搜尋歷史
熱門搜尋
經銷商登入 / 註冊
撰文 | 張霖郁
編輯 | 黃大路
設計 | 甄尤美
五輛方程式賽車，駕駛艙入面冇車手。
2026年9月5日，意大利伊莫拉賽道舉行阿布扎比自動駕駛賽車聯賽（Abu Dhabi Autonomous Racing League，A2RL）首次歐洲站比賽。
A2RL由阿聯酋阿布扎比政府設立嘅先進技術研究委員會（Advanced Technology Research Council，ATRC）旗下重大科技挑戰機構ASPIRE組織。
阿布扎比辦賽唔只係為咗製造一場冇車手嘅表演。ATRC喺2023年公布賽事時列咗三層目標：
用統一賽車同極端速度壓力測試人工智能，把研究成果導向道路安全；
用獎金、賽道同研發平台吸引全球大學、科研機構同技術供應商，建立本地自主移動生態；
透過學生項目培養科學、技術、工程同數學人才，同埋將阿布扎比塑造成應用人工智能同自動駕駛研發中心。
換句話說，A2RL同時係一項研究計劃、一項人才工程，亦係一項城市科技品牌工程。
但呢項全球動員冇吸引來美國電動汽車同人工智能公司特斯拉。特斯拉冇以官方車隊身份參加過任何類似比賽。英國無人賽車系列Roborace、印第自動駕駛挑戰賽或A2RL，能查到嘅賽事名單入面都冇馬斯克創辦或控制嘅企業車隊。
馬斯克仲被公開點名邀請過。
2025年，德國慕尼黑工業大學汽車技術教授馬庫斯·林坎普（Markus Lienkamp）喺個人LinkedIn賬號向馬斯克喊話，稱TUM嘅軟件既能跑公共道路又能跑賽道，同埋問特斯拉是否願意喺美國比一場。
印第自動駕駛挑戰賽（Indy Autonomous Challenge，IAC）官方賬號其後建議將比賽放到拉古納塞卡賽道。此後冇公開下文，馬斯克同特斯拉都冇回應，都冇組隊參賽。
正式發車時只剩四輛車。
來自德國慕尼黑工業大學嘅TUM賽車喺編隊圈出現制動故障，提前返回維修區。第10圈，領跑嘅Unimore賽車喺最後一個左彎突然減速，緊隨其後嘅PoliMOVE向內側避讓，仍然撞上前車。
美國一家汽車雜誌記者蒂姆·史蒂文斯（Tim Stevens）喺賽後直接訪問咗Unimore軟件集成負責人馬泰奧·皮尼（Matteo Pini）。皮尼話，匯集多路傳感器信號嘅車載交換機喺彎中失效，車輛瞬間失去關鍵感知，安全邏輯隨即觸發緊急制動。
最後，五輛車中只有兩輛完成12圈正賽。代表阿聯酋參賽嘅Kinetiz喺事故區前減速通過，獲得冠軍；德國Constructor Racing獲得第二名。
呢場比賽好容易被當成一個笑話：道路上嘅無人出租車已經載客運營，一群歐洲大學生卻令三輛賽車退賽，佢哋係咪將力氣用錯咗地方？
二十二年之前
比賽替行業搵答案
自動駕駛產業嘅第一次集體加速，確實來自比賽。
2004年3月，美國國防部高級研究計劃局（Defense Advanced Research Projects Agency，DARPA）喺莫哈韋沙漠舉辦首屆無人車大獎賽。
DARPA後來公布嘅回顧資料顯示，15輛決賽車冇一輛完成142英里賽程，跑得最遠嘅卡內基梅隆大學Sandstorm也只前進咗7.4英里。
一年後，第二屆比賽將獎金提高到200萬美元。史丹福大學嘅Stanley用6小時53分鐘跑完132英里並奪冠，另有四輛車完成全程。
2007年嘅DARPA城市挑戰賽又將考題從荒漠搬到模擬城市，要求車輛遵守交通規則、通過路口並處理其他移動車輛，11支決賽車隊入面有6支完賽。
這三場比賽嘅價值不在於選出一款可以量產嘅汽車。當時行業連「機器能否連續開完一段路」都冇答案。
DARPA俾出咗共同目標、截止日期、獎金同公開失敗嘅場地，將原本分散喺大學同軍工項目中嘅定位、感知、規劃、控制研究壓進一輛必須跑落嚟嘅整車。
2005年冠軍團隊負責人塞巴斯蒂安·特倫（Sebastian Thrun）後來參與創建谷歌自動駕駛項目。佢喺回顧大獎賽時話，呢項比賽將自動駕駛「極大地向前推進」。
