自动驾驶发展历史
自动驾驶的梦想与汽车本身几乎同龄——早在 20 世纪初，工程师们就幻想让机器代替人类掌控方向盘。然而，真正意义上的技术突破发生在过去 20 年：从 DARPA 大挑战中步履蹒跚的沙漠越野，到如今每天在多个大陆城市接载乘客的 Robotaxi，自动驾驶正以出人意料的速度从科幻走向现实。
本节按"概念萌芽 → 工程奠基 → 产业化起步 → 资本泡沫 → 冷静去芜 → 规模化 → 大模型重塑"七个阶段梳理行业演进，并在每个阶段末尾抽离共同规律。
第一阶段：早期探索（1920–1990）——从无线电到计算机视觉
| 年份 | 事件 | 意义 |
|---|---|---|
| 1925 | 美国工程师 Francis Houdina 展示无线电控制的"American Wonder"汽车，在纽约街头行驶 | 最早的"自动"行驶公开演示 |
| 1939 | 通用汽车在纽约世博会 Futurama 展馆，展示 1960 年代自动化高速公路愿景 | 首次将自动驾驶纳入公众视野 |
| 1977 | 日本筑波机械工程实验室研发出能跟随白色道路标记的自动车辆（≤ 30 km/h） | 基于视觉的自动驾驶原型 |
| 1987 | Ernst Dickmanns 领导 VaMoRs 项目（慕尼黑工大），基于视觉实现高速公路自动行驶 | 开创计算机视觉驾驶研究范式 |
| 1995 | Dickmanns 的 VaMP 和 VITA-2 完成巴黎→波尔多约 1 500 km 自动驾驶，最高时速 130 km/h | 首次公路自动驾驶长途演示 |
这一阶段的技术以规则化图像处理为主，受限于计算能力，只能处理简单的结构化场景。学界的贡献在于把"车会看路"从玄学变成了可复现的实验，为日后 DARPA 时代铺好了理论与人才底子。
第二阶段：DARPA 大挑战时代（2004–2007）——学术派登上台面
美国国防高级研究计划局（DARPA）举办的系列机器人车辆竞赛，是自动驾驶从学术走向工程的转折点，催生了大量后来成为业界中坚的人才和技术。
2004 年：一场零成绩的起点
DARPA Grand Challenge 2004 要求车辆在莫哈韦沙漠完成 240 km 越野路线——结果，没有一辆车完成。最好成绩来自 Carnegie Mellon 大学的 Sandstorm，仅行驶了 11.78 km 便陷入沙丘。这次失败让全世界看到了自动驾驶的巨大难度，也激发了更多研究投入。
2005 年：沙漠中的胜利
DARPA Grand Challenge 2005 共有 5 辆车完成全程：
- Stanford Stanley（斯坦福大学，Sebastian Thrun 领队）：以 6 小时 53 分夺冠
- CMU 的 Sandstorm 和 H1ghlander 分获二三名
Stanley 的核心技术：机器学习（SVM）结合激光雷达和摄像头，通过概率路面分类导航。这是深度学习时代之前，基于统计学习的自动驾驶最高水平展示。
2007 年：从沙漠到城市
DARPA Urban Challenge 2007 将场景搬入模拟城市道路，要求遵守交通法规、与其他车辆交互——难度远超沙漠越野：
- CMU 的 Boss（基于雪佛兰 Tahoe）以 4 小时 10 分夺冠
- 斯坦福 Junior 获得第二名
Boss 的规划系统后来演化为 Uber ATG 和 Aurora 的核心技术。这次比赛展示了城区结构化环境下全自主驾驶的可行性，标志着自动驾驶从"能否行驶"进化到"能否安全地与人共存"。
规律 1：政府订单是早期关键推动力。 没有 DARPA 的 200 万美元奖金与研究经费，自动驾驶不会这么快从实验室冒头。
第三阶段：互联网科技公司入局（2008–2015）——从校园到硅谷
DARPA 比赛结束后，互联网科技巨头将优秀工程师网罗旗下，推动自动驾驶进入产业化探索期。
Google 自动驾驶项目（2009）
DARPA 大挑战冠军队队长 Sebastian Thrun 加入 Google，组建秘密自动驾驶团队（后称 Google X）：
