前言

Hello，大家好。

这应该是我的第一篇正式的、系统性聊智驾的文章。说来惭愧，我虽然学生时期写过很多关于图像识别的博文，也开源过一些工程，但自从工作后就中断了写作和分享的习惯。偶尔开源一些有意思的工作，也没怎么分享过，更别说系统性地介绍自己的工作了。

但在前不久，我突然收到一封邮件。发件人是一位毕业了三四年的同学，他说非常感谢我之前写的一些博客和开源工程，帮助他当年顺利完成了毕设。我当时真的感慨颇深，没想到自己当年那么稚嫩的输出也可以帮到别人。

所以我开始想，或许我可以继续输出一些内容，或许真的可以帮到一些人。

在正式系统性输出之前，先简单介绍一下自己：

我从毕业至入行自动驾驶已经六年了。有过几段工作经历，待的都是一些比较小的智驾公司，一直从事感知相关的工作。目前在一家初创公司担任感知算法负责人。

因为视角有限，可能我的一些观点并不会有足够高的高度和深度，但只要能给阅读的你带来一点点帮助，我就满足了。

我想这个系列我会尽量避开枯燥的公式推导或代码讲解，而是从比较宏观的角度谈一些自己的观点。这样我写起来没什么压力，读者看起来也轻松。如果想要深入探讨细节，我之后或许会创建一个交流群，或者直接推荐一些我个人认为讲得很精细的文章。

好了，下面正式开始吧！

正文

入行六年，从最开始的野蛮快速增长——各家都在做可以跑一小段高速路的 Demo，到现如今已经比较成熟的「点到点」自动驾驶。

在这个过程中，我经历了太多的起伏：从资本热钱涌入、百花齐放，再到资本冷静、暗流涌动。工作内容和技术路线也是从一开始的「看不清方向、看不完论文」，到现如今的技术路线明确——伴随着无数公司被洗牌离场，同时也排除了很多错误答案。

不过今天不聊资本，就从一个资深从业者的角度，回顾一下这些年的技术发展，看看我们是如何一步步走向现在这个技术路线的，同时展望一下未来。

毕竟过完年我也算正式迈入 30 岁了，我也想理一理之后职业生涯的发展思绪。

首先，这些年智驾技术的发展给人最直观的感觉就是 ——「快」。

进步的速度快，技术的变革也很快。每当一个新的挑战出现，就会出现一个新的解决方向；而每当觉得「稳了」的时候，又会有新的需求和 Corner Case 被抛出，逼着我们推倒重来。

最近和几个刚毕业想要入行的学弟，以及很多应届求职者聊天，他们满口都是端到端、大模型、World Model。看着他们眼里的光，我突然想起了六年前的自己。

那时候我也以为，把感知、定位、规划、控制这几个模块拼好，车就能自己开了。而且这个结构多优雅呀，比学生时候玩的 RoboMaster 高级多了。我当时迫不及待地想要马上开干，验证自己的一些想法。

但是，从模块化的堆砌到现如今大行其道的端到端，这过程中到底发生了什么？又为什么会这样？下一步的技术路线又可能是什么？在这不断变化的过程中，有没有什么是「不变」的？

我觉得搞清楚这些，对于身处其中的工程师而言是有意义的。

在我看来，自动驾驶技术从「堆砌模块」走到「追求 AGI」，这不仅是技术的演进，更是一场工程师对自己认知的不断修正。下面是我的一些想法。

01. 分而治之：那个相信「拼图」的年代

如果要给自动驾驶的发展划分代际，我更愿意称最初的那几年为「泥瓦匠时代」。

回到 2016-2018 年左右，如果你问怎么实现自动驾驶，答案是极其标准的工程解法：

分而治之（Divide and Conquer），这就像传统算法中的分治算法一样优雅。

既然「开车」这件事太难，那就把它拆碎：

• 感知组：你们负责做眼睛，用深度学习或者传统算法检出障碍物，最好告诉我前面是人还是车；
• 定位组：你们负责搞清楚我在哪，精确到厘米；
• 规划组：你们拿着感知和定位的结果，再看看高精度地图，用数学算一条符合交规且不碰撞的轨迹，驾乘体验最好还得比较好；
• 控制组：你们负责把这条轨迹转化成油门和方向盘的指令。这是成熟算法了吧，应该好搞定。

