近日，由懂车帝与央视新闻联合推出的大型科普类节目《懂车智炼场》正式上线，该节目主要选取了一些市面的热门车型进行实测。而实测所涵盖的内容则分为高速事故场景、城市场景模拟测试等。

其中，高速事故场景共设置了6类场景，分别是高速惊现事故车、施工路遇卡车、高速临时施工、消失的前车、高速路口遇野蛮加塞、莽撞横穿的猪。

城市场景下共设置了9类场景，分别为开进大转盘、转盘内汇入、四小学生过马路、故障车躲避、平常的调头、斜刺电瓶和儿童过马路、倒车难题、疯狂电瓶、盲区藏辆左转车。

很显然，随着这档节目的播出，无疑为公众提供了一扇了解当前智能驾驶技术真实水平的窗口。但令人感到意外的是，小米、小鹏、极氪、蔚来、理想等新势力代表车型在多个测试项目中居然未能顺利通关。由此可见，这并非偶然失败，而是反映了不同车企在技术路线、落地策略与投入侧重上的根本差异。那下面我们就结合懂车帝的测试结果，来看看各大新势力车型自身智驾水平目前所面临的问题与挑战与。

小米：新锐入局者的必经阵痛

作为智能驾驶领域的新玩家，小米SU7的测试表现折射出行业新军面临的客观挑战。从测试结果来看，小米SU7在「高速事故场景模拟」中，仅通过了施工路遇卡车这一项测试。而其它的像高速惊现事故车、高速临时施工、消失的前车真高速版、高速入口遇野蛮加塞、莽撞横穿的猪灯测试环节，小米SU7则均未能通过。

看到这，想必大家都会感到疑惑，那就是小米SU7的问题到底出在哪呢？我觉得，主要有以下这几方面的原因。

1、数据积累与算法成熟度短板

智能驾驶的核心竞争力是建立在海量真实道路数据与算法持续迭代之上。而小米入局时间短，其数据积累量级与头部玩家存在代差，导致系统在应对复杂、罕见场景（Corner Cases）时表现不稳定。

2、工程验证周期压缩

为抢占市场窗口期，小米SU7从发布到交付节奏极快，其智驾系统的工程验证与优化时间被高度压缩。测试中的表现，部分反映了其软件版本尚未达到最优状态。

3、用户基数初建，影子模式数据有限

依赖大规模用户车队运行的“影子模式”是优化智驾的关键途径。小米初期用户规模有限，数据回传规模尚不足以支撑算法的快速成熟。

小鹏：技术先锋的复杂场景攻坚难题

虽然小鹏G6在此次的「高速事故场景模拟」中取得了3项通过的不错成绩，但小鹏P7+在高速智驾测试环节的全面溃败，又让人不得不为这家技术先锋的智驾逻辑给捏了一把汗。

那么，以智驾技术见长的小鹏，又是如何在高速智驾测试环节中暴露自身短板和问题的呢？经过分析，我认为原因主要也有以下三点：

1、纯视觉感知的物理局限性

在特定极端场景（如强烈逆光、极端恶劣天气、特殊材质或形状的低矮障碍物），依赖摄像头为主的感知方案存在理论上的物理探测极限，而这就有可能会影响到AEB等安全系统的及时触发。

2、激光雷达融合策略待优化

虽然小鹏的部分车型配备激光雷达，但如何最大化发挥多传感器融合的优势，尤其是在快速动态场景下的决策与规划，仍有优化空间。

3、XNGP的“长尾问题”挑战

小鹏主推的全场景智能辅助驾驶（XNGP）覆盖范围广，但大家应该都知道，咱们中国的道路环境复杂度极高（如节目中的城中村、无保护路口复杂车流、特殊障碍物等）。因此，想要彻底解决这些“长尾问题”，也仍需要持续的算法突破和海量针对性数据训练才行。

蔚来：全栈自研的“理想”与现实落差

此次参与懂车帝智驾测试的蔚来ES6车型，在节目中的表现也并不好。其中，「高速事故场景模拟」蔚来ES6仅完成了消失的前车真高速版这一项测试，而其它几项则均未能通过。那么，目前蔚来自研智驾的问题又到底出在哪呢？原因也有以下三点：

1、“全栈自研”的规模化落地效率

蔚来在智驾领域的全栈自研其实投入非常大，且在覆盖海量场景、处理海量数据时，其开发迭代的效率是否能跟上市场快速变化的期望，这是一大考验。另外，在测试中某些场景的处理不佳，可能也反映了其算法覆盖的广度或深度尚有不足。

