自动驾驶产业最容易让人看到的：

通常是 Demo。

一台车：

自己转弯。

自己换线。

自己过路口。

看起来：

AI 已经快要把驾驶拿掉。

但 Hyundai 今天公布的新路线：

反而提醒我们另一件事。

真正量产，比 Demo 难很多。

Hyundai Motor Group 现在准备采取：

双轨策略。

一条：

先用 Nvidia 技术。

另一条：

继续发展自己的 Atria AI。

而自研系统真正大规模上车的时间：

往后延到了 2029。

Hyundai 自研自驾，延到 2029 下半年

Reuters 今天报导：

Hyundai Motor Group 原本希望：

2027 年底左右。

推出自家的先进驾驶辅助系统。

现在新的时间表变成：

2029 年下半年。

也就是：

大约晚两年。

但 Hyundai 并不是：

这两年什么都不做。

相反地：

它准备先利用 Nvidia：

把部分能力提前送进量产车。

2028 先走 Nvidia 路线

Hyundai 官方今天公开的 Roadmap 显示：

搭载 Nvidia 解决方案的：

Level 2+

量产车：

目标在：

2028 上半年。

接着：

Level 2++

则目标：

2028 下半年。

再往后：

Hyundai 自研的：

Atria AI Level 2++

目标：

2029 下半年。

所以今天真正的变化不是：

Hyundai 放弃自己做自动驾驶。

而是：

先借 Nvidia 加速量产，再用量产车反过来养自己的 AI。

这是一个很有意思的策略

一般想法可能是：

既然最后想要自己的 AI：

为什么不干脆等？

问题是：

自动驾驶最重要的资产之一：

不是只存在实验室里。

而是在：

真实道路。

只有车真的开出去：

才会遇到：

施工。

临停车。

雨天。

模糊标线。

突然切入的机车。

奇怪路口。

行人。

自行车。

这些：

Edge Cases。

才是模型真正需要学的东西。

所以 Hyundai 想创建的是 Data Flywheel

Hyundai 今天直接把：

Data Flywheel

放到自动驾驶内核。

流程其实很好理解。

车子上路。

↓

搜集道路数据。

↓

找出 AI 做不好的情况。

↓

重新训练。

↓

模拟。

↓

验证。

↓

部署更新。

↓

车子再上路。

然后：

重新开始。

这就是：

数据 → 学习 → 验证 → 部署 → 更多数据。

真正重要的不是数据「很多」，而是数据能不能快速变成新版 AI

Hyundai 自己讲了一句很重要的话。

未来自动驾驶竞争：

不是只比：

你搜集多少 Data。

而是：

你能多快把 Data 变成学习、验证与产品改善。

这和今天大模型的竞争：

其实非常像。

数据很多：

不够。

模型很强：

也不够。

真正难的是：

整个：

Feedback Loop。

能不能跑得快。

Hyundai 手里其实有一个很大的优势：车很多

Hyundai Motor 和 Kia：

每年全球合计销售：

超过 700 万辆。

覆盖约：

190 个国家与地区。

对自动驾驶来说：

这代表一件非常重要的事情。

如果未来量产车：

开始使用一致的传感器架构。

再取得适当的使用与数据条件：

车队就可能变成：

巨大的：

Data Collection Network。

Hyundai 不一定要像新创：

从几百台测试车慢慢开始。

它本身：

就是一家全球大量生产汽车的公司。

但现在真正专门收数据的车，其实还不多

Hyundai 官方表示：

目前集团大约有：

40 辆专用 Data Collection Vehicle。

持续搜集道路数据。

所以不要看到：

每年 700 万辆车。

就直接理解成：

现在已经有 700 万辆：

全部都在替 Atria AI 训练。

不是。

700 万辆代表的是：

未来可扩大的 Fleet Scale。

不是：

今天全部都已经变成自驾训练车。

Nvidia Hyperion 10 扮演的角色也不只是「一颗芯片」

Hyundai 正把：

Hyundai。

Kia。

42dot。

Motional。

使用的传感与开发架构：

逐步朝 Nvidia DRIVE Hyperion 10：

标准化。

这件事非常重要。

因为不同车：

如果 Sensor Configuration 完全不同。

收回来的数据：

格式。

视角。

品质。

都可能不同。

很难一起拿去：

Training。

Validation。

Simulation。

统一架构的真正价值：

是让数据：

更容易进同一个学习系统。

Hyundai 和 Nvidia 的合作，并不是把自驾整套外包

Hyundai 高层今天特别强调：

和 Nvidia 合作：

不是把公司的命运：

全部交出去。

Hyundai 的做法是：

先共同设计。

先让 Nvidia 路线：

协助 2028 量产。

同时把使用过程产生的数据：

回头拿来训练与改善：

自己的：

Atria AI。

所以它想做的是：

借速度。

不是：

永久放弃技术主权。

这就是「买现成能力」和「自己创建能力」同时进行

企业导入 AI：

其实也常面临同样问题。

