2026 年 6 月，理想汽车在 Livis Day 上把话题拉到了“具身智能汽车”。按照车东西报道，理想当天发布了自研 AI 推理芯片马赫 M100 Ultra、马赫 VLA、3D ViT、马赫 Mind 等能力，并回应了外界对辅助驾驶体验、追赶特斯拉 FSD V14、自研芯片量产等问题的质疑。
这场发布会有一个明显信号：智驾竞争已经不只是在城市 NOA 覆盖范围、功能开关数量上较劲。车企开始把大模型、芯片、数据闭环和车端体验放到同一个叙事里讲。听起来很热闹，落到工程里，其实都是硬账。
BEV+Transformer 还没过时，但位置变了
过去几年，BEV+Transformer 是国内智驾绕不开的一套技术框架。
天风证券在《智能汽车行业专题研究：大模型应用下自动驾驶赛道将有哪些变化？》中提到，主流车企及自动驾驶企业均已布局 BEV+Transformer，大模型成为自动驾驶算法的重要方向。报告还列举了几家车企的动作：小鹏从 2021 年下半年开始搭建基于 Transformer 大模型的 BEV 视觉感知系统 Xnet，用于实现无高精地图城市 NOA；蔚来在 2021 年开始搭建 BEV+Transformer 技术架构，并计划在 2023 年 6 月向用户推送；智己也在 2021 年布局 Transformer。
BEV 的价值在于把多摄像头、多传感器看到的信息，统一到鸟瞰图坐标下；Transformer 则擅长处理不同目标、不同时间帧之间的关系。对智驾来说，这套组合解决的是“车到底看懂了多少”的问题。
但端到端模型开始被反复提起后，BEV+Transformer 的角色发生了变化。它不再只是最终答案，更像是通往下一阶段的底座。自动驾驶原本常被拆成感知、决策、规划控制几个模块，端到端思路则试图让模型更直接地从输入走向驾驶行为输出。知乎专栏《智驾行业BEV+Transformer与端到端“追热词”为抢技术终局》提到，端到端系统能让驾驶行为更贴近人类驾驶风格，这对用户信任有帮助。
问题是，贴近人类驾驶并不等于容易量产。
数据闭环比口号难得多
端到端模型更依赖数据质量。普通道路、标准车道线、清晰红绿灯，这些场景并不稀缺；真正麻烦的是长尾场景：临时施工、非标准路口、遮挡、车辆和行人不按常规移动。模型如果没有见过足够多类似样本，就容易出现犹豫、保守，甚至做出不符合用户预期的动作。
BEV+Transformer 时代，车企已经需要大量标注和回灌。到了端到端阶段，数据的要求更细：不只是“哪里有车、哪里有线”，还要学到驾驶行为本身。加速、让行、变道、路口博弈，这些动作背后包含人的判断习惯。数据闭环如果只停留在采集和堆量，很难支撑模型稳定进步。
这也是为什么车企现在越来越强调自研体系。理想在 Livis Day 上同时谈芯片、基座模型和具身智能，不是单点炫技，而是在补一条链：车端采集数据，云端训练模型，再回到车端推理和体验验证。链条越长，任何一段短板都会被放大。
算力不是买来就能用
端到端模型带来的另一笔账是算力。
训练更大的模型，需要更强的云端训练能力；把模型放到车上，还要考虑推理延迟、功耗、成本和量产稳定性。理想发布马赫 M100 Ultra，核心背景也在这里。车企想把智驾能力做成长期可迭代的产品，就不能只依赖外部通用算力，还要考虑自家模型和硬件之间的匹配。
特斯拉 FSD 经常被拿来做参照，是因为它把车队数据、训练体系、软件迭代和用户体验绑定得更紧。国内车企追赶 FSD V14，真正难的也不只是复刻一个模型结构，而是把数据、训练、仿真、车端部署和用户反馈跑成持续循环。
小鹏 Xnet、理想马赫 VLA、蔚来早期布局 BEV+Transformer，说明国内车企并不缺技术方向感。难点在于工程密度：模型能不能稳定迭代，车端芯片能不能扛住，复杂路况下体验能不能少掉链子。这些问题没有发布会语言那么顺滑。
端到端上车，用户先看体感
用户不会关心模型是不是端到端，也不会因为车企用了 3D ViT 就自动产生信任。用户感受到的是：这辆车会不会突然刹得很重，变道是不是像人，路口会不会迟疑，接管提示是否来得及时。
端到端模型的优势，恰好也带来解释难题。模块化系统虽然显得“机械”，但每个模块相对清楚，问题更容易定位。端到端模型的驾驶行为更连贯，可一旦出现不合预期的动作，外部很难直接看出是哪一层出了问题。
所以，车企宣传“更像老司机”时，不能只讲拟人化。更重要的是把用户可感知的边界说清楚：哪些场景可以放心用，哪些场景需要驾驶员保持高度注意，系统更新后体验变化在哪里。信任不是靠概念建立的，靠一次次稳定通过复杂路口建立。
这轮竞争会更慢，也更残酷
BEV+Transformer 到端到端，不是简单换一代算法名词。它会把车企的真实能力拉到台前：有没有足够好的数据闭环，能不能承担长期训练成本，芯片和模型是否匹配，车端体验能不能经得住用户每天使用。
短期看，混合架构仍会存在。BEV+Transformer 在感知侧有价值，端到端模型在决策和规划上继续探索，两者未必马上互相替代。对车企来说，稳妥的路径可能不是一夜之间把旧架构推翻，而是在可控范围内逐步扩大模型接管的部分。
智驾下半场不会只属于最会讲大模型故事的公司。谁能把数据、算力、模型和量产体验连起来，谁才更接近下一张入场券。
