城市NOA的競爭正在加速進入落地階段，6月即將結束，理想汽車計劃在剩余幾天內，在北京和上海開啟城市輔助智能駕駛功能內測，并在下半年推出通勤智能駕駛功能。

　　其應用方法是，車主可用在日常使用中，基于智能化車輛的配置進行自主訓練，令車輛熟悉上下班通勤的固定路線，進而在這一場景實現輔助智能駕駛。

　　同一時間段，特斯拉被曝其輔助駕駛系統FSD Beta的代碼中，已隱藏有L3級別自動駕駛功能，可以在時速得到限制的情況下脫離駕駛員的手腳操作。此前，中國工信部和美國幾個州管理部門均已表示支持L3級及更高級別的自動駕駛功能商業化應用，并加速推動法規層面的責任劃分。

　　城市，因其復雜的交通環境和可能出現的突發狀況，無疑是所有智能駕駛場景中最難攻克的一關。但又因其用戶使用頻率和品牌感知價值，成為車企的兵家必爭之地。理想汽車智能駕駛副總裁郎咸朋此前就表示，行業的最大痛點，就是“消費者對智能駕駛的價值沒有直觀感知”。

　　地平線創始人、CEO余凱在今年4月初舉行的中國電動汽車百人會論壇(2023)指出：“什么是用戶價值，當前用戶對駕駛的需求真的是無人駕駛嗎?我們的調查數據顯示，87%的用戶真正要的是駕駛過程中那種輕松感、消除緊張和疲勞。”而這正是在城市場景落地輔助智能駕駛的最大意義。

　　顯然，如此重要的場景注定會遭遇車企的一擁而上。理想甚至已經算是后來者，從毫末智行等技術供應商，到小鵬汽車等主打智能化賣點的車企，城市NOA的競速，早已變成“卷王”的戰場。賽點已現，勝點又在哪里?

　　城市NOA，“卷王”扛大旗

　　理想汽車目前已面向L系列的7個車型推送了相關更新，但在試圖加入城市NOA的大軍面前，這只能算達到了參戰標準。據不完全統計，車企的城市NOA落地競速大致始于去年9月，至今已有多家車企拿出成果。

　　例如去年9月，毫末智行宣布城市NOH( Navigation On HPilot，領航輔助駕駛)即將量產，搭載于魏牌摩卡DHT-PHEV并成為 “國內首個量產上車的城市輔助駕駛系統”。而在今年4月上海車展期間，小鵬、華為、騰訊等紛紛公布了關于城市NOA的方案或落地進展。除了自研，合作也是一條道路。例如智己汽車與Momenta合作，為旗下L7 和 LS7車型配備了NOA功能。

　　NOA是智能化最直接的表現亮點之一，而智能化和電動化又是新能源車彎道超車燃油車的關鍵途徑——通過再造一個體系，實現不同標準下的錯位競爭。所以，這引發了從傳統車企到新銳車企的共同爭搶。長城汽車依靠的是子公司毫末智行，而吉利也推出了自己的高階智駕領航系統，比亞迪則與百度、Momenta、地平線等開展了廣泛合作。

　　早期，車企還抱著試探的態度，如今NOA成為了產品力的一部分，車企才給予了更大力度的押注。5月中旬，工信部放出消息稱《智能網聯汽車標準體系指南》即將正式發布，其中涵蓋了對L3級別自動駕駛商業化的相關規定。中信證券認為，這有望為行業后續發展掃清障礙。

　　導致轉折的另一大關鍵點，是數據積累的奇點已至。早期智能車受限于軟硬件水平、應用規模等，能從現實中獲取的數據信息十分有限，難以根據這些要素迭代出成果。但經過長期發展，越來越多的車企構建了自己的智能駕駛大模型——值得一提的是，車企推動數據應用具有天然優勢，例如按里程數據看，滴滴是世界上唯一擁有千億公里數據的自動駕駛公司，但要讓這些數據轉化為智能駕駛的養料，則有明顯的難度。

　　交通運輸部數據顯示，中國公路總里程目前超過535萬公里。按結構看，其中僅有不到20萬公里歸屬于高速公路場景，其余場景中，尤其是車主日常行駛最多的，正是城市場景。大部分車企的車主，預估有八成以上的行駛里程是在城市場景內，并以日常通勤為主。

　　因此，對已經積累了足夠道路和行駛數據的車企而言，開放用戶訓練的權限順理成章。

　　例如，理想汽車的自動駕駛訓練里程已突破6億公里，用戶可以基于自己設置的固定通勤路線，在每次通勤過程中對NPN(神經先驗網絡，使用大模型構建城市路口等場景的信息模型，當信息被采集后，其他搭載城市NOA系統的車輛將可以利用這一云端信息與車端BEV感知，輸出合理的預測)特征進行日常訓練。1-3周后，相應路線即成為一條成熟的NOA通勤路線。

