具身智能：从虚拟AI到现实AI：自动驾驶最难的一关，不在车上

2026-11-15silcano

微信读书《具身智能：从虚拟AI到现实AI》· 本次逐页翻阅 8 屏，覆盖第四章「具身智能与自动驾驶」的末两节与第三节全篇（p0082–p0089），全书 206 屏，本次未读完全书。
说明：这本书此前已有一篇（只覆盖到第 65 屏的 partial，正文写到第四章的技术史与未来清单），本篇不重复那部分，只写这次新读到的 8 屏：感知路线之争、模块化与端到端之争、四个制约因素、应用价值与应用场景。引句页码为本次截图编号，与纸书页码无关；文中标"我的判断""我认为"处是评论，已与原文分开，凡是加引号的话都能在对应截图里逐字核对。注意 p0084 与 p0085 是同一段内容的重复截屏，看一页即可。

一本书讲到"未来会怎样"的时候，最容易露怯。

前面三章讲具身智能是什么、机器人产业链怎么排、AIGC 怎么和智能体结合，都属于"介绍"，错了也不容易被抓。到了第四章讲自动驾驶，题目一变难——这是个已经烧掉上千亿美元、死过公司、撞死过人的领域，任何一句乐观的判断都要接受现实对账。这 8 屏正好落在全章最要紧的位置：路线怎么选、瓶颈在哪、值多少钱、先落哪个场景。

读完我的感受是矛盾的。作者把技术路线的取舍讲得很清楚，几个关键数字也给了出处，这是本分的写法；但一到"为什么还没普及"这个问题上，他给出的答案突然变得非常省事——除了技术安全性，其他三个因素"其实都是时间问题"。这句话是全章的分水岭：前面是介绍，后面是许愿。

一、四个瓶颈里三个被判成"时间问题"，这一步跳得太快

作者列了四个制约因素，顺序是技术安全性、政策法规、方案成本、市场接受度。技术安全性被放在第一位，也确实是唯一被认真对待的一个——他说，自动驾驶必须被证明"具有比人类司机数倍甚至数十倍的显著优势"，才可能被广泛接受，因为社会难以接受"全国每年因自动驾驶导致的交通事故造成数万人死亡"这件事。

这个判断我认为是对的，而且比大多数鼓吹者的说法更诚实：他没说"机器比人安全就够了"，他说"要好数倍甚至数十倍"。这一句把门槛抬高了，是全书这一章最有分量的一句。

但紧接着，剩下三个因素的判决就轻得反常：

在解决了技术安全性之后，剩下的三个因素的解决其实就是时间问题。政策法规虽然从静态来看是一种硬性制约条件，但从动态发展的视角来看，政策法规是随着技术安全性的进步而逐渐有序放开的，长期看并非真正意义上的制约因素。

我的判断：这句话把因果关系装反了。

"政策法规随技术安全性进步而逐渐放开"——听起来顺，但你去看实际的立法节奏，会发现它更接近相反的曲线：技术越接近 L3，法规收得越紧。原因不复杂。L2 的时候，事故责任在驾驶员，法规几乎不用动；L3 的时候，系统在特定条件下接管驾驶，一旦出事，责任要在人和厂之间切一刀。这一刀切在哪里，涉及道路交通安全法、产品责任法、保险条款、事故鉴定标准，是一整套要重新搭的东西。

这套东西不会因为"感知更准了"就自动长出来。它需要立法机关排期、需要判例积累、需要保险公司重新定价——这些都是博弈，不是函数。作者用"动态发展的视角"六个字把它柔化成了一个随时间自动变好的变量，但它其实是四个因素里唯一一个不随技术进步单调改善的变量。

市场接受度那段也有同样的问题。作者的论证是：只要技术验证了、法规放开了、成本合理了，"总会有消费者愿意尝鲜，从而带动其周围的消费者逐渐加入"。这是标准的创新扩散曲线描述，本身没错，但它假设了一个前提——尝鲜的那个人不会成为新闻里的第一个死者。一旦出现一起高关注度的自动驾驶致死事故，接受度可以在一个晚上退回原点，且不按曲线恢复。这类"单点事件改写整体预期"的机制，扩散模型里是没有的。

二、激光雷达贵 1 到 2 个数量级，贵的不只是器件

感知路线这一节，是这 8 屏里信息密度最高的部分。作者把两条路线的优劣摆得很整齐：

纯视觉方案仅依赖摄像头采集环境信息，类似于人类驾驶员通过眼睛来感知周围环境。优点是实现成本远低于融合传感器方案……而这种方案的缺点是容易受到环境光的干扰，图像处理能力非常依赖大规模数据的深度学习训练，以及仅依赖单一传感器可能存在环境感知的"死角"，增加失效风险。

