“中間態”L3，是自動駕駛必經之路，還是偽命題？

當L2級輔助駕駛成為15萬級以上新車的標配，城市NOA、高速領航等功能早已不是新鮮事；當奔馳Drive Pilot、小鵬XNGP、華為ADS 3.0相繼拿到L3級自動駕駛認證，北上廣深等城市開放L3路權；當Waymo執著于L4級Robotaxi落地，特斯拉堅持從L2+直接躍遷L4，行業陷入了一場關于技術路線的激烈爭論。

不同于市場端的商業化博弈、法規端的責任劃分，從技術視角來看，自動駕駛從L2到L4的進化，本質上是感知、決策、執行三大核心模塊的能力躍遷，以及數據閉環、硬件冗余、場景適配等底層技術的持續迭代。而夾在中間的L3，究竟是銜接L2與L4的“技術緩沖帶”，是不可或缺的驗證階梯，還是兩頭不討好的“冗余環節”？

這個問題的答案，不僅決定了未來十年汽車行業的技術路線，更決定了我們每一個人的出行方式。

技術邊界而非責任邊界

多數人對自動駕駛分級的認知，停留在“功能多少”或“責任歸屬”上，但從技術底層來看，L2、L3、L4的核心區別，實則是系統自主決策能力、環境感知精度、故障冗余能力的本質差異，責任劃分只是技術能力達到一定水平后的衍生結果，而非分級的核心依據。

基于SAE J3016 2021版官方定義，我們重新審視三個級別的核心邊界：

L2級輔助駕駛（Partial Automation）：技術核心是“輔助執行”，無自主決策能力。

硬件主打“夠用就好”，單芯片、單感知鏈路，標配6-8個攝像頭、4-5個毫米波雷達，無需激光雷達，感知范圍≤100米，定位精度米級。

算法是“死規則”，車道保持、跟車等基礎功能全靠工程師手動編寫，遇到復雜場景（前車急剎、行人橫穿等）直接失效，所有技術設計都默認“人類是最終兜底者”，不考慮系統失效后的應急方案。

L3級有條件自動駕駛（Conditional Automation）：技術核心是“有限自主決策”，具備場景化自主控制能力。

硬件要“留后手”,雙芯片、雙制動、雙轉向是標配，同時引入激光雷達提升精度，攝像頭升級為高清級別，感知范圍擴至150-200米，定位精度分米級。

算法開始引入深度學習技術，能在封閉高速、城市快速路等設計運行范圍（ODD）內自主跟車、變道，但搞不定暴雪、無標線施工路等長尾場景，遇無法處理的情況觸發接管請求，核心是“系統主導、人類兜底”。

L4級高度自動駕駛（High Automation）：技術核心是“全場景自主決策+故障自處置”，無需人類介入。

硬件“雙保險拉滿”，全冗余架構（雙芯片、雙電源、雙感知鏈路），激光雷達升級至64線以上，攝像頭11-16個，毫米波探測距離達250-300米，定位精度厘米級，依賴高精度定位。

算法實現“端到端閉環”，能完成復雜語義分割、意圖預測，應對幾乎所有長尾場景，單點故障也能自主緊急停車，核心是“系統完全兜底，人類無需參與”。

明確這一技術邊界后，我們可以發現：L2到L4的技術躍遷，不是簡單的功能疊加，而是從“輔助執行”到“自主決策”，再到“全自主+自兜底”，每一步都需要突破核心技術瓶頸。而L3的技術定位，恰好處于“輔助”與“全自主”之間，這也決定了它在技術迭代中的爭議性。

九層之臺，起于累土

主流車企和多數技術研究者認為，L3不僅有必要，更是從L2到L4的“唯一可行路徑”。L4的全冗余技術、全場景算法，無法通過實驗室模擬完成驗證，因此必須通過L3的量產落地，完成技術拆解、數據積累、風險驗證，逐步突破瓶頸，其本質是L4技術的“降維驗證載體”。

感知方面，從L2到L4，感知技術難度呈指數級提升，而L3恰好是感知技術從“基礎夠用”到“高精度冗余”的過渡關鍵。這種定位，讓L3成為多傳感器融合技術的“最佳驗證平臺”。

