如果把中國智駕的競爭格局簡化為一場賭局，華為和小米押了截然不同的牌面。

華為的牌是"硬件冗余"——用盡可能多的傳感器和盡可能強的算力，構建一個在任何極端場景下都不容易出錯的系統。ADS 4.0的感知陣容是行業最豪華的：3顆華為自研192線激光雷達（探測距離300米，10%反射率）、6顆4D毫米波雷達（32通道垂直分辨率）、11顆800萬像素攝像頭、12顆超聲波雷達。計算平臺是雙MDC 1000互為熱備，搭載昇騰910B芯片，總算力1000TOPS，雙系統切換延遲控制在50毫秒以內。如果其中一個計算單元出現故障，另一個可以在不到一眨眼的時間內無縫接管。

小米的牌是"算法效率"——用更精簡的感知硬件搭配更聰明的算法架構，追求"少即是多"的工程美學。新一代SU7的感知硬件是1顆禾賽AT128激光雷達（128線，探測距離200米）加全套攝像頭、毫米波雷達和超聲波雷達，沒有4D毫米波雷達，激光雷達數量是華為的三分之一。算力平臺是英偉達Drive AGX Thor，700TOPS，不是華為的1000TOPS。但在算法層面，小米走了一條更為激進的路——XLA認知大模型融合了VLA的語言推理能力和世界模型的想象能力，通過"潛空間推理"統一了兩種技術路線。

這兩條路線的分歧，不是技術能力的差距，而是公司基因的差異。華為的基因是通信基礎設施——在基站、光傳輸和企業網絡的領域里，冗余和可靠性永遠是第一優先級。小米的基因是消費電子——在手機和平板的設計中，成本控制、用戶體驗和快速迭代比極端可靠性更重要。這兩種基因投射到智駕上，就形成了兩條截然不同的技術路線。

WEWA架構與五維安全的"系統思維"

華為ADS 4.0的技術架構可以概括為"三層防御"。

最底層是感知層。GOD 3.0網絡（General Obstacle Detection）將激光雷達點云和視覺語義深度融合，在BEV鳥瞰視角上疊加Occupancy體素占用網絡，解決了垂直空間盲區問題。這套系統可以識別超過140種異形障礙物——傾倒的快遞車、動物遺體、落石、散落的紙箱……這些在傳統感知方案中容易被遺漏的長尾物體，GOD 3.0通過點云和視覺的交叉驗證來兜底。3顆192線激光雷達的布局是前向1顆加雙側各1顆，垂直視場角達到28度，可以覆蓋高架橋和限高桿等場景。6顆4D毫米波雷達負責補充低矮障礙物的探測——倒地的錐桶、橫穿的小動物、路面的積水邊界，這些在激光雷達盲區內的問題由4D毫米波來填補。

中間層是決策層。DriveMind大模型基于華為盤古大模型微調，核心能力是復雜場景的博弈決策——比如無保護左轉時對向來車的意圖預測、匝道匯入時高速車流的間隙判斷。與DriveMind并行運行的是一個"情景式策略引擎"，內置超過1000條預設情景規則，比如經過學校周邊自動降速、進入隧道自動開燈等。這種"AI+規則"的雙保險設計，是華為從通信領域繼承下來的工程哲學——關鍵系統必須有規則兜底，不能完全依賴AI的不確定性輸出。

最上層是云端層。華為云昇騰AI集群具備EFLOPS級計算能力，每天可以處理1億公里的仿真數據。更關鍵的是"影子模式"——量產車在道路上遇到長尾場景（如道路塌陷、臨時施工），會實時上傳到云端，云端在24小時內生成強化學習任務，通過OTA更新推送到所有搭載ADS的車輛。這種數據閉環的規模效應是華為最大的護城河：搭載ADS的車型越多，長尾場景的覆蓋就越完整，系統的能力邊界就越寬。

雙MDC 1000的熱備冗余設計是ADS 4.0最鮮明的標簽。在一個計算單元出現故障時，另一個可以在50毫秒內完成無縫切換。這種"永不宕機"的設計理念，直接服務于華為向L3級自動駕駛推進的技術路線——L3級法規要求系統在故障時必須有冗余接管能力，華為的硬件架構從第一天起就在為這一天做準備。

2025年4月發布的ADS 4.0更進了一步。全新的WEWA架構（World Engine + World Action Model）將云端世界引擎與車端世界行為模型打通：云端通過擴散生成模型技術，模擬側前車Cut-in、鬼探頭等長尾場景，生成密度比真實世界高1000倍的訓練數據；車端世界行為模型采用MoE多專家架構，融合視覺、觸覺、聽覺等多維度數據，使端到端時延降低50%，通行效率提升20%，重剎率減少30%。

同時，全維防碰撞系統CAS 4.0以"全時速、全方向、全目標、全天候、全場景"五維安全為目標，前向AEB生效范圍擴展至4-150km/h，新增駕駛員失能輔助、路面自適應AEB等功能。截至目前，華為乾崑智駕已累計為用戶避免潛在碰撞超過318萬次。

小米XLA的潛空間推理與認知驅動

小米的智駕路線在2026年經歷了一次重要的范式轉換。此前的HAD系統基于端到端大模型架構，核心邏輯是"數據驅動"——灌入大量駕駛場景數據，讓模型學習并輸出駕駛行為。但到了2026年4月，小米汽車智能駕駛基座大模型負責人陳龍在一次深度訪談中透露，XLA已經從"數據驅動"進化到了"認知驅動"。

這個轉變的含義是深刻的。端到端時代的核心問題是"模仿學習"——模型見過什么場景就能處理什么場景，沒見過的就容易出問題。陳龍舉了一個例子：傳統端到端看到前方道路空曠就會提速，但一個人類老司機會預判前方是路口，可能有車輛從側面駛入，所以提前減速。這種"舉一反三"的能力，模仿學習做不到，認知驅動可以。