激光雷达成本远超摄像头，二者成本相差 1 至 2 个数量级，而且硬件的可靠性和成熟度目前仍不理想，也容易受雨雪雾等天气因素影响。

"相差 1 至 2 个数量级"，也就是十倍到百倍。这个量级差是真实的，也是融合方案绕不过去的账。但作者只报了差价，没拆差价——这恰好是关键所在。

激光雷达贵，贵在四层，一层比一层难降。第一层是器件本身：发射、接收、扫描机构，早期机械旋转式的寿命和一致性都是问题。第二层是标定与产线良率：多传感器融合要求摄像头、毫米波、激光雷达在同一个时空基准上对齐，外参标定的精度直接决定融合效果，而这件事在产线上是慢工序。第三层是车规认证：一颗器件要过温度、振动、电磁兼容、十万小时寿命，认证成本摊到早期小批量上极其昂贵。第四层是售后：装在车头保险杠位置的激光雷达，一个小剐蹭就是几千上万的更换成本，这一层是保险定损员最清楚的，也是宣传材料里最不会提的。

前两层会随规模下降，第三层会随平台化摊薄，第四层很难——它跟装机量几乎无关，跟碰撞率有关。

作者后面提到成本会降，给的证据很硬：

目前的软硬件成本相对高昂也是因为尚未实现标准化和规模化，未来伴随落地应用的规模提升，成本一定会降到合理水平。实际上，在过去十年，主流 4 级自动驾驶方案的整体成本已经下降了 90% 以上。

十年降九成，这个数字很有说服力，我信。但用它推出"成本一定会降到合理水平"，中间还是跳了一步，因为"整体成本"和"整车成本"不是一回事。

Robotaxi 的成本结构里，早期占比最高的往往不是车，是人——安全员、远程接管员、地面运维、清洁充电。一辆车配一个安全员的时候，人力成本约等于另一辆车。安全员撤掉之后，远程接管比从 1:1 降到 1:10，人力才开始真正下降，而这取决于系统在"罕见场景"里的表现，不取决于器件价格。所以那条下降 90% 的曲线，降的主要是硬件与集成；剩下的部分，是运营与冗余，它的斜率要平得多。

说得更直白一点：硬件成本是规模函数，运营成本是可靠性函数。作者把两者装在同一个"成本"词里，用一个的下降速度替另一个做了承诺。

三、"除特斯拉以外几乎都用融合"，这句话一半是技术，一半是举证

这一节里有一句话，作者写得像背景交代，但我觉得它比整节的优劣对比更有信息量：

除特斯拉以外，其他自动驾驶公司几乎都以多传感器融合作为主要感知策略，特别是对于 3 级以上的高级别自动驾驶场景。

为什么偏偏是"3 级以上"？作者的解释留在技术层：级别越高，系统承担的场景越多，单一传感器的死角风险越大，所以需要冗余。这个解释成立，但它只解释了一半。

另一半是举证责任。L2 出事，责任在驾驶员，厂家的义务是"说明功能边界"；L3 出事，责任可能落到系统，厂家必须能证明"我在那个时刻已经尽到了感知义务"。这时候，摄像头画面和激光雷达点云的说服力完全不同：逆光下的过曝画面、雨夜里的模糊车牌，在事故鉴定会上几乎无法自证；而激光雷达输出的是一份带时间戳的三维距离记录，它能回答"那一刻车看见了什么、有多远"。融合方案买的不只是感知冗余，更是一套可回溯的举证材料。

这也是为什么我觉得作者把这件事完全归入"技术策略"是可惜的。同样的现象，换个角度读，就是一条行业规律：当责任从人转向机器，采购决策的第一驱动力就从"够用"变成"可辩护"。这解释了为什么很多方案在性能上并不需要激光雷达，却仍然装了；也解释了为什么纯视觉那条路只可能由一家拥有巨大车队、能自己承担举证风险的公司来走。

顺便说一句我自己的看法，这一点书里没写：特斯拉纯视觉真正的护城河，其实不是算法，是车队。卖出去的车每天在跑，摄像头回传的是真实世界的长尾——逆光、雨雾、异形障碍、施工改道。这种数据采集面是任何用几十台、几百台测试车攒数据的公司比不了的。所以"在纯视觉方案上的技术积累一骑绝尘"这句话，主语严格说是"车队规模 × 数据闭环"，而不是"视觉算法本身"。把结论归给算法，会让读者以为这是一场可以靠聪明追上的比赛。

