小鹏G6搭载了“AI代驾”，人工智能会学习和存储指定路段的行车路线，实现家到公司点到点的辅助驾驶；理想最近在开发通勤NOA功能，也是把上下班路线存储好，就可以实现自动辅助驾驶；华为的NCA辅助驾驶系统中，也有类似的功能。这种特定场景的NOA辅助驾驶，已经是继城市NOA的大概念后，车企们卷的更细的功能了。

通勤NOA这类功能，是车企们的无奈之举？

在自动驾驶依然无法大规模落地的背景下，车企们给消费者以及整个市场画下的饼，迟迟难以实现，而辅助驾驶这条已经卷到飞起的赛道，一直都被L2级束缚住，短期内可能难以向上再突破，那么如何给市场和消费者们一个还算能说得过去的交代呢？于是这类特定场景的NOA辅助驾驶功能，开始迅速铺开。

可以说在这个阶段推出通勤NOA等功能，就是车企们的无奈之举，如果大家常关注这些新势力们的辅助驾驶系统的动向，会发现大家其实在硬件方面大家已经拉不开什么差距，功能的上限标准也摆在那里，不能达到L3，所以只好在L2+的范畴中，进一步地内卷。

而通勤等固定路线的NOA功能，也是驾驶者最常遇到的场景，同时通勤路段也是让驾驶者们最容易造成疲劳的场景，如何解决这一痛点问题，车企们都给出了不同的解题思路，当然大家也可以把它当作自动泊车功能来看待，自动泊车解决泊车场景痛点，通勤NOA解决通勤的疲劳重复问题。

比如通勤场景的辅助驾驶，是城市全场景辅助驾驶中的细分场景，目前新势力车企们在做这类功能时，往往还会依赖高精地图，虽然高精地图的弊端比如更新慢、鲜度低的问题大家都很清楚，但是架不住它真的好用，初期搭建功能依然离不开高精地图，而后再通过BEV+各种不同命名的空间网络技术，逐渐降低对于高精地图的依赖程度。

通勤NOA功能这么香，可特斯拉为什么不做？

相比全场景的城市辅助驾驶，通勤场景有着高重复性，时间线路都比较固定的特点，所以对于车企来说，会有相当多可以汇总在一起的相同类型数据可以进行分析。

比如理想的通勤NOA功能，前期还需要人类驾驶员来驾驶车辆，实现家到公司的点到点驾驶，与此同时车辆会通过车身上的感知硬件，以及地图数据来感知和记录途经路段的信息，再提供给理想的NPN神经先验网络算法，来进行提取、调用和学习。

小鹏的“AI代驾”可以通过短时间分析用户日常高频场景（比如通勤路段等其他相对固定的线路），学习用户驾驶风格，由此可以实现私人定制路线，达到更高的通勤效率。

这其实就是把人为的驾驶信息，通过系统的自学习，把一些相同类型的数据进行归纳，系统会对于这些路线更为熟悉，基本上只需要一周时间，系统就可以训练好一条常用的路线，复杂路线的训练时间可能达到两周及以上。大家可能会想了，我这可能就只有十几公里的路，车企们那些有着非常高算力，而且还有自动标注等先进技术的加持，为何还要一周时间？

这其实已经是属于定制化的智能驾驶功能了，车企们之前发布的大部分都是一整套方案，可以复刻到每一台车上，但这种个性定制化的功能，就需要额外的算力来服务了，再加上同一时刻可能会有几千种通勤路线在优化，这背后也有着相当可观的数据量。

目前之所以自动驾驶或者全场景的辅助驾驶还难以完全推广开，车企们还在卷特定场景NOA，与目前全场景辅助驾驶所面临的3个关键问题不无关系。目前技术挑战主要有3方面：首先是现有的算法，不足以支撑复杂场景的功能和性能；其次是现有硬件有效算力和设备带宽，不足以支撑最先进的算法和大模型；最后是现有软件架构，不足以支撑高度自动化的快速迭代，使得整个开发成本高，开发周期长。

为什么海外的特斯拉FSD Beta敢开通全场景的功能，甚至于“埃隆模式”都不需要人为干预了，这与特斯拉的算法架构有着很大关系，特斯拉的算法以及感知技术架构，一直是行业的领头羊，它新用到了技术，新势力们也会去快速跟进，但是大家的步伐总是没有特斯拉快，这是不争的事实，特别是特斯拉FSD目前已经用上了端到端架构，和其他车企们已经又错开了一层。

其次，大家会发现如今的绝大部分有高阶辅助驾驶的车企，它们的辅助驾驶核心算力几乎没有低于200Tops的，基本上都在500Tops以上，甚至破千，但是真正的有效算力，也就是能用得到的算力其实并不多，因为其实车企们在开发过程中为了增大算力冗余，所以都把数据做的很好看，但是真当需要高算力冗余来带动新算法模型时，这些算力翻到激活不出来，就像发动机马力很大，但是变速箱拖后腿一样。

而由算力平台的承载力不足，又会带出接下来的问题，也就是新的技术、算法、模型真的来了，很难实现低成本的快速进步迭代。

以上这些就是目前全场景NOA所面临的问题，而去卷特定场景的NOA，会让场景更加聚焦，面对上面所说的那3个问题，特定场景NOA会让车企面临的难度降低很多，而且功能体验优化起来，也会让用户们的感知度更强。

特定场景的辅助驾驶（比如通勤NOA）所带来的体验，会比较接近L3级自动驾驶的体验，因为L3级本来就是有条件的自动驾驶，而车企们把条件限定在了通勤等重复度较高的场景，其实可以说是顶着面前规则的上限，来给用户尽可能多的体验。

总结：

文中提到的目前城市辅助驾驶所面对的3个大问题，是全行业目前都要面对的，虽然像特定场景辅助驾驶这类功能，可以尽可能地避免这3个问题，但也会带来新的问题。

车企们现在大多做的还是一个一个场景的优化，而后把它们归拢起来形成多场景的辅助驾驶，而城市通勤场景也是其中的一个或者多个组成部分，虽然能够做到对于一个场景的完整优化，但是场景还是一个个割裂开的，短期内无法形成一个完整的链条。而特斯拉FSD的端到端架构，已经把感知决策输出做成了一整套模型，这个我们前面的文章有大篇幅的解读，而蔚小理们现在还在做这些割裂开的场景优化，可能已经又落后了。