2、纯视觉路线（NT2.0平台）的固有挑战

与多传感器融合方案相比，纯视觉在环境适应性上（如低光照、眩光、恶劣天气）存在天然劣势，而这便对算法提出了更高的要求。

3、功能释放的平衡

蔚来追求“一步到位”的全场景能力，可能导致在部分基础场景的体验打磨和稳定性上需要更多时间优化。

理想：实用主义策略下的能力边界

和蔚来同属于“难兄难弟”的是，理想L6在此次测试中的表现也堪称是差强人意。其中，「高速事故场景模拟」环节理想L6仅通过了施工路遇卡车这一项测试，其余项目则全部挑战失败。

而在「城市事故场景模拟」测试环节，9项测试理想L6更是仅通过了3项，由此可见，这车在智驾水平方面还有很大的提升空间。同样，我们也为理想L6此番测试结果梳理出了以下这三点原因：

1、高精地图依赖与“无图化”进程

理想智驾方案对高精地图的依赖度较高。在高精地图鲜度不足或未覆盖区域（如节目中的某些测试路段），系统性能就有可能出现显著下降。所以，其“无图化”进程相对谨慎。

2、“高速NOA优先”的战略聚焦

早在很久前，理想汽车就明确地将高速/快速路场景作为智驾功能落地优先级，并投入了大量资源重点保障该场景下的体验领先和稳定性。那这便导致了其车辆在城市复杂道路（尤其是无图区域）的覆盖深度和能力相对滞后。

3、用户定位与功能取舍

作为一家围绕家庭用户核心需求（舒适、安全、可靠）打造车型的汽车品牌，理想在激进功能的推送上更为保守，因此这可能也影响了其在极限测试中的表现。

极氪：传统巨头转型的软件能力爬坡

相信大家有看过测试原视频的就应该知道，无论是极氪还是领克，它们旗下车型在智驾能力上的弊端，可真是显露得非常无疑。

就拿极氪001和极氪7X来说，在「高速事故场景模拟」中居然没有通过一个测试环节，而到了「城市事故场景模拟」测试环节，这两款车更是成了倒数三四名的垫底存在。

如此看来，极氪在智驾水平这块，恐怕还真得好好琢磨琢磨和多下点苦功夫才行。那为啥硬件堆得这么多的极氪，却落得了个这样的测试成绩呢？我觉得原因有三：

1、Mobileye方案的限制

极氪部分车型采用的Mobileye方案虽成熟度高，但相对“黑盒化”，这就会让主机厂在功能定制、快速响应中国特有场景需求以及OTA迭代速度上可能受到一定约束。

2、软件自研体系成熟度

相比在机械制造领域的深厚积淀，吉利集团在智能驾驶全栈自研的起步相对较晚，其软件研发体系、数据闭环能力和算法团队的成熟都还需要时间积累。

3、数据驱动文化转型

建立高效的数据采集、标注、训练、仿真验证、OTA部署的闭环，需要企业文化和组织架构的深度转型，这对传统巨头而言是系统性挑战。

写在最后：

总的来说，看完这次《懂车智炼场》的测试结果，我觉得其实很好地揭示了中国智能驾驶技术发展处于攻坚期的几个现实。

一是技术路线差异显著，就比如说：纯视觉（蔚来）vs 多传感器融合（小鹏、理想、极氪）、高精地图依赖（理想早期）vs 无图化（小鹏主攻）、全栈自研（蔚来、小鹏）vs 供应商合作（极氪部分车型）等不同路线其实都各有利弊，而这一旦放在实际的测试中就表现了各异的结果。

二是落地策略分化明显，通过测试我们会发现，在智能驾驶领域，有选择“高举高打”全场景覆盖（小鹏、蔚来），有选择“稳扎稳打”场景聚焦（理想），也有作为新玩家全力追赶（小米），所以，策略的差异就将直接导致短期内在不同测试项目上的表现差异。

三是数据与时间仍是核心壁垒，想要解决海量“长尾问题”，需要天文数字级的真实道路数据驱动和足够长的算法训练迭代时间。以特斯拉为首的头部玩家所积累的优势非一日之功，这也警示着国内以“蔚小理”等为首的新势力玩家仍需加速追赶。

最后我想说：智驾的竞赛是一场马拉松而非百米冲刺。未来哪家车企能够在数据闭环、算法进化、工程落地和用户体验上实现更优平衡，才能真正在智能化的终局中赢得用户。目前来看，以华为作为主导的鸿蒙智行已经颇具“王侯像”，所以接下来的一切，就交给时间去检验吧。

时报观察|多国财政困局推涨金价 全球资产定价面临重构　　证券时报记者孙璐璐　　自8月下旬起，国际金价一路高歌上扬，今年以来涨幅已逼近40%。全球央行持续购金、国际局势复杂多变加剧资金避险需求等，都是近年来推动金价持续攀升的重要因素。但8月底以来此轮金价重拾跳涨，与市场集中“抢跑”交易美联储9月降息、多国长债利率受财政可持续性挑战出现明显上升有关；前者