四、图 4-1 比正文诚实：模块化能定位，端到端只能加数据

第二节讲架构，配了图 4-1「自动驾驶模块化架构与端到端架构对比」。这张图的表达比正文利落：模块化是一条流水线——传感器 → 感知 → 决策规划 → 控制 → 执行器，方框之间是箭头；端到端则把这些方框全部收进一个网络里。作者的文字说明也到位：

这种模块化架构具有可理解性强、易于调试、模块替换灵活等优点。同时，每个模块也可以由专业团队独立开发和优化。

以前在模块化经典架构下，模型出问题是由算法工程师写代码来解决，现在靠给模型针对性地"喂"数据来解决。

最后这句是全书这一章最锋利的一刀，但作者捅了一下就收了。他只是陈述，没有沿着这句话往下问。

我的判断：把"写代码解决"换成"喂数据解决"，换掉的正是"人能读懂"这件事。

模块化架构出问题，排查路径是清晰的：车没认出前方停着的故障车，是感知漏检，还是决策把"静止目标"当成了"背景"，还是控制没及时刹？每一环都能单独回放、单独打点、单独改。这种可定位性不只是开发效率，它是整个功能安全体系的地基——危害分析要求你把每一个失效模式追到具体环节，模块化天然满足这个要求。

端到端不满足。模型错了，你手上只有一堆权重和一段训练日志，你能做的是"再喂一批类似场景的数据"，然后祈祷它这次学对了，同时祈祷它没有把上一批学到的东西忘掉。这在工程上叫"不可解释"，在安全认证上叫"无法完成失效模式分析"。这不是数据量的问题，是架构性质的问题：一个把中间过程全部压进隐空间的系统，天然不提供审计接口。

作者写到"端到端架构具有巨大潜力，但当前仍然面临很多挑战"就停了，后半句恰好被截在这一屏的下沿。我不知道他后面列了哪些挑战，但可以确定的是，如果这一节只写"潜力巨大"，而不写"可解释性缺失会卡住认证"，那这一节对新入行的读者是有误导性的——他们会以为端到端只是"数据还不够多"。

我个人的判断是：未来几年主流不会是非此即彼，而是"端到端做主力，模块化做护栏"——用端到端处理它擅长的长尾感知与拟人化决策，同时保留一层可读的规则与安全监控，专门用来兜底和事后解释。这个组合在工程上丑，但在责任体系里活得下去。书里没有给出这个折中，它把两条路摆成了并列选项，读者得自己去补这个答案。

五、事故数据那两页，是全章唯一能核对的部分

读到第三节开头，我精神一振，因为作者终于开始给数字，而且给了出处。这部分是这 8 屏里我最愿意替他辩护的地方。

据世界卫生组织《2023 年全球道路安全状况报告》统计，全球每年有约 120 万人死于道路交通事故，道路交通伤害已经成为全球第十二大死因，并且在 5–29 岁人群的死因中位列第一。而我国的交通安全数据同样不容乐观，2018—2022 年交通事故每年发生的次数均超过 20 万次，年均死亡人数超过 6 万人，道路交通伤害已成为我国儿童意外伤害的第二大死因。

接着是中汽中心那个调查项目，这一组数字更关键：

根据由中汽中心发起的中国交通事故深度调查项目，对从 2011 年启动至今长期追踪积累的国内交通事故案例进行汇总分析，发现在所有乘用车事故案例中，驾驶人认为因素导致的事故占比约为 81.5%，机动车因素（如机械故障）和环境因素（包含其他交通参与者、天气和路况等）导致的事故占比仅为 18.5%。

81.5% 对 18.5%，这是我在这本书里见到的唯一一组既有出处、又有口径、还能自己去核的数字。它比任何"自动驾驶更安全"的定性描述都有力——因为它把问题定位到了"人"这个变量上：八成以上的事故，源头是驾驶人的主观错误或状态。

但作者的用法，我认为浪费了这组数据。

他把它用在"L4 有多重要"这个结论上，逻辑是：既然事故主要怪人，那么去掉人就好了。问题是，这 81.5% 里有一大部分，根本不需要 L4 就能消掉。未遵守交通规则、酒驾、疲劳驾驶——这三类里，车道保持、自动紧急制动、驾驶员状态监测这些 L2 功能已经在干活了，而且已经在真实道路上救过人。真正留给 L4 去解决的那部分，是"人会误判但机器也未必判得对"的复杂场景：无保护左转、鬼探头、施工路段的临时规则、异形车辆。

