智能网联汽车产业在创业企业和传统企业的共同努力下，取得了显著的技术进步和商业化成果。创业企业通过自研技术和创新模式，推动了无人驾驶和车联网技术的加快速度进行发展；传统企业通过与科技公司合作，逐步实现了智能网联汽车技术的商业化落地。智能网联汽车行业仍处于快速迭代期，创业企业聚焦技术突破与商业化探索，传统企业依托供应链和品牌推进量产落地，随技术的慢慢的提升和产业链的完善，未来行业整合趋势将加剧，智能网联汽车产业将迎来更加广阔的发展前景。

  智驾开发的进化过程体现了从模块化到端到端、规则驱动到数据驱动、高精地图到无图智驾、大模型知识蒸馏等多重维度的技术跃迁。这些趋势一同推动了智驾系统向更智能、更灵活、更高效的方向发展。

  •模块化：早期的智驾系统采用模块化设计，将感知、决策、规划、控制等环节拆分为独立模块，每个模块负责特定任务。这种设计便于开发和调试，但模块间的信息传递和协同可能带来延迟和误差。

  •端到端：随着深度学习的发展，端到端模型逐渐兴起。这类模型直接从传感器输入（如图像、雷达数据）映射到控制输出（如方向盘、油门），减少了模块间的信息损失，提升了系统效率。然而，端到端模型的透明性和可解释性较差，调试和优化难度较大。

  •规则驱动：早期智驾系统依赖人工规则，如基于交通规则的决策逻辑。这种方法在小规模场景下有效，但难以应对复杂多变的真实环境。

  •数据驱动：随着大数据和深度学习的发展，数据驱动方法成为主流。通过大量真实场景数据的训练，模型能自动学习驾驶策略，适应复杂环境。数据驱动方法的优点是其泛化能力，但也依赖于高质量的数据和强大的计算资源。

  •高精地图：高精地图提供了丰富的环境信息（如车道线、交通标志、障碍物位置等），帮助车辆精确定位和规划路径。然而，高精地图的构建和维护成本高，且难以覆盖所有区域。

  •无图智驾：无图智驾通过车辆的实时感知能力（如摄像头、雷达、激光雷达）实现环境理解和路径规划，减少对高精地图的依赖。这种方法更具灵活性，但对感知和决策算法的要求更高。

  •大模型：随着计算能力的提升，大模型（如Transformer、GPT等）在智驾领域得到普遍应用。这些模型可处理复杂的多模态数据（如图像、雷达、激光雷达等），并具备强大的推理能力。

  •知识蒸馏：大模型虽然性能强大，但计算资源需求高，难以直接部署在车载设备上。知识蒸馏技术通过将大模型的知识迁移到小模型上，实现了模型压缩和加速，使其更适合车载环境。

  当然，除了以上的变革以外，智驾系统在多模态融合、仿真与虚拟测试、车路协同、边缘计算与云计算结合等方面也同时发力，实现了很好的技术革新。

  在智驾发展的新趋势中，硬件减配设计慢慢的变成为主机厂的主流选择，这一过程背后有多重原因，包括成本控制、技术成熟度、市场需求变化以及供应链优化等。

  首先，是成本压力。早期智驾系统依赖高成本硬件（如激光雷达、高算力计算平台），导致整车价格高昂，难以大规模普及。主机厂为降低整车成本，提升市场竞争力，开始探索硬件减配的可能性。随技术成熟度提升，包括算法优化和软件能力的提升，部分功能能通过软件实现，减少对硬件的依赖。例如，基于摄像头的视觉感知算法逐渐成熟，可以在某些场景下替代激光雷达。在市场需求变化过程中，花了钱的人智驾功能的需求慢慢地分层，部分用户对高端智驾功能（如城市NOA）的需求有限，更关注性价比。主机厂因此推出不同配置的车型，满足多样化需求。最后，高端硬件（如激光雷达、高算力芯片）供应链复杂，存在供应不稳定、成本波动等问题。减配设计能够更好的降低对单一供应商的依赖，提升供应链韧性。

