以激光雷達為代表的雷視融合方案和純視覺路線的誰優誰劣伴隨著智駕從手寫規則到今天的端到端階段，不過如果拋棄算力、算法和大模型能力來單純對比激光雷達和純視覺的優劣顯然是舍本逐末。在AEB即將成為國標之際，目前的標準要求也遠未到激光雷達與純視覺只能二選一的地步。

一紙新規，再次將AEB話題引入輿論場。

5月，工業和信息化部發布《輕型汽車自動緊急制動系統技術要求及試驗方法》（征求意見稿），將自動緊急制動系統（AEB）從推薦性標準升級為強制性國家標準，并計劃于2026年起分階段實施。該標準將替代現行國標GB/T 39901-2021，征求意見截止日期即將在本月底（6月30日）結束。

這是目前智駕輔助功能中第一次上升為國家強制標準，但它同時也引發了技術路線的爭議，如果強制安裝AEB是否意味著所有的車型都需要標配激光雷達？

智駕網梳理了新國標三大核心變化——

適用范圍擴大：要求所有M1類乘用車（轎車、SUV、MPV等）和N1類輕型載貨汽車（總質量≤3.5噸）強制裝備AEB系統，覆蓋中國90%以上輕型車輛；

技術要求升級：新增對行人、自行車、踏板式兩輪摩托車等弱勢道路使用者的識別能力要求，并增加交叉路口、右轉跟車等復雜場景測試；

性能指標提升：乘用車AEB激活范圍擴大至10-80km/h，制動減速度要求從4.0m/s²提高到5.0m/s²，針對靜止前車的測試速度從30km/h提高到80km/h；

但在這些變化之中，值得注意的是，新國標并未強制要求安裝特定的傳感器配置，其性能導向的特性也為多元技術路線留下了充分可討論的空間。

01.

AEB爭議為何再起？

AEB的技術路線目前有毫米波雷達、純視覺和雷視融合三種。

當前眾多車輛的AEB系統基于77GHz毫米波雷達實現，在三種技術方案中，依靠毫米波雷達的這一方案，是最基礎的技術方案，同時成本最低，應用廣泛，但缺點是易受環境干擾，極易失效。

純視覺方案，依賴攝像頭進行感知，這種方案的弊端在于對靜止物體的識別存在局限性，也容易受到光線等環境干擾。

目前聲勢最盛的是多傳感器融合方案，毫米波雷達、激光雷達和攝像頭融合使用，弱點是成本更高。

不過當下所說的純視覺方案其實也是攝像頭和毫米波的組合方案。

直觀來看，多傳感器雷視融合方案最佳，雖然成本相對更高，但AEB做為緊急狀態下的最后一道屏障，與安全相比，成本高一些無可厚非。

不過，不考慮算力、算法，單純對比傳感器多寡，一刀切地認為擁有激光雷達就一定強于純視覺則有失偏頗。

在新國標發布之際，行業也正經歷一場關于AEB技術路線的激烈爭論。

激光雷達派：

有博主在社交媒體發文稱，純視覺方案尚未實現100km/h以上剎停能力，而融合激光雷達的方案已量產120km/h剎停能力。

他強調：“對靜止車輛的空間感知需要150米的精準測距”。

言下之意，純視覺無法實現150米距離的精準測距和識別。

視覺方案派：

自動駕駛產品高級總監袁婷婷則表示小鵬汽車的純視覺方案已實現了130km/h動態車輛剎停，上市的小鵬M03 MAX將搭載該技術。

從兩方在社交媒體的爭論不難看出，核心聚焦在純視覺方案能否在更高時速（120公里時速）實現對相對安全距離（150米）的目標的精準識別。

在這場爭論之后不久，6月19日，小鵬汽車發布測試視頻并宣稱其純視覺AEB實現130公里/小時對靜止目標剎停（行業最高速），并覆蓋夜間、濕滑路面等復雜場景，小鵬汽車表示其純視覺路線憑借「大模型+高算力」可實現更低延遲（40ms）和更強泛化能力。該功能預計在本月底全量推送。

而此前行業高速AEB性能的標桿普遍在100-120km/h（激光雷達方案上限），華為和理想對外展示的最高時速上都達到過130公里，小鵬通過純視覺實現130km/h剎停，追平了主流的雷視融合方案（當然有觀點認為AEB的剎停時速也不宜過高，會對人體造成傷害）。

通常，激光雷達方案的延遲在80ms以上，40ms端到端響應速度則更具低延遲優勢，源于省去多傳感器數據融合的算力消耗，提升了決策效率。

袁婷婷表示，激光雷達遠距離信息稀疏且易受天氣干擾，而高分辨率攝像頭+AI模型才是更優解。

當AEB的話題被重新推至風口，這一次純視覺想要打翻身仗，小鵬勢必要解決一些更難的問題。

02.

