分享
收藏
点赞
如何加速高级别自动驾驶商业化落地？
随着AI大模型、端到端自动驾驶等技术快速发展，L2级辅助驾驶加速普及，L3、L4级自动驾驶持续推进，但安全风险、技术瓶颈、研发成本和商业模式等难题仍制约其规模化落地。
如何加速高级别自动驾驶商业化落地？如何推动车路云一体化从试点走向量产，并实现产业链各方的商业闭环？
10月22日，在2026世界智能网联汽车大会“网联协同论坛：共促网联融合发展”上，清华大学教授、国家智能网联汽车创新中心首席科学家、西部科学城智能网联汽车创新中心首席科学家李克强发表了题为《“车路云一体化试点示范”高质量推进行动及量产应用实践进展》的主题演讲。
围绕当前智能网联汽车产业发展态势、车路云一体化试点城市建设、中外车企协同开发测试、量产应用及产业生态建设等内容，李克强教授系统介绍了我国车路云一体化产业发展的最新进展。
他指出：
行业对于迈向L3、L4级高级别自动驾驶已经形成共识，但真正实现产业化，必须解决三个核心问题：安全、用户愿意买单，以及企业能够盈利。
在他看来，解决这些问题不能仅仅依靠传统的单车智能技术路线，而需要通过新一代V2X技术和车路云一体化系统，实现个体智能与系统智能的协同发展。
尤其值得关注的是，随着试点城市基础设施建设持续推进，中外车企协同开发测试行动不断深入，车路云一体化正在从技术验证迈向量产开发，并开始构建由整车企业、供应商和城市平台共同参与的新型产业链。
全球自动驾驶产业化探索实践加速，
但面临三大技术需求瓶颈
当前，全球智能网联汽车产业正加速向高级别自动驾驶发展。
美国持续推动自动驾驶相关立法与技术创新，欧洲加强跨国协同和自动驾驶技术部署，日本、韩国等国家也通过国家战略、专项项目和测试规程，推动智能网联汽车技术应用。
与此同时，网联化、协同化正在成为全球自动驾驶技术发展的重要方向。
中国智能网联汽车产业的发展同样迅速。
李克强教授在报告中介绍，2025年我国乘用车L2级辅助驾驶渗透率已达到64.9%，2026年上半年进一步提升至71.9%，其中NOA功能渗透率达到31.3%。
然而，随着智能驾驶功能持续普及，产业发展中的深层次矛盾也越来越突出。
首先是交通安全事故隐患存在。
在实际应用中，智能汽车在部分工况下智能化程度不足导致体验欠佳，复杂工况下更是存在安全隐患，伤亡事故时有发生，较多汽车企业的相关产品均曾曝出安全问题，高速NOA事故率上升。
其次是研发边际效应递减。
随着智能驾驶系统向更高级别发展，车企需要持续增加算法研发、数据采集、算力建设和测试验证投入，但系统性能提升与研发成本之间已经不再保持简单的正向关系。
最后是性能提升遭遇困境。
李克强教授指出，现有自动驾驶系统存在四个方面的典型制约。
一是“看不全”。
受限于传感器视距、遮挡和复杂环境，车辆难以全面获取道路交通信息。
二是“想不透”。
面对复杂交通参与者和长尾场景，算法在认知、预测和决策方面仍存在不足。
三是“联不通”。
单车难以与其他车辆、道路基础设施及交通管理系统形成充分的信息交互与协同。
四是“算不起”。
自动驾驶性能提升需要持续投入算力、数据和研发资源，单纯依赖单车不断堆叠硬件与算力，难以形成可持续的成本结构。
这些问题并非简单依靠提高芯片算力、增加传感器数量，或者扩大单一车企的数据规模就能够完全解决。
面对这些挑战，智能驾驶技术需要从单车独立感知、独立决策，进一步走向群体协同、系统赋能。
车路云一体化不是替代单车智能，
而是技术演进的必然方向
对于车路云一体化与单车智能之间的关系，李克强教授在此次演讲中再次强调了一个重要判断。
即，车路云一体化并不是与单车智能对立的技术路线，而是单车智能进一步发展的技术演进方向。
随着汽车电子电气架构从分布式控制向域集中、中央计算演进，车辆智能化的边界也在不断拓展。
过去，车辆主要依靠自身传感器、计算平台和控制系统完成驾驶任务；随着车云协同、路侧感知以及实时通信能力不断增强，自动驾驶将逐步形成车端智能与系统智能协同发展的新架构。
在这一架构下，车路云一体化能够从多个维度突破单车智能的局限。
首先，通过路侧感知和多源信息融合，车辆可以获取超出自身传感器视距范围的交通信息，弥补感知盲区。
