“99.99%的人類駕駛行為都不值得學習。”這是地平線創(chuàng)始人余凱在百人會上的原話。它聽上去像是一句技術層面的吐槽，但卻反映了當前在自動駕駛領域正在變化的現(xiàn)實。

這有點像小時候寫作業(yè)問爸媽數(shù)學題，他們告訴你：“我們以前不是這么學的，湊個數(shù)差不多就行。”你長大了才知道——原來爸媽是人類智駕系統(tǒng)中的“錯誤示范集”。

它其實點出了一個正在被悄悄改寫的行業(yè)共識：自動駕駛，可能真的不再依賴“海量消費級數(shù)據(jù)”了。

換句話來講，消費級數(shù)據(jù)在當前的AI訓練下，可發(fā)揮的效用正在逐漸的降低。

智能軟件算法工程師在接受寰球汽車采訪時表示，AI引入智能駕駛訓練，真正動搖的是過去十年自動駕駛行業(yè)最核心的邏輯：數(shù)據(jù)是王，量變帶來質變，誰數(shù)據(jù)多，誰能贏。但AI模型進來了，一切都變了。

自動駕駛行業(yè)從來都在強調“真實數(shù)據(jù)”的重要性：哪家跑得久、測得多、覆蓋城市廣，哪家就能率先進入高階智駕的正循環(huán)。誰先上車，誰先收集數(shù)據(jù)，誰就領先。可現(xiàn)在，大家突然發(fā)現(xiàn)，AI并不想學人類怎么開車。它甚至對人類駕駛行為表現(xiàn)出了一種“天然免疫”。你怎么并線，它不感興趣；你怎么在紅綠燈猶豫，它覺得沒參考價值；你有的那些“老司機操作”，它壓根不屑一顧。

傳統(tǒng)自動駕駛公司（如Waymo）早期依賴海量路測數(shù)據(jù)，但近年開始轉向模型優(yōu)化和仿真技術。例如：Waymo的仿真系統(tǒng)每天模擬2萬+輛車的駕駛，覆蓋超過現(xiàn)實路測的場景；特斯拉FSD v12的架構升級，強調“端到端模型”的泛化能力而非單純依賴數(shù)據(jù)標注。包括地平線在內(nèi)的頭部公司正投入更多資源在芯片算力和大模型架構上，而非單純比拼路測里程。

事實上，當前行業(yè)頭部企業(yè)正在采用大規(guī)模仿真+大模型訓練的路徑，用虛擬生成的數(shù)據(jù)來補齊真實環(huán)境中難以覆蓋的極端工況。尤其是強化學習與世界模型的結合，使得AI可以在不依賴人類經(jīng)驗的前提下，構建更魯棒的策略。

最終的結果是：模型性能持續(xù)進化，而對真實世界數(shù)據(jù)的依賴卻逐步降低。

準確的來講，AI不僅不學你，它還想自己搞清楚開車的本質。強大的大模型能在虛擬空間里復現(xiàn)海量場景、生成各種極端工況，然后自己訓練自己，自己優(yōu)化自己。在這個過程中，它變得更穩(wěn)定、更理性、更快，還不需要被真實世界的嘈雜行為“帶偏”。

這就帶來一個很現(xiàn)實的問題：過去行業(yè)認為的核心競爭力——“我們有數(shù)據(jù)、我們有路測、我們有銷量”——是不是正在失去意義？那種靠真實世界里一點點積累上來的數(shù)據(jù)壁壘，在AI模型面前，很可能壓根就不是壁壘。

就像余凱所講的：人類訓練AI的結果不是用來模仿人類的，而是來超越人類的。

這對車企而言是一次警醒。

尤其是那些通過前期大量投入、建立了數(shù)據(jù)優(yōu)勢、用戶基礎的企業(yè)，如果還在沿用“用數(shù)據(jù)跑出來”的舊節(jié)奏，可能會在新一輪技術躍遷中被拉平。AI模型的加入，讓后來者獲得了快速追趕的可能，而曾經(jīng)積累下來的那堆消費級數(shù)據(jù)，在模型面前可能毫無增益。

行業(yè)觀察人士指出，這一變化的實質是，自動駕駛行業(yè)正在從“數(shù)據(jù)堆積邏輯”轉向“模型訓練邏輯”。在這個階段，企業(yè)的裝車量、實車路測公里數(shù)、消費級用戶數(shù)據(jù)，不再是技術進展的決定性因素。相反，誰能更快地完成模型結構的迭代、更高效地訓練出具備泛化能力的系統(tǒng)，才是真正的競爭力所在。

過去的數(shù)據(jù)壁壘，正在變得可被繞過。自動駕駛領域所謂的“時間換空間”邏輯，正在被打斷。

如果模型足夠強，數(shù)據(jù)就不再稀缺。行業(yè)節(jié)奏會隨之加快，很多原本認為還需要三五年才能拉開的差距，很可能在短時間內(nèi)被補平。這個過程中，行業(yè)競爭的變量會重新洗牌，先發(fā)者未必繼續(xù)領先，后來者也未必沒有機會。

這不是對所有人都利好的局面，但它是客觀正在發(fā)生的現(xiàn)實。