- 传感器方案：以 Prius 为基础，搭载 Velodyne 64 线激光雷达（当时约 7 万美元/个）
- 2012 年里程碑：车队无人驾驶累计 30 万英里，内华达州发放首张自动驾驶路测牌照
- 2016 年独立：成立 Waymo（Alphabet 子公司），历史测试里程已超过 200 万英里
Tesla Autopilot（2014）
Tesla 通过 OTA 推送，首次为全球量产车辆引入 L2 级自动驾驶（与 Mobileye 合作）：
- 自适应巡航 + 自动车道保持，消费者首次可在公路上"放手"
- 2016 年 5 月：Joshua Brown 事故成为全球首例 Autopilot 激活状态下的致死案例（见 §2.8 事故与教训），引发监管广泛关注和行业对 L2 安全的深刻反思
中国第一波布局（2013–2016）
- 百度：2013 年启动无人车项目，2015 年 12 月在北京五环完成城区路测，引发国内媒体广泛报道
- 上汽、长安：传统主机厂开始布局 ADAS，与博世、大陆等 Tier1 合作引入 L1/L2 技术
- 中科院 / 清华：在国家"863 计划"的早期预研中，完成多套国产自动驾驶原型车
规律 2：技术领先的第一波必然是纯研发导向。 硅谷、北京、慕尼黑的第一批入局者基本都是"把博士级算法工程化"，商业模式在很久之后才被摸索出来。
第四阶段：资本涌入时代（2016–2020）——"下一个十年最大产业机会"
2016–2020 年间，自动驾驶赛道迎来史上最大规模融资浪潮，全球资本竞相押注这一"下一个十年最大产业机会"。
明星公司融资情况
| 公司 | 融资金额 | 主要投资方 | 备注 |
|---|---|---|---|
| Waymo | 30 亿美元（2020） | 外部机构投资者 | 首次对外独立融资 |
| Cruise（通用旗下） | 10 亿美元（2018） | Softbank | 软银"愿景基金"入局 |
| Argo AI（Ford+VW） | 36 亿美元（2017–19） | 福特、大众 | 两大车企联合押注 |
| Zoox | 7.9 亿美元（2018） | 多家机构 | 定制无方向盘平台 |
| Aurora | 6 亿美元（2019） | Sequoia、Amazon | 收购 Uber ATG 奠定估值 |
| 小马智行 | 11 亿美元（2020） | 丰田、IDG 资本 | 丰田战略投资入局 |
| 文远知行 | > 10 亿美元（2019–21） | 雷诺-日产-三菱联盟 | 汽车联盟加速布局 |
| Mobileye IPO | 170 亿美元估值（2022） | Intel 分拆 | 纳斯达克重新上市 |
关键技术突破
- 深度学习取代手工特征：KITTI、nuScenes 等基准数据集推动感知算法快速迭代，CNN 成为感知主流；
- 激光雷达降价：64 线 LiDAR 从数万美元降至数千美元；固态 LiDAR 开始商业化（Luminar、速腾聚创、禾赛）；
- NVIDIA 推出 Drive PX：专为自动驾驶设计的计算平台，让车载 GPU 推理成为可能；
- 高精地图开始产业化：HERE、TomTom、四维图新、高德、百度地图投入重兵。
规律 3：资本追逐"最后一英里"。 只要愿景够大，亏损可以容忍；但一旦监管冷淡或社会接受度受挫，估值会在 12 个月内缩水一半。
第五阶段：冷静期与深水区（2020–2023）——泡沫释压与收敛
经历过于乐观的时间表预期后，行业在 2020 年代初期迎来痛苦的"冷静期"：
关键事件
| 时间 | 事件 | 含义 |
|---|---|---|
| 2020-12 | Uber 将 ATG（约 1 200 名工程师）以 40 亿美元估值出售给 Aurora | Robotaxi 商业化比预想困难 10 倍，标志第一轮泡沫释压 |
| 2022-07 | Ford 发公告关闭 Argo AI，员工分流至 Ford/VW | 两大车企承认"直接量产 L4"路径不可行 |
| 2022-09 | Nuro 主动裁员 20%，缩减城市运营 | 无人配送商业化同样面临长尾难题 |
