文 | 极智 Geetech
当 L2 级辅助驾驶成为 15 万级以上新车的标配，城市 NOA、高速领航等功能早已不是新鲜事；当奔驰 Drive Pilot、小鹏 XNGP、华为 ADS 3.0 相继拿到 L3 级自动驾驶认证，北上广深等城市开放 L3 路权；当 Waymo 执着于 L4 级 Robotaxi 落地，特斯拉坚持从 L2+直接跃迁 L4，行业陷入了一场关于技术路线的激烈争论。
不同于市场端的商业化博弈、法规端的责任划分，从技术视角来看，自动驾驶从 L2 到 L4 的进化，本质上是感知、决策、执行三大核心模块的能力跃迁，以及数据闭环、硬件冗余、场景适配等底层技术的持续迭代。而夹在中间的 L3，究竟是衔接 L2 与 L4 的 「技术缓冲带」，是不可或缺的验证阶梯，还是两头不讨好的 「冗余环节」？
这个问题的答案，不仅决定了未来十年汽车行业的技术路线，更决定了我们每一个人的出行方式。
技术边界而非责任边界
多数人对自动驾驶分级的认知，停留在 「功能多少」 或 「责任归属」 上，但从技术底层来看，L2、L3、L4 的核心区别，实则是系统自主决策能力、环境感知精度、故障冗余能力的本质差异，责任划分只是技术能力达到一定水平后的衍生结果，而非分级的核心依据。
基于 SAE J3016 2021 版官方定义，我们重新审视三个级别的核心边界：
L2 级辅助驾驶 （Partial Automation）：技术核心是 「辅助执行」，无自主决策能力。
硬件主打 「够用就好」，单芯片、单感知链路，标配 6-8 个摄像头、4-5 个毫米波雷达，无需激光雷达，感知范围≤100 米，定位精度米级。
算法是 「死规则」，车道保持、跟车等基础功能全靠工程师手动编写，遇到复杂场景 （前车急刹、行人横穿等） 直接失效，所有技术设计都默认 「人类是最终兜底者」，不考虑系统失效后的应急方案。
L3 级有条件自动驾驶 （Conditional Automation）：技术核心是 「有限自主决策」，具备场景化自主控制能力。
硬件要 「留后手」, 双芯片、双制动、双转向是标配，同时引入激光雷达提升精度，摄像头升级为高清级别，感知范围扩至 150-200 米，定位精度分米级。
算法开始引入深度学习技术，能在封闭高速、城市快速路等设计运行范围 （ODD） 内自主跟车、变道，但搞不定暴雪、无标线施工路等长尾场景，遇无法处理的情况触发接管请求，核心是 「系统主导、人类兜底」。
L4 级高度自动驾驶 （High Automation）：技术核心是 「全场景自主决策+故障自处置」，无需人类介入。
硬件 「双保险拉满」，全冗余架构 （双芯片、双电源、双感知链路），激光雷达升级至 64 线以上，摄像头 11-16 个，毫米波探测距离达 250-300 米，定位精度厘米级，依赖高精度定位。
算法实现 「端到端闭环」，能完成复杂语义分割、意图预测，应对几乎所有长尾场景，单点故障也能自主紧急停车，核心是 「系统完全兜底，人类无需参与」。
明确这一技术边界后，我们可以发现：L2 到 L4 的技术跃迁，不是简单的功能叠加，而是从 「辅助执行」 到 「自主决策」，再到 「全自主+自兜底」，每一步都需要突破核心技术瓶颈。而 L3 的技术定位，恰好处于 「辅助」 与 「全自主」 之间，这也决定了它在技术迭代中的争议性。
九层之台，起于累土
主流车企和多数技术研究者认为，L3 不仅有必要，更是从 L2 到 L4 的 「唯一可行路径」。L4 的全冗余技术、全场景算法，无法通过实验室模拟完成验证，因此必须通过 L3 的量产落地，完成技术拆解、数据积累、风险验证，逐步突破瓶颈，其本质是 L4 技术的 「降维验证载体」。
感知方面，从 L2 到 L4，感知技术难度呈指数级提升，而 L3 恰好是感知技术从 「基础够用」 到 「高精度冗余」 的过渡关键。这种定位，让 L3 成为多传感器融合技术的 「最佳验证平台」。