其次，通过车路云数据闭环，车辆运行数据、道路感知数据和交通运行信息能够为人工智能模型训练提供更加丰富的数据来源。
再次，通过车路云实时交互，不同交通参与者之间能够开展信息共享与协同决策，提升复杂场景下的安全性和通行效率。
此外，通过算力分层部署和资源共享，还可以探索降低单车智能化成本、提升系统整体运行效率的新途径。
李克强教授特别强调，人工智能大模型的能力不仅取决于模型架构与训练算力，更取决于输入信息是否充分，以及训练数据是否具有足够的完整性。
单一车企即使积累了海量行驶数据，也未必能够覆盖真实交通环境中的全部关键场景。
数据不仅要“多”，还要“全”。
这意味着，未来自动驾驶的发展，需要进一步利用路侧感知、交通系统和跨主体数据资源，构建更加完善的数据闭环。
从这一意义上看，车路云一体化不仅能够为车辆提供超视距感知和协同决策能力，还将成为自动驾驶大模型持续演进的重要基础设施。
20个试点城市加快建设，
车路云一体化形成规模应用基础
车路云一体化要从技术理念转化为产业能力，首先需要具备统一、可靠的基础设施。
2024年7月，工业和信息化部等五部门公布了20个智能网联汽车“车路云一体化”应用试点城市（联合体），推动我国车路云一体化进入城市级规模化建设阶段。
2025年，成立试点城市平台公司联盟，加速城市标准化建设运维，支撑车企量产应用。
经过两年多的推进，试点城市在智能化路侧基础设施、城市云控基础平台、统一标准和应用场景等方面取得了阶段性进展。
李克强教授介绍，截至2026年7月，智能化路侧基础设施建设已覆盖约3.2万公里道路里程，智能网联路口规模持续扩大。
在这一过程中，产业推进重点已不仅仅是建设更多路侧设备，而是让不同城市、不同车企真正能够使用同一套基础能力。
围绕车路云一体化试点城市建设，李克强教授重点介绍了统一架构与标准体系建设、智能化基础设施升级，以及云控基础平台能力提升等方面的最新进展。
在标准体系方面，行业正通过试点城市平台公司联盟，推动统一系统架构、基础设施分级和重点标准研究，为不同城市、不同车企之间的协同应用奠定基础。
在基础设施建设方面，试点城市正按照分级建设要求，推进道路基础设施的信息化、数字化升级。
同时，作为车路云一体化重要数字底座的云控基础平台，其能力也在不断增强，并已形成一定的规模化应用基础。
随着基础设施建设持续推进，车企与城市平台之间的协同也在不断深入。
李克强教授指出，在推动城市基础设施赋能汽车产品的过程中，车企与基础设施之间还存在技术规范、应用要求等方面的差异，涉及数据质量、信号稳定性等实际问题。
目前，交通信号灯、交通事件等网联服务已在多个试点城市落地。
下一步，如何进一步利用路侧数据支撑车企的数据闭环、模型训练和智能驾驶能力提升，也正在成为行业重点探索的方向。
十大功能场景：
中外车企协同开发测试行动的最新进展
车企愿不愿意采用、哪些功能具有实际价值，决定着车路云一体化能否真正走向市场。
李克强教授介绍，围绕高级别自动驾驶实际需求，行业从整车企业提出的技术痛点出发，梳理形成了十大车路云一体化赋能场景，并通过中外车企联合开发测试，推动相关功能向产品化、量产化发展。
这些场景是针对现有单车智能难以充分解决的典型问题。
首先是2025年已经完成的技术验证。
1. 网联式前向避碰辅助。
在高速行驶过程中，如果前方车辆突然避让障碍物，后车可能在极短时间内才发现前方危险。
由于障碍物此前被其他车辆遮挡，即使后车具备较强的环境感知能力，也可能无法及时识别风险。
这就是智能驾驶系统面临的典型感知盲区问题。
通过车路云协同，车辆可以提前获取前方交通风险信息，从而争取更多反应时间。
李克强教授指出，这类问题具有明确的物理约束，不能简单依靠提升单车算法性能解决，而需要通过提前的信息交互实现风险预警和协同避撞。
2. 网联式绿波车速引导。
传统导航系统可以向驾驶员提示前方红绿灯情况，但难以根据多个连续路口的实际信号状态，实现系统化的车速引导。
车路云一体化系统则可以利用连续路口信号灯信息，为车辆提供更加合理的速度建议，帮助车辆减少不必要的制动、停车和重新起步。
在李克强教授看来，这类功能具有较强的用户可感知价值，是推动网联技术进入量产车辆的重要切入点。
3. 网联式匝道汇入汇出。