AEB最核心的感知難題，純視覺怎么解？

近來發生的多起智駕事故中，AEB不起作用被廣為詬病，這其實涉及一個兩難問題：

太敏感，會造成不斷剎停，嚴重干擾駕駛者的正常行駛；

降低敏感度，又起不到自動駕駛保障安全的目的，而當前無論攝像頭還是毫米波雷達、激光雷達，都無法做到對障礙物的百分百識別，這也是當前AEB的核心難點。

在工作原理上，AEB的激活需要經過感知、決策、執行三個步驟。首先系統要通過雷達、攝像頭等感知硬件監測前方的道路環境信息，識別障礙物。如果存在障礙，系統將會基于車輛與障礙之間的距離，或碰撞所需時間來評估碰撞風險，如果判定系統設定的某個安全閾值時，便會觸發緊急制動。

事實上，AEB是各大自動駕駛團隊最難攻克的技術，原因是太難平衡。

AEB作為一個剎車機制，自身帶有感知算法，不同物體對探測的反應是不是一樣的，它的準確運作聚焦于四個方面：識別的準確率、感知延時、控制精度和控制的延時。

AEB表現的好壞即依賴于傳感器、算法等智駕技術能力，也依賴于車輛剎車等硬件的物理能力。

當下的技術能力，視覺路線已相比激光雷達有了巨大的優勢。

這一方是攝像頭的像素越來越高，800萬像素的攝像頭越來越普遍，看得更清；一方面，視覺算法開始替代毫米波雷達承擔AEB的識別觸發機制，視覺算法相比毫米波雷達造成誤觸發的概率開始大幅下降。

只不過這一技術路線一來對算力要求很大，同時受光線影響較大。

堅持純視覺智駕技術路線的小鵬給出了解法，即加大車端算力和通過大模型強化學習。

小鵬在日前預售的G7車型Ultra版算力做到了2200TOPS，這款車型搭載了小鵬自研的3顆圖靈AI芯片，算力相當于9顆當前主流的智駕芯?（Orin X） 。

算力可以被比喻為智駕發展的「燃料」，大模型是「引擎」，視覺感知則是「第一性原理」，三者結合推動感知系統從「看見」升維至「理解」，最終實現人類級場景認知。

何小鵬給過的預判是，2026-2027年「世界模型+強化學習」將推動L4級智駕落地，而視覺感知作為基礎層，其可靠性決定終極體驗上限。

現在，小鵬汽車已對外宣布正在研發參數規模達到720億的云端大模型，即“小鵬世界基座模型”。

該基座模型是以大語言模型為骨干，使用海量優質駕駛數據訓練的VLA大模型（視覺-語言-行為大模型），具備視覺理解能力、鏈式推理能力（CoT）和動作生成能力。

依靠「高算力+強模型」，能增強主動安全的可靠性，強大的模型能夠提升感知信息的處理效率和精度，高算力能夠讓大模型在車上跑得更順暢。

在大算力和大模型的共同賦能下，視覺感知能將原本規則時代的單幀圖片識別，轉化為4D動態信息，能夠推理前后幀之間的因果關系，判斷在道路行駛中后續可能發生的情況。

同時只有視覺感知能做到前融合的方案，將時延降到最低。在夜間、雨霧等場景，大模型下的視覺融合方案都會更安全。

如果算力充足，那么用一段式端到端方法做AEB一定是最佳選擇，從感知到決策再到規劃控制，可以一步到位。

而當有了更雪亮的眼睛（更準確的識別感知），更聰明的大腦（更快瞬時推理能力），就會造就更敏捷的身手（更快響應速度），最終造就更強大、更好用的AEB。

如果給何小鵬出一道選擇題，是一雙更聰明的眼睛重要，還是一個更強大的大腦更重要，他會說，小鵬選擇后者。

為了搭建云端足夠大的模型，小鵬訓練了數百億參數規模的云端基座大模型，參數量達車端模型的80倍，這意味80倍參數可以吸納corner case，突破規則代碼上限。

所以，如果小鵬的云端數據規模真能達到官方所說的「720億參數量」和「集群算力10EFLOPS」，那么的確是世界TOP級別的規模與投入。

現在，小鵬云端大模型參數量達車端模型的80倍，這意味80倍參數可以吸納corner case，突破規則代碼上限。

而在云端訓練超大模型的基礎上，小鵬并非簡單將云端基座大模型直接部署到車端，而是通過知識蒸餾（Knowledge Distillation）實現“大模型智能下沉”，在保障安全性與實時性的同時突破車端算力限制。