一方面，L3 需要引入激光雷达与视觉、毫米波雷达的感知融合技术，解决 L2 感知系统在复杂场景下的盲区问题，比如在夜间、暴雨天气，摄像头和毫米波雷达的感知精度大幅下降，激光雷达的 3D 点云数据可以弥补这一短板。
但多传感器融合并非简单的 「数据叠加」，而是需要解决数据同步、标定、冲突消解等技术难题：不同传感器的采样频率、数据格式不同，如何实现同步采集？激光雷达与摄像头的标定误差如何控制？当不同传感器检测到的目标出现冲突时，如何判断最优结果？这些问题，都要在 L3 量产落地的过程中，在真实场景下得到进一步验证。
比如华为乾崑近日推出了新一代双光路图像级激光雷达，高达 896 线，分辨率提升 4 倍，稳定感知识别距离可达 120 米；第六代 Waymo Driver 基于最新 17MP 图像传感器，使传感器数量锐减 42%，性能实现飙升，雨雪天目标检测能力提升 30% 以上；蘑菇车联通过 「视觉为主+固态激光雷达」 的融合感知路线，使点云密度提升 3-6 倍，目标感知距离提升超 50%，漏/误检率下降 70%，接管率大幅降低两个数量级。
另一方面，L3 的感知精度要求 （分米级定位、150-200 米感知距离），恰好是 L4 的厘米级定位、300 米感知距离的 「过渡训练」。L4 的高精度定位需要依赖高精地图与卫星导航系统的融合，而 L3 可以先通过 「简化版高精地图+普通定位」 的方案，验证定位系统的稳定性、抗干扰能力，解决隧道、高楼遮挡等场景下的定位漂移问题，这些技术难题，无法在实验室中模拟，只能通过量产车的真实路况积累，逐步优化算法。
决策方面，L3 处于规则驱动向 AI 驱动过渡的阶段：在设定的 ODD（运行设计域） 范围内，系统可以自主完成决策 （比如高速场景下的跟车、变道、避障），但遇到超出 ODD 的场景，仍需人类接管。这种定位，让决策算法能够在 「可控场景」 下进行实战训练，逐步积累数据、优化模型。
具体来说，L3 的决策算法需要解决三个核心技术难题，而这些难题，正是 L4 决策系统的基础。
第一，场景语义分割与意图预测。L3 系统需要能够精准识别道路标线、交通标志、红绿灯，同时预测前方车辆、行人的行为意图，比如判断前方车辆是否会变道、行人是否会横穿马路。
第二，轨迹规划的动态优化。L3 的轨迹规划需要具备动态优化能力，比如遇到前方车辆慢速行驶，能自主规划最优变道路线，兼顾安全性和舒适性；遇到弯道，能自主调整转向角度和车速，避免侧滑。
第三，紧急场景的应急决策。L3 系统需要具备简单的应急决策能力，比如系统感知到自身故障，能自主触发接管请求，并保持车辆稳定行驶一段时间，给驾驶员留出接管时间；遇到突发障碍物，能自主完成紧急制动或避让。
此外，L3 的决策系统还能验证 「人机交互的技术可行性」。比如接管请求的触发时机、提示方式，如何确保驾驶员在注意力分散的情况下，能够及时接管。虽然人机交互包含用户体验因素，但从技术角度来看，接管请求的触发逻辑、提示信号的传输效率，都是 L4 系统 「无接管」 设计的基础，只有明确了人类接管的极限，才能更好地设计 L4 系统的故障自处置逻辑。
自动驾驶算法的迭代，核心是 「数据喂养」，算法的精度、泛化能力，取决于训练数据的数量和质量。L4 级算法需要海量的全场景真实数据，而 L3 的量产落地，恰好能构建起 「量产数据-算法优化-OTA 升级」 的闭环，为 L4 算法提供充足的数据支撑。
L2 级辅助驾驶的用户基数虽然庞大，但数据的价值有限，且 L2 的数据以 「辅助驾驶日志」 为主，缺乏系统自主决策的相关数据，无法用于 L4 算法的训练。
而 L4 级 Robotaxi 的测试，虽然能收集到复杂场景的数据，但测试范围有限、测试车辆数量少，数据量远远无法满足算法迭代的需求，Waymo 的 Robotaxi 在凤凰城测试了 10 年，收集的数据量仅相当于百万台 L3 量产车运行 1 年的数据量。
L3 的量产落地，能完美解决这一问题。L3 车型的用户基数大，运行场景覆盖高速、城市快速路等多种场景，能够收集到大量复杂场景、极端场景的数据，且这些数据包含系统自主决策的全过程，是 L4 算法训练的核心素材。