现在回头看，这像极了一个拼凑出来的「弗兰肯斯坦」。但在当时，这就是最优解。

为什么？因为那时候的 AI 还不够强。它就像个刚学会认字的幼儿园小朋友，你不敢把性命攸关的方向盘完全交给它。我们只能用大量的「规则代码」（Rule-based），像保姆一样去兜底。

我记得很清楚，那时候为了处理一个「路口左转遇到对向遮挡」的场景，规划组的同事可能要写几百行 if-else：

“如果前车速度小于 x，且距离大于 y，且左侧无障碍物，则……”

这种工程思维在封闭园区或者高速公路上非常有效，也让最初所在的 Demo 公司老板赚了很多钱。但接着而来的是新的、更高的要求——当我们把车开进复杂的城市道路，噩梦开始了。

人类世界的复杂程度，是永远无法用 if-else 穷举完的。

我们试图用有限的规则，去定义无限的世界。这本身就是一种傲慢。

02. 特斯拉的「优雅」与规则的崩塌

转折点大概发生在特斯拉开始疯狂迭代 Autopilot 以及科技盛宴 AI Day，然后开始引入 BEV 的时候（至今还是很怀念那个时刻，也不知道什么时候 Tesla 会重启 AI Day）。

作为一名工程师，你不得不承认，特斯拉的解决方案是「优雅」的。他们最早意识到：

只要依然依赖「后处理规则」，自动驾驶就永远只能是 L2。

以前的感知是「盲人摸象」，摄像头看摄像头的，雷达看雷达的，最后再强行凑在一起。这就导致了著名的「幽灵刹车」——雷达觉得前方有障碍，摄像头觉得那是影子上的一团黑，到底信谁？这也是网上很多非从业者在「纯视觉 vs 激光雷达」路线争论中最喜欢用的例子。

新一代的技术（BEV + Transformer）开始尝试在特征层面融合。我们不再告诉车“这是路沿，那是车道线”，而是把所有传感器的数据扔进一个巨大的神经网络，让 AI 自己去构建一个 3D 的向量空间。

这不仅是算法的胜利，更是数据闭环的胜利。

为什么这么说？因为当大家开始抄作业的时候才发现，原来时间同步和标定的精度得这么高，数据量得那么大。以前采集的很多数据完全是无价值的，但重新采集和标注又需要大量时间和金钱。

于是，第一波洗牌开始了。

在这个阶段，大家也开始意识到，自动驾驶的核心壁垒，不再是你的逻辑写得有多好，而是你有多少高质量的、被清洗过的**「完美数据」**。

在这之后，大家的差距开始急速拉开。一旦走通数据闭环的公司，就可以持续积累高质量数据，并验证新方法，智驾能力日新月异；反之，有的公司始终无法迈过数据这个坎。我相信即便是现在，依然有很多小公司使用的不是 BEV 架构的方法。

03. 端到端：是终极答案，还是 AGI 的幻影？

时间来到现在，每个人都在谈论「端到端」（End-to-End）。

所谓的端到端，简单说就是：

视频输入 → 神经网络 → 控制指令输出

Tesla 甚至使用的是更加 Native 的 Raw 格式相机数据作为输入（当然这需要海量数据支撑）。

中间那些感知、规划的模块边界被打破了。公司的组织架构在调整，学生的学习路线在改变，很多岗位（例如传统规控算法、SLAM 建图等）正在消失。

此时的车子不再是通过规则在思考，而是像人一样，通过「直觉」在驾驶。

这听起来很美，对吧？毕竟这很优雅，而且上限也很高，只要跨过数据和算力的大山，似乎就可以解决最终难题。

但作为一线从业者，我必须泼一盆冷水：

端到端，比我们预想的要难得多。

当我们试图训练一个端到端模型时，我们实际上是在逼迫 AI 去理解物理世界的运行规律，去预测行人的意图，去博弈。为了不断突破边界，于是也出现了很多例如 E2E+VLM、VLA、World Model 等技术路线。