  传感器减配方面的具体表现为，早期高端智驾车型普遍配备激光雷达，但成本比较高。部分主机厂在中低端车型中取消激光雷达，仅依赖摄像头和毫米波雷达实现感知。部分车型减少摄像头数量，从多目摄像头系统简化为单目或双目系统，减少相关成本。还有一些车型取消或减少毫米波雷达数量，仅保留前向雷达，甚至完全依赖纯视觉方案。计算平台减配方面，早期智驾系统依赖高算力计算平台（如英伟达Orin），但部分主机厂在中低端车型中采用算力较低的芯片（如地平线征程系列），通过算法优化实现功能。部分主机厂将多个ECU（电子控制单元）整合为单一计算平台，实现了从分布式计算改为集中式计算，以减少硬件数量和成本。最后，部分主机厂通过无图化方案减少对高精地图的依赖，降低地图采集和更新的成本。

  参考华为和特斯拉，智驾系统近些年在模型选代升级的情况下减少了传感器的配置。华为从ADS1.0升级至华为ADS2.0，减少了2个前视摄像头，3个毫米波雷达考虑车端算力等其他配置，综合成本预计下降1-2万元。特斯拉从HW2.0走向HW3.0的过程中，也将部分车型毫米波雷达和超声波去掉。

  整体来说，智能驾驶创业企业的技术路线共性为从依赖外部合作到推动全栈自研，注重数据闭环和算法迭代。EE架构从分布式向域集中式和中央集中式演进。逐步减少对高精地图的依赖，推动无图方案城市NOA落地。探索端到端技术和大模型应用，提升智能驾驶性能。芯片研发是车企掌握核心技术的关键，头部车企通过自研或合作布局车规级芯片。具身智能机器人是未来布局方向，车企主要聚焦工业机器人和服务机器人领域。当然，不同的车企所强调的研发技术内容并不相同。比如蔚来注重使用者真实的体验，小鹏强调技术自研，理想聚焦增程式电动车，特斯拉全球化布局，华为则着重关注生态合作。

  头部企业通过全栈自研、数据闭环、无图方案、端到端技术和大模型应用，推动智能网联汽车技术的快速发展。以下是针对智能网联汽车领域头部创业企业（如小鹏汽车、蔚来汽车、理想汽车、华为等）的技术路线解析，涵盖智驾投资发展策略、全栈自研发展史、EE架构演进、数据闭环、无图方案、城市NOA、端到端技术、大模型等应用，以及芯片研发和具身智能机器人布局的详细分析。

  小鹏汽车从成立之初就明确了“智能化”为核心战略，早期投资大多分布在在无人驾驶算法、高精度地图和传感器融合技术。获得阿里巴巴、IDG资本等机构的投资，用于研发和量产智能汽车。与英伟达、高德地图等合作，推动无人驾驶技术的商业化落地。

  小鹏推崇全栈自研布局。EE架构演进方面，第一代：采用分布式架构，各功能模块独立运行。第二代：域控制器架构，集成无人驾驶、智能座舱等功能。第三代：中央计算平台架构，支持更高算力和更复杂的算法。数据闭环方面，通过OTA升级，持续收集用户驾驶数据，优化无人驾驶算法。建立了大规模的数据标注和训练平台，支持算法的快速迭代。在无图方案与城市NOA研发方面，小鹏P7率先推出城市NOA功能，基于无图技术实现城市道路的无人驾驶。通过多传感器融合和高精度定位，减少对高精度地图的依赖。通过端到端技术，小鹏正在研发端到端的自动驾驶系统，从感知到决策一体化，减少模块化设计的复杂性。在大模型应用中，引入AI大模型（如Transformer）优化感知和决策算法，提升系统的智能化水平。

  蔚来汽车从成立之初就注重使用者真实的体验和智能化，早期投资大多分布在在电池技术、换电网络和无人驾驶算法。并获得腾讯、百度等机构的投资，用于研发和基础设施建设的资本支持。同时，与Mobileye、英伟达等技术合作，推动无人驾驶技术的研发。

