關於開展智慧網聯汽車准入和上路通行試點工作的通知》，並公示了首批L3/L4准入和上路通行試點聯合體（涉及9家車企），明確了責任界定和事故處理的初步架構。
  • 韓國、日本和部分歐洲國家也相繼批准了限定ODD下L3級車型的上市許可。
• 城市NOA（導航輔助駕駛）功能年內爆發：根據企業公開規劃時間表，2024年多家中資車企計劃在百座城市落地其不依賴高精地圖的城市道路領航輔助功能，這意味著L2+級別系統的大規模ODD擴充套件競賽正式開始。
• 特斯拉取消超低價車型規劃但堅持Robotaxi：據2024年一季度財報電話會及後續的公開宣告，特斯拉重申將堅持其在8月釋出其Robotaxi專用車型的計劃，市場關注其是否將釋出一款無踏板方向盤的完全面向無人運營的新車，這顯示出其戰略重心部分轉向自動駕駛出行服務業務。

追蹤指標

用於持續追蹤產業成熟度變化的可量化指標清單：

1. 新車L2+滲透率（按月或季度統計）：乘聯會等機構按月公佈的L2及城市/高速NOA功能標配/選裝上車數量及比率。
2. 單車感測器與晶片成本曲線：關鍵感測器（尤其是雷射雷達）現貨價格，以及其ASC（年化採購成本的變動）。追蹤禾賽、速騰聚創等上市公司財報中的毛利率與平均單價資料。
3. 頭部Robotaxi公司的訂單量和單位經濟：閱讀百度（Apollo）等上市公司財報中“自動駕駛出行服務”的營收和成本資料，以及Waymo、Cruise每週公佈的無人駕駛里程及對外開放規模資料。
4. 監管與事故報告：美國NHTSA要求配備L2+以上系統的事故報告彙編、中國工信部試點過程中公佈的接管率與事故率資料。
5. 論文與專利：頂級會議（CVPR， NeurIPS， ICRA）上關於BEV， 佔用網路，世界模型和端到端規劃的相關高影響力論文數以及頭部公司每年的公開專利申請數。

信源

• 標準檔案：SAE J3016. https://www.sae.org/standards/content/j3016_202104/
• 政策法規：中國工信部《智慧網聯汽車技術路線圖2.0》，及關於開展智慧網聯汽車准入和上路通行試點工作的通知。
• 行業報告：IHS Markit、McKinsey & Company、Yole Intelligence、IDC等第三方研究機構釋出的年度或季度智慧汽車及感測器市場追蹤報告。
• 公司財報與釋出會：特斯拉Tesla 2024年Q1更新函、禾賽科技2023年報、百度Apollo公開資料，及各大OEM投資者日的公開PPT。
• 汽車標準與功能安全：ISO 26262《道路車輛-功能安全》，ISO 21448《道路車輛-預期功能安全(SOTIF)》。
• 專業媒體與深研：晚點Auto對商業戰略的報道分析，新智駕及42號車庫對大算力平台和演算法技術棧的拆解，智東西對感測器的月度裝機量統計。