凌晨暴雨、路灯稀少、标线被积水盖住。这样的路，人类司机会本能降速，甚至选择靠边等一等。对端到端智驾来说，这不是宣传片里的“城市NOA”，而是最容易暴露短板的场景：摄像头看到的是反光、阴影和雨刷扫过的残影，系统却要判断哪里是路、哪里是障碍物、前车接下来会不会急刹。
2026年再谈智能驾驶，单看算力、激光雷达数量已经不够了。端到端自动驾驶真正要回答的是：在规则不完整、视觉不清楚、路况不标准的时候，车能不能做出接近人类司机的判断。
FSD的数据很好看，但雨夜不是平均数
特斯拉仍是端到端路线里最有代表性的样本。
NE时代援引特斯拉AI负责人 Ashok Elluswamy 在 2026 ScaledML Conference 的演讲称，特斯拉使用端到端驾驶系统来构建自动驾驶软件，并围绕“世界模型”“高斯泼溅”等方法处理复杂环境。另一篇关于 FSD v13.2 的材料也把它的看点概括为：端到端架构、AI on Vision 视觉感知，以及 AI HW4 带来的计算能力提升。
公开数据也在强化这个叙事。OFweek 摘要信息提到，2026年特斯拉FSD累计行驶里程已突破90亿英里，马斯克称 V13 版本在复杂路况下平均每1000英里约0.3次接管，安全性约为普通驾驶员的8倍。电子工程专辑引用《MotorTrend》2026年度评测称，FSD V14 在无保护左转、环岛导航、应急车辆避让等高难度操作中的流畅度提升47%，决策响应速度缩短至0.3秒以内。
这些数字说明一件事：FSD在常见复杂道路上的可用性确实在提高。
但雨夜的问题不完全在“平均表现”。端到端系统最怕的是长尾场景：水面反光把车道线抹掉，远光灯在雨雾里散射，路边静止物体只有一团模糊轮廓。此时系统不是简单识别一个物体，而是在猜测它的语义：那是停在路边的车、塑料路障，还是一片反光的积水？
这也是纯视觉路线被反复追问的地方。它的优势是数据规模和模型统一，短板则是恶劣天气下感知质量更依赖图像本身。一旦画面质量下降，后面的规划和控制再强，也是在不完整信息上做判断。
VLA能补上“直觉”，但还不能替司机负责
汽车商业评论在《何小鹏赌约背后，中美智驾只剩“一年之差”》中提到，特斯拉在 FSD V14 引入类 VLA 多模态增强模块，试图通过增强逻辑泛化能力，解决“直觉驾驶”的不可知性。这个方向值得关注。
传统智驾更像规则系统：看到车道线，沿线行驶；识别障碍物，减速避让。端到端和VLA想做的，是让车辆理解更完整的场景。比如前方车辆突然轻微偏移，可能是在绕开坑洼；路边行人没有进入车道，但雨伞遮挡了视线，车辆应该提前留出余量。
听起来更像人开车，但难点也在这里。人类司机的“直觉”背后有经验、常识和风险偏好，模型的直觉则来自训练数据和参数。它可以在大量场景里表现稳定，也可能在某个没见过的组合里出错。
这就是雨夜评测应该看的重点：不是车辆有没有完成一段路线，而是它在不确定时怎么处理。是继续以较高置信度通过，还是降速、拉开距离、提醒接管？系统能不能承认自己“看不清”，比它在晴天跑得多顺更重要。
小鹏XNGP的压力在于本土复杂路况
小鹏XNGP是国内端到端智驾绕不开的名字。汽车商业评论那篇文章的标题直接把中美智驾差距压缩到“一年之差”，背后指向的是国内车企在模型、数据和城市道路覆盖上的追赶。
但就目前给到的公开素材看，关于小鹏XNGP在雨夜、无标线、乡村道路等场景下的量化表现，并没有足够可引用的数据。也就是说，不能简单写成“小鹏雨夜强于特斯拉”或“特斯拉明显领先小鹏”。这样的判断缺少依据。
更稳妥的看法是：小鹏的考题和特斯拉并不完全一样。中国道路的非标准场景很多，电动车、外卖骑手、临停车辆、窄路会车、施工围挡，都可能同时出现。XNGP如果要证明端到端能力，不能只在城市主干道和高架路上跑顺，还要在这些碎片化场景里保持稳定。
雨夜尤其残酷。摄像头、毫米波雷达、激光雷达各有优势，也各有盲区。传感器融合能提供冗余，但也会带来判断冲突：视觉觉得前方有阴影，雷达未必确认；雷达捕捉到金属物体，视觉又可能看不清轮廓。最后怎么决策，仍要回到模型和安全策略。
真正该问的不是“能不能自动开”
2025年底，一位名叫大卫·摩斯的 Model 3 车主完成了横穿美国的行程。汽车商业评论提到，这段旅程历时2天零20个小时，跨越2732.4英里，约4397公里，并称其在全程无接管情况下完成。
这是一个很强的样本，也解释了为什么端到端智驾会在2026年继续升温。长距离、低接管、跨区域行驶，确实比过去的辅助驾驶更接近“自动驾驶”的想象。
但消费者买车时，最好把问题问得更具体一点：
- 系统在雨夜、逆光、远光灯、积水反光下，会不会主动降级？
- 当置信度下降时，接管提示是否足够早、足够清楚？
- 车辆是否能解释当前状态，比如“车道线不清晰”“前方环境复杂”？
- 车企有没有持续的数据闭环，把真实道路里的长尾问题快速回传和修正？
特斯拉的优势在于全球车队数据和端到端路线的持续迭代；小鹏等国内车企的优势，则更可能来自本土道路数据和高频城市使用场景。两边都在进步，但雨夜不会因为模型名字更先进就变简单。
2026年的安全底线还是人机共驾
端到端自动驾驶正在接近更自然的驾驶方式。FSD v13/v14的数据、VLA模块的引入、英伟达在 CES 2026 开源基于 VLA 的推理模型 Alpamayo 1，都说明行业方向已经很清楚：让车从“按规则执行”走向“理解场景后行动”。
只是，理解场景不等于承担责任。
在晴天、标线清楚、交通参与者行为稳定的道路上，端到端智驾会越来越像一个熟练司机。到了暴雨夜路，它仍可能被反光、遮挡、非标准障碍物和突发行为拖回现实。此时最可靠的安全配置，不是某个宣传词，而是系统能及时降级、清楚提醒，以及驾驶员愿意接管。
所以，2026年下半年看端到端智驾，别只看发布会上说它能跑多远。更要看它什么时候慢下来，什么时候承认自己不确定。
雨夜里，这比一次漂亮的自动变道重要得多。
