<mark id="oztn4"></mark>
0
| 本文作者： 趙翔國 | 2026-07-21 16:06 |
華為乾崑的裝車規模正在進入新的增長階段。
從2022年1月到2025年8月，乾崑智駕搭載量突破100萬輛，第一個百萬輛用時44個月。第二個100萬輛預計將在2026年7月底或8月初完成，耗時縮短至12個月左右。
鴻蒙座艙的增長同樣在提速。首個100萬輛搭載用時42個月，第二個100萬輛預計2026年8月完成，約15個月。
規模增長的背后，是大量真實道路數據和用戶行為反饋。
截至2026年7月16日，乾崑智駕累計輔助駕駛里程超過128億公里，累計避免潛在碰撞595萬次。2026年6月，用戶輔助駕駛里程達8.8億公里，人均使用輔助泊車45.7次。
規模擴張的同時，競爭焦點也在轉移。
過去幾年，智能駕駛主要通過功能豐富程度證明能力，城區領航、無保護左轉、環島通行、復雜繞行等場景，是用戶感知系統能力的主要方式。
但當系統搭載量達到百萬級并長期運行于真實道路后，所面臨的考驗明顯不同。天氣、路況、駕駛習慣的差異，以及大量低概率長尾場景，都會持續暴露新的問題。
進入下一階段后，智能駕駛競爭的核心變化到了在保障系統長期穩定運行的同時，在復雜環境中保障安全。
華為乾崑此次公布的技術演進方向，正圍繞這一變化展開。
華為把安全放在整套技術體系的底層，提出「看得更清楚、想得更明白、動作更到位、系統更可靠」四個方向。
自動駕駛首先要解決的是車輛對周圍環境的理解問題。在感知方案上，華為乾崑選擇繼續走多傳感器融合路線。
原因在于，進入規模化階段后，系統面對的是大量低概率、高風險的情況，比如雨霧、逆光、遮擋以及突發目標等復雜環境。
不同傳感器各有優勢。攝像頭能夠提供豐富的語義信息，可識別道路標線、交通標志、顏色和目標類別，但容易受到光照、天氣和鏡頭狀態影響。毫米波雷達擅長測距和測速，在雨霧、揚塵等環境下仍具備較強穩定性，但對目標細節和類別的理解有限。激光雷達能提供更精確的空間信息，可在弱光、小目標和復雜結構識別方面形成補充。
華為的思路是讓不同傳感器互補，通過多源信息交叉驗證，降低單一感知鏈路失效帶來的風險。過去一年多，華為持續推進傳感器能力升級，先后推出分布式毫米波雷達、高精度固態激光雷達、激光視覺 Limera 以及 896 線雙光路激光雷達。
但感知升級的重點，并不只是讓車輛"看到更多"。真實道路中，車輛經常面對信息不完整的情況：夜間道路上的遺撒物可能缺少明顯紋理，雨霧天氣會降低攝像頭和激光雷達的探測能力，強光可能導致視覺畫面過曝，大型車輛還可能遮擋旁邊突然出現的兩輪車。這些場景很難依靠單一傳感器解決。
多傳感器融合的價值在于，當某一種感知方式受到環境影響時，系統仍能利用其他信息判斷道路狀態。這也是華為所說的"看得更清楚"。
如果說感知解決的是"看見世界"，那么下一階段自動駕駛需要解決的就是"理解世界"。
過去的自動駕駛系統主要圍繞模塊化架構展開：感知模塊負責識別車輛、行人、道路和障礙物，預測模塊判斷其他交通參與者的未來軌跡，規劃模塊決定車輛下一步動作，控制模塊執行轉向、制動和動力請求。這種架構邏輯清晰，也便于工程開發，但真實道路并不是簡單的軌跡預測問題。
一輛車突然減速時，系統需要知道的不只是它的位置、速度和方向，更需要理解它為什么減速，它可能準備轉彎，可能發現了前方障礙物，也可能只是駕駛員的臨時操作。如果系統只能預測物體下一秒的位置，而無法理解行為背后的原因，就很難應對復雜交通環境。
因此近年來，行業開始探索端到端模型和 VLA 架構，希望減少模塊之間的信息轉換，讓系統更直接地完成環境理解和駕駛決策。華為乾崑選擇的是 WEWA 路線，即云端世界引擎與車端世界行為模型。華為認為，未來自動駕駛需要建立對交通世界變化規律的理解，而不僅僅是預測單個目標的軌跡。
