自動駕駛產業最容易讓人看到的：

通常是 Demo。

一台車：

自己轉彎。

自己換線。

自己過路口。

看起來：

AI 已經快要把駕駛拿掉。

但 Hyundai 今天公布的新路線：

反而提醒我們另一件事。

真正量產，比 Demo 難很多。

Hyundai Motor Group 現在準備採取：

雙軌策略。

一條：

先用 Nvidia 技術。

另一條：

繼續發展自己的 Atria AI。

而自研系統真正大規模上車的時間：

往後延到了 2029。

Hyundai 自研自駕，延到 2029 下半年

Reuters 今天報導：

Hyundai Motor Group 原本希望：

2027 年底左右。

推出自家的先進駕駛輔助系統。

現在新的時間表變成：

2029 年下半年。

也就是：

大約晚兩年。

但 Hyundai 並不是：

這兩年什麼都不做。

相反地：

它準備先利用 Nvidia：

把部分能力提前送進量產車。

2028 先走 Nvidia 路線

Hyundai 官方今天公開的 Roadmap 顯示：

搭載 Nvidia 解決方案的：

Level 2+

量產車：

目標在：

2028 上半年。

接著：

Level 2++

則目標：

2028 下半年。

再往後：

Hyundai 自研的：

Atria AI Level 2++

目標：

2029 下半年。

所以今天真正的變化不是：

Hyundai 放棄自己做自動駕駛。

而是：

先借 Nvidia 加速量產，再用量產車反過來養自己的 AI。

這是一個很有意思的策略

一般想法可能是：

既然最後想要自己的 AI：

為什麼不乾脆等？

問題是：

自動駕駛最重要的資產之一：

不是只存在實驗室裡。

而是在：

真實道路。

只有車真的開出去：

才會遇到：

施工。

臨停車。

雨天。

模糊標線。

突然切入的機車。

奇怪路口。

行人。

自行車。

這些：

Edge Cases。

才是模型真正需要學的東西。

所以 Hyundai 想建立的是 Data Flywheel

Hyundai 今天直接把：

Data Flywheel

放到自動駕駛核心。

流程其實很好理解。

車子上路。

↓

蒐集道路資料。

↓

找出 AI 做不好的情況。

↓

重新訓練。

↓

模擬。

↓

驗證。

↓

部署更新。

↓

車子再上路。

然後：

重新開始。

這就是：

資料 → 學習 → 驗證 → 部署 → 更多資料。

真正重要的不是資料「很多」，而是資料能不能快速變成新版 AI

Hyundai 自己講了一句很重要的話。

未來自動駕駛競爭：

不是只比：

你蒐集多少 Data。

而是：

你能多快把 Data 變成學習、驗證與產品改善。

這和今天大模型的競爭：

其實非常像。

資料很多：

不夠。

模型很強：

也不夠。

真正難的是：

整個：

Feedback Loop。

能不能跑得快。

Hyundai 手裡其實有一個很大的優勢：車很多

Hyundai Motor 和 Kia：

每年全球合計銷售：

超過 700 萬輛。

覆蓋約：

190 個國家與地區。

對自動駕駛來說：

這代表一件非常重要的事情。

如果未來量產車：

開始使用一致的感測器架構。

再取得適當的使用與資料條件：

車隊就可能變成：

巨大的：

Data Collection Network。

Hyundai 不一定要像新創：

從幾百台測試車慢慢開始。

它本身：

就是一家全球大量生產汽車的公司。

但現在真正專門收資料的車，其實還不多

Hyundai 官方表示：

目前集團大約有：

40 輛專用 Data Collection Vehicle。

持續蒐集道路資料。

所以不要看到：

每年 700 萬輛車。

就直接理解成：

現在已經有 700 萬輛：

全部都在替 Atria AI 訓練。

不是。

700 萬輛代表的是：

未來可擴大的 Fleet Scale。

不是：

今天全部都已經變成自駕訓練車。

Nvidia Hyperion 10 扮演的角色也不只是「一顆晶片」

Hyundai 正把：

Hyundai。

Kia。

42dot。

Motional。

使用的感測與開發架構：

逐步朝 Nvidia DRIVE Hyperion 10：

標準化。

這件事非常重要。

因為不同車：

如果 Sensor Configuration 完全不同。

收回來的資料：

格式。

視角。

品質。

都可能不同。

很難一起拿去：

Training。

Validation。

Simulation。

統一架構的真正價值：

是讓資料：

更容易進同一個學習系統。

Hyundai 和 Nvidia 的合作，並不是把自駕整套外包

Hyundai 高層今天特別強調：

和 Nvidia 合作：

不是把公司的命運：

全部交出去。

Hyundai 的做法是：

先共同設計。

先讓 Nvidia 路線：

協助 2028 量產。

同時把使用過程產生的資料：

回頭拿來訓練與改善：

自己的：

Atria AI。

所以它想做的是：

借速度。

不是：

永久放棄技術主權。

這就是「買現成能力」和「自己建立能力」同時進行

企業導入 AI：

其實也常面臨同樣問題。

自己全部做：