  蔚来汽车推崇算法全栈自研布局。EE架构演进仍旧采用从分布式到集中式架构的整体推进。数据闭环方面，通过NIO Pilot系统收集用户驾驶数据，优化无人驾驶算法。建立了大规模的数据标注和训练平台，支持算法的快速迭代。在实现无图方案与城市NOA方面，蔚来正在研发无图技术，计划在未来车型中推出城市NOA功能。端到端技术中，蔚来正在探索端到端的无人驾驶系统，从感知到决策一体化。在大模型应用方面，引入AI大模型优化NOMI智能助手和自动驾驶算法，提升系统的智能化水平。

  在芯片研发与具身智能机器人布局方面，蔚来暂无相关自研计划，主要依赖英伟达等供应商，且未来可能探索智能汽车与机器人的协同应用。

  理想汽车从成立之初就聚焦增程式电动技术和家庭用户市场，早期投资大多分布在在电池技术和智能座舱系统。同时，获得美团、字节跳动等机构的资本支持，用于研发和量产智能汽车。完成与英伟达、地平线等技术合作，推动无人驾驶技术的研发。

  理想汽车推崇算法全栈自研布局。EE架构演进仍旧采用从分布式到集中式架构的整体推进。在数据闭环方面，通过NOA系统收集用户驾驶数据，优化无人驾驶算法。建立了大规模的数据标注和训练平台，支持算法的快速迭代。在无图方案与城市NOA方面，理想正在研发无图技术，计划在未来车型中推出城市NOA功能。同时，理想正在探索端到端的无人驾驶系统，从感知到决策一体化。引入AI大模型优化智能座舱和自动驾驶算法，提升系统的智能化水平。目前在芯片研发与具身智能机器人布局方面，理想暂无芯片自研计划。

  特斯拉从成立之初就聚焦电动化和智能化，早期投资大多分布在在电池技术、无人驾驶算法和芯片研发。依托长期资金市场和强大的现金流，持续投入研发。并与英伟达、松下等合作，推动电动化和智能化技术的研发。

  众所周知，特斯拉始终致力于从硬件到软件算法的全栈自研，EE架构从分布式到集中式架构的演进时间周期均早于其他OEM。

  在数据闭环方面，通过FSD系统收集用户驾驶数据，优化无人驾驶算法。建立了大规模的数据标注和训练平台，支持算法的快速迭代。特斯拉率先推出无图技术，基于纯视觉方案实现城市道路的无人驾驶。并正在研发端到端的无人驾驶系统，从感知到决策一体化。同时，引入AI大模型优化无人驾驶算法，提升系统的智能化水平。在芯片研发与具身智能机器人布局上，特斯拉自研FSD芯片，用于自动驾驶系统。特斯拉推出Optimus人形机器人，探索智能汽车与机器人的协同应用。

  华为从2019年郑重进入智能汽车领域，早期投资大多分布在在芯片、操作系统和无人驾驶算法。依托华为强大的资金和技术实力，无需外部融资。并与北汽、长安、广汽等车企合作，推动智能汽车技术的商业化落地。

  众所周知，华为前期属于通信公司，并作为tier1入局智驾行业，始终致力于从硬件到软件算法的全栈自研，EE架构从分布式到集中式架构的演进时间周期均早于其他国内OEM。EE架构演进仍旧采用从分布式到集中式架构的整体推进。在数据闭环方面，通过MDC计算平台收集用户驾驶数据，优化无人驾驶算法。建立了大规模的数据标注和训练平台，支持算法的快速迭代。华为正在完善无图技术的研发，计划在未来车型中推出城市NOA功能。同时，华为正在探索端到端的无人驾驶系统，从感知到决策一体化。通过引入AI大模型优化鸿蒙车机系统和无人驾驶算法，提升系统的智能化水平。在芯片研发与具身智能机器人布局方面，华为自研昇腾AI芯片、麒麟车机芯片，用于无人驾驶和智能座舱系统。此外，华为在机器人方面的研究也是不遗余力，除了本部的研发外，还有一部分华为系的工程师直接脱离本部出来做机器人创业（如智元机器人）。

