“中间态”L3，是自动驾驶必经之路，还是伪命题？

当L2级辅助驾驶成为15万级以上新车的标配，城市NOA、高速领航等功能早已不是新鲜事；当奔驰Drive Pilot、小鹏XNGP、华为ADS 3.0相继拿到L3级自动驾驶认证，北上广深等城市开放L3路权；当Waymo执着于L4级Robotaxi落地，特斯拉坚持从L2+直接跃迁L4，行业陷入了一场关于技术路线的激烈争论。

不同于市场端的商业化博弈、法规端的责任划分，从技术视角来看，自动驾驶从L2到L4的进化，本质上是感知、决策、执行三大核心模块的能力跃迁，以及数据闭环、硬件冗余、场景适配等底层技术的持续迭代。而夹在中间的L3，究竟是衔接L2与L4的“技术缓冲带”，是不可或缺的验证阶梯，还是两头不讨好的“冗余环节”？

这个问题的答案，不仅决定了未来十年汽车行业的技术路线，更决定了我们每一个人的出行方式。

技术边界而非责任边界

多数人对自动驾驶分级的认知，停留在“功能多少”或“责任归属”上，但从技术底层来看，L2、L3、L4的核心区别，实则是系统自主决策能力、环境感知精度、故障冗余能力的本质差异，责任划分只是技术能力达到一定水平后的衍生结果，而非分级的核心依据。

基于SAE J3016 2021版官方定义，我们重新审视三个级别的核心边界：

L2级辅助驾驶（Partial Automation）：技术核心是“辅助执行”，无自主决策能力。

硬件主打“够用就好”，单芯片、单感知链路，标配6-8个摄像头、4-5个毫米波雷达，无需激光雷达，感知范围≤100米，定位精度米级。

算法是“死规则”，车道保持、跟车等基础功能全靠工程师手动编写，遇到复杂场景（前车急刹、行人横穿等）直接失效，所有技术设计都默认“人类是最终兜底者”，不考虑系统失效后的应急方案。

L3级有条件自动驾驶（Conditional Automation）：技术核心是“有限自主决策”，具备场景化自主控制能力。

硬件要“留后手”,双芯片、双制动、双转向是标配，同时引入激光雷达提升精度，摄像头升级为高清级别，感知范围扩至150-200米，定位精度分米级。

算法开始引入深度学习技术，能在封闭高速、城市快速路等设计运行范围（ODD）内自主跟车、变道，但搞不定暴雪、无标线施工路等长尾场景，遇无法处理的情况触发接管请求，核心是“系统主导、人类兜底”。

L4级高度自动驾驶（High Automation）：技术核心是“全场景自主决策+故障自处置”，无需人类介入。

硬件“双保险拉满”，全冗余架构（双芯片、双电源、双感知链路），激光雷达升级至64线以上，摄像头11-16个，毫米波探测距离达250-300米，定位精度厘米级，依赖高精度定位。

算法实现“端到端闭环”，能完成复杂语义分割、意图预测，应对几乎所有长尾场景，单点故障也能自主紧急停车，核心是“系统完全兜底，人类无需参与”。

明确这一技术边界后，我们可以发现：L2到L4的技术跃迁，不是简单的功能叠加，而是从“辅助执行”到“自主决策”，再到“全自主+自兜底”，每一步都需要突破核心技术瓶颈。而L3的技术定位，恰好处于“辅助”与“全自主”之间，这也决定了它在技术迭代中的争议性。

九层之台，起于累土

主流车企和多数技术研究者认为，L3不仅有必要，更是从L2到L4的“唯一可行路径”。L4的全冗余技术、全场景算法，无法通过实验室模拟完成验证，因此必须通过L3的量产落地，完成技术拆解、数据积累、风险验证，逐步突破瓶颈，其本质是L4技术的“降维验证载体”。

感知方面，从L2到L4，感知技术难度呈指数级提升，而L3恰好是感知技术从“基础够用”到“高精度冗余”的过渡关键。这种定位，让L3成为多传感器融合技术的“最佳验证平台”。

一方面，L3需要引入激光雷达与视觉、毫米波雷达的感知融合技术，解决L2感知系统在复杂场景下的盲区问题，比如在夜间、暴雨天气，摄像头和毫米波雷达的感知精度大幅下降，激光雷达的3D点云数据可以弥补这一短板。