2018年，佢又建議印第安納波利斯賽車場發起後繼賽事，希望用高速同多車競爭繼續逼近機器嘅極限。呢一建議後來成為印第自動駕駛挑戰賽（Indy Autonomous Challenge，IAC）嘅重要起點。
中國亦喺同一時期建立咗自己嘅實車比賽。
2009年，國家自然科學基金委員會創辦中國智能車未來挑戰賽（Intelligent Vehicle Future Challenge，IVFC）。
首屆賽事喺西安舉行，北京理工大學、湖南大學、西安交通大學、上海交通大學、國防科技大學同意大利帕爾瑪大學等6支隊伍參加，考察交通燈識別、障礙物規避同指定路線行駛。
佢幫中國無人車研究從單項算法走向實車集成。
呢啲早期比賽適合當時嘅技術狀態。
傳感器該點組合，地圖點樣建立，車輛如何定位，識別結果點樣交給規劃器，唔同團隊都有自己嘅答案。比賽用終點同計時器淘汰無法運行嘅方案，亦將能運行嘅方案帶入公眾視野。
技術路線收斂
考題不能停喺上一代
其後，自動駕駛比賽沿着唔同方向擴展。
英國公司Roborace嘗試純電無人賽車；德國大學生方程式賽事自2017年設置Driverless組別；IAC從2021年開始讓大學團隊喺統一嘅達拉拉賽車上開發軟件；A2RL於2024年喺阿布扎比亞斯碼頭賽道舉行首場汽車比賽，將多車對抗同車圈速比較變成賣點。
中國智能車未來挑戰賽則逐漸增加城市道路、混合交通同模擬任務。
然而，汽車自己開嘅基本技術框架已唔再係無人區。
過去行業爭論係激光雷達定係純視覺、高精地圖定係無圖、規則系統定係神經網絡。
而家，各家嘅傳感器同商業邊界仍然唔同，但訓練範式正喺向學習驅動嘅端到端模型、多模態基礎模型、視覺語言動作模型（Vision Language Action，VLA）同世界模型傾近。
特斯拉喺2026年國際計算機視覺與模式識別會議活動介紹中，將最新版FSD描述為端到端駕駛模型，並稱佢利用數百萬輛車形成嘅大規模具身智能數據集訓練駕駛策略。
特斯拉仲將汽車同人形機器人Optimus放喺同一套「現實世界人工智能」敘事中。馬斯克早喺2021年特斯拉AI Day就將汽車稱為「輪子上嘅機器人」，意思係車輛同機器人都要從現實環境中感知、判斷並執行動作。
這亦解釋咗特斯拉為什麼冇動力參賽。
A2RL統一提供7個攝像頭、4個毫米波雷達同3個激光雷達，參賽者圍繞同一套硬件開發軟件；特斯拉則選擇以攝像頭、車載計算同大規模車隊數據為中心。
為一場比賽重新適配帶激光雷達嘅專用賽車，勝負好難直接證明其量產系統嘅能力：輸咗要承擔輿論成本，贏咗都唔代表系統可以處理舊金山嘅無保護左轉或上海雨夜嘅施工改道。
特斯拉嘅冷淡可以說明呢類比賽同頭部企業嘅研發主線存在距離，但唔可以講比賽冇意義。
企業擁有量產車隊、用戶數據同商業運營場景，大學實驗室冇呢啲條件。
對後者嚟講，統一硬件同共同賽道仍然係一種難得嘅公共基礎設施。
EMMA。谷歌母公司Alphabet旗下自動駕駛公司Waymo正喺研究呢個端到端多模態模型。佢利用谷歌Gemini多模態大模型，將攝像頭輸入直接轉換為車輛軌跡，同時明確研究純端到端方案嘅優點同局限。
具身智能。英國自動駕駛公司Wayve用呢個概念概括自己嘅路線。創辦人兼行政總裁亞歷克斯·肯德爾（Alex Kendall）提出，同一個模型應該能夠跨車輛、跨城市工作；Wayve喺2026年嘅公開材料將行業變化概括為由證明端到端可行，轉向規模化部署。
物理人工智能。美國計算平台公司英偉達（NVIDIA）創辦人兼行政總裁黃仁勳將自動駕駛汽車同機器人一齊歸入呢個範疇。英偉達推出嘅Cosmos世界基礎模型平台，重點已經係生成稀有場景、預測未來狀態、進行閉環模擬，並用海量合成數據訓練同評估機器。
這並唔意味著自動駕駛已經只剩一條完全一樣嘅路線。