自己全部做：

控制力高。

但：

慢。

买别人的：

快。

但：

容易依赖供应商。

Hyundai 现在选的是：

短期借外部成熟技术抢时间。

同时：

长期继续创建自己的核心能力。

这比：

「自研 vs 外购」

二选一：

更接近真实企业策略。

但代价就是：Nvidia 在汽车里的位置变得更深

Nvidia 本来就不是：

只卖 GPU 给数据中心。

它现在正在往：

汽车。

机器人。

工厂。

Physical AI。

一路往下延伸。

Hyundai 和 Nvidia 的合作范围：

也已经不只是：

ADAS。

还包括：

AI Data Center。

以及 Hyundai 旗下 Boston Dynamics 的：

Humanoid Robot。

所以 Nvidia 想拿的位置：

不是：

「我供应一颗芯片。」

而是：

我提供 AI 真正进入实体世界所需要的一整套计算与开发平台。

Level 2+／2++ 不是「完全自驾」

这里一定要说清楚。

Reuters 对 Hyundai 新路线的说明中：

Level 2+：

一般指更高级的 Highway Driver Assistance。

Level 2++：

则可以处理更复杂的：

Urban Driving。

能力可能接近：

Tesla FSD 类型的驾驶辅助。

但最重要的一句是：

两者都仍需要 Driver Supervision。

所以不能把：

2028 Level 2++：

写成：

「Hyundai 2028 推完全无人车。」

不是。

Hyundai 自己公布的 Atria AI 视频也不能直接等同量产能力

Hyundai 已展示：

Atria AI Testbed。

在复杂都市交通中：

进行 Level 2++ 驾驶。

官方甚至公布：

One-take。

Executive Ride-along。

Edge-case Handling。

等视频。

这可以证明：

系统已经能做很多事情。

但：

测试视频。

和：

大量交给一般消费者。

中间还差着：

可靠性。

极端情境。

硬件。

法规。

验证。

责任。

量产。

很多层。

Hyundai 延后两年，反而可能说明产业开始比较务实

自动驾驶过去十多年：

最常发生的一件事情就是：

时间表一直往后。

因为 Demo：

很容易让人看到：

90% 的能力。

真正困难的是：

剩下那：

10%。

甚至最后：

1%。

车子正常开：

很容易。

真正难的是：

那些：

一年只遇到几次。

但一旦判断错：

后果可能非常严重的情况。

这也是为什么：

自动驾驶不能只看：

平均成功率。

Edge Case 才是最难的地方

例如：

前面的货车掉东西。

交警突然手势指挥。

道路临时封闭。

施工标线跟原本 Lane 不一致。

暴雨。

强烈逆光。

救护车靠近。

行人突然回头。

这些事件：

可能很少。

但真正开进公共道路：

一定会遇到。

所以 Hyundai 的 Data Flywheel：

内核不只是：

每天多收几 TB Data。

而是：

快速找到「模型不知道自己不会」的情况。

Hyundai 还在做 VLA

42dot 今天也公布：

正在发展：

Vision-Language-Action。

简单说：

让 AI 不只是：

看到画面。

直接输出方向盘控制。

而是：

把：

视觉理解。

语言式推理。

行动。

结合起来。

例如 AI 看到：

前面道路施工。

可能需要理解：

「原本的 Lane 已经暂时失效。」

再决定：

下一个 Action。

这条研究路线：

主要就是想改善：

Edge Case。

但 VLA 目前仍在研究与验证

Hyundai 官方表示：

现在还在进行：

模型 Validation。

真正 On-road Testing：

预计接下来才逐步进行。

所以同样不能把：

「正在研究 VLA」

写成：

「Hyundai 已经把 VLA 自驾正式量产。」

目前：

还没有。

Hyundai 年底还要跑 Level 4 实地 Pilot

Hyundai 也计划：

今年底前：

和韩国政府合作。

在光州：

运行 Level 4：

Real-world Pilot。

目的之一：

就是取得更大规模的：

Validation Data。

这又回到同一件事：

自动驾驶真正往前走：

不是只靠：

更大的模型。

而是：

实际上路 → 发现问题 → 回去训练 → 再验证。

这和 Waymo 已经进入营运完全是另一个阶段

昨天 SasaDaily 才写：

Lyft 和 Waymo：

已经在 Nashville：

让真正的无人车进入叫车服务。

这代表 Waymo 的问题：

已经不只是：

模型能不能开。

还变成：

谁帮车：

清洁。

充电。

维修。

调度。

Hyundai 今天处理的则是：

另一个更前面的问题。

怎么把先进驾驶 AI 大规模塞进量产车。

两者其实刚好让我们看到：

Autonomous Mobility：

不同成熟阶段。

Uber 也在处理另一种现实问题

Uber 自己推 Robotaxi。

但同时：

又和司机团体一起要求：

自动驾驶平台接受更多规则。

所以你会看到：