一方面，L3需要引入激光雷達與視覺、毫米波雷達的感知融合技術，解決L2感知系統在復雜場景下的盲區問題，比如在夜間、暴雨天氣，攝像頭和毫米波雷達的感知精度大幅下降，激光雷達的3D點云數據可以彌補這一短板。

但多傳感器融合并非簡單的“數據疊加”，而是需要解決數據同步、標定、沖突消解等技術難題：不同傳感器的采樣頻率、數據格式不同，如何實現同步采集？激光雷達與攝像頭的標定誤差如何控制？當不同傳感器檢測到的目標出現沖突時，如何判斷最優結果？這些問題，都要在L3量產落地的過程中，在真實場景下得到進一步驗證。

比如華為乾崑近日推出了新一代雙光路圖像級激光雷達，高達896線，分辨率提升4倍，穩定感知識別距離可達120米；第六代Waymo Driver基于最新17MP圖像傳感器，使傳感器數量銳減42%，性能實現飆升，雨雪天目標檢測能力提升30%以上；蘑菇車聯通過“視覺為主+固態激光雷達”的融合感知路線，使點云密度提升3-6倍，目標感知距離提升超50%，漏/誤檢率下降70%，接管率大幅降低兩個數量級。

另一方面，L3的感知精度要求（分米級定位、150-200米感知距離），恰好是L4的厘米級定位、300米感知距離的“過渡訓練”。L4的高精度定位需要依賴高精地圖與衛星導航系統的融合，而L3可以先通過“簡化版高精地圖+普通定位”的方案，驗證定位系統的穩定性、抗干擾能力，解決隧道、高樓遮擋等場景下的定位漂移問題，這些技術難題，無法在實驗室中模擬，只能通過量產車的真實路況積累，逐步優化算法。

決策方面，L3處于規則驅動向AI驅動過渡的階段：在設定的ODD（運行設計域）范圍內，系統可以自主完成決策（比如高速場景下的跟車、變道、避障），但遇到超出ODD的場景，仍需人類接管。這種定位，讓決策算法能夠在“可控場景”下進行實戰訓練，逐步積累數據、優化模型。

具體來說，L3的決策算法需要解決三個核心技術難題，而這些難題，正是L4決策系統的基礎。

第一，場景語義分割與意圖預測。L3系統需要能夠精準識別道路標線、交通標志、紅綠燈，同時預測前方車輛、行人的行為意圖，比如判斷前方車輛是否會變道、行人是否會橫穿馬路。

第二，軌跡規劃的動態優化。L3的軌跡規劃需要具備動態優化能力，比如遇到前方車輛慢速行駛，能自主規劃最優變道路線，兼顧安全性和舒適性；遇到彎道，能自主調整轉向角度和車速，避免側滑。

第三，緊急場景的應急決策。L3系統需要具備簡單的應急決策能力，比如系統感知到自身故障，能自主觸發接管請求，并保持車輛穩定行駛一段時間，給駕駛員留出接管時間；遇到突發障礙物，能自主完成緊急制動或避讓。

此外，L3的決策系統還能驗證“人機交互的技術可行性”。比如接管請求的觸發時機、提示方式，如何確保駕駛員在注意力分散的情況下，能夠及時接管。雖然人機交互包含用戶體驗因素，但從技術角度來看，接管請求的觸發邏輯、提示信號的傳輸效率，都是L4系統“無接管”設計的基礎，只有明確了人類接管的極限，才能更好地設計L4系統的故障自處置邏輯。

自動駕駛算法的迭代，核心是“數據喂養”，算法的精度、泛化能力，取決于訓練數據的數量和質量。L4級算法需要海量的全場景真實數據，而L3的量產落地，恰好能構建起“量產數據-算法優化-OTA升級”的閉環，為L4算法提供充足的數據支撐。

L2級輔助駕駛的用戶基數雖然龐大，但數據的價值有限，且L2的數據以“輔助駕駛日志”為主，缺乏系統自主決策的相關數據，無法用于L4算法的訓練。

而L4級Robotaxi的測試，雖然能收集到復雜場景的數據，但測試范圍有限、測試車輛數量少，數據量遠遠無法滿足算法迭代的需求，Waymo的Robotaxi在鳳凰城測試了10年，收集的數據量僅相當于百萬臺L3量產車運行1年的數據量。

L3的量產落地，能完美解決這一問題。L3車型的用戶基數大，運行場景覆蓋高速、城市快速路等多種場景，能夠收集到大量復雜場景、極端場景的數據，且這些數據包含系統自主決策的全過程，是L4算法訓練的核心素材。