　　這給予了終端車輛和車主極大的自由度，也讓自動駕駛真正成為日常使用可感知的存在。

　　值得一提的是，理想的城市NOA也成為了自動駕駛拋棄高精地圖的代表案例，轉而為大模型“吸粉”甚多。理想前自動駕駛首席科學家王軼輪在微博發文表示：“NPN特征由神經網絡生成，經過了NN編碼、加密后，它不具備人類可以看懂的道路信息，且與實車BEV融合還原出非常棒的感知結果。但NPN必須基于大規模車隊才有意義，可以高頻率地更新。”

　　“國內很多路口極復雜，我認為NPN加強會是無圖化的必要過程。”他指出。這也給爭奪城市NOA的車企提了個醒，隨著現有路線落地越來越多，需要迭代解決的問題也會更多、更復雜。

　　背后供應鏈應勢而變，智能化改寫市場格局

　　6月16日，華為智能汽車解決方案BU的CEO余承東在2023未來汽車先行者大會上表示：“未來五年、十年，能活下來的主力車廠是少數，因為走向智能化時代，投資規模非常大，成為巨頭才能支撐未來持續發展。”

　　智能駕駛正是典型的投入規模大、回報周期長的領域，要獲得收益并不容易。其原因不僅僅在于需要時間積累，背后的整體供應鏈投入也不容忽視。僅僅一個硬件成本，就讓很多玩家不得不拋棄高精地圖路線，轉向對感知的利用。而在感知側的配置上，昂貴的激光雷達逐漸被替換為便宜的產品，甚至也一點點被拋棄。

　　在激光雷達從六七位數的天價售價降價到幾千元的過程中，仍有很多車企考慮不使用這個硬件。就連全球車載激光雷達銷量冠軍禾賽科技，也不得不承認在現實問題面前，有些車企別無選擇(禾賽科技本身是理想汽車的供應商)。

　　禾賽科技CEO李一帆在接受騰訊深網采訪時指出：“(激光雷達)對于車而言幾千人民幣其實是非常非常大的一筆錢。一個車上愿意花幾千人民幣買的部件一般是一個能顯著被感知的。比如升級皮座最多也就幾千塊錢，你買了它就有，沒買就沒有。”

　　而他也提到了車企在應用時的真正痛點，即如果選用了供應鏈上更高成本的方案，那么售價增加后，車企實際要思考的是到底能提供給消費者什么產品，令他們愿意買單——在消費者這一側，單純的技術渲染是不起作用的。問題則在于，智能駕駛本身還處于相對早期的開發階段，要讓這些軟硬件合力展示出那種想象中動人心魄的成果，暫時難以實現。

　　除了這點，智能駕駛的算力投入需求也不容小覷。理想汽車官宣的自動駕駛訓練集群算力達到了1200 PFLOPS，對外宣稱為國內第一。特斯拉今年一季度部署完成的超級計算群組Dojo ExaPOD，總算力可達1.1EFLOPS。小鵬汽車將其云端超級計算機總算力規劃為0.6EFLOPS。這些都屬于余承東所說的投入的一部分，當車企卷到自建超算群組，門檻之高可見一斑。

　　另一方面，供應鏈正在成為車企博弈智能駕駛的另一種“賽點”。例如對比亞迪這樣的全能型車企而言，采用供應商的產品可以快速達成提升智能化水平的目標，但比亞迪有充足的自研自產實力，將包括域控制器在內的產品逐步實現自主開發和生產。

　　不過，大多數車企仍將依賴于供應鏈完成自己的智能駕駛躍升之路。其原因在于，智能駕駛供應鏈的復雜度過高，單一個芯片就涉及許多層級的供應商。

　　所以，今天的智能駕駛供應鏈不僅僅依賴于生產力的變化而變化，生產關系也在革新。早年汽車行業通行的Tier 1(一級供應商，其余數字以此類推)-Tier 2-Tier 3的逐層管理結構——一級管二級，二級管三級，不越級管理——正在趨于打破，車企為了保持供應鏈穩定，可能不得不加入到最普通的供應商的管理。

　　但往好處看，這也間接培育著中國汽車供應鏈的底層實力。一批中國公司，如東軟睿馳、地平線、黑芝麻智能、德賽西威、中科創達、知行科技等等，無論體量大小、垂直領域，均在奮力抓住趨勢的價值，收獲時代的紅利。

　　所以，盡管城市NOA落地或許僅僅是這兩年智能駕駛邁上的一個小臺階，但它背后所講述的中國汽車智能化故事，卻將繼續書寫下去。

　　文|松果財經(ID:songguocaijing1)