每一种路都有自己合理的解释，但是那样真的是正确的方向吗？我不知道。

但我知道的是：

这哪里是在做自动驾驶？如果真的能达成我们想要的那个目标，这分明是在做 AGI（通用人工智能）。

我们想要的是一个和人一样的驾驶员，仅此而已！

如果六年前有人告诉我：

「想要实现完全自动驾驶，你必须先造出一个接近人类水平的 AI」

我一定会觉得那是天方夜谭，趁早转行去卖煎饼果子了。

但站在今天看，这似乎是唯一的路。

我们以为我们要造的是一个马车夫，结果发现必须先造一个「人」。这也是为什么现在的自动驾驶看起来依然不够完美——因为 AGI 的黎明还没真正到来。

当然，或许从一开始，有的大牛就已经想到过这个实现路径。只是因为现在 AI 的发展让我们见到了 AGI 的曙光，所以才敢这么做。

04. 写在最后

最后，我想畅想一下未来，想一想未来自己应该朝着什么方向去做，哪些东西是不变的、需要持续不断积累的。

首先得先回答一个问题：现在的自动驾驶技术解决问题了吗？短期内会被解决吗？

我个人觉得短期内是不会被解决的。不是技术的问题，而是期望的问题。

这让我想起十几年前高中时候的智能手机。那时候 iPhone 4S 在当时看来已经完美无缺，我无法想象未来手机还需要再做什么创新。但用今天的眼光看，它除了经典，似乎没有任何地方可以与现在的手机比拟。

人的需求是随着技术进步而水涨船高的。

当自动驾驶只会跑直线时，我们希望它能转弯；当它能转弯时，我们希望它能像老司机一样博弈加塞；当它真的像老司机一样时，我们可能又会要求它能陪聊、能懂我的心情。

所以我觉得智驾技术是一场短期内看不到尽头的长跑。但正因为看不到尽头，才更加迷人。这也让我们这些从业者对未来有憧憬，不应该过度担心行业没落，而是依然要积极拥抱新技术、新变化。

那相较于其他传统行业可以依靠工作经验「吃资历」，我们在这个日新月异的行业里，似乎没有什么可以积累的？

我们可以做些什么呢？

首先我觉得高风险、高竞争带来的是高收益，我们这个行业的人均薪资应该是领先同龄人的。所以首先应该端平心态，不能想着「既要又要」，不然整天焦虑会很痛苦。

其次，我们得在其中找「不变」的、可以积累的东西。接下来我可能会说一些人会反感、或者觉得是废话的观点：

观点 1：锻炼和培养自己学习和解决问题的能力

有的人可能会觉得这是废话，但我问你：如果要跟上技术进步、与应届生竞争，是不是必须得学新东西？既然学习新技术躲不掉，那效率和方法就是至关重要的。

你的身边是不是有那种学习能力很强、对什么接收都很快、行动也很快的人？如果有，那种人就是你要学习的对象。同样的，身边是不是也有那种没有冲劲、沟通费劲的同事，或者做事看起来比较“笨拙”的新人？这就是学习能力和解决问题能力的差异。有了这个，我相信在任何领域被淘汰的概率都很小。

观点 2：人脉！

我们搞技术的就是喜欢钻在技术问题里，不喜欢团建、聚会、讲座等等，似乎这些都是其他传统行业喜欢搞的。技术行业嘛，技术为王。

但是，人脉真的是一个可以靠时间而积累的东西。人生在世这么些年，总会有些时刻是可以帮助别人，也有需要别人帮助的时刻。而这些就是建立联系和信任的基石。如果多参与一些技术群里的讨论，这样的积累就会多一分。你不知道哪一天，自己或许就会需要这份人情。

