L3，今年真能商业化吗

从2024年到2025年，汽车产业界形成了一个“坏习惯”：抢定义权。

最明显的例子，将L2驾驶衍生出L2+、L2.5、L2.9、L2.9、甚至L2.9，有点被玩坏的迹象。而将不同层次、不同水平的L2都模糊为“智驾”，更进入了良莠不分的境地，甚至消费者很难从名字上判断谁的技术水平更先进、更可靠，智驾定义认知混乱。

虽然L2、L3也是一种定义，但这有国标背书（GB/T 40429-2021）。所以，在此之外生发的定义，都可以理解为“商业定义”。

有企业表示，2025年底前要部署L3。这一表态，不禁让人担心，企业口中的L3和公众印象里L3是一回事吗？

国标的门槛是清楚的。去年，有车企暗示自身已经具备L3能力，但因为政策法规的原因暂时还不能部署。言下之意，国标耽误进步了？迄今为止，国家批准了7家乘用车品牌、2家商用车品牌开展“智能网联准入和上路通行试点”，其实就是L3路测。既然是路测，显然包含明确的地理围栏，但L3当前就这点限制吗？

不被传播的ODD

我们先要区别L3到底和L2有什么区别。国标虽然描述比较复杂，简言之，就是责任主体变化——L2是人机共驾，人为主体，车打辅助；L3后者从实习生转正，独立完成工作，但人仍需要监控。不仅是职责的转移，也是法律责任的转移。

从这个角度，只要车企不兜底，就都不算L3。

但如果消费者个人不审慎甚至违法，企业也要兜底，那未免有失公平。解决方案就是在算法里嵌入ODD（运行设计域）——这个词一直贯穿了自动驾驶的全过程，但企业很少和消费者交代。消费者不喜欢听到企业说“这不行那不行”，喜欢听的往往是“全天候、7×24小时、全国哪里都能开”。消费情绪能理解，但无论如何，安全底线是企业必须坚守的原则，至少不能脱离技术现实，夸大产品能力。

从L1~L4，都必须预设ODD。包括天气、光照、车辆状态、道路类型、交通状况（特别是施工占道等非结构工况）等多种条件。比如低照度下，纯视觉辅助驾驶就必须限制车速。原因也很简单，传感器辨识距离缩短，一旦车速快过某个门槛，可能导致系统无法处理的工况让人工接管的时间不足。

显然，ODD包含了多个参数，其中某些参数改变就可能导致智驾运行受限，甚至无法运行。一旦让企业兜底，那么ODD设定就不会含糊，很多情况下，会拒绝激活L3、或者降速使用。

国内的矿山港口已经广泛使用L4，就是因为这类场景的ODD非常简单，物理封闭、没有非结构场景、车辆沿固定路线行进，排除了天气和外部干扰。高度结构化和简单ODD，让L4也变得相当容易，现有技术早可以达到。

矿区无人驾驶场景，这类场景的ODD比城区简单很多

即便德国高速允许L3，但这也是条件的，仅限于高速的特定路段，不支持上下匝道、收费站和其他复杂路段，并要求在天气良好、路面湿度正常时采用。遇到复杂路况，必须提前2公里要求人工接管。

对L3的硬件，德国只做了传感器的约束，要求L3级系统须通过联邦机动车管理局（KBA）认证，确保安全冗余设计（如激光雷达、多传感器融合），未提及算力。这是很明智的做法，因为这种ODD下，匹配上高精图，算力压力很小（即便考虑激光雷达的信号处理，也可能不足200Tops）。

基于这样的条件，在L3级系统激活期间发生事故，‌责任由车企承担‌；若驾驶员未及时接管，责任则转移至驾驶员‌。

L3能力决定了L3架构

城区的L3，全球暂时还没有先例，中国大概率会做第一个批准城区上L3的国家，那么会不会像有些车企说的，今年就能部署呢？

回答这个问题，我们需要先看看L3要求具备什么能力？

和L2一样，L3在无法胜任的条件下也要求人工接管，只不过后者的次数要“非常少“。如果人工未能及时接管，L3必须有能力脱离当前场景（缓慢靠边等）。

L2和L3的分野也在这里，L2有时候不知道自己搞不定（未知不安全），而L3最好知道自己搞不定（已知不安全）。显然，“未知不安全”是发生事故的主要前提，应该尽量少，这就是“合理安全”。达到什么程度才合理呢？马斯克建议安全性要超过人类驾驶10倍，这大概是600万公里一次的事故概率。

L3应该识别所有环境因素，包括逆光/微光、静止的非结构性障碍物，路面特殊状况等。不认识水马、翻倒的货车、栏杆等，再也不能成为借口。

基于现在的传感器、算力和算法水平，想让合理安全区尽量扩大，提升硬件能力缓不济急，只能增加感知、控制和执行的冗余。因此，在所有重要环节上冗余（热备份），就成为当前L3的一个重要特点。

