当前辅助驾驶技术正经历从模块化向端到端范式的深刻变革。传统方案依赖高精地图和FP16级算力，主要支撑高速场景；分段式端到端方案转向轻量化地图，通常需E级或更大算力与800G以上带宽实现城区领航；大模型端到端方案则要求10E级或更大算力与3.2T以上带宽，以 FP8/FP16混合精度运算推动全域领航与主动交互落地。技术迭代中，地图形态实现从全要素HD Map到轻量化SD Map的跃迁，单位数据量缩减90%以上。然而，算法智能不足、云端算力成本约束与地图更新滞后三大核心挑战，持续制约技术规模化普惠进程。
2025年7月22日，腾讯汽车解决方案总监王泽众在2025第八届辅助驾驶大会上表示，在辅助驾驶技术快速迭代的背景下，当前行业面临着诸多挑战与痛点，算法智能不足、云端算力约束、AI算法局限、地图数据滞后。腾讯作为科技企业，正通过云服务、地图数据和AI能力深度赋能自驾生态，助力车企降本提效。腾讯依托海量数据生态和云图一体化服务，正推动辅助驾驶从模块化向端到端演进，实现数据闭环与合规高效结合，为行业打造可持续的创新引擎。
王泽众 | 腾讯汽车解决方案总监
以下为演讲内容整理：
辅助驾驶业务演进路线与行业挑战
辅助驾驶技术正经历从传统感知模块化向端到端大模型的转型，这一进程伴随着显著挑战。传统阶段依赖小型网络算力，主要用于高速和城市快速路辅助驾驶，需求高清地图数据支持；当前分段式端到端需E级算力或更大网络带宽，适用于城区NOA场景，采用轻地图数据；未来大模型一段式端到端将要求10E级算力，支持全域领航和主动交互，依赖算法定义的轻地图。
图源：演讲嘉宾素材
目前算法智能不足、有效感知不足感知与规控算法依旧有提升空间情况下下仍需普及全国NOA带来的算力压力、AI算法局限、以及功能快速扩展与地图数据更新滞后的矛盾。在算法智能方面，由于算法智能尚未能完全匹配人类水平，导致座舱人驾导航图信息无法为自驾提供良好体验，因此自驾需要专门的车图，而非人驾地图。在云端的算力与 AI 算法方面，随着智驾平权的推进，10 万元左右的车辆也需要具备全国 NOA 功能，且要在有效感知不足的情况下，尽可能少使用域控芯片算力建立实时完整矢量图。在地图数据方面，功能快速扩展使得图商数据难以跟上，如何充分利用车企自己回传的数据成为行业亟待解决的课题。
图源：演讲嘉宾素材
地图数据核心作用与腾讯解决方案
地图数据是辅助驾驶的基石，腾讯通过智驾云图产品矩阵提供全生命周期支持。研发起步阶段，腾讯提供合规云、数据合规方案，并基于高清、点云、HD Air/SD等训练资料，结合数据采集与标注服务；量产扩量阶段，涵盖HD Air/SD/HD数据产品、车道级引导服务及车端数据引擎；运营阶段则聚焦数据回传合规、建图融合与数据挖掘，如车道级事件和行为分析。
图源：演讲嘉宾素材
腾讯地图优势在于海量数据覆盖：每日10亿+用户定位调用、1100万+道路公里覆盖（中国95%）、2600万+车辆日活，确保路网要素天级更新。自驾在线数据服务提供5D+HA路网，支持车端构图和超视距地图，涵盖全路网SD属性、轻地图HD Air车道级信息，数据量小但信息丰富，支持天级更新与灵活扩展。
图源：演讲嘉宾素材
云端算力与合规云服务降本提效