高速公路匝道汇入汇出涉及主线车辆、匝道车辆之间复杂的速度调整和行驶博弈。
单车智能受限于感知范围和交通参与者行为预测能力，难以始终实现安全、平顺的合流。
通过车路云一体化系统提供的道路交通状态信息，车辆可以更早识别汇入风险，并开展协同速度调整与决策。
这类功能将有助于提升高速公路复杂路段的通行安全与效率。
接下来是2026年的最新落地进展。
4. 网联式弱势交通参与者避撞。
对于城市道路而言，“鬼探头”是典型的高风险长尾场景。
当行人或非机动车突然从停放车辆、建筑物或者其他遮挡物后方出现时，车端传感器可能因遮挡而无法提前感知。
李克强教授指出，真正具有挑战性的并不是车辆在低速、预设区域内识别已知风险，而是在正常行驶速度下，面对缺乏先验信息的复杂环境，仍然能够及时识别危险。
路侧感知可以从车辆之外的视角获取交通参与者信息，与车辆感知形成互补。
因此，基于车路云协同的弱势交通参与者保护，成为中外车企重点推进的应用方向之一。
5. 网联式智能泊车引导。
针对大型停车场寻位效率低等痛点，融合停车场地图与动态车位状态信息，为驾驶人或自动驾驶系统提供精准泊车引导服务。
云端统一规划目标车位和行驶路径，相较于人工驾驶，泊车效率得到有效提升，优化了用户体验。
6. 特殊车辆信息提示。
面向应急救援、道路作业等场景，通过“车－路－云”信息贯通，提供优先通行提醒 与动态避让引导，实现特殊车辆与社会车辆的高效协同通行。
比如在清扫环卫车辆提示中，车云通信将环卫车辆的信息传输到云平台并定向发给后方车辆，提前换道减少急刹、提升安全和效率。
7. 网联式车辆编队行驶控制。
在荣乌高速新线开展货车队列驾驶测试中，围绕“测试路段改造—云控平台部署—L2+车辆改造—队列算法运行”形成工程化验证闭环。
除上述七大功能场景外，交通事件信息服务、交通管控信息服务、车辆感知信息共享服务三大场景预计于2027年完成。
这些场景共同反映出一个重要变化：车路云一体化的应用正从传统的信息提示，逐步向协同感知、协同决策乃至协同控制发展。
李克强教授介绍，目前参与车路云一体化协同开发测试行动的中外车企已达到22家。
参与企业覆盖国内外主流整车企业，各家车企拿出各自具有代表性的量产车型平台，开展车路云一体化功能开发和测试验证。
这与此前以科研样车、示范车辆为主的技术验证存在明显区别。
进入量产开发阶段后，车企需要考虑的是相关功能能否融入现有车辆电子电气架构，能否满足量产产品的质量、可靠性、安全性和成本要求。
为此，相关功能的量产导入也采取了分阶段的技术路径。
首先，从交通事件提醒、道路信息提示等相对容易落地的功能切入。
随后，随着车端系统与云控平台能力不断成熟，逐步实现网联协同感知、协同决策以及更高层级的控制功能。
与此同时，相关企业正在围绕2026年及后续年度的产品开发制定具体计划。
值得注意的是，李克强教授特别强调，量产开发与科研示范有着本质区别。
科研示范主要验证技术可行性，而量产开发则必须建立面向真实产品交付的合作关系、技术规范和质量保障体系。
这也意味着，车路云一体化正在从过去以项目建设和技术验证为主的推进方式，转向更加重视整车产品、供应链协同和市场需求的产业发展模式。
车路云一体化系统运行
商业模式已初步探明，产业链初步形成
长期以来，商业闭环始终是车路云一体化产业面临的重要问题。
道路基础设施由谁投资建设？云控平台如何向车企提供服务？整车企业为什么愿意为网联能力付费？产业链上下游又应如何分工？
这些问题如果得不到解决，即使技术可以实现，也难以形成可持续发展的产业生态。
对此，李克强教授在演讲中指出，随着联合开发测试持续推进，车路云一体化系统运行的商业模式已经逐步清晰。
其核心是充分利用已经建设和持续升级的道路数字化基础设施，把过去主要服务交通管理的公共能力，转化为能够同时支持整车企业智能化产品开发和应用的网联服务能力。
在此基础上，行业正在探索形成由整车企业、1级供应商、1.5级供应商共同参与的创新产业模式。
李克强教授介绍，车路云一体化产业链初步形成，产业链上下游商业签约已逐步启动。
对于车路云一体化的量产应用进展，李克强教授特别介绍了中国一汽和长安汽车的相关实践。
中国一汽正在红旗车型上开展车路云一体化相关功能的量产应用。