蒸餾可以理解為將“教授知識”壓縮至“學生模型”。

在駕駛真實場景中，直接訓練小模型容易因駕駛場景多解性（同一場景有多種合法路徑）導致模型混淆，而大模型通過統一模態蒸餾可避免此問題。

另一個技術優勢是有望突破Scaling Law邊際效應。

小鵬指出，無論是自己2000萬clips的云端數據量，還是其他家的xx千萬，都是建立在“視頻切片”的基礎上。

云端大模型在充分吸收海量數據后，蒸餾后的小模型性能就會遠超同參數直接訓練的模型上限。

雖然硬件雙冗余對于感知硬件的一項要求就是要配備激光雷達，但現在以純視覺智駕技術路線為代表的小鵬擁有長期規模投入的能力，通過更強大的大腦替代激光雷達的物理感知冗余，在主動安全領域實現了對激光雷達融合感知路線的系統性突破。

03.

純視覺AEB比雷視融合更具未來性

倘若視覺感知實現真正的前融合，系統時延就會降到最低，從長期來看，純視覺是解決感知上限的最優解。

6月16日，特斯拉副總裁陶琳在微博上發布了一則馬斯克的采訪視頻，馬斯克在采訪中表示，與道路系統最適配的智能駕駛技術就是人工智能、數字神經網絡和攝像頭相結合。

「當然我們的車輛還配備了麥克風，用于識別緊急車輛的聲音」。馬斯克認為，全世界的道路系統都是為了智能、生物神經網絡和眼睛設計的，而不是根據「從眼睛里發射激光」來設計的。

純視覺感知究竟解決了雷視融合感知路線的哪些問題？

最核心的是解決了延遲和誤檢的問題。

比如，激光雷達是點云數據，數據量大且頻率低，給整體的系統延時帶來了較大負擔。激光雷達在大雨/霧天場景容易出現誤檢，比如鏡面反射、點云膨脹等。

相比激光雷達的點云數據，攝像頭是圖像/視頻數據，兩種不同模態的信息在車端融合，一方面需要較高的存儲和處理成本，對于需要在毫秒之間作出響應的輔助駕駛系統來說，由此導致的任何延遲都不可接受；另一方面，不同模態的信息如果相互矛盾，會影響AI大腦的決策。

采用統一的視覺模態信息，會讓系統響應效率更高，提升駕駛安全性。

當然，激光雷達的優勢是可以實現對障礙物物體空間位置的感知，以及對于強逆光、雨霧的穿透，以便做到較低的誤觸發率，純視覺如何做到或者超過激視融合感知路線的準確率和低誤觸發率？

小鵬汽車產品經理Mike給出的解釋是，降低誤觸發的核心是對道路情況看得清、看得遠、看得準。

他以小鵬鷹眼視覺+毫米波雷達方案舉例，這套方案能做到對障礙物空間位置的感知，盡量減少誤識別。再加上一個足夠聰明的大腦，就能對道路上的突發狀況做快速的推理分析，準確評判風險，而不是動輒剎車了事。

熟悉小鵬的人都知道，小鵬是第一家量產激光雷達車型的車企，也是第一家把激光雷達去掉的車企。

Mike說，小鵬在去掉激光雷達后，節約了20%的感知算力，這樣可以升級視覺感知模型的容量、參數量和推理的頻率。

有專家表示，激光雷達最高每秒10幀，而視覺攝像頭可以實現24幀，激光雷達的10Hz是主動掃描式采樣，視覺的24Hz是被動并行式采樣，后者在時間分辨率上具有物理層優勢。

高幀率視覺的核心價值在于構建時空連續性的認知能力——當激光雷達還在「逐幀拼湊世界」時，視覺系統已在「理解運動故事線」。這恰恰是應對國內復雜城市場景（鬼探頭、加塞等）的最優解，亦是傳感器頻率差異的本質意義。

從短期成本可控來看，如果想省掉鉆研算力算法的苦力活 ，中高算力+激光雷達的確是個好選擇，隨著激光雷達上車，與視覺算法結合，理論上當然效果更好，但是實現二者的數據融合又是另一個技術門檻。

很難說實現二者數據融合的門檻不比純視覺更高。

在智駕網近年來采訪的多位智駕專家中，一致的觀點純視覺是智駕的未來。

但鑒于近期的諸多智駕事故，部分人將事故的原因歸結于硬件配置的不足，回避了自身算法能力的不足，反而給大眾形成了激光雷達是不可缺少的智駕配置的認知。

何小鵬說“2027年以后，純視覺技術不會再有分歧。”

為什么是2027年？因為彼時大抵市場上的玩家都基本解決了算力和模型問題。