  传统车企普遍实现了L2-L3级无人驾驶功能，如上汽的斑马智行系统、比亚迪的DiPilot系统、广汽的ADiGO系统等。传统车企通过全栈自研、域控制器、合作生态等方式，推动智能网联汽车技术的商业化落地。部分车企（如比亚迪、广汽）正在研发无图技术和城市NOA功能，计划在未来车型中推出。同时，引入AI大模型优化智能座舱和无人驾驶算法，提升系统的智能化水平。并且，各家车企开始探索端到端自动驾驶系统，从感知到决策一体化，提升系统效率。通过OTA升级和智能驾驶系统收集用户数据，建立大规模数据标注和训练平台，支持算法的快速迭代。

  传统车企在智能驾驶领域的投资策略经历了从保守观望到积极布局的转变。早期(2015年前): 主要以投资或合作方式参与，例如投资初创公司或与科技公司合作研发，自身研发投入较少。中期(2015-2020年): 开始加大自主研发投入，成立智能驾驶部门或子公司，但仍依赖外部供应商提供关键技术和解决方案。现阶段(2020年后): 更看重自主研发，并积极投资或收购相关企业，以掌握核心技术，构建完整生态。

  传统车企普遍具备从硬件到软件的部分自研能力，如上汽的斑马智行系统、比亚迪的DiLink系统、广汽的ADiGO系统等。在芯片自研方面，比亚迪表现突出，自研IGBT芯片用于电动车电控系统。当然，传统车企也正在普遍自研域控制器，集成无人驾驶、智能座舱等功能。与传统车企与科技公司（如华为、百度、腾讯）合作，推动智能网联汽车技术的商业化落地。例如，上汽与阿里巴巴合作推出斑马智行系统，比亚迪与华为合作推动5G车联网技术。

  以下是对上汽集团、比亚迪、广汽集团、吉利汽车等传统头部车企在智能驾驶领域的技术路线解析，涵盖智驾投资发展策略、全栈自研发展史（EE架构、数据闭环、无图方案城市NOA、端到端、大模型等），以及芯片研发和具身智能机器人布局的总结。

  早期阶段（2015年前），上汽主要通过投资和合作布局智能驾驶领域，例如与阿里合作推出斑马智行系统，投资无人驾驶初创公司Momenta。斑马智行系统主要聚焦智能座舱，Momenta则专注于无人驾驶算法研发。中期阶段（2015-2020年），上汽成立“上汽乘用车技术中心”，开始加大自主研发投入。与华为、英伟达等企业合作，推动智能驾驶技术的落地。现阶段（2020年后），成立“零束科技”，专注于智能驾驶全栈自研，涵盖软件、硬件和算法。投资地平线、黑芝麻智能等芯片企业，布局无人驾驶芯片。与Momenta深度合作，推动L4级无人驾驶技术的研发和落地。

  分布式架构（早期），上汽早期的EE架构采用分布式设计，各功能模块独立，系统复杂且难以升级。域集中式架构（现阶段），推出“零束银河”整车电子架构，采用域集中式设计，支持OTA升级和多域协同。中央集中式架构（未来规划），计划向中央集中式架构演进，采用高性能计算平台，支持软件定义汽车。在数据闭环方面，上汽通过与Momenta合作，构建了完整的数据闭环体系。在无图方案城市NOA方面，上汽与Momenta合作，推动无图方案城市NOA的研发。通过端到端和大模型技术，上汽在零束科技的推动下，探索端到端智能驾驶技术，采用深度学习模型，实现从感知到控制的端到端学习。上汽与商汤科学技术合作，探索大模型在智能驾驶中的应用。提升系统效率和性能，降低模块化设计的复杂性。利用大模型的泛化能力，提升无人驾驶算法的性能。应用于感知、预测和决策等环节。

  在芯片研发与具身智能机器人布局方面，上汽通过投资地平线、黑芝麻智能等企业，布局无人驾驶芯片。成立芯片研发团队，专注于车规级芯片的设计和研发。同时，上汽探索机器人技术在智能制造和物流领域的应用。在工厂中引入工业机器人，提升生产效率。研发物流机器人，用于仓储和配送。

  早期阶段（2015年前），比亚迪主要依赖外部供应商提供智能驾驶解决方案，例如与百度合作开发无人驾驶系统。中期阶段（2015-2020年），成立比亚迪研究院，加大智能驾驶研发投入。与华为合作，推动智能驾驶技术的落地。2020年后，成立比亚迪半导体，专注于车规级芯片的研发。推出“BYD OS”操作系统，推动全栈自研。