换句话说，这条曲线的前半段（最容易吃到的安全红利）是靠便宜的功能拿到的，后半段（最难啃的那部分）才是 L4 的战场。作者把两段合并成一句"自动驾驶能大幅提升安全性"，读起来很有力，但它掩盖了一个对读者更重要的信息：如果你关心的是"路上少死人"，那 L2 的普及速度比 L4 的突破更值得关注。这句话书里没有，但它本来就藏在那 81.5% 里面。

六、50 到 500 倍：链路延迟不是安全指标

讲交通效率那一节，有一个数字很抓眼：

自动驾驶系统进入成熟期后，其强大的感知与计算能力可以有效处理突发事件，其响应速度可达到人类驾驶员的 50 倍甚至 500 倍以上，来大幅减少交通事故造成的拥堵。

"50 倍甚至 500 倍"——一个跨了一个数量级的区间，通常意味着测的不是同一件事。我的判断是，这个数字测的是链路延迟：从传感器收到信号，到执行器动作，机器当然比"眼睛看到 → 大脑判断 → 脚踩下去"快得多。人类从发现险情到踩下刹车，普遍要 0.8 秒往上，疲劳分心时更长；机器的感知加计算可以压到几十毫秒。这部分差 10 到 50 倍是合理的。

但安全不是由链路延迟决定的。人类那 0.8 秒里，装的不只是反应，还有预判：前车刹车灯亮起、路口行人的肩膀朝哪个方向偏、大货车轮胎的走向、路边小孩是不是在追球。这些判断发生在"看到"之前，靠的是经验模型，而不是反射弧。机器快在"从看到到动作"，慢在"该不该让、让多少、要不要先减速试探"。

把链路延迟当成安全指标，是把一个工程指标当成了结果指标。这在宣传里很常见，但在一本讲技术的书里出现，说明作者在这个位置接受了厂商口径，没有做二次加工。

同一节的另一段更值得商榷。作者说自动驾驶可以避免"低速占位行驶、路口抢行、路口顶牛"这类人类行为造成的拥堵——这个我同意，机器不会抢。但接下来的推论漏了一半：机器不会抢行，也不会在拥堵路口靠"眼神协商"通过。无保护左转时两车对峙，人类司机会用灯光、车头角度、甚至一个字的手势完成谈判；机器在这类非结构化协商里极其笨拙，常见的表现是过度保守——停在那里等一个永远不会来的绝对安全间隙。这种"礼貌的堵"在 Robotaxi 运营区已经出现过，它不制造事故，但确实制造拥堵。

所以效率这一节，我认为只写了机器占优的那一半。这不是造假，但它是不完整的对照。一本讲清楚的书，应该把"机器比人强的地方"和"机器比人笨的地方"放在一起，让读者自己算净值。

七、三个场景真正的排序，是谁承担后果

最后一节讲应用方向，把场景分成私家车、出租车、城市公交三类，分别对应渐进式与跨越式两条路线。这是全章结构最清楚的部分：

目前私家车的自动驾驶功能依然以 2 级自动驾驶功能为主，但根据 2023 年 11 月工信部等四部门发布的《智能网联汽车准入和上路试点通知》，我国已经开始允许 3 级和 4 级自动驾驶车辆逐步上路试点。

截至 2024 年 4 月，百度旗下的自动驾驶出租车平台萝卜快跑已累计向大众提供的自动驾驶出行服务订单超过 600 万单，是全球出租车场景中商业化订单数量最大的自动驾驶出行服务提供商。

作者的排序维度是技术难度：私家车场景多所以难，出租车是限定区域所以可以做，公交线路固定所以算法要求最低但安全要求最高。这个讲法成立，但我觉得漏了更本质的那个维度。

真正的排序维度是谁承担事故后果。私家车：后果由车主和保险公司承担，所以厂家敢卖、用户敢买，L2 铺得飞快，因为出事是驾驶员的责任。出租车：后果由运营方承担，所以只能在限定区域、限定天气、限定路线里跑，600 万单的分母是"划定区域内可用车队规模 × 运营天数"，不是市场总需求。城市公交：后果由政府和运营企业承担，一车几十人，一次事故就是公共事件，所以哪怕技术上最容易，落地反而最慢。