更重要的是，L3系統可以構建起“實時數據閉環”，量產車收集到的真實路況數據，通過車聯網傳輸至云端，技術團隊對數據進行標注、清洗，用于優化算法模型，然后通過OTA升級，將優化后的算法推送至每一臺車輛，車輛再收集新的數據，形成“數據-算法-數據”的良性循環。這種閉環，正是L4算法迭代的核心支撐。

L3量產落地之惑

盡管主流車企堅持L3的必要性，但以特斯拉、Waymo為代表的技術派，始終認為L3是“技術冗余”。從技術架構來看，L3與L4的核心技術棧高度重合，研發L3相當于“重復投入”，且L3的技術設計存在先天缺陷，無法真正為L4提供有效支撐，跳過L3直接研發L4，反而能提升技術迭代效率，避免資源浪費。

更關鍵的是，L3的技術設計存在“先天妥協”，為了適配“人機接管”，L3的算法需要預留接管觸發邏輯，冗余系統只需要滿足“基礎兜底”，無需實現“全故障自處置”，這種妥協，導致L3的技術積累無法直接完全復用至L4，反而需要進行大量的修改和優化。

特斯拉的技術路線，恰恰印證了這一點。特斯拉始終不研發L3，而是專注于L2+和L4的研發，其L2+系統（FSD）的硬件配置，與L4的硬件配置高度一致，算法也采用了與L4相同的端到端架構，只是在場景覆蓋和自主決策能力上有所限制。

通過L2+的量產，特斯拉收集了海量真實數據，優化算法，逐步提升系統的自主決策能力，最終實現向L4的躍遷。這種方式，跳過了L3的“重復投入”，直接實現了L2到L4的技術迭代，效率更高。

從技術邏輯來看，L3的核心設計矛盾是“系統自主決策與人類接管的沖突”，這種矛盾，導致L3的技術驗證無法為L4提供有效支撐，反而可能誤導技術研發方向。

L4的技術核心是“無接管”，所有技術設計都圍繞“系統完全兜底”展開，無需考慮人類接管的邏輯；而L3的技術設計，必須圍繞“人機接管”展開，需要預留接管觸發邏輯、接管提示機制、接管失敗的應急處置邏輯。這些設計，與L4的技術邏輯完全相悖，無法為L4提供有效驗證。

隨著AI大模型、高算力芯片、高精度傳感器的快速發展，自動駕駛技術的迭代速度大幅提升。例如，多模態Transformer大模型的應用，讓決策算法能夠直接實現“感知-決策-控制”的端到端生成，跳過了傳統規則驅動的中間環節，大幅提升了系統的自主決策能力；高算力芯片的量產，讓多傳感器融合、復雜算法的實時運行成為可能；激光雷達的成本下降、性能提升，讓L4的感知系統能夠實現大規模量產。

在技術快速進化背景下，從L2+直接躍遷到L4已經成為可能。例如，特斯拉的FSD V14.2版本，通過多模態大模型的優化，已經具備了接近L4的自主決策能力，能夠在復雜城市場景中自主完成跟車、變道、避障、路口禮讓等操作，無需人類接管，本質上已經具備了L4的核心技術能力。后續將推送FSD V14.3，馬斯克稱14.3允許用戶“進入睡眠狀態并在目的地被喚醒”（無監督FSD）。這種躍遷，無需經過L3的過渡，直接實現了從L2到L4的技術突破。

此外，L4的技術研發，可以通過“仿真測試+Robotaxi試點”的方式，完成技術驗證，無需依賴L3的量產落地。例如，Waymo通過大規模仿真測試，模擬各種極端場景，驗證系統的故障自處置能力，這些方式，能夠有效替代L3的技術驗證作用，且更精準、更高效。

L3試點從“小切口”推進

2023年11月，工信部、公安部、 住建部、交通運輸部四部門聯合發布《關于開展智能網聯汽車準入和上路通行試點工作的通知》。2024年6月，工信部已公布首批試點的聯合體；2025年底工信部正式許可首批L3級自動駕駛車型產品開展上路通行試點。

需要說明的是，此次準入試點和之前各省市頒發的L3/L4測試或示范應用/運營牌照有本質區別：2021年工信部等部門聯合發布《智能網聯道路測試和示范應用管理規范》，基于此文件，各省市因地制宜陸續出臺對應的實施細則。