傳感器配置、地圖依賴、模型結構、安全冗餘同商業場景遠未統一。真正收斂嘅係研發問題：數據是否夠多樣，模型能否遷移到陌生環境，系統遇到長尾事件時是否可靠，失敗以後能否安全退出。
喺呢個階段，一輛車能否喺已知賽道跑完，已經唔係最稀缺嘅證據。
真正稀缺嘅係佢換一條冇練過嘅賽道仲行唔行，攝像頭俾強光遮擋或感知數據鏈路中斷時會點算，模型放到另一輛車上是否仲成立，以及所有失敗是否留下咗可復現嘅數據。
歐洲大學係力氣用錯地方了嗎
當特斯拉、Waymo、Wayve同英偉達將資源投向基礎模型、世界模型、模擬同真實道路部署時，歐洲高校繼續圍住方程式賽車調算法，睇落嚟確實存在代際錯位。伊莫拉嘅參賽車隊背景，更容易強化呢種印象。
五個參賽車隊中，Unimore Racing來自意大利摩德納同雷焦艾米利亞大學，佢哋嘅核心係高性能實時系統實驗室HiPeRT Lab，並由實時計算技術公司Hipert提供支持。
PoliMOVE係意大利米蘭理工大學mOve自動化與控制研究團隊旗下嘅無人賽車隊。
TUM係德國慕尼黑工業大學自動駕駛賽車隊，曾奪得IAC以及2024年、2025年A2RL冠軍。
Constructor Racing由位於德國不來梅嘅私立研究型大學Constructor University同Constructor技術體系共同組建，前身團隊參加過Roborace。
冠軍Kinetiz並不係一支單純嘅阿聯酋商業車隊，而係新加坡南洋理工大學、阿聯酋技術公司K2同自動駕駛軟件公司Alp Autonomy組成嘅聯合團隊，以阿聯酋名義參賽。
呢五支隊伍嘅主體係大學實驗室同技術合作夥伴，唔係大眾汽車、寶馬、梅賽德斯-奔馳或Stellantis嘅廠隊。
用佢哋同特斯拉嘅數據規模、Waymo嘅Robotaxi營運里程直接比較，本身係放錯咗坐標。
大學參賽首先為咗訓練學生同驗證研究。
高速賽車會將延遲同控制誤差放大：車輛以每小時250公里行駛時，100毫秒就前進約6.9米；定位稍有偏差，制動稍晚，規劃器對對手軌跡預測錯誤，都可能立即變成事故。呢種壓力測試能訓練實時系統、車輛動力學、傳感器融合同故障處理人才。
賽事仲可以產生公共研究材料。
2026年，TUM等8支參賽團隊發布A2RL Vmax開放數據集，包含2024年比賽采集嘅30多萬幀激光雷達點雲、38多萬幀雷達點雲以及多車交互數據，並提供近3萬幀專業標註。對於研究高速遠距離感知同對手軌跡預測嘅團隊，這比領獎台更有持續價值。
所以，歐洲高校並唔係笨。佢哋做係一個邊界清楚嘅研究問題：喺統一賽車同封閉賽道上，將機器嘅實時感知、預測與極限控制推到更高速度。問題出喺賽事宣傳經常將呢個邊界講得太闊，好似賽車跑快幾秒就會自然轉化為城市無人駕駛。
如果比賽只准許團隊反覆掃描同一條賽道、建立精細地圖並針對固定車輛調參，佢似一場高水平系統工程競賽，唔能夠證明模型具備跨城市、跨車輛嘅通用駕駛能力。高校冇走錯路，但賽事必須誠實說明呢條路通向邊度。
伊莫拉撞車究竟測出咗咩
A2RL嘅現行規則有一個重要優點：賽車硬件基本一致，駕駛席、方向盤同踏板俾計算設備同執行機構取代，比賽中禁止從維修區遠程駕駛或實時修改參數。車隊可以接收旗語並回傳遙測，具體嘅轉向、制動同超車決定由車載系統完成。
呢種設置將軟件同整車集成能力放到咗台前。伊莫拉事故至少暴露出四個可以繼續追查嘅問題。
第一，傳感器多唔等於感知鏈路有冗餘。
MotorTrend嘅訪問將故障指向數據匯聚交換機，Motorsport.com只披露到傳感器失效，而家冇車隊或主辦方嘅最終調查。可以確認嘅係，車輛瞬間失去咗關鍵感知。比賽應該公開失效發生喺傳感器、數據鏈路定係匯聚節點，備用通路是否存在，以及車輛仲保留咗邊啲狀態估計能力。
第二，最小風險動作唔可以只保護故障車輛。