按这个维度重新排，你会发现落地速度和"技术难度"关系不大，和"责任能不能被一家公司独自吞下"关系极大。这也解释了为什么 Robotaxi 只在几个城市、几百平方公里的范围内跑：那不是技术能力的边界，是可承受赔付责任的边界。

关于那 600 万单，我要说一句可能不中听的话。订单量是运营数据，不是单位经济模型。"累计 600 万单"和"每单亏多少"是两个完全不同的问题，前者证明有人愿意坐，后者证明这门生意能自己站着。作者用这个数字证明"商业化订单量最大"，这个表述本身没错，严格说也没夸张；但读者很容易把它读成"已经商业成功了"，而这一章没有任何一处给出成本、客单价、补贴或单车日均单量。在讲"应用前景"的段落里，只报分子不报分母，是这本书最典型的写法。

相比之下，私家车那段引的政策文件反而是这 8 屏里最扎实的一处：2023 年 11 月四部门《智能网联汽车准入和上路试点通知》，确实是我国 L3/L4 从"测试"转向"试点准入"的标志性文件。作者引对了，也没有过度解读——他说"预计从 2024 年开始进入高阶自动驾驶功能时代"，用了"预计"，这是本分的措辞。

八、它的短板

该说的好话我说完了，现在说这本书这一章的问题。四个，都是具体的。

第一，通篇没有失败案例。自动驾驶是这个时代最贵的实验场之一，已知的失败足够写一整本书：有公司烧光数十亿美元后关闭，有 L4 项目在发生严重事故后被监管叫停运营、牌照收回，有整车厂把自动驾驶部门整体卖掉。这些不是八卦，它们是最有信息量的技术判断——每一次失败都精确指出了某个假设不成立。但这一章从头到尾只讲"瓶颈会被解决""成本会降""未来会来"，一个反例都没有。读者读完会觉得这是一条单行道，而实际上这条路已经埋了不少车。

第二，"10 万亿"这个数字没有口径。作者在讲市场空间时用了"超过 10 万亿元的基于汽车的移动出行市场将面临重构"，气势很足，但在这一屏里我没有看到它的年份、来源、统计范围——是出行服务收入，还是含整车销售，还是含后市场？一个具体到"万亿"量级的数字，如果不给口径，它就只是一个修辞。这是全书我意见最大的一处，因为它出现的位置恰好是"应用前景"的论证核心。

第三，四个瓶颈的判决不对称，标准却从未给出。作者说自动驾驶需要"比人类司机好数倍甚至数十倍"才能被接受——这个说法很对，但"数倍"是几倍？按什么口径衡量？是每亿公里事故数、每万次接管的间隔里程，还是每百万公里严重伤亡数？全章没有给任何一个可操作的门槛。没有门槛就说"其余三个是时间问题"，等于把判断悬在空中：反正早晚会好，那到底什么时候算好，谁也说不清。这种写法读着舒服，但它让读者失去了检验作者的机会——而这恰恰是一本技术书该给读者的东西。

第四，叙述的节奏暴露了它的性质：这是综述，不是研究。最明显的证据是 p0084 和 p0085 是同一段文字的重复截屏——说明这一段在原文排版里本身就是个"过渡段"，一段话要撑两页。整章的结构也印证这一点：技术路线按"优点/缺点/代表企业"三段式排列，四个瓶颈按并列排开，应用价值按"安全/经济/效率"三点排开，应用场景按"私家车/出租车/公交"三类排开。工整、好读、便于记忆，但每一格都没有超出公开报道的深度。它不是作者在某个问题上有过研究，而是他把资料整理得很好。

还有一处技术性的遗憾：p0082 的页面底部，我刚看到"3 交通基础设施：单车智能 VS 车路协同"这个标题，这一屏就结束了，后面的正文没抓到。这恰好是这个领域最有争议的一题——单车智能是把成本压在车上，车路协同是把成本摊到路上，两者对应完全不同的产业政策和投资主体。这一节的内容是这一章最可能出彩的地方，可惜这次没读到。等后续补抓了那几屏，这一题值得单独写一篇。

一句话：这本书把自动驾驶的技术路线讲清楚了，却在"为什么还没普及"这个问题上交了一份许愿式的答卷——它准确地说出了门槛（要比人类好数倍），却始终没敢说清这个门槛由谁裁定、按什么标准量、以及撞了人算谁的；而最后这一问，恰恰是四个瓶颈里唯一不能用钱和时间解决的。