问题——智能辅助驾驶进入“下半场”，传统规则范式逼近天花板。随着城市道路场景愈加复杂、长尾情形频繁出现，依靠人工设定规则、逐条覆盖场景的开发方式，成本高、维护难、扩展慢，且容易出现规则冲突与体验不一致等问题。多位业内人士认为，若不能尽快完成从规则驱动到数据驱动的开发范式转换，产品效率与体验稳定性将难以跟上行业节奏，市场竞争的“分水岭”正形成。 原因——技术路线切换压力叠加，企业以“断腕”换取可持续迭代能力。卓驭上披露，2024年10月公司作出激进调整：清空积累多年的规则代码库，全面转向端到端方案。公司管理层在复盘中坦言，彼时行业头部方案已先行落地，团队启动全面转向存在时间差与资源不确定性，短期将面临模型成熟度不足、交付节奏紧张、产出波动等多重考验。选择“推倒重来”，本质上是以短期阵痛换取长期能力：让系统从真实驾驶数据中学习，降低对人工规则“打补丁”的依赖。 影响——体验从“能用”走向“可预期”，但对数据治理与安全验证提出更高要求。3月11日，涉及的系统最新版本在深圳道路进行体验展示，车辆搭载于红旗HS6 PHEV。试驾中，系统在窄路会车时提前收油并平稳减速，在红绿灯启停中加速节奏克制，在黄灯与人车混行路段能够提前减速并留出通行余量，近一小时体验接管次数较少。现场技术人员将这个特征概括为“防御性驾驶”，即通过更早的风险预判为系统决策留出空间，减少临近处置带来的突兀感与不确定性。业内人士指出，端到端方案若要真正提升公众信任，关键不只在“少接管”，更在“动作可解释、行为可预测、风险可控”，而这需要更严密的数据筛选、训练策略与验证体系支撑。 对策——以数据闭环驱动体验升级，强化“采集—提炼—验证—发布”全链路能力。卓驭相关负责人介绍，公司通过多款量产车型在路运行回收数据，并对数据进行分层筛选与提炼，重点抽取更符合安全与舒适要求的驾驶行为样本；模型训练后先在云端仿真环境中对极端场景进行反复验证，通过后再以OTA方式推送至用户端，用户在真实道路中遇到的新场景再回流为数据资产，形成持续迭代的“体验闭环”。值得关注的是，企业强调本轮升级在不更换硬件、不调整系统架构前提下完成，体现出算法与数据工程对量产体验的拉动效应。同时，业内也提示，闭环能否“转起来”，关键在数据治理与工程调优：数据要从“原始回传”走向“可学习资产”，需要明确场景覆盖比例、风险权重配置与行为边界校准，避免“数据越多越混乱”。 前景——端到端量产将加速普及，行业竞争转向数据、验证与合规三重硬实力。随着端到端方案在更多车型落地，迭代速度有望提升，企业普遍期待由“按年更新”转向“按月优化”，从而更快提升城市道路体验。但未来竞争焦点也将随之变化：其一，比拼数据规模更要比拼数据质量与标注、筛选、回放、仿真能力；其二，比拼更新频率更要比拼安全冗余与验证体系，确保每次OTA“上车即可靠”；其三，必须在法规要求与安全底线框架下推进功能边界透明化，强化对驾驶员提示、接管策略与责任界面的规范表达。可以预见，具备高质量数据来源、闭环效率与安全验证能力的企业，将在新一轮行业整合中占据主动。
智能驾驶竞争已进入新阶段，关键在于建立持续进化机制。卓驭的转型反映了行业从规则驱动向数据驱动的趋势。能够构建完整闭环、实现快速迭代的企业，将在未来市场竞争中赢得先机。这不仅代表技术进步，更预示着智能驾驶产业化将迈入新阶段。