Unimore失去感知後緊急制動喺單車邏輯上合理，喺多車比賽中卻畀後車製造咗突然出現嘅靜止障礙。系統需要同時評估自身剩餘能力、後方來車、可用逃生區域同減速度，而唔係只有「繼續跑」與「原地停」兩個選項。
第三，後車亦必須識別前车失效。
PoliMOVE嘗試避讓但冇成功。除咗跟車距離同制動能力，賽事應再檢查前车故障狀態能否透過車燈、車路通訊或賽會旗語快速傳遞，以及後車喺通訊缺失時能否單靠運動異常及時判斷。
第四，可靠性會改變競爭策略。
Kinetiz冇跑出當天最快圈速，卻將完成比賽放在首位，並喺事故區主動減速。冠軍因此獎勵咗風險選擇同系統穩定性。但只有一場12圈比賽，仍然無法區分這係可重複嘅可靠性，定係一次正確判斷加上前車退賽帶來嘅偶然結果。
ATRC公布嘅賽後資料顯示，五支車隊賽前進行咗9天實車測試，經歷過雨水同冰雹，換裝濕地套件後合計只完成38圈濕地行駛。
主辦方仲向車隊提供伊莫拉數字掃描同模擬器。換賽道增加咗難度，但呢啲仍唔係「零樣本」適應：車隊提前拿到咗賽道模型，並有時間圍繞佢訓練同調試。
這正係A2RL與新一代自動駕駛模型之間嘅距離。Wayve強調將同一個模型直接帶到陌生城市，世界模型強調大規模生成從冇發生過嘅長尾場景；A2RL目前仍允許參賽者為一輛車、一條賽道同一場比賽集中優化。
前者考察泛化，後者考察專項性能。兩者都有價值，但唔可以互相取代。
而家嘅比賽該點改
技術路線收斂後，比賽唔再需要證明「汽車可以自己開」。
佢應將行業最難公開、最難重複嘅失敗變成標準化考題。A2RL如果要繼續代表自動駕駛前沿，至少喺現有競速之外增加四組規則。
將陌生環境寫進規則。
賽事可以喺代碼凍結後先公布賽道局部變化，唔再提前提供全部高精度掃描；決賽臨時改變錐桶、可行駛區域、路面附着係數或旗語位置。比賽仲可以要求同一套駕駛模型連續完成高速賽道、低速維修區同濕滑路面任務，限制針對單一賽道重新訓練嘅時間。
主動製造可控故障。
喺封閉測試中依次關閉一隻攝像頭、降低激光雷達刷新率、切斷衛星定位、限制車載算力，或者模擬傳感器及數據鏈路中斷。評分唔係淨係睇車輛是否停下，仲要睇佢用咗多長時間識別故障，選擇咗邊個停車位置，畀後車留下咗多少反應距離，能否喺降級模式下駛離主賽道。
檢驗模型能否遷移。
同一支車隊嘅軟件應該喺兩種車輛動力學參數或兩條賽道上運行。參賽者需要申報地圖依賴、訓練數據、仿真時數同計算資源，賽會分別公布零樣本、有限適配同充分調試後嘅成績。先至能夠看出勝利來自通用能力，定係來自更長嘅賽道專用調參。
讓失敗數據同冠軍一齊公布。
比賽結束後，主辦方應發布獨立技術報告，說明每次退賽、急停、人工中止同碰撞嘅觸發鏈條；喺保護商業機密嘅前提下公開關鍵遙測、場景數據同復現實驗。
伊莫拉最有價值嘅成果，唔應只係Kinetiz嘅獎盃，而應包括Unimore點解失去感知、故障究竟位於傳感器定係數據匯聚鏈路、PoliMOVE點解冇辦法避開，以及改進方案能否通過下一次故障注入測試。
呢四項改變會令比賽難睇一啲。車輛可能變慢，完賽率可能下降，人車圈速對決亦唔會每次都適合製作宣傳片。但它會令成績更接近產業真正需要嘅證據：同一套系統喺資訊唔完整、環境變化同硬件故障下，是否仍能給出可預測嘅行為。
如果A2RL繼續只比熟悉賽道上嘅最快圈速，佢嘅主要價值將停留喺人才培訓、極限運動控制同阿布扎比科技品牌展示。呢個價值真實，卻不足以代表自動駕駛下一階段。
如果佢將陌生環境、系統故障、跨平台遷移同數據公開寫進賽制，佢就可以成為產業平日唔敢做、亦難以共同做嘅公共撞擊實驗室。企業可以喺模擬中生成一百萬次事故，但好少願意將真實車輛嘅失敗過程、日誌同修復結果放到同一套規則下供外界比較。
比賽恰好可以承擔呢件事。賽道上嘅答案最終必須回到道路上驗證。
二十二年之前，DARPA用一條沙漠路線問：機器能否將車開到終點。而家，產業所需嘅終極考場早已唔喺封閉嘅賽道，喺每一個早高峰嘅十字路囗同真實演變嘅物理世界。