| 2023-02 | 华为车 BU 启动独立化，成立智能汽车解决方案 BU | 中国传统车厂从"买方案"转向"深度合研" |
| 2023-05 | Mobileye 推出 Chauffeur（Eyes-Off L3），供应商模式转向 | Tier1 重新找到自身定位 |
| 2023-10 | Cruise 旧金山 pedestrian drag 事件，CA-DMV 吊销牌照 | 运营治理丑闻让"高科技就等于安全"的假设瓦解 |
| 2023-10 | 通用削减 Cruise 投入，2024 年彻底关停 Robotaxi 业务 | 主机厂在"资本寒冬 + 事故 + 路线不清"多重压力下撤退 |
| 2023-11 | Zoox 重组、延迟量产，Aurora 裁员 | 第二波收敛的尾声 |
技术路线的分野加剧
- 坚持模块化 + HD Map 的严谨派：Waymo、Apollo、文远知行；
- 数据驱动 + 纯视觉 + 端到端的激进派：Tesla 领头，华为 ADS、小鹏 XNGP、理想 AD Max 跟进；
- 走规模化辅助驾驶的稳健派：Mobileye、博世、大陆、Momenta 上车率高但商业模式保守。
规律 4：冷静期淘汰的是"组织惯性"而非"技术路线"。 幸存下来的公司无一例外在事故后强化了透明度与安全治理，而非简单换技术栈。
第六阶段：商业化破局（2023–2024）——Robotaxi 真的开始赚钱了
Waymo 规模化运营
- 2023-08：旧金山开放全城商业化运营（无安全员），获得监管批准；
- 2024 年扩展：洛杉矶、凤凰城、奥斯汀相继开放，Uber 合作渠道打通；
- 2024 里程碑：单周订单峰值超 150 000 次，累计全无人里程突破 2 500 万英里；
- 2024 新平台：与 Geely Zeekr 合作的第六代 Robotaxi 平台亮相，硬件成本继续下降。
中国 Robotaxi 群雄并起
- 百度萝卜快跑：2023-08 武汉开放全无人收费，2024 年武汉日订单峰值超 2 万单，成为全球规模最大的全无人 Robotaxi 网络，引发出租车行业与公众广泛讨论；
- 文远知行：广州南沙全无人 Robotaxi 商业运营；
- 小马智行：2024-11 在纳斯达克上市，成为首家美股上市的中国 L4 自动驾驶公司；
- 文远知行：2024-10 在纳斯达克上市，同期在阿布扎比、迪拜等中东城市落地；
- Auto X、滴滴自动驾驶、元戎启行：在一线城市或试点区域小规模运营。
端到端技术成为共识
- Tesla FSD V12（2024）：以单一端到端神经网络替代模块化 C++ 代码，城区驾驶能力大幅跃升；V13 随后增加了"感知-规划-控制"统一训练与 Reinforcement Fine-Tuning；
- 国内跟进：华为 ADS 2.0/3.0、小鹏 XNGP、理想 AD Max、毫末 DriveGPT、Momenta 数据驱动模型，纷纷把"端到端"写进发布会关键词；
- 大模型介入：DriveVLM、GPT-Driver、Wayve LINGO、Waymo EMMA 等工作将 VLM/LLM 引入驾驶决策，开启"具身智能"新篇章。
监管新格局
- 美国：NHTSA 2021 年的 Standing General Order 迫使 L2+ 事故强制上报，2024 年对 Tesla FSD 发起 200 万辆级软件召回；
- 欧盟：AI Act（2024 通过）将自动驾驶列为高风险系统，要求可解释性与审计；
- 中国：2024 年工信部公布 L3 / L4 试点名单（9 城 9 车企），相关团体标准（GB/T 40429、GB/T 44721）陆续落地；
- 日本：2023 Honda Sensing Elite 商业化 L3，2024 丰田、日产跟进。
规律 5：技术路线每 3–5 年一次收敛。 2019 年是"BEV + Transformer"成为共识，2024 年是"端到端 + 大模型"成为共识——技术判断的窗口期其实很短。
