中国汽车行业期盼多年的针对L3/L4的新国标，终于敲定落地时间。 

日前，工业和信息化部就《智能网联汽车自动驾驶系统安全要求》强制性国家标准（报批稿）向社会公开征求意见。 

▲自动驾驶系统强制性国家标准（报批稿）公开征求意见

该标准拟取代原有推荐性国家标准，首次以强制性技术规范形式为L3、L4级自动驾驶划定必须遵守的法律底线，企业必须严格执行，不符合标准的产品不得生产、销售，一旦违反即构成违法，标准拟于2027年7月1日起正式实施。 

从“推荐”到“强制”，一词之差，行业风向彻底翻篇，自动驾驶正式进入强制监管周期。与此同时，国内多地陆续发放L3自动驾驶道路测试、示范运营牌照，自动驾驶合规量产进入倒计时。 

国标落地、牌照到位——行业竞争逻辑变了，过去拼的是功能上车的速度，现在拼的是全生命周期内安全、稳定、可迭代的综合能力。 

而在这场长跑中，技术架构成为车企能否留在牌桌上的关键影响因素。架构选型不能只看当下够不够用，更要看五年后还能不能合规、可迭代。 

当前，多家车企已经将大算力智驾芯片搭载上车。一个清晰的信号正在浮现：面向L3/L4，大算力计算架构将成为行业必然。

01.算法、数据、算力逼近临界点，自动驾驶“五年终局”开启

自动驾驶正处于向L3、L4演进的关键节点，算法、算力、数据，构成自动驾驶技术的这三大核心支柱都发生了转变。 

先看算法。

随着自动驾驶的持续发展，算法模型正在经历一轮根本性的范式迁移。过去自动驾驶由规则驱动，工程师靠人力写代码定义各种驾驶场景和应对逻辑——但这条路的尽头是永远写不完的Corner case。 

而当下，行业主流方案正从规则驱动全面转向AI原生路线，端到端、世界模型、视觉语言动作模型（VLA）、强化学习等新范式相继登场。 

算法不再靠人写规则，而是让模型自己去“看懂”世界，理解物理规律，做出最优决策。 

这种转变下，算力需求呈现指数级增长——模型参数量越大，推理吞吐速度越快，需要的算力和内存带宽就越高。 

再看数据。

AI模型的进化离不开海量高质量数据的持续供给。 

当模型从规则驱动变为数据驱动之后，对数据的要求从“量大”升级为“质高”——需要更多高质量、覆盖长尾场景的数据去训练和验证模型。 

过去数年，头部玩家基于海量真实路况数据的积累，逐渐形成了系统化的数据闭环迭代能力。模型迭代速度持续加快，领先优势不断放大，这意味着窗口期正在迅速收窄。 

最后看算力。

算法在变、数据要求在变，对车的能力要求自然水涨船高。 

L3、L4要求车辆具备更强的感知、决策和执行能力，需要实时处理多传感器融合的海量数据，需要支撑大参数模型的实时推理——这一切都指向同一个方向：更高算力。

这些与德赛西威高级总工程师彭学明在2026中国汽车论坛上发表的观点不谋而合。 

▲2026中国汽车论坛现场

他认为，算法、数据、算力这三个决定自动驾驶规模化落地的基础条件，“正同步走向跨越新周期的临界点”。

那么，距离跨越这个临界点还有多远？行业人士给出了各自的判断。 

小鹏汽车董事长兼CEO何小鹏给出了一个激进的预判：未来三到五年内，L4乃至L5级自动驾驶将实现落地，车辆可在全场景内安全、平顺且高效运行。 

“两年前我都不太信L4、L5能真正落地，但现在物理AI的推进速度远超想象”，何小鹏说。 

地平线创始人兼CEO余凯则给出了更具体的节奏：2028年实现100%“脱手开”，2030年实现L4级“闭眼开”，2035年实现“睡觉开”的终极形态。 

彭学明认为，自动驾驶正在进入“五年终局周期”——未来五年不是技术等待成熟的五年，而是产业格局定型的五年。 

尽管各家给出的时间表不尽相同，但综合多方表态来看，自动驾驶的终局，或将在2030-2035年间逐渐清晰。 

02.2000TOPS成L3入场券，L4算力需求还要翻番，往L3、L4走，具体要怎么做？

这需要从软件和硬件两个层面来看。 

软件层面主要体现在算法和数据上，当前，物理AI+世界模型已经成为行业主流发展方向——在算法上，物理AI让模型从被动识别升级为主动推演物理世界的因果演化，在数据上，世界模型通过生成式虚拟环境解决长尾场景数据稀缺的痛点，二者同步驱动软件能力的质变。 