更重要的是，L3 系统可以构建起 「实时数据闭环」，量产车收集到的真实路况数据，通过车联网传输至云端，技术团队对数据进行标注、清洗，用于优化算法模型，然后通过 OTA 升级，将优化后的算法推送至每一台车辆，车辆再收集新的数据，形成 「数据-算法-数据」 的良性循环。这种闭环，正是 L4 算法迭代的核心支撑。
L3 量产落地之惑
尽管主流车企坚持 L3 的必要性，但以特斯拉、Waymo 为代表的技术派，始终认为 L3 是 「技术冗余」。从技术架构来看，L3 与 L4 的核心技术栈高度重合，研发 L3 相当于 「重复投入」，且 L3 的技术设计存在先天缺陷，无法真正为 L4 提供有效支撑，跳过 L3 直接研发 L4，反而能提升技术迭代效率，避免资源浪费。
更关键的是，L3 的技术设计存在 「先天妥协」，为了适配 「人机接管」，L3 的算法需要预留接管触发逻辑，冗余系统只需要满足 「基础兜底」，无需实现 「全故障自处置」，这种妥协，导致 L3 的技术积累无法直接完全复用至 L4，反而需要进行大量的修改和优化。
特斯拉的技术路线，恰恰印证了这一点。特斯拉始终不研发 L3，而是专注于 L2+和 L4 的研发，其 L2+系统 （FSD） 的硬件配置，与 L4 的硬件配置高度一致，算法也采用了与 L4 相同的端到端架构，只是在场景覆盖和自主决策能力上有所限制。
通过 L2+的量产，特斯拉收集了海量真实数据，优化算法，逐步提升系统的自主决策能力，最终实现向 L4 的跃迁。这种方式，跳过了 L3 的 「重复投入」，直接实现了 L2 到 L4 的技术迭代，效率更高。
从技术逻辑来看，L3 的核心设计矛盾是 「系统自主决策与人类接管的冲突」，这种矛盾，导致 L3 的技术验证无法为 L4 提供有效支撑，反而可能误导技术研发方向。
L4 的技术核心是 「无接管」，所有技术设计都围绕 「系统完全兜底」 展开，无需考虑人类接管的逻辑；而 L3 的技术设计，必须围绕 「人机接管」 展开，需要预留接管触发逻辑、接管提示机制、接管失败的应急处置逻辑。这些设计，与 L4 的技术逻辑完全相悖，无法为 L4 提供有效验证。
随着 AI 大模型、高算力芯片、高精度传感器的快速发展，自动驾驶技术的迭代速度大幅提升。例如，多模态 Transformer 大模型的应用，让决策算法能够直接实现 「感知-决策-控制」 的端到端生成，跳过了传统规则驱动的中间环节，大幅提升了系统的自主决策能力；高算力芯片的量产，让多传感器融合、复杂算法的实时运行成为可能；激光雷达的成本下降、性能提升，让 L4 的感知系统能够实现大规模量产。
在技术快速进化背景下，从 L2+直接跃迁到 L4 已经成为可能。例如，特斯拉的 FSD V14.2 版本，通过多模态大模型的优化，已经具备了接近 L4 的自主决策能力，能够在复杂城市场景中自主完成跟车、变道、避障、路口礼让等操作，无需人类接管，本质上已经具备了 L4 的核心技术能力。后续将推送 FSD V14.3，马斯克称 14.3 允许用户 「进入睡眠状态并在目的地被唤醒」（无监督 FSD）。这种跃迁，无需经过 L3 的过渡，直接实现了从 L2 到 L4 的技术突破。
此外，L4 的技术研发，可以通过 「仿真测试+Robotaxi 试点」 的方式，完成技术验证，无需依赖 L3 的量产落地。例如，Waymo 通过大规模仿真测试，模拟各种极端场景，验证系统的故障自处置能力，这些方式，能够有效替代 L3 的技术验证作用，且更精准、更高效。
L3 试点从 「小切口」 推进
2023 年 11 月，工信部、公安部、 住建部、交通运输部四部门联合发布 《关于开展智能网联汽车准入和上路通行试点工作的通知》。2024 年 6 月，工信部已公布首批试点的联合体；2025 年底工信部正式许可首批 L3 级自动驾驶车型产品开展上路通行试点。