云端算力不足是辅助驾驶规模化瓶颈，打造了其倡导的”专云专用“智能驾驶云专区概念。同时，腾讯已建成四个智能驾驶云专区，支持高效跨区传输、异地备灾与弹性扩容，确保数据全流程合规高效；部署模式包括公有云、私有云和分布式云整合，适应车企不同需求。例如，为车企搭建的AI基建模式整合云端业务、量产数据回传与标注算法，实现研发提速。
图源：演讲嘉宾素材
腾讯云案例显示，综合降本方案显著降低车企运营成本，如算力资源利用率提升30%以上。云图一体服务通过一站式训练加速，助力数据闭环，解决功能扩展快而数据跟不上的问题，确保辅助驾驶在10万元级车型普及时兼顾成本与性能。
图源：演讲嘉宾素材
AI算法提升与数据闭环体系
AI算法智能不足是辅助驾驶体验瓶颈，腾讯结合云图能力推动算法升级。在有效感知不足感知与规控算法依旧有提升空间情况下下实现全国NOA，腾讯提供感知算力提升方案，整合传统小模型、端大模型及事件模型，利用地图数据优化算法。云图一体构建全闭环数据服务体系：通过车端数据回传（如路采数据）、云端处理（自动要素提取与质检）及算法匹配（激光融合定位），形成研发一体化链路。
图源：演讲嘉宾素材
例如，AI大模型驱动环境经验图层共建，如颠簸路建议车速和危险路段信息，提升辅助驾驶决策效率。腾讯在NOA地图占比达49.01%，行业领先，印证方案有效性。
图源：演讲嘉宾素材
在部署模式上，腾讯采用 “一云多形态”，为汽车企业提供最适合的 AI 基建，包括分布式云、专有云、私有云等，兼顾安全合规与开放兼容，从操作系统到硬件全面自主可控，软件和硬件均开放。其智能驾驶云专区还构建了全球车用存算网，支持 Serverless GPU 资源弹性调度等先进技术，能为辅助驾驶研发提供高效的数据服务与算力支持。
图源：演讲嘉宾素材
车云一体的数据闭环链路
腾讯构建了车云一体的数据闭环链路，为智能驾驶研发全面提效。在数据采集与回传环节，路采数据回传包含传感器数据和车端模块数据，确保数据的实时性与完整性。云端的数据处理涉及解析、清洗等步骤，借助 AI 标注引擎，实现 4D 时空的自动标注，结合人工质检，大幅提升标注效率，标注提效达 16 倍，成本降低 22.6 倍。通过 AI 检索引擎，能实现百万级样本毫秒级检索，快速构建长尾场景库，为模型训练提供丰富的样本数据。
图源：演讲嘉宾素材
在模型训练与部署方面，经过仿真测评和模型训练调优后，实现量产模型部署和 OTA 升级，确保辅助驾驶模型能不断迭代优化。这一闭环链路涵盖了从数据生成到模型应用的全生命周期，通过云、图结合，提供一站式训练加速，助力智能驾驶研发提效，同时积累了百万级量产车服务的丰富经验，为车端提供合规的隐私脱敏 SDK 等服务。
图源：演讲嘉宾素材
未来展望与行业协同
随着智驾大规模覆盖成为刚需，正推动算法升级和地图变革，腾讯将继续以云、图、AI 能力为核心，与行业同僚携手共进。未来，辅助驾驶技术将朝着更高精度、更智能化的方向发展，对地图数据的实时性、丰富性要求更高，腾讯的智驾云图将持续优化多图层数据形态，实现地图要素的灵活发布与快速更新，满足不同场景下的辅助驾驶需求。在算力与算法方面，随着 AI 技术的不断进步，腾讯将进一步提升 AI 标注、检索等引擎的性能，降低研发成本，提高模型训练效率，助力行业突破技术瓶颈。
面对行业挑战，腾讯将与车企、算法公司等合作伙伴深化合作，共同探索数据合规利用、算力高效调度等关键问题，推动辅助驾驶技术的普及与发展，让更安全、更便捷的辅助驾驶体验惠及更多用户，共同迈向自驾时代的美好未来。