控制力高。

但：

慢。

買別人的：

快。

但：

容易依賴供應商。

Hyundai 現在選的是：

短期借外部成熟技術搶時間。

同時：

長期繼續建立自己的核心能力。

這比：

「自研 vs 外購」

二選一：

更接近真實企業策略。

但代價就是：Nvidia 在汽車裡的位置變得更深

Nvidia 本來就不是：

只賣 GPU 給資料中心。

它現在正在往：

汽車。

機器人。

工廠。

Physical AI。

一路往下延伸。

Hyundai 和 Nvidia 的合作範圍：

也已經不只是：

ADAS。

還包括：

AI Data Center。

以及 Hyundai 旗下 Boston Dynamics 的：

Humanoid Robot。

所以 Nvidia 想拿的位置：

不是：

「我供應一顆晶片。」

而是：

我提供 AI 真正進入實體世界所需要的一整套計算與開發平台。

Level 2+／2++ 不是「完全自駕」

這裡一定要說清楚。

Reuters 對 Hyundai 新路線的說明中：

Level 2+：

一般指更進階的 Highway Driver Assistance。

Level 2++：

則可以處理更複雜的：

Urban Driving。

能力可能接近：

Tesla FSD 類型的駕駛輔助。

但最重要的一句是：

兩者都仍需要 Driver Supervision。

所以不能把：

2028 Level 2++：

寫成：

「Hyundai 2028 推完全無人車。」

不是。

Hyundai 自己公布的 Atria AI 影片也不能直接等同量產能力

Hyundai 已展示：

Atria AI Testbed。

在複雜都市交通中：

進行 Level 2++ 駕駛。

官方甚至公布：

One-take。

Executive Ride-along。

Edge-case Handling。

等影片。

這可以證明：

系統已經能做很多事情。

但：

測試影片。

和：

大量交給一般消費者。

中間還差著：

可靠性。

極端情境。

硬體。

法規。

驗證。

責任。

量產。

很多層。

Hyundai 延後兩年，反而可能說明產業開始比較務實

自動駕駛過去十多年：

最常發生的一件事情就是：

時間表一直往後。

因為 Demo：

很容易讓人看到：

90% 的能力。

真正困難的是：

剩下那：

10%。

甚至最後：

1%。

車子正常開：

很容易。

真正難的是：

那些：

一年只遇到幾次。

但一旦判斷錯：

後果可能非常嚴重的情況。

這也是為什麼：

自動駕駛不能只看：

平均成功率。

Edge Case 才是最難的地方

例如：

前面的貨車掉東西。

交警突然手勢指揮。

道路臨時封閉。

施工標線跟原本 Lane 不一致。

暴雨。

強烈逆光。

救護車靠近。

行人突然回頭。

這些事件：

可能很少。

但真正開進公共道路：

一定會遇到。

所以 Hyundai 的 Data Flywheel：

核心不只是：

每天多收幾 TB Data。

而是：

快速找到「模型不知道自己不會」的情況。

Hyundai 還在做 VLA

42dot 今天也公布：

正在發展：

Vision-Language-Action。

簡單說：

讓 AI 不只是：

看到畫面。

直接輸出方向盤控制。

而是：

把：

視覺理解。

語言式推理。

行動。

結合起來。

例如 AI 看到：

前面道路施工。

可能需要理解：

「原本的 Lane 已經暫時失效。」

再決定：

下一個 Action。

這條研究路線：

主要就是想改善：

Edge Case。

但 VLA 目前仍在研究與驗證

Hyundai 官方表示：

現在還在進行：

模型 Validation。

真正 On-road Testing：

預計接下來才逐步進行。

所以同樣不能把：

「正在研究 VLA」

寫成：

「Hyundai 已經把 VLA 自駕正式量產。」

目前：

還沒有。

Hyundai 年底還要跑 Level 4 實地 Pilot

Hyundai 也計畫：

今年底前：

和韓國政府合作。

在光州：

執行 Level 4：

Real-world Pilot。

目的之一：

就是取得更大規模的：

Validation Data。

這又回到同一件事：

自動駕駛真正往前走：

不是只靠：

更大的模型。

而是：

實際上路 → 發現問題 → 回去訓練 → 再驗證。

這和 Waymo 已經進入營運完全是另一個階段

昨天 SasaDaily 才寫：

Lyft 和 Waymo：

已經在 Nashville：

讓真正的無人車進入叫車服務。

這代表 Waymo 的問題：

已經不只是：

模型能不能開。

還變成：

誰幫車：

清潔。

充電。

維修。

調度。

Hyundai 今天處理的則是：

另一個更前面的問題。

怎麼把先進駕駛 AI 大規模塞進量產車。

兩者其實剛好讓我們看到：

Autonomous Mobility：

不同成熟階段。

Uber 也在處理另一種現實問題

Uber 自己推 Robotaxi。

但同時：

又和司機團體一起要求：

自動駕駛平台接受更多規則。

所以你會看到：

技術做到之後：