第七阶段：大模型重塑与规模化（2025–2026）——我们身处其中
现在正在发生的事
- Waymo 全球化启动：Tokyo 试点（2025）、Miami / Atlanta 2025 年商业化、Uber 合作渠道扩大；
- Tesla Robotaxi / Cybercab：原型在 2024-10 亮相，量产计划 2026 年铺开，采用无方向盘设计；
- 中国端到端量产车"全国都能开"竞赛：2025 年起华为 ADS 3.0/4.0、小鹏、理想、Xiaomi、蔚来等相继宣布"全国无图城市 NOA"；
- 云端大模型进车：Momenta、DeepRoute、毫末等将 100M~10B 级模型下沉到车端 Orin / Thor 平台；DeepSeek-V3 之后的开源推理进步，也促使车载 AI 栈以更低成本跑更强模型；
- NVIDIA Thor 大规模交付（2025）：2000 TOPS 级算力让端到端 + 世界模型在车端成为现实；
- 合规与标准深化：ISO/PAS 8800（AI 安全）、ISO 21448（SOTIF）、ISO 24089（OTA 安全）、UN R157（L3 审批）纷纷升级。
正在形成的新规律
- 硬件算力由"够用"转向"能跑大模型"：车端 200–2000 TOPS 变成主流；
- 数据质量 > 数据数量：自研自动标注、世界模型生成数据成为数据飞轮核心；
- 安全治理从"工程问题"变成"组织问题"：运营事故后，行业普遍成立独立安全委员会；
- 全球化不再是"技术输出"而是"合规本地化"：Waymo 日本行、Apollo 新加坡行、中国公司中东行皆如此。
规律 6：下一个十年的胜负手不再是"能不能做"，而是"能不能在每个市场都做"。
技术路线演进总结
1990s–2000s 规则 + 传统计算机视觉（手工特征，HOG/Haar/Hough）
│
▼
2010s 初期 激光雷达 + 高精地图（重传感器，重先验地图，重规则）
│
▼
2015–2020 深度学习感知 + 模块化规划（CNN 目标检测成为主流）
│
▼
2020–2022 BEV 多相机感知 + Transformer 架构（多任务统一表示）
│
▼
2023–2024 端到端大模型 + 数据飞轮（感知-规划-控制统一优化）
＋ 世界模型 ＋ VLM 驾驶推理
│
▼
2025–2026 车端大模型 + 全球化合规 + 规模化运营
＋ VLA / 具身智能 ＋ 云端-车端协同推理
自动驾驶的历史证明：技术进步从来不是线性的，每一次"不可能"背后都隐藏着下一次突破的种子。看历史的正确姿势，不是押注某一条技术路线，而是理解每一代技术的边界条件，以及它们被下一代取代时留下的教训。
延伸阅读
- §1.4 自动驾驶术语表 — 本节提到的缩写与概念的精确定义；
- §2.8 典型事故与经验教训 — 按事件复盘行业如何被真实事故改写；
- §7 实例 — 对主要公司技术栈的深入分析。
参考资料
- S. Thrun et al. Stanley: The Robot That Won the DARPA Grand Challenge. JFR, 2006.
- C. Urmson et al. Autonomous Driving in Urban Environments: Boss and the Urban Challenge. JFR, 2008.
- KPMG. Autonomous Vehicles Readiness Index, 2023/2024.
- 亿欧智库. 中国自动驾驶行业研究报告, 2024 / 2025.
- McKinsey. Autonomous Driving's Future: Convenient and Connected, 2024.
- Waymo. Safety Impact Report, 2024.
- NHTSA. Standing General Order Summary of Incidents, 2024 update.
- 工信部 / 公安部. 智能网联汽车准入和上路通行试点名单（2023 / 2024）.