但多传感器融合并非简单的“数据叠加”，而是需要解决数据同步、标定、冲突消解等技术难题：不同传感器的采样频率、数据格式不同，如何实现同步采集？激光雷达与摄像头的标定误差如何控制？当不同传感器检测到的目标出现冲突时，如何判断最优结果？这些问题，都要在L3量产落地的过程中，在真实场景下得到进一步验证。

比如华为乾崑近日推出了新一代双光路图像级激光雷达，高达896线，分辨率提升4倍，稳定感知识别距离可达120米；第六代Waymo Driver基于最新17MP图像传感器，使传感器数量锐减42%，性能实现飙升，雨雪天目标检测能力提升30%以上；蘑菇车联通过“视觉为主+固态激光雷达”的融合感知路线，使点云密度提升3-6倍，目标感知距离提升超50%，漏/误检率下降70%，接管率大幅降低两个数量级。

另一方面，L3的感知精度要求（分米级定位、150-200米感知距离），恰好是L4的厘米级定位、300米感知距离的“过渡训练”。L4的高精度定位需要依赖高精地图与卫星导航系统的融合，而L3可以先通过“简化版高精地图+普通定位”的方案，验证定位系统的稳定性、抗干扰能力，解决隧道、高楼遮挡等场景下的定位漂移问题，这些技术难题，无法在实验室中模拟，只能通过量产车的真实路况积累，逐步优化算法。

决策方面，L3处于规则驱动向AI驱动过渡的阶段：在设定的ODD（运行设计域）范围内，系统可以自主完成决策（比如高速场景下的跟车、变道、避障），但遇到超出ODD的场景，仍需人类接管。这种定位，让决策算法能够在“可控场景”下进行实战训练，逐步积累数据、优化模型。

具体来说，L3的决策算法需要解决三个核心技术难题，而这些难题，正是L4决策系统的基础。

第一，场景语义分割与意图预测。L3系统需要能够精准识别道路标线、交通标志、红绿灯，同时预测前方车辆、行人的行为意图，比如判断前方车辆是否会变道、行人是否会横穿马路。

第二，轨迹规划的动态优化。L3的轨迹规划需要具备动态优化能力，比如遇到前方车辆慢速行驶，能自主规划最优变道路线，兼顾安全性和舒适性；遇到弯道，能自主调整转向角度和车速，避免侧滑。

第三，紧急场景的应急决策。L3系统需要具备简单的应急决策能力，比如系统感知到自身故障，能自主触发接管请求，并保持车辆稳定行驶一段时间，给驾驶员留出接管时间；遇到突发障碍物，能自主完成紧急制动或避让。

此外，L3的决策系统还能验证“人机交互的技术可行性”。比如接管请求的触发时机、提示方式，如何确保驾驶员在注意力分散的情况下，能够及时接管。虽然人机交互包含用户体验因素，但从技术角度来看，接管请求的触发逻辑、提示信号的传输效率，都是L4系统“无接管”设计的基础，只有明确了人类接管的极限，才能更好地设计L4系统的故障自处置逻辑。

自动驾驶算法的迭代，核心是“数据喂养”，算法的精度、泛化能力，取决于训练数据的数量和质量。L4级算法需要海量的全场景真实数据，而L3的量产落地，恰好能构建起“量产数据-算法优化-OTA升级”的闭环，为L4算法提供充足的数据支撑。

L2级辅助驾驶的用户基数虽然庞大，但数据的价值有限，且L2的数据以“辅助驾驶日志”为主，缺乏系统自主决策的相关数据，无法用于L4算法的训练。

而L4级Robotaxi的测试，虽然能收集到复杂场景的数据，但测试范围有限、测试车辆数量少，数据量远远无法满足算法迭代的需求，Waymo的Robotaxi在凤凰城测试了10年，收集的数据量仅相当于百万台L3量产车运行1年的数据量。

L3的量产落地，能完美解决这一问题。L3车型的用户基数大，运行场景覆盖高速、城市快速路等多种场景，能够收集到大量复杂场景、极端场景的数据，且这些数据包含系统自主决策的全过程，是L4算法训练的核心素材。

