智能驾驶卷到尽头，要靠基座模型换赛道

当你开着10万级别的车在城市里自动导航，以为智驾已经触达平民市场的天花板时，行业的焦虑正从座舱里溢出来。截至2026年3月，国内L2级智驾新车渗透率破60%，城市NOA装车量逼近200万辆，但用户黏性却卡在20%-30%——多数人只是偶尔用用，绝不会把方向盘彻底交给机器。更棘手的是，8万级车型的智驾下放，让上游供应商的成本红线被踩得稀烂，小模型迭代陷入改了东墙塌西墙的“跷跷板效应”。所有人都在问：智驾的下一个破局点到底在哪？

小模型的死胡同：学不会“看路”的AI

你可以把当前主流的智驾小模型想象成背题机——把某条路的红绿灯、路口形状、车流规律背得滚瓜烂熟，换个城市就彻底懵圈。这些模型参数量大多在1亿以下，靠卷积网络识别固定场景，遇到“小孩突然冲马路”“积水路段避溅行人”这类需要物理常识的场景，就像没学过交通规则的新手，完全没了预判能力。

中汽中心的数据显示，城市NOA渗透率已达8.5%，但用户愿意日常使用的不足三成。轻舟智航CEO于骞的话点破了本质：当前智驾创造的价值还没大到让用户依赖。比如如果智驾能把车险保费降一半，用户接受度会跳级，但现在连安全验证的闭环都没形成——小模型的不稳定，让保险公司不敢轻易松口。

更致命的是“跷跷板效应”：同一套系统早上在上海跑得顺，中午到苏州就出错；晴天表现完美，雨天就识别模糊。这不是算法优化能解决的问题，而是小模型的底层逻辑就没学会“理解”物理世界，只能靠死记硬背应付有限场景。

基座模型：能“举一反三”的智驾底座

当小模型的路走到头，基座模型成了行业公认的分水岭。简单说，基座模型就是先让AI在海量多模态数据里“上通识课”——学遍全球的交规、驾驶习惯、物理规律，再去学具体的“开车技能”，而不是反过来先学某条路怎么开。

卓驭科技CEO沈劭劼把智驾技术分了三个阶段：第一阶段靠高精地图+规则决策，每开一个城市就得重新适配，成本高到离谱；第二阶段的中模型能做到“学一个省，会半个国”，但出海还是得大改；只有基座模型能实现“Zero-shot零数据迁移”——比如学会了开乘用车，不用重新训练就能直接开重卡；在中国练熟了，到欧洲换个交规就能上路。

Waymo的EMMA模型就是典型：用多模态大语言模型把摄像头、雷达数据统一成“语言”理解，端到端训练感知、规划、决策全流程，能在10个美国城市“开箱即用”。国内卓驭科技靠这套逻辑，只用了两个月就把乘用车NOA能力迁移到了重卡上，成本比传统方法降低了70%。

但基座模型也不是万能药。它的训练需要海量数据和算力，实时推理的延迟问题还没完全解决，更关键的是，如何避免AI“脑补”出不符合物理规律的决策——比如让车做出违反力学原理的变道，这还需要世界模型和强化学习来补全。

从智驾公司到移动物理AI：行业的隐形裂变

当基座模型成为标配，智驾公司的身份正在悄悄改变——不再是卖“驾驶辅助功能”的供应商，而是做“移动物理AI”的科技公司。

这个转变的核心，是从“解决单一驾驶问题”转向“理解整个物理世界”。比如以前的智驾系统只需要识别红绿灯，现在的物理AI要能预判：红绿灯坏了怎么办？旁边的电动车会不会突然变道？甚至要理解“积水溅到行人不礼貌”这种社会常识。

特斯拉、Waymo已经完成了这个转身，国内大模型公司也开始跨界布局。但这个赛道的门槛极高：不仅要懂AI，还要懂汽车的物理结构、机械控制，甚至要懂不同国家的交通文化。尾部玩家会加速出局，头部公司则会靠数据和模型优势形成壁垒。

更重要的是，商业模式也在变。以前靠卖硬件、收一次性服务费，未来可能靠软件订阅、跨场景服务赚钱——比如一辆车的AI模型，既能当乘用车开，也能当物流车调度，甚至能帮园区做自动驾驶接驳。

当我们还在为10万级车有NOA而兴奋时，行业已经在谋划一场换道赛跑。智驾的终极形态，从来不是“帮人类开车”，而是成为能在物理世界自由移动的智能体——它能理解规则，能预判风险，甚至能懂人情世故。

智驾的未来，是AI学会“活”在物理世界里。 这场从背题机到通识教育的革命，不仅会改变汽车行业，更会重新定义AI和物理世界的交互方式。而现在，只是刚刚掀开序幕。