“车位到车位”大战，智驾第一梯队更难进了

继「全国都能开」后，「车位到车位」成为智驾最新的评价标准。

具体分两个维度，「有没有」以及「强不强」，就此区隔强者与恒强者的身份。

放眼全球范围内，特斯拉、华为、理想、小鹏、小米、极氪六名智驾玩家，都进入了「车位到车位」的竞争场域。

一场更严苛的像素级竞争开启后，新旧势力们追赶第一梯队的弦崩得更紧了。

优胜劣汰下，有人离终点更近一步，就意味着有人离淘汰也更近一步。

01 当智驾谈论「车位到车位」时，到底在谈论什么

端到端落地后，比拼关键在于用户体验。

从营销视角着眼，用户体验是一个很笼统的词，车企/供应商需要借助一个强有力的论据，让用户看到击穿痛点的价值。

由此，各玩家盯上了「车位到车位」。

华为率先提出了这个概念，按照字面含义，它指向了从任意车位出发到目的地车位的全程智驾。

如果说此前「全国都能开」是从面上证明开城规模广，现在的「车位到车位」就是从点上明确使用价值强，把「从 A 点开到 B 点」的底层逻辑映射到现实层面。

在华为打出样本之后，小鹏、理想、极氪、小米都心照不宣地将「车位到车位」提上日程。

大洋彼岸的特斯拉，最近也将「车位到车位」功能更新到智驾最新版本 FSD V13.2 中。

我们试图从六名玩家对于这一功能的叙事中，解读其背后的隐含意义，主要有三点。

一是全场景覆盖。

「车位到车位」打通了停车场到公开道路、公开道路到园区、园区地面到地下车库等多种场景，其中，「过闸机」能力成为了表述关键词。

理想强调在端到端大模型应用下，系统可以自主通行 ETC，且不限范围、无需学习，全国超 1 万个收费站均可识别通行。

极氪则表示该功能具备行业首个「四抬杠」能力，能够毫秒级精准捕捉抬杠状态，自动识别并通过地库闸机、高速 ETC 闸机、园区闸机等。

二是应对复杂路况。

此前车企在阐述智驾能力时，往往把应对多个极端场景作为重点论据。但极端场景多样化无法穷尽。

而在「车位到车位」的语境下，则强调了智驾应对复杂路况的连贯性与完整性。

小鹏就强调了车辆在「车位到车位」整个过程中，能够应对复杂路口、汇流变道、识别并避让特种车辆，实现 U 型掉头等特殊操作，做到全程无接管。

三是连接泊车功能。

车企在自动泊车能力上已经卷到了厘米、分秒级别。

这边小鹏表示，系统可以泊入比车身宽仅 30cm 的极窄车位，号称侧方位、断头位、刁钻车位「一把到位」；

那边极氪跟上，声称其泊车功能支持车宽+左右 20cm 的窄车位泊入，平均泊车时长 36 秒，在压线情况下能实现智能偏移。

现在，在「车位到车位」的应用场景中，这种出色的泊车能力与车辆行驶之间没有断点。用户坐进车内，就可以启动智驾，系统可以在自动驾驶与泊车无缝协作下，到达下一个车位。

由此，跨过「车位到车位」这道大坎的玩家们，正在新的度量衡中开启竞速。

目前，理想已经在 11 月底全量推送了「车位到车位」功能，华为、小米、小鹏、特斯拉都开启了不同程度的内测，都预计明年开启全量推送，极氪则预计明年一季度分批推送，二季度全量推送。

02「车位到车位」水面之下，暗流交相涌动

当各家都亮出「车位到车位」大招时，如何评判功能优劣的问题接踵而至。

理想汽车技术专家文治宇曾一针见血指出，车位到车位做的好不好，主要看两个核心要素。

一是体验连贯性，即在启动这个功能前是否需要多次学习，学习完成后能否立即开启使用；

二是产品完整性，即对于一些复杂起步场景，如多层车库能，是否也能够驾驭，做到全程无断点。

围绕这两点，把目前这些玩家的「车位到车位」功能放进审视场域中，可以明显看到共性与差异。

共性在于，无论内测还是全量推送，目前国内玩家在地库、封闭停车场场景时由于没有导航信息，需要先由用户跑「图」。

具体建图方式还不一致，有玩家要求车企把地库所有路线全部跑一遍，相当于给地库建一次全面、清晰的地图后，方可使用「车位到车位」；

另一种思路是，用户仅需按照系统要求，完成起点、目的地的车位驶入进口、驶出出口的路线学习，即可启动该功能。

当然，系统也会结合用户常驾驶路线数据，通过静默学习，自动生成通勤路线的「车位到车位」。

所以，唯一区分点在于，「车位到车位」功能能否适用于初次行驶场景，即用户在陌生路段不建图，也能全程使用智驾。

目前似乎只有特斯拉做到了。

在国外用户实测 FSD V13.2 版本的视频中，用户把车辆开进多楼层、甚至标识不清晰的停车场顶楼后，还故意绕了很多圈迷惑 FSD，但开启智驾后，系统在未提前学习路线的情况下，没有出现无目的绕圈、跟车行为，而是很快找到正确路线，并从出口处驶离停车场。

如果说国内玩家「车位到车位」功能需要学习路线后才能开启，就意味着它目前适用于固定、高频率的出行路线，而特斯拉把这一先验条件摘除后，用户则可以通过从车位开启智驾，去往任何「无图」区域。