最后，我再说明一下。

在这个系列里，我不想说些大家都知道的「正确的废话」。我会尽量从工程师视角，说些自己的想法。

当然，也很喜欢与大家建立一些联系，探讨一些大家共同感兴趣的话题，可以深入地聊一下。

接下来，我打算用几篇文章来从比较基础的几个角度，谈谈我对自动驾驶的认知，大概会包括传感器、技术框架、方案落地、数据闭环等角度。

感兴趣的朋友可以关注一下！

（完）

【优化版本 v1 · 待你审阅】

📝 按你的写作风格调整了开头摘要、引号、节奏与几处 AI 味表达。原文保留在上方，定稿时告诉我「可以定了」我再覆盖。

入行六年，从模块拼装一路走到端到端，自动驾驶这门技术变得越来越像在造 AGI——可我们想要的，明明只是一个会开车的人。

写在前面

前不久收到一封邮件。发件人是位毕业三四年的同学，他说当年我学生时代写的几篇博客和开源的小工程，帮他顺利做完了毕设。

那一刻挺触动的。原来那些稚嫩的输出，真有人看，也真的帮到了人。

工作六年，我中断写作很久了。偶尔开源点东西，从没系统聊过自己在做什么。这封邮件让我想，也许可以重新开始写。

简单交代一下背景：毕业就入行，六年都在做感知，几段经历都在小厂，目前在一家初创公司带感知算法组。视角有限，观点不一定对，但只要对你有一点点用，就值了。

这个系列我不会推公式、不会贴代码，就从工程师的视角聊一些宏观的事。我写得轻松，你也看得轻松。

一、那个相信「拼图」的年代

2016 到 2018 年前后，问怎么实现自动驾驶，答案出奇地一致：Divide and Conquer，分而治之。

把「开车」这件难事拆碎：

• 感知组做眼睛，认出前面是人是车
• 定位组算清楚自己在哪，要厘米级
• 规划组拿着感知和地图，算一条不撞、合法、还得舒适的轨迹
• 控制组把轨迹翻译成油门和方向盘

现在回头看，这像个东拼西凑的「弗兰肯斯坦」。但在当时，这就是最优解。

为什么？那时候的 AI 像个刚认字的小朋友，没人敢把方向盘真的交给它。我们只能在外面套一层规则代码当保姆。

我记得为了处理「路口左转遇到对向遮挡」这一个场景，规划组同事写了几百行 if-else：

「如果前车速度小于 x，且距离大于 y，且左侧无障碍物，则……」

封闭园区和高速上，这套思路够用，也让最早一批 Demo 公司老板赚了不少钱。

但车一进城，噩梦就开始了。人类的世界，不是 if-else 能穷举的。我们试图用有限的规则去定义无限的世界——这本身就是一种傲慢。

二、特斯拉的「优雅」与规则的崩塌

转折大概在特斯拉疯狂迭代 Autopilot、AI Day 上抛出 BEV 的那段时间。很怀念那场科技盛宴，也不知道 Tesla 哪天会重启。

作为工程师，你不得不承认那套方案是「优雅」的。他们最早意识到一件事：只要还在依赖后处理规则，自动驾驶就永远停在 L2。

以前的感知是盲人摸象。摄像头看摄像头的，雷达看雷达的，最后强行凑到一起。「幽灵刹车」就是这么来的——雷达说前面有障碍，摄像头说那是影子上的一团黑，到底信谁？这也是「纯视觉 vs 激光雷达」路线之争里被说烂了的例子。

新一代方案（BEV + Transformer）开始在特征层做融合。我们不再告诉车「这是路沿，那是车道线」，而是把所有传感器的数据扔进一个网络，让它自己构建 3D 向量空间。

这是算法的胜利，更是数据闭环的胜利。

为什么？大家一上手抄作业才发现，时间同步得这么准、标定得这么严、数据量得这么大。以前采的数据大量是无用功，重新采、重新标，又烧时间又烧钱。

第一波洗牌就这么开始了。

那段时间大家才慢慢明白：自动驾驶的核心壁垒，不再是逻辑写得多漂亮，而是你手里有多少被清洗过的高质量数据。

差距从这里开始急速拉开。走通数据闭环的公司一日千里，走不通的，在数据这道坎前一直绊倒。我相信即便到现在，依然有不少小公司压根没用上 BEV。

📚 展开阅读：BEV 流派两条主线可以对照看 Untitled（Transformer 路线）与 Untitled / Untitled（LSS + 显式深度路线）；多模态特征层融合直接看 Untitled。我之前还写过一篇 BEV 系列经典论文解读：流派对比、局限性与新展望。