XLA的核心架構融合了兩條技術路線。其一是VLA（視覺-語言-動作模型）的語言推理能力——VLA可以讀取導航指令、理解交通指示牌的含義、在復雜路口根據路牌文字做出正確的行駛決策。其二是世界模型的想象能力——世界動作模型（WAM）通過海量數據預判未來幾秒的行車畫面，提前做出規避決策。陳龍將其比喻為人類的"直覺模式、語言模式和想象思考"三種思考方式的融合。

關鍵的技術創新在于"潛空間推理"。傳統VLA需要將感知數據先轉換成人類語言進行推理，再將語言指令轉換成駕駛動作，這個過程存在延遲和精度損失。潛空間推理跳過了語言轉化的中間步驟，讓模型直接在"機器腦內"高速完成高維思考，既保留了VLA的可解釋性，又滿足了智駕的實時性要求。

在訓練層面，XLA采用"先成人再開車"的分階段策略：先讓模型學習通用的多模態與空間數據，再混入輔助駕駛和機器人數據，最后加入思維鏈數據。陳龍坦言，他們一開始試圖把三種數據直接混在一起訓練，結果發現"兩種能力都下降了"。這個教訓促使小米轉向了分階段學習的路徑，也與小米在機器人領域的技術積累形成了交叉——MiMo-Embodied具身智能垂域模型和XLA共享底層架構，機器人學習抓取物體時積累的空間推理能力，可以遷移到智駕場景中的距離判斷和軌跡規劃。

兩條路線的差異坐標

把兩條路線放在同一坐標系下對比，差異會變得更加具體。

感知硬件層面，華為ADS 4.0的傳感器數量和規格都明顯領先于小米HAD。3顆192線激光雷達對比1顆128線，6顆4D毫米波雷達對比小米未搭載4D毫米波，11顆800萬像素攝像頭對比小米未公開的攝像頭規格。但硬件規格的差距不等于能力的差距——XLA通過算法效率的提升，在感知精度上已經接近ADS的水平。2026年4月10日小米官方發布的HAD深度評測顯示，新SU7在強光、逆光、夜間、暴雨、團霧等惡劣條件下都能穩定識別行人和障礙物。

算力層面，華為的1000TOPS對比小米的700TOPS，差距約30%。但小米選擇英偉達Thor而非自研芯片，意味著可以用更低的研發成本獲取成熟的算力平臺，把資源集中在算法迭代上。華為自研昇騰910B的優勢在于與云端昇騰集群的架構一致性，車端和云端的數據遷移效率更高。

數據規模層面，華為的影子模式覆蓋了所有搭載ADS的車型——問界M9、智界S7、阿維塔等數十款車型，數據來源的多樣性和規模遠超小米目前僅有SU7和YU7兩款車型。但小米2025年全年交付41萬輛且全系標配激光雷達，意味著每一臺車都是高質量數據的采集終端，數據密度的增長速度不低。

團隊規模層面，華為智能汽車解決方案BU研發團隊達8000人，其中約5000人專注于智駕研發；小米智駕團隊超過1800人，其中博士108人。華為的團隊規模接近小米的四倍，但小米的團隊結構更扁平，四位核心成員（葉航軍總負責、陳光負責端到端、陳龍負責VLA、王乃巖負責L3）各司其職，決策鏈條更短。

技術路線層面，華為走的是"感知冗余+博弈決策+規則兜底"的工程路線，小米走的是"認知驅動+潛空間推理+分階段學習"的AI路線。兩條路線沒有絕對的對錯——華為的路線在當前階段更安全可靠，小米的路線在長期迭代中可能有更高的上限。

成本層面，華為ADS 4.0的整套感知硬件成本明顯高于小米HAD。3顆192線激光雷達和6顆4D毫米波雷達的BOM成本是小米單顆AT128的數倍。這也是華為ADS目前主要搭載在30萬元以上車型上的原因——硬件成本限制了下沉空間。小米全系標配激光雷達的策略，本質上是用更低的硬件成本實現更廣的搭載覆蓋。

路線分化背后的產業信號

華為與小米的智駕路線之爭，標志著2026年中國智駕進入"分化期"。

硬件冗余與算法效率的分野，本質上是兩種技術哲學的博弈。華為用通信行業的"系統思維"做智駕——冗余、可靠、規則兜底；小米用消費電子的"產品思維"做智駕——效率、體驗、快速迭代。這兩種路線短期內不會收斂，而是會在各自的優勢場景中持續演進。

更深層的信號在于"認知驅動"可能成為端到端的下一站。陳龍提出的"認知驅動"概念——從模仿學習到舉一反三——如果能在量產車上得到驗證，將標志著智駕從"數據規模競爭"進入"認知質量競爭"的新階段。誰先突破長尾場景的泛化能力，誰就占據了下一輪競爭的制高點。

而小米的"人車家全生態"在智駕上有了新的支點。XLA認知大模型與MiMo具身智能模型共享底層架構，意味著小米在智駕和機器人兩個賽道上的技術投入產生了協同效應。長遠來看，一臺搭載XLA的汽車和一臺搭載MiMo的人形機器人，可以共享對物理世界的理解能力。這種跨品類的技術復用，是小米相比華為獨有的優勢。

當智駕硬件成為基礎配置而非溢價工具，行業的競爭邏輯正在被改寫。華為用極致的硬件冗余構建安全護城河，小米用激進的算法效率追求體驗突破——這不是零和博弈，而是中國智駕走向成熟的必經之路。

（雷峰網(公眾號：雷峰網)新智駕北京車展2026專題）

雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。