WEWA 2.0 首先引入了 Multi-Agent 群體博弈能力。在這一體系下，道路上的車輛、行人、騎行者不再只是需要識別的位置和速度信息，而被視為具有自主行為能力的 Agent。例如，一輛車準備并線時，后方車輛可能減速讓行，也可能繼續加速；前方車輛突然向左偏移，可能是在準備變道，也可能是在避讓障礙物；路邊行人是否會進入道路，同樣受到車輛距離和速度的影響。這些行為之間不斷相互作用，自動駕駛系統需要同時推演多個參與者的可能動作，并判斷自己的行為將如何改變整個交通環境。
華為將這一變化概括為從"單車博弈"進入"群體博弈"。
除了理解現實道路，世界模型還承擔著擴展訓練場景的作用。真實道路數據存在天然限制：正常駕駛場景大量存在，危險和極端場景的出現概率卻很低，而這些低頻場景往往決定著系統的安全能力。如果完全依賴真實車輛采集，需要很長時間才能覆蓋足夠豐富的情況。世界模型可以基于真實數據生成更多變化：同一個道路場景，可以改變天氣、光照、車輛速度、障礙物位置和交通參與者數量，形成更多訓練樣本。比如兩輪車從大型車輛后方突然駛出的場景，可以擴展為不同車速、不同道路寬度、不同能見度條件下的多個版本，讓系統學習更多應對方式。
WEWA 2.0 進一步引入在線強化學習，使系統能夠在生成場景的同時持續優化策略。傳統模仿學習主要學習人類駕駛數據中的正確行為，但真實數據很難完整覆蓋所有錯誤決策及其后果；強化學習則可以讓系統在虛擬環境中不斷嘗試不同動作，根據結果反饋形成更優策略。
在車端，華為進一步升級了 WA 世界行為模型，引入基于安全風險場的防御性駕駛。這意味著系統關注的不能只是當前是否存在碰撞風險，還要提前判斷潛在危險。例如，車輛經過大型貨車旁邊時，即使貨車尚未變道，系統也可以根據車輛姿態、道路空間和相對速度，提前調整橫向距離；前車在路口附近減速時，系統也需要判斷它可能轉彎、停車或者避讓行人。華為稱，基于安全風險場的防御性駕駛可以使碰撞風險降低 50%。
理解道路環境之后，自動駕駛還需要解決另一個問題：車輛如何準確執行決策。
過去，智能駕駛系統與車輛本身存在較為清晰的分工：智駕系統負責感知環境、規劃路徑，然后向車輛發送控制指令；底盤系統負責執行轉向、制動和動力控制。
但在高速避障、濕滑路面、緊急制動等場景中，車輛不僅要知道"應該往哪里走"，還要理解"當前車輛狀態是否允許這樣運動"。同樣一次緊急避讓，在干燥路面和濕滑路面上，車輛能夠承受的轉向幅度并不相同；高速行駛狀態下，過大的方向調整可能導致車輛失穩；緊急制動時，系統還需要同時考慮輪胎抓地力、車輛姿態以及周圍空間。
這要求智能駕駛系統要能夠進一步理解車輛本身。
華為乾崑通過 ADS 與 XMC 的深度融合，將智能駕駛決策和車輛控制連接起來。其中，ADS 負責理解環境、預測風險并生成駕駛策略；XMC 則通過六合一全域融合，協調車輛的動力、制動、轉向和底盤控制。
這意味著自動駕駛的競爭開始從算法能力延伸到整車工程能力。車輛的重量、軸距、轉向比、制動性能、輪胎和懸架特性，都會影響智能駕駛的最終表現；同一套算法進入不同車型，也需要重新完成適配和驗證。
未來高階自動駕駛的競爭，需要軟件、硬件和機械系統的共同優化。
如果說感知、理解和控制解決的是車輛如何完成駕駛，那么系統可靠性解決的就是當某些環節出現異常時，車輛如何繼續保持安全。
這也是 L3 自動駕駛與 L2 輔助駕駛之間的重要區別。在 L2 階段，駕駛員始終承擔駕駛責任，系統可以輔助車輛完成部分任務，但駕駛員需要持續關注道路并隨時接管。進入 L3 后，在系統允許運行的范圍內，車輛需要承擔更多駕駛任務。
