2025 年 7 月，懂车帝与央视新闻联合进行了一场智能驾驶实测。此次测试是中国规模最大、场景最严苛的智驾实测，旨在检验车企智能驾驶系统的真实水平。
该测试由央视新闻联合字节跳动旗下“懂车帝”发起，名为《懂车智炼场》。涵盖城市道路与高速公路的 15 类高危事故场景，包括“前车突然消失”“夜间施工避让”“儿童突然横穿”等真实模拟情况。测试在 15 公里封闭高速与城市道路上展开，模拟了消失的前车、夜间施工区卡车避让、儿童横穿等 15 类高危场景，累计进行 216 次碰撞测试。测试要求所有车辆开启最高阶辅助驾驶功能，驾驶员双手虚握方向盘但不干预，由系统自主决策。
该活动共测试 20 多个品牌、近 40 款车型（包括特斯拉 Model 3、Model X，以及国产品牌如比亚迪、蔚来、小米、华为系 Aito M9、极氪、问界等）。城市场景平均通过率约 35.7%，36 款主流车型整体表现不佳，高速场景的整体通过率仅有 24%，夜间遇施工 + 卡车避让成功率不足 50%，儿童过马路通过率勉强达到 58%。其中，自主品牌中，魏牌蓝山以 3/6 的通过率位居第三，是成绩最佳的国产车。而问界 M7/M9、阿维塔 07 等 “华为系” 车型出现系统犹豫与违规变道等情况，小米 SU7 全系高速仅过 1 项，理想 L9、极氪 001 等车型高速场景得分为零。而外资品牌特斯拉 Model 3 与 Model X 在高速 6 项测试中均通过 5 项，通过率达 83%，位列前两名。Model X 在城市场景中通过率为 8/9，同样夺冠。特斯拉 CEO 马斯克本人在社交平台转发测试视频，并强调：尽管由于中国法律无法将数据出境进行本地训练，特斯拉仍取得中国测试中最高成绩。
如上数据来自懂车帝媒体与网友指出：原先央视微博发布了“联合懂车帝”，但后将“联合”二字删除，业内对测试背书程度产生疑问。多方质疑指出场景变量控制不一致，例如不同车型测试时左侧车道是否有车、测试员是否干预等情况影响结果。业内声音强调：测试重点非传统商业评价，而是强调“系统反应的稳定性与安全冗余能力”。
不止于‘吊打’与‘翻车’，我们更该看到这些真问题
笔者对于此次测试结果，可从以下几个方面来看待：
特斯拉在感知与紧急响应算法方面确实具备明显技术优势。其基于视觉+AI 的 FSD 系统，在极端高速场景表现更“丝滑”，即便在中国缺乏本地训练数据局面下仍取得优异成绩。特别值得指出的是特斯拉在此次测试中展现出强大的环境适应力和稳定性。在模拟野猪突窜的极端场景中，没有激光雷达的特斯拉 Model X 成为唯一通过的车型。这表明智能驾驶并非单纯依赖硬件堆砌，优秀的算法和成熟的技术路线同样关键，也为行业发展提供了不同的思路，证明纯视觉方案在智能驾驶领域有其独特价值。
国产车企的技术短板：部分国产车企在测试中暴露出感知系统可靠性不足、决策机制存在缺陷以及人机协同漏洞等问题。例如，多款搭载激光雷达的车型在夜间因道具假车布料反射率问题识别失败，超半数车型在 “消失前车” 场景违反 “让速不让道” 准则，部分车型的驾驶员监测系统失效等。这反映出国产智驾系统在技术研发上仍有较大提升空间，需要在算法优化、系统集成等方面投入更多精力。
行业宣传与实际能力的差距：此前，许多国产车企在发布会中对智能驾驶功能大肆宣传，声称自己处于 “第一梯队”“遥遥领先” 等，但在此次真实场景测试中，实际表现与宣传效果相差甚远，凸显了行业存在过度营销的现象。这不仅会误导消费者，也不利于行业的健康发展，车企应更加注重技术的实际落地和安全性能提升，而非单纯依靠宣传来吸引消费者。
智能驾驶的发展方向：此次测试为智能驾驶行业发展指明了方向，车企应更加关注实际路况中的长尾风险，加强对复杂场景的测试和优化，提升智驾系统的安全性和可靠性。同时，要重视人机协同，合理设置系统退出机制，给驾驶员留出足够的反应时间。此外，监管部门也应加强对智能驾驶领域的监管，规范企业宣传行为，推动行业健康有序发展。
消费者应保持理性：对于消费者而言，此次测试提醒大家要理性看待智能驾驶功能，不能过分依赖该功能，即使车辆配备了先进的智驾系统，驾驶员仍是安全责任主体，在驾驶过程中仍需保持注意力集中，手握方向盘，随时准备接管车辆，确保行车安全。
表面是分数差距，深层是系统思维与技术路径的分叉
基于央视 × 懂车帝此次对辅助驾驶系统的实测结果，我们可以从以下几方面进行深入对比分析各家表现差异的根本原因：
1、技术路线差异：感知、决策架构驱动核心能力差异
特斯拉通过大规模真实数据自监督训练和端到端 BEV 感知-预测-控制统一网络，能对突发情况（如前车瞬间消失、施工锥桶变道）快速理解场景语义并做出合理反应。国产车企则更多依赖传感器冗余 + 轻地图规则预设，在脱图或非结构化场景下表现存在短板。当然也有一部分国产车企也在探索端到端的方案实现，然而由于数据量和训练成熟度的影响，国内车企表现并不理想。