技术做到之后：

还有：

营运。

劳动。

保险。

监管。

责任。

公共接受度。

这些问题。

自动驾驶真正变成产业：

需要的不只是：

AI。

Amazon Prime Air 其实也是同一个故事

Amazon 无人机配送：

2013 年就已经公开。

但走到 2026：

才准备大幅扩张。

拖慢它的：

不是无人机：

飞不起来。

真正难的是：

安全。

障碍物。

噪音。

天候。

法规。

社区接受度。

和：

大规模营运。

所以所有：

Physical AI。

最后都会遇到一样的事。

Demo 成功只是开始。

Physical AI 最终的壁垒可能不是单一模型

如果未来：

AI Model 越来越容易取得。

那 Hyundai、Tesla、Waymo：

真正难拷贝的东西：

可能是：

车队。

数据。

Sensor。

Simulation。

Validation。

Engineering。

量产。

维修。

软件更新。

这些全部加在一起：

才是一套：

Autonomy System。

Hyundai 希望 2033 年在驾驶数据量上超过竞争者

Reuters 报导：

Hyundai 表示：

当量产车真正开始大规模收集数据后：

集团希望：

到 2033 年：

累积驾驶数据量：

超越竞争者。

这是：

Hyundai 自己的目标。

不是：

已经确定会发生。

但它反映了一个很清楚的战略：

用汽车制造规模，反过来追 AI 数据规模。

传统车厂真正能不能追上 AI 公司，就看这一段

Hyundai 的优势是：

会造车。

有供应链。

有工厂。

有 Dealer。

有全球销量。

有大量客户。

但 AI-native 公司：

可能在：

Software。

Data Loop。

Model Training。

Iteration Speed。

领先。

所以真正比赛变成：

传统车厂能不能：

把：

汽车制造优势

转成：

AI Learning Advantage。

这正是 Data Flywheel 要解决的问题。

如果做不到，再多车也只是很多硬件

700 万辆车：

听起来很强。

但如果数据：

收不回来。

格式不一致。

不能标记。

训练太慢。

Validation 太慢。

更新不能快速部署。

那么：

700 万辆：

也不会自动变成：

700 万倍 AI 优势。

所以真正关键不是：

Fleet Size。

而是：

Fleet → Data → Model → Vehicle

这条循环：

跑得动不动。

Nvidia 在这条循环里想卖的是「整个平台」

Hyperion。

AI Compute。

Training Infrastructure。

Simulation。

Vehicle Platform。

Robot。

这些东西加起来：

Nvidia 的角色越来越像：

Physical AI 世界的：

基础建设供应商。

以前汽车最关键的供应商：

可能是：

引擎。

变速箱。

煞车。

未来可能多一层：

AI Computing Stack。

所以 Hyundai 今天真正延后的不是「梦想」

它只是承认：

真正可大量交付的自动驾驶：

需要更长的：

Learning。

Validation。

Production。

Cycle。

这不代表：

2029 一定就完全成功。

也不代表：

Nvidia 路线一定比较好。

但今天这个 Roadmap：

至少让市场看得更清楚：

Hyundai 怎么处理：

短期上市速度

和：

长期技术自主

之间的矛盾。

这可能也是所有企业导入 AI 最值得学的一点

不一定所有核心能力：

第一天就全部自己做。

有些地方：

可以先使用成熟外部平台。

快速进入：

真实使用。

搜集：

真正问题。

再决定：

哪些能力值得：

长期自己创建。

但前提是：

不要把：

所有：

Data。

Know-how。

Decision Layer。

也一起交出去。

否则：

短期变快。

长期可能反而：

失去自己的核心能力。

所以今晚真正值得记住的不是「Hyundai 延后两年」

而是：

自驾产业的护城河，开始从「谁先展示最厉害的 Demo」，转向「谁能最快创建真实世界的数据飞轮」。

车真的上路。

遇到问题。

AI 学习。

安全验证。

再更新。

再上路。

这个循环：

跑得越快。

而且：

错误率越低。

才可能真正拉开差距。

未来我们看到一家公司说：

「我们的 AI 车已经可以自己开。」

下一个真正应该问的：

也许不是：

「它能开多远？」

而是：

「它遇到一次没看过的情况后，需要多久才能让整个车队都学会？」

那可能才是：

下一阶段自动驾驶真正的竞争力。

今天，和 AI 一起进步一点。

每天学会一个 AI 技巧。

每天节省一点时间。

每天提升一点能力。

SasaDaily，陪你一起成长。

推荐阅读

Lyft 明明靠司机载客，为什么无人车上线后，反而先找前司机来照顾 Waymo？

Uber 明明自己正在推 Robotaxi，为什么现在反而开始联手司机限制 Waymo？

Amazon Prime Air 无人机配送 2013 年就亮相，为什么到 2026 才准备扩到近 500 个美国城市？