更重要的是，L3系统可以构建起“实时数据闭环”，量产车收集到的真实路况数据，通过车联网传输至云端，技术团队对数据进行标注、清洗，用于优化算法模型，然后通过OTA升级，将优化后的算法推送至每一台车辆，车辆再收集新的数据，形成“数据-算法-数据”的良性循环。这种闭环，正是L4算法迭代的核心支撑。

L3量产落地之惑

尽管主流车企坚持L3的必要性，但以特斯拉、Waymo为代表的技术派，始终认为L3是“技术冗余”。从技术架构来看，L3与L4的核心技术栈高度重合，研发L3相当于“重复投入”，且L3的技术设计存在先天缺陷，无法真正为L4提供有效支撑，跳过L3直接研发L4，反而能提升技术迭代效率，避免资源浪费。

更关键的是，L3的技术设计存在“先天妥协”，为了适配“人机接管”，L3的算法需要预留接管触发逻辑，冗余系统只需要满足“基础兜底”，无需实现“全故障自处置”，这种妥协，导致L3的技术积累无法直接完全复用至L4，反而需要进行大量的修改和优化。

特斯拉的技术路线，恰恰印证了这一点。特斯拉始终不研发L3，而是专注于L2+和L4的研发，其L2+系统（FSD）的硬件配置，与L4的硬件配置高度一致，算法也采用了与L4相同的端到端架构，只是在场景覆盖和自主决策能力上有所限制。

通过L2+的量产，特斯拉收集了海量真实数据，优化算法，逐步提升系统的自主决策能力，最终实现向L4的跃迁。这种方式，跳过了L3的“重复投入”，直接实现了L2到L4的技术迭代，效率更高。

从技术逻辑来看，L3的核心设计矛盾是“系统自主决策与人类接管的冲突”，这种矛盾，导致L3的技术验证无法为L4提供有效支撑，反而可能误导技术研发方向。

L4的技术核心是“无接管”，所有技术设计都围绕“系统完全兜底”展开，无需考虑人类接管的逻辑；而L3的技术设计，必须围绕“人机接管”展开，需要预留接管触发逻辑、接管提示机制、接管失败的应急处置逻辑。这些设计，与L4的技术逻辑完全相悖，无法为L4提供有效验证。

随着AI大模型、高算力芯片、高精度传感器的快速发展，自动驾驶技术的迭代速度大幅提升。例如，多模态Transformer大模型的应用，让决策算法能够直接实现“感知-决策-控制”的端到端生成，跳过了传统规则驱动的中间环节，大幅提升了系统的自主决策能力；高算力芯片的量产，让多传感器融合、复杂算法的实时运行成为可能；激光雷达的成本下降、性能提升，让L4的感知系统能够实现大规模量产。

在技术快速进化背景下，从L2+直接跃迁到L4已经成为可能。例如，特斯拉的FSD V14.2版本，通过多模态大模型的优化，已经具备了接近L4的自主决策能力，能够在复杂城市场景中自主完成跟车、变道、避障、路口礼让等操作，无需人类接管，本质上已经具备了L4的核心技术能力。后续将推送FSD V14.3，马斯克称14.3允许用户“进入睡眠状态并在目的地被唤醒”（无监督FSD）。这种跃迁，无需经过L3的过渡，直接实现了从L2到L4的技术突破。

此外，L4的技术研发，可以通过“仿真测试+Robotaxi试点”的方式，完成技术验证，无需依赖L3的量产落地。例如，Waymo通过大规模仿真测试，模拟各种极端场景，验证系统的故障自处置能力，这些方式，能够有效替代L3的技术验证作用，且更精准、更高效。

L3试点从“小切口”推进

2023年11月，工信部、公安部、 住建部、交通运输部四部门联合发布《关于开展智能网联汽车准入和上路通行试点工作的通知》。2024年6月，工信部已公布首批试点的联合体；2025年底工信部正式许可首批L3级自动驾驶车型产品开展上路通行试点。

需要说明的是，此次准入试点和之前各省市颁发的L3/L4测试或示范应用/运营牌照有本质区别：2021年工信部等部门联合发布《智能网联道路测试和示范应用管理规范》，基于此文件，各省市因地制宜陆续出台对应的实施细则。

