在電動汽車滲透率持續上升的趨勢下，以大模型、大數據為主導的智能化成為了車企提升競爭力的關鍵，智能駕駛將引領汽車產業新一輪變革。這個行業共識在今年的成都車展上得到了更加充分的體現，為了能在一眾新品中脫穎而出，不少車企紛紛聚焦智能化，將“自動駕駛”“智能操作”等概念作為宣傳賣點，希望以此來破解當下同質化競爭的困局。

其中，長城汽車旗下魏牌在成都車展上展示了AI自動駕駛實力，并宣告在自動駕駛大模型DriveGPT 雪湖·海若加持下，魏牌正加速進入自動駕駛 3.0 時代，即將推出配備2顆激光雷達、具備城市NOH功能的版本。這意味著長城汽車即將在城市智能駕駛輔助領域發力，以期獲得在智能化賽道的主導權。

最早采用“重感知”技術路線，比肩特斯拉超越新勢力

實際上自去年底以來，越來越多搭載城市級智能駕駛系統的車型陸續亮相，現階段主要有四家企業對外宣布自己已具備高階城市輔助駕駛能力，分別是：特斯拉、長城、小鵬、華為。而這幾家的智能駕駛解決方案十分有代表性，基本涵蓋了目前智能駕駛行業的幾種路徑。

其一是走純視覺路線的特斯拉，主要以攝像頭模擬人的雙眼識別目標。這種舍棄雷達和高精度地圖的純視覺感知方案雖可明顯節約造車成本，降低智能駕駛進入消費市場的門檻，但卻存在難以回避的問題，例如，缺乏相關雷達會導致無法兼容更多場景，無法適應復雜路況：單純依賴攝像頭可能會出現場景識別錯誤的情況，并且攝像頭在暗光環境下可能被“致盲”。特斯拉也曾因此引發過多起交通事故，導致業界對該路線存在廣泛爭議。

區別于特斯拉純視覺的技術路線，長城、華為、小鵬等中國車企，不約而同地選擇了更適合中國復雜路況的融合感知方案。不過，在融合感知這條路線上，各大車企也走出了不同的路徑，例如，早期華為的ADS及小鵬的NGP都更加依賴高精地圖。

但是過度依賴高精地圖存在一系列問題。其一是覆蓋范圍有限，很難實現國內所有城市的布局和更大范圍的覆蓋；其二是地圖鮮度無法保證，受制于復雜的繪制過程，高精地圖無法及時同步臨時的道路變化，比如臨時的修路、改道等情況。目前華為和小鵬均已經認識到這些問題，新上車的高階智駕系統已經轉向重感知技術路線。

在這方面，長城汽車已經走得更遠了。

不同于特斯拉的純視覺路線和新勢力過度依賴高精地圖的方案，長城汽車最早提出了“重感知”技術路線，通過四位一體高效協同的超強感知模組（激光雷達+毫米波雷達+超聲波雷達+多攝像頭）獲取場景信息，實現視覺體系與感知體系雙重保障。并憑借多樣的感知手段，能夠對暗光環境或者小型物體進行準確識別。可以說，長城汽車的城市NOH既集合上述兩種路線的優勢，又彌補了它們的缺陷，能夠適應更多的城市道路場景。

長城打出軟硬件“組合拳”，打造城市輔助駕駛最優解

憑借高性能的硬件配置、強大的算力以及自動駕駛數據智能體系加持，長城汽車城市NOH打造出城市輔助駕駛最優解。

在硬件配置上，目前搭載城市NOH系統、正在進行泛化路測的魏牌摩卡DHT-PHEV激光雷達版，配備了2顆125線激光雷達、5顆毫米波雷達、12顆超聲波雷達、4顆百萬級像素環視攝像頭、4顆百萬級像素側視攝像頭、4顆800萬像素感知攝像頭，共31個高性能感知組件。無論是感知模組的質量，還是數量，均明顯領先于當下的主流輔助駕駛車型。

在算力上，長城汽車全棧自研了IDC3.0智能駕駛計算平臺，它的域控制器主芯片單板物理算力達到驚人的360TOPS，未來通過板間級聯方式，可持續升級為1440TOPS。要知道特斯拉Model 3自研的FSD芯片，其總算力也僅有144TOPS。

不僅如此，算法更是城市NOH能夠領先同行的殺手锏。長城汽車基于海量的數據，搭建了中國首個自動駕駛數據智能體系MANA，圍繞感知智能、認知智能、標注、仿真、計算等五大能力，賦予城市NOH持續進化的能力，讓車輛能像人一樣感知、思考和決策。截至2023年8月，MANA系統已完成超過84萬小時的仿真學習時長，虛擬駕齡相當于人類司機11萬年，這不僅為城市NOH的落地應用提供了強大的數據支撐，也讓城市NOH智能輔助駕駛系統不斷成長，變得更快、更穩、更安全。

當前，電動化上半場尚未結束，下半場智能化的哨聲卻已響起，在這場博弈中，誰能扼住智能化的咽喉，誰就能贏得發展的先機。為此，基于公司戰略及業務發展，長城汽車正式宣布成立智能化前沿組織——TCAL(Technology Center Al Lab，簡稱 Al Lab)，負責構建長城汽車全鏈路AI技術體系，打造行業領先的AI能力。相信未來在Al Lab技術賦能下，長城汽車的“重感知”能力、算力及自動駕駛數據智能體系也將不斷快速進化，牢牢地站穩智能駕駛賽道第一梯隊。