需要说明的是，此次准入试点和之前各省市颁发的 L3/L4 测试或示范应用/运营牌照有本质区别：2021 年工信部等部门联合发布 《智能网联道路测试和示范应用管理规范》，基于此文件，各省市因地制宜陆续出台对应的实施细则。
在此之后，深圳、武汉等地 Robotaxi 陆续上路测试、运营。然而，该类文件本质上是规范性文件，鼓励智能网联汽车在公开道路上测试和应用，核心目的是为了验证技术和探索智驾产品形态，因此在上述政策之下，各 Robotaxi 厂商拿到的牌照为 「试验用机动车临时行驶车号牌」。
此次进行智能网联汽车准入和上路通行试点，是在各企业进行道路测试验证产品的基础之上进行遴选，本质目的是为后续相关法律法规、技术标准制修订提供经验和依据。
在这样的目标之下，《试点》 配套的 《实施指南》 中进一步明确了汽车生产企业、智能网联产品的准入要求，以及在国家级政策文件中首次明确了事故责任划分标准，意味着我国自动驾驶法规体系的建立正式提上日程。
值得注意的是，获批的 L3 级自动驾驶车辆的摄像头、雷达等装备必须是前装量产，通过后改装方式搭载传感器的车辆无法申请准入试点。作为试点城市，重庆要求在交通拥堵状况下的高速路和快速路使用自动驾驶功能时，最高车速不超过 50km/h，北京要求在相同的路况下最高车速可达 80km/h。
针对 L3/L4 自动驾驶车辆的准入，国家标准体系正逐步建立。《自动驾驶数据记录系统》 是第一个自动驾驶强制标准，已正式颁布，于 2026 年 1 月 1 日正式执行；由工信部牵头的 《自动驾驶系统安全要求》 强制性标准直接规范自动驾驶系统的技术要求、制造商要求和检验检测方法，影响重大，目前已正式进入起草阶段；由公安部牵头的 《智能网联汽车道路通行规定符合性测试内容和方法》 亦进入拟立项阶段。
没有绝对答案，只有最适配的选择
至于 L3 到底有没有必要，答案并不是非黑即白，其必要性取决于企业的技术路线、研发实力，以及对技术迭代节奏的判断。不存在 「绝对必要」 或 「绝对冗余」，只有 「是否适配」。
对于绝大多数主流车企来说，L3 是必要的，它们没有特斯拉、Waymo 那般研发实力和数据积累，无法实现从 L2+直接到 L4 的技术跃迁，只能通过 L3 的量产落地，逐步拆解 L4 的技术难题，积累数据、验证技术、优化算法，实现渐进式迭代。L3 的核心价值，不是过渡产品，而是 「技术验证载体」，是它们通往 L4 的 「必经阶梯」。
这些车企通过 L3 的量产，能够逐步突破感知融合、自主决策、冗余系统、数据闭环等核心技术难题，从而为 L4 的研发奠定坚实基础。
而对于特斯拉这样的头部技术玩家来说，具备强大的研发实力、海量的数据积累，以及领先的技术架构，能够通过 L2+的量产或 Robotaxi 的试点，直接突破 L4 的核心技术难题，实现从 L2 到 L4 的技术跃迁，无需经过 L3 的过渡。对于它们来说，研发 L3 相当于 「重复投入」，不仅无法提升技术迭代效率，还会分散研发精力，延误 L4 的落地进度。
但我们必须承认，无论是否跳过 L3 阶段，L4 的核心技术难题——全场景感知、全自主决策、全冗余兜底、海量数据闭环都无法回避。L3 的存在，无疑推动了自动驾驶核心技术的普及和成熟，它让多传感器融合、高算力芯片、自主决策算法等核心技术，实现了大规模量产应用，降低了 L4 技术的研发和量产成本，为整个行业的技术迭代奠定了基础。即使是特斯拉、Waymo，也间接受益于 L3 推动的供应链成熟，比如激光雷达成本的下降、高算力芯片的普及等，都与 L3 的量产落地密切相关。
自动驾驶技术的终极目标，是 L4 甚至 L5 的全自主驾驶，而无论是渐进式还是跨越式路线，最终的核心都是突破核心技术难题，实现安全、可靠的自动驾驶。L3 的存在，只是行业技术迭代过程中的一个 「阶段性产物」，它的价值，将随着技术的不断成熟，逐步被 L4 替代，但在当下，它依然是多数企业实现技术跃迁的 「最优解」。
技术迭代从无捷径可言，该走的路一步也绕不过去，对于多数企业来说，L3 不是捷径，但却是最稳妥的路。
