小米SU7 Ultra量产交付，端到端智驾在极端天气下的真实表现

2026年7月的华北平原，连续三周的强降雨把多条城市快速路变成了临时河道。暴雨中的晚高峰，一辆小米SU7 Ultra正以60公里时速驶过一段积水没过标线的路段。方向盘在轻微修正，车内屏幕显示的感知界面上，原本清晰的车道线已经消失，取而代之的是由红色、黄色点云勾勒出的前车轮廓和两侧护栏。驾驶员的手没有离开方向盘，但脚也没有踩刹车。这十几秒的通勤片段，正在成为检验端到端智驾成色的试金石。据新浪汽车7月8日报道，在2026年这个时间节点上，小米SU7 Ultra的自动驾驶辅助功能已通过“端到端大模型+全系顶级硬件+高频OTA迭代”的三重组合，跃升为行业第一梯队。但在极端天气这种长尾场景下，端到端智驾到底靠不靠谱？小米汽车给出的答卷，和特斯拉、华为截然不同。### 暴雨中的感知博弈：当车道线失效，谁在“猜”路况？传统智驾系统高度依赖高精地图和清晰的车道线。一旦暴雨掩盖标线，系统往往会降级或退出。而端到端大模型的核心变化在于，它不再机械识别线条，而是像人类一样去“理解”场景。小米在智驾算法上开辟的“认知大模型+多传感器融合”路线，其代表成果是XLA大模型。在实测中，XLA的优势在于场景理解：能应对无保护左转、鬼探头等复杂场景，决策更符合人类驾驶习惯，减少用户接管频率。在积水无标线路段，XLA通过融合感知数据，将两侧护栏、前车轨迹和路沿石作为参考，维持行驶路线。这种能力的代价是算力消耗。端到端大模型上车，意味着智驾域控制器需要实时处理海量多模态数据。这和算力基础设施的演进是同一逻辑，正如我们在《80G算力园区，难题藏在62%利用率里》中观察到推理负载对算力中心的考验，车端算力的瓶颈同样决定了智驾系统的上限。### 三种技术路线的极端天气实测对比在极端天气下，不同技术路线的反应差异被放大。特斯拉FSD V13：纯视觉派的极限特斯拉坚持纯视觉路线。FSD V13在2025年底推送后，其神经网络在北美数据喂养下已具备极强的泛化能力。但在国内暴雨场景下，纯视觉方案的短板暴露无遗：摄像头镜头上的水珠会直接导致感知降级。尽管特斯拉通过增加雨刮器频率和改进图像预处理算法来缓解，但在强降雨导致能见度低于50米时，FSD V13仍倾向于保守降速甚至要求接管。华为ADS 4.0：激光雷达的兜底华为ADS 4.0路线则完全不同。搭载激光雷达的车型在暴雨中依然能通过点云构建周围环境。激光雷达不受光照影响，对静止障碍物的识别率在雨雪天气下衰减较小。ADS 4.0的GOD网络（通用障碍物检测）在雨雾中表现出更强的鲁棒性。但激光雷达在暴雨中的劣势在于对雨滴的过滤，密集雨幕可能产生噪点，需要算法进行过滤。小米SU7 Ultra：融合与认知的中间路线小米SU7 Ultra的XLA大模型选择了多传感器融合+认知大模型的中间路线。硬件上全系搭载激光雷达、毫米波雷达和高清摄像头。在算法层，XLA不再将传感器数据割裂处理，而是作为多模态输入统一喂给大模型。实测中，当摄像头视野受阻时，XLA能通过毫米波雷达的距离信息和激光雷达的点云数据“脑补”出周围环境，维持决策。这种融合方式在暴雨中的接管率明显低于纯视觉方案。### 决策规划：谁更像人，谁更保守？极端天气下的另一个核心挑战是决策规划。湿滑路面意味着更长的刹车距离和更低的物理极限。端到端大模型的优势在于决策的拟人性。在一段无标线且伴有积水的弯道中，小米SU7 Ultra的XLA模型主动将入弯速度从60km/h降至40km/h，出弯后平缓加速。这种驾驶风格更接近经验丰富的老司机，而非激进的新手。对比之下，特斯拉FSD V13在类似场景下的决策更激进，这与其北美数据集中的驾驶风格一致，但在中国复杂路况下需要适应期。华为ADS 4.0则相对保守，在安全边界模糊时更倾向于让驾驶员接管。三种风格没有绝对优劣，但极端天气下，保守和拟人往往更让人安心。小米官方始终强调“辅助驾驶不是自动驾驶”的安全底线。这与当前智驾法规现状一致，也呼应了我们在《欧盟AI法案延期，出海SaaS别只等2028》中讨论的合规逻辑：技术不能跑在法规前面太远。### 人机共驾的真实约束：接管意愿与信任边界端到端智驾在极端天气下的最大考验不是技术，而是人。暴雨天视线受阻，驾驶员本身已处于高负荷状态。此时如果系统突然提示接管，驾驶员能否在0.5秒内重建对环境的认知？这是人机共驾的核心矛盾。小米SU7 Ultra在1.5.5版本OTA中优化了接管提示逻辑。当系统对环境置信度低于阈值时，不会立即要求接管，而是先降低车速、打开双闪，给出2-3秒的预警时间。这段缓冲期在实测中至关重要。XLA大模型的多模态交互能力在此发挥作用，它可以通过座舱屏幕和语音向驾驶员说明当前困境。这种透明度建立了信任。据品玩报道，小米汽车在2025年2月27日上市发布会上正式介绍了HAD系统的进展，并在随后一年多内通过高频OTA推送了超过18项功能新增与优化。这种迭代速度让系统在极端场景下的表现持续改善。但信任边界依然存在。在极端天气下，即使系统未提示接管，驾驶员也应保持注意力。端到端大模型的黑盒特性意味着，当它犯错时，往往无法解释原因。这与大模型在逻辑推理中的黑盒问题一脉相承，正如我们在《GPT-5高分之后，卡在了反逻辑题上》中观察到的主流模型短板，车端大模型同样存在不可解释的风险。### 极端天气不是绊脚石，是试金石2026年夏季的暴雨，让端到端智驾的竞争从“跑分游戏”进入“实战阶段”。小米SU7 Ultra的XLA大模型在湿滑路面、无标线道路的表现证明了多传感器融合+认知大模型路线在极端天气下的优势。对比特斯拉FSD V13的纯视觉激进和华为ADS 4.0的激光雷达保守，小米选择了融合与拟人的中间路线。但端到端智驾不是万能药。极端天气下的人机共驾，核心仍在于驾驶员与系统之间的信任与约束。端到端大模型提升了系统下限，但上限依然由人决定。在这个意义上，暴雨中的那十几秒，检验的不只是算法，更是人机共驾的成熟度。对于潜在车主，极端天气仍是需要保持接管的场景；对于行业观察者，这场实测证明：端到端智驾的下半场，比的不是谁的参数大，而是谁在长尾场景下更稳、更透明、更懂人。