问题——智能驾驶落地面临“复杂场景+高成本维护”的双重挑战 随着城市道路环境高度复杂化，智能驾驶系统需要同时处理交通参与者多样、道路标线缺失、临时障碍物频发等现实问题。陈亦伦访谈中回忆，彼时团队所用的自动驾驶系统在功能上能够覆盖相当比例的城市路况，但传统规控方案依赖大量规则编码与模块耦合，代码规模庞大、迭代周期长、维护成本高。一旦交通行为出现新模式或极端情况，规则体系往往需要持续“打补丁”，既影响研发效率，也制约规模化部署。 原因——闭环规控难点凸显，传统规则难以穷尽真实世界的动态交互 自动驾驶的核心难题之一在于“闭环”：车辆每一次加速、减速、并线都会改变周边交通状态，进而引发其他车辆让行、抢行或协同变化，这种动态博弈使得预设规则难以覆盖全部边界场景。访谈中提到，团队将攻坚重点放在规划与控制层面的智能化，希望用神经网络学习人类驾驶的“隐性规则”和策略选择，从而在复杂交互中形成更稳健的决策。相较于只在感知层提升识别能力，把“看得见”转化为“开得好”，关键在于规划能力能否在动态环境中保持连续、可解释且安全的行为输出。 影响——从“规则堆叠”走向“数据学习”，推动系统工程范式变化 据陈亦伦披露，团队尝试以神经网络替代传统规控代码，以较少的网络代码实现对车辆轨迹的规划能力，并采用感知与规控分别建模的“两段式”端到端思路。无论具体技术路径如何表述，该方向的意义在于：智能驾驶研发正在从以工程经验为主的规则体系，逐步转向以数据、训练与模型为核心的技术栈。其潜在影响主要体现在三上：一是降低系统复杂度与耦合度，为快速迭代创造条件；二是提升对长尾场景的泛化能力，减少“场景来一个、规则补一个”的被动局面；三是对数据闭环能力提出更高要求，研发竞争从单点技术比拼转向“数据—训练—验证—回收”全链条能力建设。 对策——以数据规模、行为标准与安全验证构建可持续的技术闭环 端到端能力要走向工程化落地，关键不“是否端到端”的口号，而在训练数据、行为定义与安全体系能否形成闭环支撑。访谈中提及，团队曾调度多辆测试车采集人类驾驶数据，并由技术负责人现场定义驾驶行为标准，以提升数据的一致性与可学习性。业内普遍认为，面向城市开放道路，下一阶段至少需要在三上同步发力：其一，完善数据采集与回灌机制，提升对长尾与极端场景的覆盖密度；其二，建立可量化的驾驶行为评价体系，将“像人一样开”转化为可验证指标；其三，强化仿真验证、实车测试与安全冗余设计，确保模型不可预期环境下具备可控的安全边界。 前景——端到端技术仍将加速演进，产业竞争焦点转向综合能力 从行业发展看，智能驾驶正从“辅助功能叠加”迈向“系统能力升级”。端到端技术路线的价值在于提升决策规划的整体性与一致性，但也面临可解释性、可靠性与合规验证等现实约束。可以预期，未来一段时间内，产业将呈现“两条腿走路”的格局：一上继续提升感知精度与场景理解能力，另一方面在规划控制层面强化学习能力，并通过规则与模型的融合方式提升安全可控性。随着道路数据、算力平台、训练方法和工具链不断成熟，城市复杂路况的可用性有望继续提升，而衡量标准也将从“能否跑通”转向“是否稳定、安全、舒适、可规模化复制”。
从200万行到3万行的跨越，不仅是代码量的精简，更是技术路径的革新。在全球自动驾驶竞赛中，中国企业正从跟随者转变为领跑者。该案例启示我们：突破性创新往往源于对传统范式的重新思考，而将理论突破转化为产业优势，仍需产学研合力推进。未来如何将技术优势拓展至更复杂的交通场景，将成为行业下一阶段的重要课题。