在推动自动驾驶汽车落地的过程中，有多方力量在发挥作用。科技巨头如谷歌、特斯拉等，凭借其先进的技术研发能力和雄厚的资金，不断突破自动驾驶的技术瓶颈，为落地奠定基础。汽车制造商们则利用自身对汽车制造的专业经验和供应链掌控力，将自动驾驶技术融入到整车生产中，使其具备大规模商业化的条件。同时，政府的政策支持与法规制定至关重要，明确的政策导向能引导行业有序发展，而完善的法规能保障道路安全和用户权益。此外，数据安全公司也不容忽视，其负责保障自动驾驶系统运行所需的数据安全，消除用户对数据泄露的担忧，只有这些力量协同合作，才能真正撬动自动驾驶汽车的落地。

本文来自微信公众号：经济观察报 （ID：eeo-com-cn），作者：刘诚

人工智能的技术进步及其成本降低推动了DeepSeek等大模型的普及。那么，自动驾驶汽车呢？是否也可以通过技术、成本及社会规则的演进，迎来快速落地的井喷时刻？

技术创新是新事物发展的前提，也是根本动力。当前AI技术创新正在经历显著转变，从以内容生成为核心的生成式AI转向以目标驱动为核心的智能体AI。我们预测，与ChatGPT、DeepSeek等模型在语言领域带来的跨越式进步类似，在不远的将来，智能体AI也将在自动驾驶领域呈现爆发式增长，实现感知、决策与控制能力的重大突破，大量新车将会具有高级别辅助及完全的自动驾驶能力。

当前，汽车工业的智能化创新正在如火如荼地发生着。一些车企加速驶入具身智能人形机器人赛道，而抛开外形的“表面”创新不谈，自动驾驶技术本身有两种技术走向。一种是“端到端”技术。它来自深度学习中的概念，英文为“End—to—End（E2E）”，指通过一个AI模型，只要输入原始数据就可以输出最终结果。应用到自动驾驶领域，这意味着只需要一个模型，就能把摄像头、毫米波雷达、激光雷达等传感器收集到的感知信息，转换成车辆方向盘的转动角度、加速踏板的踩踏深度以及制动的力度等具体操作指令，让汽车实现自动驾驶。但“端到端”需要海量高质量数据“投喂”训练。与大语言模型可以在互联网上爬取海量文字数据用于训练不同，“端到端”智驾需要的视频数据获取成本和难度极高。

另外一种是模块化技术走向。目前市面上绝大部分自动驾驶系统为模块化方式，即人工和智能的混搭系统：感知依靠神经网络，规划控制则使用人类手动设计的算法。该系统的好处在于分工明确，一旦发现缺陷，便于快速定位并分模块进行检查和解决。但问题是，这种模块化的自动驾驶系统在相对简单的驾驶任务上表现不错，而在复杂的驾驶任务面前，其天花板显而易见。

客观来说，当前各大车企采用的仍是辅助驾驶，而不是完全意义上的自动驾驶，这主要是限于技术能力及其成本。“既要相信系统，又要随时准备接管”是当前智能驾驶的最大悖论。如果不能实现高效且低成本的技术突破，普遍性的自动驾驶技术将难以上路，或仅存在于诸如无人矿区等特定场景，或囿于小范围的试验区。例如，易控智驾公司的无人驾驶矿卡已经进入20多座露天矿山，运行车辆超过1000辆；小马智行于今年3月正式开通北京南站往返北京亦庄的Robotaxi服务；特斯拉计划今年在德克萨斯州和加利福尼亚州启动无人监督的完全自动驾驶（FSD）功能。

成本：从小众走向普及

再好的技术，倘若只存在于实验室、无人区或试验区，都将难以充分发挥技术革新对产业革命的推动作用。马克思曾将新产品经过商业化和市场化检验、实现大规模产业化生产的过程，称为“惊险一跃”。

笔者认为，“惊险一跃”的关键一环是成本。对于新产品，成本的降低，一方面可以提高生产端的积极性，另一方面可以提高消费端的热情，使其真正走入“寻常百姓家”。

历史上，降成本有力推动汽车进入千家万户。1908年福特公司推出了T型车并采用了移动流水线组装的生产方式，极大降低了汽车生产成本。当时，大多数汽车的价格约为2000美元，而福特将价格定为850美元。接下来，福特不断提高产量，同时继续降价。这使得美国中产阶级首次能够负担得起机动交通工具，汽车数量急速增长。拥有汽车的美国人比例从1915年的10%提高到1930年的59%。

特别指出的是，中国在AI降成本问题上取得了突破性进展，或将在不久的将来推动自动驾驶领域的爆发式应用。以DeepSeek为例，R1在多个基准测试中与美国OpenAI公司的o1持平，但训练成本仅为o1的三十分之一。这种技术突破不仅降低了AI大模型的硬件门槛和能源消耗，更重要的是为AI技术普惠化铺平了道路。

从国内外来看，特斯拉为代表的一些车企也在减成本和降价格上大做文章。马斯克曾经表示，预计自动驾驶出租车Cybercab的成本将低于30000美元，交通成本约为0.2美元每英里，预计将于2026年投入生产。据华福证券研报，经测算对比，萝卜快跑Robotaxi的经营成本优势凸显，每公里运营成本仅0.81元，较传统油车节省58%，较传统电车节省43%。