在此之后，深圳、武汉等地Robotaxi陆续上路测试、运营。然而，该类文件本质上是规范性文件，鼓励智能网联汽车在公开道路上测试和应用，核心目的是为了验证技术和探索智驾产品形态，因此在上述政策之下，各Robotaxi厂商拿到的牌照为“试验用机动车临时行驶车号牌”。

此次进行智能网联汽车准入和上路通行试点，是在各企业进行道路测试验证产品的基础之上进行遴选，本质目的是为后续相关法律法规、技术标准制修订提供经验和依据。

在这样的目标之下，《试点》配套的《实施指南》中进一步明确了汽车生产企业、智能网联产品的准入要求，以及在国家级政策文件中首次明确了事故责任划分标准，意味着我国自动驾驶法规体系的建立正式提上日程。

值得注意的是，获批的L3级自动驾驶车辆的摄像头、雷达等装备必须是前装量产，通过后改装方式搭载传感器的车辆无法申请准入试点。作为试点城市，重庆要求在交通拥堵状况下的高速路和快速路使用自动驾驶功能时，最高车速不超过50km/h，北京要求在相同的路况下最高车速可达80km/h。

针对L3/L4自动驾驶车辆的准入，国家标准体系正逐步建立。《自动驾驶数据记录系统》是第一个自动驾驶强制标准，已正式颁布，于2026年1月1日正式执行；由工信部牵头的《自动驾驶系统安全要求》强制性标准直接规范自动驾驶系统的技术要求、制造商要求和检验检测方法，影响重大，目前已正式进入起草阶段；由公安部牵头的《智能网联汽车道路通行规定符合性测试内容和方法》亦进入拟立项阶段。

没有绝对答案，只有最适配的选择

至于L3到底有没有必要，答案并不是非黑即白，其必要性取决于企业的技术路线、研发实力，以及对技术迭代节奏的判断。不存在“绝对必要”或“绝对冗余”，只有“是否适配”。

对于绝大多数主流车企来说，L3是必要的，它们没有特斯拉、Waymo那般研发实力和数据积累，无法实现从L2+直接到L4的技术跃迁，只能通过L3的量产落地，逐步拆解L4的技术难题，积累数据、验证技术、优化算法，实现渐进式迭代。L3的核心价值，不是过渡产品，而是“技术验证载体”，是它们通往L4的“必经阶梯”。

这些车企通过L3的量产，能够逐步突破感知融合、自主决策、冗余系统、数据闭环等核心技术难题，从而为L4的研发奠定坚实基础。

而对于特斯拉这样的头部技术玩家来说，具备强大的研发实力、海量的数据积累，以及领先的技术架构，能够通过L2+的量产或Robotaxi的试点，直接突破L4的核心技术难题，实现从L2到L4的技术跃迁，无需经过L3的过渡。对于它们来说，研发L3相当于“重复投入”，不仅无法提升技术迭代效率，还会分散研发精力，延误L4的落地进度。

但我们必须承认，无论是否跳过L3阶段，L4的核心技术难题——全场景感知、全自主决策、全冗余兜底、海量数据闭环都无法回避。L3的存在，无疑推动了自动驾驶核心技术的普及和成熟，它让多传感器融合、高算力芯片、自主决策算法等核心技术，实现了大规模量产应用，降低了L4技术的研发和量产成本，为整个行业的技术迭代奠定了基础。即使是特斯拉、Waymo，也间接受益于L3推动的供应链成熟，比如激光雷达成本的下降、高算力芯片的普及等，都与L3的量产落地密切相关。

自动驾驶技术的终极目标，是L4甚至L5的全自主驾驶，而无论是渐进式还是跨越式路线，最终的核心都是突破核心技术难题，实现安全、可靠的自动驾驶。L3的存在，只是行业技术迭代过程中的一个“阶段性产物”，它的价值，将随着技术的不断成熟，逐步被L4替代，但在当下，它依然是多数企业实现技术跃迁的“最优解”。

技术迭代从无捷径可言，该走的路一步也绕不过去，对于多数企业来说，L3不是捷径，但却是最稳妥的路。

本文来自微信公众号“极智GeeTech”，作者：半山，36氪经授权发布。