在此之后，深圳、武漢等地Robotaxi陸續上路測試、運營。然而，該類文件本質上是規范性文件，鼓勵智能網聯汽車在公開道路上測試和應用，核心目的是為了驗證技術和探索智駕產品形態，因此在上述政策之下，各Robotaxi廠商拿到的牌照為“試驗用機動車臨時行駛車號牌”。

此次進行智能網聯汽車準入和上路通行試點，是在各企業進行道路測試驗證產品的基礎之上進行遴選，本質目的是為后續相關法律法規、技術標準制修訂提供經驗和依據。

在這樣的目標之下，《試點》配套的《實施指南》中進一步明確了汽車生產企業、智能網聯產品的準入要求，以及在國家級政策文件中首次明確了事故責任劃分標準，意味著我國自動駕駛法規體系的建立正式提上日程。

值得注意的是，獲批的L3級自動駕駛車輛的攝像頭、雷達等裝備必須是前裝量產，通過后改裝方式搭載傳感器的車輛無法申請準入試點。作為試點城市，重慶要求在交通擁堵狀況下的高速路和快速路使用自動駕駛功能時，最高車速不超過50km/h，北京要求在相同的路況下最高車速可達80km/h。

針對L3/L4自動駕駛車輛的準入，國家標準體系正逐步建立。《自動駕駛數據記錄系統》是第一個自動駕駛強制標準，已正式頒布，于2026年1月1日正式執行；由工信部牽頭的《自動駕駛系統安全要求》強制性標準直接規范自動駕駛系統的技術要求、制造商要求和檢驗檢測方法，影響重大，目前已正式進入起草階段；由公安部牽頭的《智能網聯汽車道路通行規定符合性測試內容和方法》亦進入擬立項階段。

沒有絕對答案，只有最適配的選擇

至于L3到底有沒有必要，答案并不是非黑即白，其必要性取決于企業的技術路線、研發實力，以及對技術迭代節奏的判斷。不存在“絕對必要”或“絕對冗余”，只有“是否適配”。

對于絕大多數主流車企來說，L3是必要的，它們沒有特斯拉、Waymo那般研發實力和數據積累，無法實現從L2+直接到L4的技術躍遷，只能通過L3的量產落地，逐步拆解L4的技術難題，積累數據、驗證技術、優化算法，實現漸進式迭代。L3的核心價值，不是過渡產品，而是“技術驗證載體”，是它們通往L4的“必經階梯”。

這些車企通過L3的量產，能夠逐步突破感知融合、自主決策、冗余系統、數據閉環等核心技術難題，從而為L4的研發奠定堅實基礎。

而對于特斯拉這樣的頭部技術玩家來說，具備強大的研發實力、海量的數據積累，以及領先的技術架構，能夠通過L2+的量產或Robotaxi的試點，直接突破L4的核心技術難題，實現從L2到L4的技術躍遷，無需經過L3的過渡。對于他們來說，研發L3相當于“重復投入”，不僅無法提升技術迭代效率，還會分散研發精力，延誤L4的落地進度。

但我們必須承認，無論是否跳過L3階段，L4的核心技術難題——全場景感知、全自主決策、全冗余兜底、海量數據閉環都無法回避。L3的存在，無疑推動了自動駕駛核心技術的普及和成熟，它讓多傳感器融合、高算力芯片、自主決策算法等核心技術，實現了大規模量產應用，降低了L4技術的研發和量產成本，為整個行業的技術迭代奠定了基礎。即使是特斯拉、Waymo，也間接受益于L3推動的供應鏈成熟，比如激光雷達成本的下降、高算力芯片的普及等，都與L3的量產落地密切相關。

自動駕駛技術的終極目標，是L4甚至L5的全自主駕駛，而無論是漸進式還是跨越式路線，最終的核心都是突破核心技術難題，實現安全、可靠的自動駕駛。L3的存在，只是行業技術迭代過程中的一個“階段性產物”，它的價值，將隨著技術的不斷成熟，逐步被L4替代，但在當下，它依然是多數企業實現技術躍遷的“最優解”。

技術迭代從無捷徑可言，該走的路一步也繞不過去，對于多數企業來說，L3不是捷徑，但卻是最穩妥的路。