  比亚迪早期的EE架构采用分布式设计，各功能模块独立。域集中式架构阶段，推出“BYD OS”操作系统，采用域集中式架构，支持多域协同。中央集中式架构阶段，计划向中央集中式架构演进，支持软件定义汽车。比亚迪依托庞大的电动车用户群体，构建数据闭环体系。通过车载传感器和车联网进行数据采集。利用自研平台处理数据。基于深度学习算法，训练无人驾驶模型。将优化后的模型通过OTA推送到车辆。

  早期阶段（2015年前），吉利通过收购沃尔沃，获取智能驾驶技术。中期阶段（2015-2020年），成立亿咖通科技，专注于智能驾驶研发。投资无人驾驶初创公司，推动技术落地。2020年后，成立极氪智能科技，推动高端智能电动车研发。布局卫星通信和芯片领域。

  吉利早期的EE架构仍旧采用分布式设计。后来，推出“SEA浩瀚架构”，采用域集中式设计，支持L4级无人驾驶，未来也计划向中央集中式架构演进。数据闭环方面，吉利通过亿咖通和极氪品牌，构建数据闭环体系。实现数据采集、标注、训练和OTA升级。通过极氪品牌，推动无图方案城市NOA研发，减少对高精地图的依赖。通过亿咖通和极氪品牌，布局端到端和AI大模型技术上的支持智能驾驶和语音交互，采用深度学习模型，实现从感知到控制的端到端学习。在芯片研发与具身智能机器人布局上，吉利通过亿咖通研发车规级芯片。同时布局卫星通信芯片，提升核心技术能力。同时，吉利通过极氪品牌，探索机器人技术在智能座舱中的应用。

  早期阶段（2015年前），广汽与腾讯、华为等企业合作，推出ADiGO智驾系统。中期阶段（2015-2020年），成立广汽研究院，加大智能驾驶研发投入，投资文远知行等无人驾驶公司。2020年后，推出“星灵架构”，推动全栈自研。与华为深度合作，采用其智能驾驶解决方案。

  广汽早期的EE架构采用分布式设计，推出“星灵架构”，采用域集中式设计，支持L4级无人驾驶。后续，计划向中央集中式架构演进。数据闭环方面，广汽与华为合作，构建数据闭环体系，利用华为的云端训练平台，实现数据采集、标注、训练和OTA升级。并在ADiGO 4.0系统中引入无图方案，逐步减少对高精地图的依赖。通过与华为合作，推动端到端研发技术，采用深度学习模型，实现从感知到控制的端到端学习。同样的，通过利用其盘古大模型推动智能驾驶研发，提升无人驾驶算法的性能。

  在芯片研发方面，广汽与华为合作，采用其昇腾芯片，同时布局自研芯片，提升核心技术能力。并且广汽也单独有投资服务机器人公司，探索机器人技术在出行服务中的应用。

  从技术层面上总体来说，车企新势力依赖技术突破，强调算法创新与算力优化。同时，产业链绑定深，商业模式探索仍在早期。资金与落地也是一个核心挑战，部分企业已进入规模化阶段。传统企业强调量产落地，依托品牌与供应链优势推进产品成熟。比如，2020年底-2023年底，高速NOA实现“好用”历时三年，通过复盘高速NOA发展历史，认为城区NOA落地时间预计拐点2.5年，基于迭代加速+落地成本降低，头部车企有望在2025年H1实现“更快”+“好用”拐点。

  个人认为，智驾终局或将呈现自建生态vs开放生态两种格局，商业模式决定终将走向寡头垄断格局。这种格局下会催生一种比较奇葩的现象：即好用的智驾系统——用户增加——数据增加——更好用的智驾——更多用户——更多数据。这种模式下，则会产生智驾各种智选模式，通过建立开放生态未来有望从数据维度实现追赶。

  声明：本文由入驻搜狐公众平台的作者撰写，除搜狐官方账号外，观点仅代表作者本人，不代表搜狐立场。