总体上，随着时间的推移，自动驾驶技术的成本会降低，使用变得越来越容易，促进商业活动的迸发与繁荣，最终使自动驾驶得以大规模扩散和普及。值得一提的是，萝卜快跑、小马智行、文远知行等自动驾驶企业也在布局海外，萝卜快跑已于近期落地迪拜和阿布扎比。

规则：从现象倒闭制度

有一些天真的技术解决主义者认为，技术可以解决世界上的所有问题。然而，单靠技术本身并不足以解决所有难题。技术的创造、使用、所有权和管理方式都会产生深远的影响，这需要规则做出适应和调整。

一方面，自动驾驶走入社会是大势所趋。未来已经来到我们中间，只是还没有均匀地分布到生活的各个角落。人类对改善的追求，无论是在个体、环境、能力方面，还是在对周遭世界的影响方面，都在推动着思想与创造力的不断演进。正如马车车主和马车制造商无法阻止汽车崛起一样，只要存在需求，技术总会找到突破点，赢得用户的青睐和支持。

在规则上，不宜以现行规则“一刀切”地否定新事物。历史上，科技进步和机器崛起曾多次带来社会结构和文化习俗的剧变，促使人们重新思考自己的定位和价值观，并引发人们内心的迷茫和情感的无所依托。但此时，我们不应保守地否定新事物，而应以开放的心态去包容甚至迎合新事物，从而更快地找到人类生产生活的价值归属。

环境的大势就好像隆起的山峰，有着坡峰与坡道，系统中的功能单位或组织就像一堆石头，它们顺着大势而动。在以往的层级制管理思维中，我们总是想控制。就像西西弗斯的神话，西西弗斯老是想按照自己的想法把石头推到一个高点上，然而石头却总在高点滚下来，最后他的一生就是在那里不断地推石头，而石头在不断地向下滚。

另一方面，我们要积极进行制度建构，为自动驾驶确立长效规则。我们生活在一个由规则，尤其是法律规则指导着生活方方面面的世界里。每当社会面临危害或风险时，我们就会继续扩充规则，并将其纳入法律条款。关于损害和风险是指什么，是什么原因造成的，什么可能是立法上最好的回应，众人时而会莫衷一是。可一旦有了足够的共识和政治支持，我们就会建立新的法律规则来应对我们的社会、市场和环境所面临的风险。

经济理论表明，创新体系具有路径依赖性，表现出明显的“因果积累”特征，早期制度选择可能会通过正反馈机制锁定技术发展方向。换言之，一种方兴未艾或者正在获得越来越多人支持的规范或惯例，即使还没有得到大多数人的支持，也可以发挥出强大的助推作用。因此，对于自动驾驶的一些基本规则对今后的产业发展至关重要，如人机关系、责任分配等。

特别是需要优先关注自动驾驶的安全问题。有研究表明，90%的交通事故都是人为原因造成的，例如情绪不佳、酒后驾车、疲劳驾驶等，但把驾驶的任务交给算法，算法没有情绪，也永远不会疲劳，据保守估计，人为原因导致的交通事故将下降80%，这不仅能够减少社会损失、提高人类的生命安全，也将重构未来的保险行业。马斯克也认为，自动驾驶会越来越安全，未来甚至能比人类驾驶安全100倍。但是，2025年3月在安徽铜陵发生一起车祸致使3人身亡，事故发生前车辆处于智能辅助驾驶状态，以116km/h时速持续行驶，引发社会各界对自动驾驶技术安全性能及责任归属的关注。自动驾驶的安全性能到底如何，需要社会各界加紧研究。

进一步地，自动驾驶汽车是保护谁的安全，乘客、路人还是财产安全？麻省理工学院部署了在线实验平台“道德机器”（MoralMachine），了解公民希望自动驾驶汽车在不可避免的事故情况下如何解决道德难题。结果显示，参与者呈现出3种十分强烈的偏好：保护人类而不是保护动物，保护更多的生命，保护年轻的生命。自动驾驶事故中的道德选择只是人工智能系统可能面临的道德选择中的一个案例。

再者，怎样提高安全性？这需要人工智能技术的提高和训练样本的扩大。可以说，自动驾驶汽车在大规模商业化应用前需要进行大量的测试，相关研究报告指出，在不犯错误的情况下，自动驾驶汽车需要行驶4.4亿公里，才能证明其在车祸致死率上和人类驾驶员的水平相当。

最后，发生事故如何追责？若由AI承担驾驶责任，进一步的问题是由哪个AI子系统及其供应商负责？因为在接下来的几年里，我们的世界会有越来越多的系统，这些系统根据来自不同子系统和数十家公司硬件、软件的数据基础自主做出决策。如何追溯一起交通事故中需要负责的AI子系统是非常困难的。

此外，还有车企、运营商、乘客、保险公司等利益关系等问题，也需要从社会底层规则上做出一定的探索。中国智能驾驶革命已经到了突破时刻，但这一系列围绕安全问题的社会规则都亟待研究。