2、硬件配置差异：算力、感知分辨率及冗余设计影响算法上限
特斯拉通过高度自研封装，实现软硬一致性极强、响应闭环快、延迟低。国产方案虽然冗余感知更强，但算法链条长、模块耦合多、实时性和稳定性存在劣势，尤其是在高动态场景下，融合稳定性和响应速度受到影响。
3、软件能力与数据训练积淀：特斯拉全球 FSD vs 国产分散式数据闭环
特斯拉训练规模和模型复杂度大幅领先，并已在多个国家和城市实战验证，形成了极具泛化能力的应急响应模型。国产车企虽然拥有本地化优势和法规适配性，但数据采集、自动标注、模型训练和部署链条尚未完全闭环，限制了大模型智驾能力的快速迭代。
基于本次测试结果，这里我们针对几个比较典型的场景失效做一个实测结果根因分析：
从测试反思走向技术突围：国产智驾的进化路径
这次央视 × 懂车帝的大规模测试暴露了国产智驾系统在突发场景应对、泛化能力、策略决策鲁棒性等方面的短板。下面我从系统架构、核心算法、训练体系、软硬协同等几个层面，为国产智能驾驶给出一些切实可行的优化建议。
1、策略架构层面：从“分模块”走向“统一决策感知架构”
多数国产智驾仍采用“感知 → 预测 → 规划 → 控制”的模块级结构，各模块独立训练、耦合弱，导致信息滞后、响应链条长。对突发情况的反应慢、鲁棒性差，尤其在无图/脱图场景下表现不稳定。建议优化方向为引入端到端BEV结构统一建模，例如模仿特斯拉 Occupancy Net + Planning Net 体系。弱化分模块边界，推动感知与规划的融合建模（如基于 BEV-Segment → Predictive Cost Map）。引入反事实/多策略仿真规划，增强非结构场景下的策略生成弹性。
2、感知与构图层面：提升非结构化场景识别与动态构图能力
国产智驾车方案依赖激光雷达/结构图层，在锥桶变道、施工绕行、儿童横穿等非规则场景中感知“模糊”或迟钝。Occupancy 建图普遍滞后，短时动态物体识别能力弱。这里建议优化的方向为部署轻量化 Occupancy Network（如 Tesla Occupancy Flow），可用单目/双目 + 轻BEV网络进行语义-占据建图。引入 Attention-Temporal Tracking 模块，增强低速异常物/目标（儿童、锥桶、障碍物）的一致性跟踪。融合多模态信源，提升构图稳定性，特别是夜间+施工灯光干扰场景下的鲁棒性（参考光流辅助估计、事件相机等前沿方案）。
3、预测与决策层面：引入神经策略网络，提升鲁棒性与泛化
国产智能车多数系统预测轨迹基于规则/目标检测后的回归模型，缺乏对复杂交通交互的建模。突发状况响应迟缓、缺乏预判意图建模（如“对向大车逼近能否安全避让”）。建议部署多Agent互动预测模型（如 Waymo/WIMP、VectorNet 等）模拟社会交互。引入基于神经策略树的反应机制，在不同情景下形成弹性策略候选集。构建场景优先级策略图（Risk-aware planner），在动态环境中根据目标风险等级分级响应。
4、训练体系层面：构建数据闭环，补齐泛化能力短板
国产厂商缺乏如特斯拉那样的“端到端全流程自动闭环训练系统”，数据采集、筛选、训练、部署流程断点多。
异常场景样本严重不足，泛化能力差。建议搭建自研的数据闭环平台（Auto-labeling + OOD挖掘），缩短样本采集 → 训练 → 回灌闭环周期。建设场景覆盖库，如对施工场景、夜间锥桶、儿童横穿等进行“逆向模拟 + 数据增强 + 蒸馏迁移”。利用 Simulation + Real 数据融合训练，借助 Unreal/MetaDrive 等高精仿真平台构建长尾稀有场景。
5、软硬协同层面：提升端侧推理效率与传感系统一致性
多数国产方案为“拼装式架构”：软硬解耦、Tier1供应商接口复杂、RT能力弱。传感器异构时间戳对齐困难，影响感知准确度。建议强化自研中间件框架，如：多模态感知时间同步模块、端到端感知→控制低延迟通路。将高频模块迁移至边缘小核或DLA上（如控制路径、紧急制动），提升并发能力。推动软硬一体的SoC+Sensor+Stack协同开发（参考小米、华为整合范式）。
6、从场景优先级出发，按“最有价值”的场景推进能力建设
结合本次央视测试暴露出的场景，可以划分优先级如下：
总结
这场央视＋懂车帝联合测试确实揭示了特斯拉在特定高风险高速场景下的领先能力，也提醒公众：目前多数自动化系统仍有明显局限，驾驶者必须保持高度注意。国产车企在快速迭代中正在不断缩小差距，未来智能驾驶格局仍然不确定。未来竞争仍有变数。特斯拉虽领先，但中国车企技术进步迅速，加上高性价比、激光雷达配置、本地化数据优势等因素，国产智驾势必迎来“弯道追赶”的机会。