還有：

營運。

勞動。

保險。

監管。

責任。

公共接受度。

這些問題。

自動駕駛真正變成產業：

需要的不只是：

AI。

Amazon Prime Air 其實也是同一個故事

Amazon 無人機配送：

2013 年就已經公開。

但走到 2026：

才準備大幅擴張。

拖慢它的：

不是無人機：

飛不起來。

真正難的是：

安全。

障礙物。

噪音。

天候。

法規。

社區接受度。

和：

大規模營運。

所以所有：

Physical AI。

最後都會遇到一樣的事。

Demo 成功只是開始。

Physical AI 最終的壁壘可能不是單一模型

如果未來：

AI Model 越來越容易取得。

那 Hyundai、Tesla、Waymo：

真正難複製的東西：

可能是：

車隊。

資料。

Sensor。

Simulation。

Validation。

Engineering。

量產。

維修。

軟體更新。

這些全部加在一起：

才是一套：

Autonomy System。

Hyundai 希望 2033 年在駕駛資料量上超過競爭者

Reuters 報導：

Hyundai 表示：

當量產車真正開始大規模收集資料後：

集團希望：

到 2033 年：

累積駕駛資料量：

超越競爭者。

這是：

Hyundai 自己的目標。

不是：

已經確定會發生。

但它反映了一個很清楚的戰略：

用汽車製造規模，反過來追 AI 資料規模。

傳統車廠真正能不能追上 AI 公司，就看這一段

Hyundai 的優勢是：

會造車。

有供應鏈。

有工廠。

有 Dealer。

有全球銷量。

有大量客戶。

但 AI-native 公司：

可能在：

Software。

Data Loop。

Model Training。

Iteration Speed。

領先。

所以真正比賽變成：

傳統車廠能不能：

把：

汽車製造優勢

轉成：

AI Learning Advantage。

這正是 Data Flywheel 要解決的問題。

如果做不到，再多車也只是很多硬體

700 萬輛車：

聽起來很強。

但如果資料：

收不回來。

格式不一致。

不能標記。

訓練太慢。

Validation 太慢。

更新不能快速部署。

那麼：

700 萬輛：

也不會自動變成：

700 萬倍 AI 優勢。

所以真正關鍵不是：

Fleet Size。

而是：

Fleet → Data → Model → Vehicle

這條循環：

跑得動不動。

Nvidia 在這條循環裡想賣的是「整個平台」

Hyperion。

AI Compute。

Training Infrastructure。

Simulation。

Vehicle Platform。

Robot。

這些東西加起來：

Nvidia 的角色越來越像：

Physical AI 世界的：

基礎建設供應商。

以前汽車最關鍵的供應商：

可能是：

引擎。

變速箱。

煞車。

未來可能多一層：

AI Computing Stack。

所以 Hyundai 今天真正延後的不是「夢想」

它只是承認：

真正可大量交付的自動駕駛：

需要更長的：

Learning。

Validation。

Production。

Cycle。

這不代表：

2029 一定就完全成功。

也不代表：

Nvidia 路線一定比較好。

但今天這個 Roadmap：

至少讓市場看得更清楚：

Hyundai 怎麼處理：

短期上市速度

和：

長期技術自主

之間的矛盾。

這可能也是所有企業導入 AI 最值得學的一點

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。

快速進入：

真實使用。

蒐集：

真正問題。

再決定：

哪些能力值得：

長期自己建立。

但前提是：

不要把：

所有：

Data。

Know-how。

Decision Layer。

也一起交出去。

否則：

短期變快。

長期可能反而：

失去自己的核心能力。

所以今晚真正值得記住的不是「Hyundai 延後兩年」

而是：

自駕產業的護城河，開始從「誰先展示最厲害的 Demo」，轉向「誰能最快建立真實世界的資料飛輪」。

車真的上路。

遇到問題。

AI 學習。

安全驗證。

再更新。

再上路。

這個循環：

跑得越快。

而且：

錯誤率越低。

才可能真正拉開差距。

未來我們看到一家公司說：

「我們的 AI 車已經可以自己開。」

下一個真正應該問的：

也許不是：

「它能開多遠？」

而是：

「它遇到一次沒看過的情況後，需要多久才能讓整個車隊都學會？」

那可能才是：

下一階段自動駕駛真正的競爭力。

今天，和 AI 一起進步一點。

每天學會一個 AI 技巧。

每天節省一點時間。

每天提升一點能力。

SasaDaily，陪你一起成長。

推薦閱讀

Lyft 明明靠司機載客，為什麼無人車上線後，反而先找前司機來照顧 Waymo？

Uber 明明自己正在推 Robotaxi，為什麼現在反而開始聯手司機限制 Waymo？

Amazon Prime Air 無人機配送 2013 年就亮相，為什麼到 2026 才準備擴到近 500 個美國城市？