L3的重要特点在于关键节点必须冗余

航空的决策链路一般三冗余或者四冗余，通常对多路信号采取仲裁机制，但汽车这么做有点太奢侈了。目前采用较多的做法是单通道+诊断，每个节点功能都和诊断链路串联，两个通道随时互相诊断，一个通道的诊断链路可以关断另一个通道的输出，以此确保关键节点出现故障时，整个系统仍能正常工作（功能安全）。

当然，如果对成本不敏感，还可以上更复杂的架构，比如双通道冗余（两功能通道、两诊断通道）冗余。这个时候有用仲裁机制的，但更多还是用协商机制。原因在于，如果通道之间得出的结果差异比较大，仲裁器很难决策。简单问题可以“yes or no”，但复杂问题，只能寻优。相比仲裁，协商机制更复杂。

类似的架构有很多方案，但所有关键点都必须设置冗余，这是L3架构不同于L2的最大特点。

L3的技术难点有多难

进一步讲，有了L3架构，是不是就可以实现L3功能？

当然不是。眼下面临的技术挑战难度超过任何L2。虽然德国高速要求L3必须在晴朗的白天启动，但真正的L3可能面临更为复杂的气象条件。

即使传感器冗余了，麻烦一点不少，还多了不少。

和L2一样，激光雷达的刷新率与摄像头时序不同步，造成两者对动态物体定位有分歧。尤其是速度比较高的时候，10毫秒级误差，就足以引发风险。在雨雾中，激光雷达点云散射率可能高达50%以上，摄像头在低照度和逆光时信噪比快速下滑。如何协调多个传感器，比L2更难。原因是L3必须创建更大的合理安全区。

比感知更难的是预测。现有的所有模型，都对3秒以上的预测误差很大。比如电瓶车从非机动车道突然左转插入机动车道，连越多条车道。

所有不遵守交通规则的行为，都具备随意性。而深度学习模型仍然依赖大量标注数据训练（好消息是标注自动化了），在低照度场景下，泛化能力值得怀疑。简单说，夜间违章突袭，更容易让L3破防。

电瓶车随意进入机动车道等违章行为，对预测带来了很大不确定性

同理，即便在ODD范围内，根据规则决策，有时也会遇到“规则刺客”。比如无预警突然刹车、动物横穿公路等等。这种情况下，端到端学习的“不可解释”性，让决策变得不透明。监管可能无法同意上线（最近一次各家最新OTA方案被一刀切地要求等待）

L2的城区NOA重点在于博弈，人开车同样也将注意力放在博弈上。这种博弈符合纳什均衡理论，但若过多引入智能体的博弈模型，可能压垮当前车载算力，表现就是胆小如鼠。另有一些“傻大胆”的智驾系统，表现出无知无畏的莽撞，这就是刚才提到的典型的“菜而不自知”。

而算力有时候浪费严重，比如英伟达双Orin X芯片，就通过“锁步机制”实现双核校验，但因此损失了40%算力。这个时候，更合适采用异步计算架构。国内Soc供应商正以此作为不对称突破点。

高精图可以降低算力压力，但国内一水的轻图，就是因为地图更新成本太高，审批跟不上实际道路变化。但轻图下的L3，算力压力又上了一个台阶。这也是L3目前倾向于在特定地理围栏内做试点，而不是轻易承诺“全国都能开”。

事实上，“全市都能开”，今年也绝无可能。L3要求覆盖百万量级的长尾场景，如何完成数据闭环，成为挑战。L2上无所作为的厂商，很难跨越到L3，很大程度上就是因为掌握的高质量数据太少。虚拟测试并不能覆盖所有情况。任何仿真软件，相比真实的物理世界，总是存在偏差。场景库只能逼近而不会完全达到现实的逼真度。实际上，现有场景库和真实世界，复杂度可能相差3、4个数量级。

而L3不能强行要求人工接管，允许后者行动缓慢或者未接管。这种时候，大部分就不再是技术问题，而是伦理或者社会心理学问题（比如电车难题）。这也意味着此事不会有简单答案。

如此，问题就很清楚了，多家企业早就研发了L3架构，有些也进行了小规模路测和小批量产品生产，但大规模商业化部署，技术还不成熟。实际上不存在企业能力被监管和政策约束无法“起飞”的情形。监管是在保护企业，企业不能放飞自我，先实现收窄ODD条件下的L3部署，比德国人的限定做有限拓宽。

退一步说，即便L3部署了，也不要有太多滤镜。只要路上存在L0，哪怕你是L5，都有可能出事故，不要怀疑人思想上的多样性。

注:图片部分来源网络，如有侵权，联系删除。

供应链管理为什么成为一把手工程