同时，软件迭代升级也需要更高算力的支撑，反映在硬件层面，大算力芯片方案被越来越多车企采用。 

理想汽车在旗舰车型理想L9 Livis上搭载了自研的马赫M100芯片，单颗芯片算力达到1280TOPS，两颗芯片总算力达到2560TOPS。 

小鹏GX的市售顶配车型上搭载三颗自研的图灵AI芯片，总算力达到2250 TOPS；Robotaxi版本则搭载四颗图灵AI芯片，总算力高达3000TOPS。 

虽然这些车型当前的能力仍属于L2级别，但这些车企无一例外选择了大算力方案——这背后是对L3、L4的提前布局。它们要的不是“当下够用就好”，而是“为未来留足余量”。

那么，面向L3到底需要多少算力？彭学明给出了明确的判断：2000TOPS是AI原生L3的起步门槛。

L3如此，L4呢？ 

从L3到L4，看似只是名词的变化，但背后涉及的变化要大得多。 

L3是有条件自动驾驶，系统在特定条件下接管驾驶，但人仍需要在系统请求时随时接管。 

而L4是高度自动驾驶，道路不确定性更大、车承担的责任更多、需要应对的场景更复杂。 

这意味着，L4相应的算力需求也进一步攀升。 

彭学明的判断是：面向L4，整车AI智能体需要向全域6000TOPS以上算力演进。

03.单芯难扛L4算力重担，双大算力架构或成更优解，L4这么庞大的算力需求，该怎么实现？

现实是，当下没有任何单颗芯片能够提供如此高的算力。 

面对这一瓶颈，行业在向L3过渡时走出了一条“大小脑”方案——采用两颗不同算力的芯片，各自运行独立的软件体系，大算力芯片作为“大脑”主责核心计算，小算力芯片作为“小脑”在主域失效时承担安全冗余。 

但问题在于：面向L4，用大算力和小算力芯片搭配明显不够。 

一方面，L4对主计算域的算力需求远超L3；另一方面，L4对安全冗余的要求也更高，因此，面向L4用上两颗大算力芯片可能才是最优解。

这就是德赛西威正在做的事，在“大小脑”方案的基础上，德赛西威推出了“大大脑”方案——其核心逻辑是“主域履职，副域兜底”，采用两颗大算力芯片共享同一套软件栈，仅通过硬件分区实现故障隔离。 

主计算单元负责全域感知与核心决策，副算力单元独立承担安全冗余，二者共享数据闭环、仿真验证和OTA体系。 

这一方案的优势在长期视角下尤为明显，既能满足L3的多冗余安全标准，也能在未来平滑过渡到L4——不需要推倒重来、重复开发、重复投入。 

相比之下，“大小脑”方案采用两颗不同算力的芯片，对应的是两套算法、两套工具链、两套验证体系、两套维护逻辑，从L3走向L4时，大概率需要再做一次平台重构，算法重新适配，工具链重新开发，验证体系重新搭建——背后是巨大的时间、成本负担。 

从这个逻辑来看，统一同源的大算力中央大脑，或是一条更值得长期押注的技术路径。

04.结语：行业竞争并非短期成本博弈

拉长时间维度对比两条L3演进路线：“大小脑”是分期付款——首付低，但后续投入可能需要持续追加；“大大脑”是一次性投入——前期成本高，但后面无需为架构升级反复买单。 

但这笔账，算的不只是成本。 

长远来看，自动驾驶关乎行车安全，安全和可靠是不可妥协的底线，安全冗余、合规体系、可持续迭代能力，每一项都需要足够的算力底座来承载，短期成本博弈不应凌驾于安全与长期迭代能力之上。 

当下，中国汽车产业正值百年难遇的机会窗口。 

汽车正从代步工具升级为连接人、车、道路、服务的智能出行节点，中国汽车产业有机会在技术标准和产业生态中掌握定义权。 

而抓住这个机会窗口，需要产业上下游形成合力，让每一笔投入都服务于终局。