另一差异点在于，玩家们的对于「车位到车位」的具体解题思路还不一致：

一派以理想为代表，遵循「VPA+NOA+VPA」的技术路径。

即在停车场路段，驱动系统行驶的是记忆泊车/代客泊车模式，而驶入公开道路后，则立刻转变为智驾领航模式。从 SR 画面可以直观看出，当系统进入停车场景时，从泊车界面会丝滑切入智驾界面。

这一路径，也成为了目前多数玩家的选择。

另一派以特斯拉、小鹏为代表，用一套模式打通全场景。

即无论是在园区封闭路段、地下停车场区域还是在公开路段，SR 界面一直保持智驾 NOA 画面，不会随场景变化切换软件系统。

小鹏自动驾驶产品高级总监袁婷婷表示，这种方式的优点在于，当行驶到停车场与公开道路的交汇点时，系统不会因切换软件导致卡壳现象，相当于从汽车起步时，就切换到 NGP 系统上，保证体验一致性。

行泊一体的逻辑，还使得 XNGP 大模型在封闭场景及停车场区域，可以更好应对绕柱、避障、极窄通道会车、连续急弯等场景。并且，相比两套模型，一套模型的更新、维护在成本、效率上似乎是更优解。

总之，尽管目前特斯拉 FSD V13.2 内测版本看似领先一步，但距离其入华还有一段时间。

在此期间，国内玩家的技术飞轮正疯狂转动，不断优化「车位到车位」功能，更新到最终全量推送的版本上。

在真正同台竞技的时刻之前，胜负依然未定。

03 端到端进化到 2.0 时代

「车位到车位」，可以看作各玩家对于「端到端」方法论的具体演绎。

「端到端」上车，本就指向了 AI 系统拥有类人驾驶的能力，一张神经大网囊括了从感知到规控所有模块，从而在应对极端场景时，不再被生硬的规则控制，而是像人类司机一样观察、思考、决策、执行。

这反映到「车位到车位」的实际场景中，系统可以应对各类极端情况，驾驶水平愈发出色，由此构成了技术-应用的完整闭环。

在数据闭环迭代过程中，「端到端」技术也演化到了 2.0 阶段。

这时，投身于端到端浪潮的头部玩家们，从路径收敛走到了路径分野的十字路口。

一边从感知规控模块划分，「两段式端到端」向「一段式端到端」奔涌。

前者将感知模块视为一段，预测到决策模块视为另一段；后者则是将感知与规控端到端模块全部打通。

「两段式端到端」典型代表为华为乾崑 ADS3.0，由 GOD+PDP 网络组成，GOD 网络负责感知、识别障碍物，PDP 网络则根据感知信息迅速做出决策。

而「一段式端到端」主要玩家有 Momenta、商汤科技等，将感知端到端与规控端到端都集成到一个大模型中，使系统能够更直接、高效地处理信息并作出反应。

一段式端到端是两段式端到端的进化形态，由于其打通感知、规控端到端环节，使得模型感知信息更准确，规控反应可以更为顺畅，灵活，智驾水平更强。

Momenta 已经践行了这一演进路径，在 2023 年量产两段式端到端后，在今年上半年又实现了一段式端到端落地。

据媒体报道，华为车 BU 也在攻入一段式端到端方案，这或将成为 ADS 4.0 版本的重要能力。

另一边从技术路线思考，「端到端+VLM」朝「VLA」路径开始迭代。

理想以「快慢系统」理论为基础，先设计出一套「端到端+VLM（视觉语言大模型）」系统。

两个模型分工协作，端到端模型基于快思考，负责处理常规的驾驶行为，VLM 模型通过慢思考，应对高难度的极端场景。

而 VLA 模型是近期走上技术神坛的关键词，由元戎启行率先提出。

VLA 即视觉-语言-动作模型，显然，从名称中可以发现，它是「端到端+VLM」系统的一整个融合体。

这种一体化方式，使系统接受到数据后，不再由「快慢」系统进行多次交互与调整，而是一次性生成最终驾驶指令，提高信息处理、决策的效率，并能够应对一些更具挑战性的长尾场景，如几十秒路况的长时序推理等。

最近理想发布的高级工程师招聘细则中，清晰提到的一条「负责研发和落实理想汽车下一代自动驾驶端到端 VLA 大模型算法」，再次证实了 VLA 模型将成为未来方案。

事实上，无论是「一段式端到端」还是「VLA」模型的新型进化，背后都是对 AI 资源的进一步消耗。

模型参数越大，对硬件算力、数据闭环的迭代能力要求越高。

据悉，部署 VLA 模型，对芯片算力等级直接来到了 NVIDA DRIVE Thor，算力高达 1000+TOPS。

资源战打响后，智驾第一梯队与其它玩家的分水岭变得更大了。

在端到端 2.0 时代，性能体验与成本都在朝不同方向无限延伸：

性能走向高处，「车位到车位」成为衡量智驾水平的核心维度；

成本走向低处，高阶智驾正快速落地 20 万元以内的新车。

其它智驾玩家们在前后夹击下，「性价比」的担子更重了。

这也意味着，智驾「第一梯队」走的越来越快，掌握了更多资源，一场马太效应正在行业默默蓄势。

市场很现实，如果不想被规则淘汰，那就只能改写规则。