華為為此推出了乾崑 OS，并建立面向自動駕駛的全鏈路冗余架構。乾崑 OS 承擔的是智能駕駛系統的運行基礎，車輛運行過程中，需要同時處理感知、定位、預測、規劃、控制、通信以及安全監控等大量任務，而不同任務對實時性和可靠性的要求并不相同。系統需要合理調度計算資源，保證關鍵安全任務優先運行，并在異常情況下完成故障處理。
與此同時，L3 級別自動駕駛還需要硬件層面的冗余設計。計算平臺、電源、通信、轉向和制動等關鍵鏈路，都需要具備備用能力。當某個傳感器、計算單元或者執行機構出現故障時，車輛不能立即失去控制，而要利用剩余能力完成減速、靠邊，或者進入最小風險狀態。華為稱，乾崑 OS 能夠使系統可靠性提升 20 倍。
與此同時，華為乾崑正在把智能能力從駕駛過程延伸到整個用車流程。
截至 2026 年第二季度，華為乾崑已支持 110 萬個停車場的車位到車位功能，30 萬個停車場上線停車繳費服務，接入 200 萬根充電樁，并連接 3000 多家洗車店。
華為將這套服務體系稱為“10分鐘乾崑智駕生活圈”，自動駕駛負責解決車輛如何到達目的地，服務體系則負責處理到達之后的問題。
鴻蒙座艙也在向智能體方向演進。過去，車載語音助手主要處理明確指令，用戶說"打開空調""導航回家""播放音樂"，系統識別指令后調用對應功能。未來的座艙智能體則需要理解用戶真正想完成什么。
面對一個復雜需求，系統要先理解目標，再拆解任務，并調用導航、車控、餐飲、支付、影音等不同服務。華為采用 MoLA 2.0 多模態混合大模型架構，并通過 A2A 跨域規劃能力，讓小藝智能體逐漸從功能入口轉變為服務入口。
這也是華為對智能汽車理解的延伸，車輛不僅需要具備自動駕駛能力，也需要成為能夠理解用戶需求、連接服務生態的智能終端。
按照計劃，華為乾崑將在 2026 年 7 月推出 ADS V5.0，重點提升安全能力和使用便利性；9 月至 10 月推出第二個版本，增強脫困和繞行能力；2027 年 1 月至 2 月推出第三個版本，進一步提升緊急逃生能力。華為將此次升級稱為全球最大規模、具備城區領航功能的 OTA 更新。
這次升級將會把多傳感器融合、WEWA 2.0、駕控融合和乾崑OS等能力逐步推送到量產車輛。
其中，后向主動防被撞輔助和 RCA 漫游巡航輔助值得重點關注。
后向主動防被撞輔助體現了主動安全范圍的變化。傳統主動安全主要關注車輛是否會撞向前方目標，但真實道路中，即使本車正常行駛，也可能受到其他交通參與者錯誤操作的影響。當系統判斷后車高速接近、而前方存在安全空間時，車輛可以主動向前移動，降低追尾風險。這意味著安全能力開始從避免自身錯誤，擴展到降低外部風險。
RCA 漫游巡航輔助則希望讓用戶更頻繁地使用輔助駕駛。過去，領航輔助通常需要用戶設置明確的導航目的地，但日常駕駛中很多場景并沒有明確目的地，比如熟悉路線的通勤、短途出行或者臨時移動。降低開啟門檻，有助于讓輔助駕駛進入更多日常場景；而更多的真實使用會帶來更多數據反饋，進一步推動系統迭代。
華為對雷峰網(公眾號：雷峰網)表示，2026 年將在部分城市開展 L3 試點，并新增城區低速 L4 試點；到 2027 年，L3 有望實現規模商用，面向企業的 L4 Robotaxi 將在部分城市試點，面向消費者的 L4 則優先從低速場景開始商業化，先讓 L3 在限定條件下逐步承擔駕駛任務，再推動更高階自動駕駛進入更復雜場景。
從多傳感器融合到世界模型，從智駕與底盤融合到乾崑 OS 和冗余架構，再到覆蓋停車、充電和服務的生態體系，華為乾崑正在構建一整套面向未來智能汽車的基礎能力。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