三、端到端：终极答案，还是 AGI 的幻影？

现在每个人都在聊端到端。简单说就是：

视频输入 → 神经网络 → 控制指令输出

特斯拉甚至直接用更原生的 Raw 相机数据（当然背后是海量数据撑着的）。中间那些感知、规划的模块边界全部打破。公司在调架构，学生在改学习路径，传统规控、SLAM 建图这类岗位正在快速消失。

车不再用规则思考，而是像人一样靠「直觉」开车。

听起来很美对吧？方案优雅，上限又高。只要跨过数据和算力的山，似乎就能解决终极问题。

但我得泼盆冷水：端到端，比我们想象的难得多。

训练一个端到端模型，本质上是在逼 AI 去理解物理世界、预测行人意图、跟别人博弈。为了不断突破上限，又冒出 E2E+VLM、VLA、World Model 一堆路线。

每条路都讲得通，但哪条是对的？没人知道，我也不知道。

我只知道一件事：这哪里是在做自动驾驶？这分明是在做 AGI。可我们想要的只是一个像人一样的司机，仅此而已。

如果六年前有人告诉我，「想搞定完全自动驾驶，你得先造出一个接近人类水平的 AI」，我大概率会觉得是天方夜谭，转行去卖煎饼果子。

但站在今天看，这似乎是唯一的路。我们以为要造的是马车夫，结果发现得先造一个「人」。今天的智驾还远远不够好，正是因为 AGI 的黎明还没真正到来。

或许早就有大牛预见了这条路径，只是 AI 这两年的爆发，才让大家敢真的这么干。

📚 展开阅读：端到端的几条主流分支——经典代表 Untitled；感知 + 预测 + 规划一体化的 Untitled；用 Diffusion + RL 走端到端的 Untitled；把 Occupancy 和 VLA 缝在一起的 Untitled。

四、写在最后

聊完技术，回到自己。过完年我就 30 了，最近也在理职业生涯下一步该怎么走。

先回答一个问题：当下的自动驾驶，问题解决了吗？短期会被解决吗？

我的判断是不会。不是技术不行，是期望追得太快。

想想十几年前的 iPhone 4S。当时用着觉得完美无缺，根本想不出未来还能怎么创新。但今天再看，它除了情怀，没一项能跟现在的手机比。

人的需求总是随技术水涨船高的。

车只能跑直线时，我们盼着它会转弯；它会转弯了，盼着它能像老司机那样博弈加塞；真到了老司机水平，可能又希望它能陪聊、读得懂我的情绪。

智驾是一场短期内看不到尽头的长跑。但也正因为看不到尽头，它才迷人。

那么问题来了——其他行业可以靠工龄「吃资历」，我们这种日新月异的活儿，还能积累什么？

我想说两点，可能有人觉得是废话，但我自己确实信。

一、把学习和解决问题的能力练扎实。

跟上技术更新、跟应届生竞争，意味着你必须不停学新东西。既然躲不掉，方法和效率就是命。

身边总有那种学什么都快、行动也快的人；也总有那种没冲劲、沟通费劲、做事笨拙的人。差距不在智商，在学习和解决问题的肌肉。这块练好了，去任何行业都不容易被淘汰。

二、人脉。

搞技术的容易钻在问题里，反感团建、聚会、讲座，觉得那是传统行业的事。技术行业嘛，技术为王。

但人脉是真的能靠时间复利的东西。人活这些年，总会有能帮别人和需要别人帮的时刻。多在技术群里聊几句、多参加点活动，这些联系迟早会派上用场。

接下来这个系列，我打算从基础开始聊：传感器、技术框架、方案落地、数据闭环。不讲正确的废话，只说自己一线踩出来的看法。

感兴趣就关注一下，有想聊的话题也欢迎来找我。

（完）