在这一过程中，相关技术首先从道路信息提示、交通事件提醒等功能切入，将基础设施所提供的网联信息真正接入量产车辆。
长安汽车则关注车路云一体化对L3级自动驾驶能力提升的作用。
自动驾驶系统能否在特定道路、速度和环境条件下运行，受到设计运行条件（ODD）的约束。
要进一步扩大高级别自动驾驶的适用范围，除了持续提高单车感知与决策能力外，还需要探索通过车路云协同提供更加充分的道路交通信息与安全保障。
目前，长安汽车正在推进面向L3级自动驾驶的车路云一体化量产开发，相关工作已不局限于道路事件信息提醒，而是进一步涉及协同感知和决策能力。
此外，围绕智能网联汽车测试评价，行业也正在推动虚实结合、数实融合的新一代测试技术研发。
由此，车路云一体化的产业化工作正在逐渐覆盖从基础设施建设、产品开发到测试评价的全过程。
除此之外，李克强教授强调，人工智能模型训练不仅需要海量数据，更需要丰富、完整且具有代表性的数据。
尤其是在自动驾驶场景中，来自车辆自身的视角并不能反映道路交通系统的全部状态。
通过车路云一体化系统，可以把道路交通感知数据、车辆运行数据以及交通管理信息进行有效协同，为人工智能训练提供更加丰富的数据来源。
在此基础上，国家智能网联汽车创新中心、清华大学等单位正在推动依托车路云一体化系统建设汽车人工智能中试基地。
这一平台的重要方向，是围绕行业共性需求，推进数据生成、数据加工、模型开发、仿真验证与测试评价等能力建设。
李克强教授认为，随着物理人工智能技术持续发展，汽车智能化将越来越依赖车辆、交通基础设施与数字系统之间的深度融合。
下一步的工作建议
对于车路云一体化下一阶段的发展方向，李克强教授在演讲最后提出了四个方面的重点工作。
第一，坚持车路云一体化协同发展路线，筑牢中国方案基础。
持续坚守车路云一体化的智能网联汽车发展路线不动摇，立足我国道路基础设施建设、基础通信网络与交通管理的体系化优势，打造区别于单车智能的中国特色智能网联汽车方案。
统筹顶层标准体系建设，打通车、路、云、图、安全等多领域技术壁垒，推动通信、汽车、交通产业跨界融合，强化数据安全与隐私保护能力，夯实产业长期竞争根基。
第二，推进车路云一体化协同开发与测试行动，持续扩大量产规模。
持续推进中外车企车路云一体化协同开发与测试行动，构建分级、分场景的开放测试体系，覆盖城市道路、园区等典型场景，完善商业闭环模式。
鼓励车企、零部件供应商、云平台车网公司联合攻关，打通从场景迭代到量产工程落地的全流程链条。稳步推动相关车型量产落地，持续扩大商业化应用规模，降低整体部署成本。
第三，强化推动城市高质量数据建设和运维工作，夯实发展基础。
积极对接多家车企的量产需求，响应车企对路侧数据质量、数据种类和交付形式方面的技术要求，针对路侧感知、交通信号灯和云端融合数据的关键指标，建立持续整改提升措施。
升级全域尤其是重点路口路段，信号灯、路侧感知等数据治理及云端服务质量的监控与运维能力，创新构建高质量数据7*24小时的运维保障机制，保证基础设施的可用、有用和好用。
为试点城市数据质量提升和车企量产支撑提供奖励补贴。鼓励和支持试点城市开展智能化道路基础设施、云控基础平台的标准化、规模化建设和运营能力打造。
第四，扩展车路云一体化高速公路车企协同开发行动，实现跨城连片。
优化车路云一体化高速公路场景建设，组织车企开展跨主体协同开发与验证，统一高速场景车云通信协议与业务接口规范。
依托高速公路路网资源，推动路段建设由单点示范向跨城连片组网升级。
同时，完善高速场景动态信息、云端调度能力，形成连续可用的商业闭环服务能力，支撑高速自动驾驶量产规模化落地。
李克强教授介绍，目前相关单位正加强与交通运输部门、高速公路运营企业等方面的合作，推动高速公路领域车路云一体化系统建设与车企联合开发。
未来，车路云一体化将逐步向跨区域、跨道路类型的连续化应用发展，通过城市道路和高速公路协同建设，推动形成更加完整的新一代智能交通系统。
未经许可，任何人不得复制、转载、或以其他方式使用本网站的内容。如发现本站文章存在版权问题，烦请提供版权疑问、身份证明、版权证明等材料，与我们联系，我们将及时沟通与处理。
好文章，需要你的鼓励
车路云50人
特邀作者