隨著輔助駕駛的技術迭代，與之相關的地圖技術以及圖商格局，也在悄然發生變化。

2021年是輔助駕駛進入城區的關鍵里程碑，次年車企們為加速實現「全國都能開」的目標，掀起了一場「去高精度地圖」的潮流。但隨著城市NOA的普及，出于對安全性、舒適性、連續性的嚴苛要求，人們很快意識到輔助駕駛系統難以脫離地圖獨立運作。

但如果只是延續以往地圖重度依賴測繪車隊的采集方式，在輔助駕駛大規模普及的強烈需求面前，這樣的傳統作業方式顯得捉襟見肘。因此，輕圖/云圖等創新形態應運而生。

過去幾年，高德、百度、騰訊等頭部圖商都調整了自身的策略，推出了更新更快、成本更低的各類「輕地圖」產品，包括HD Air/HD Lite/SD Pro等等。

地圖形態變化的背后，除適應輔助駕駛本身的技術迭代外，也牽動了地圖市場格局的變化。高精度地圖時代，高德、百度占據著主導地位，但隨著輕地圖成為車企的主流選擇，騰訊地圖脫穎而出。

據《高工智能汽車研究院》數據顯示，騰訊已經為蔚來、樂道、極氪、魏牌等汽車品牌的城市NOA提供智駕地圖服務，占新能源乘用車市場（不含增程式）標配城市NOA智駕地圖市場49.01%的市場份額，位列榜首。而排在第二名的是高德，占新能源市場（不含增程）標配城市NOA智駕地圖市場47.9%的市場份額。

新能源汽車智能化競賽當前烽火正熾，隨著端到端技術上車，AI大模型給輔助駕駛的開發帶來了顛覆性的變化，地圖的形態也將隨之持續演進，圖商們的競爭也遠未到終點。

在這之中，誰能夠最先看準趨勢，并堅定擁抱新趨勢，誰才能夠最先登上新大陸。

01.

從無圖到輕圖 智駕地圖形態的演變

隨著車企落地量產輔助駕駛的進程，智駕地圖的發展也大致經歷了3個階段：最初是高精地圖的甜蜜期。2018年 - 2021年，越來越多的車企開始量產L2+輔助駕駛系統，包括小鵬、蔚來、理想、北汽極狐、長安阿維塔、廣汽等數十個品牌先后量產高速組合輔助駕駛功能，圍繞高速路和城市快速路的高精地圖迎來了快速發展期。

▲城區高精地圖樣例

第二階段是追求「無圖都能開」的激進期。到2021年之后，輔助駕駛要進入城區，由于法規、成本、更新頻率等的約束，高精地圖在支持幾大試點城市之后，無法快速地拓展到全國，這與車企賣車的訴求存在根本矛盾。彼時行業都認為，高精度地圖受制于成本、要素更新等因素，很難滿足車企的需求，畢竟乘用車要在全國都能跑，顯然高精度地圖不能滿足用戶需求。因此，實現「無圖全國都能開」，又是2022年各大車企和輔助駕駛公司競爭的制高點。

據說那兩年會有車企用板車拉著供應商的測試車，選定一些任意的地點，看看放下能不能跑起來，以檢驗是不是「真無圖」。也有不少民間測試專挑偏僻郊區的小路直播輔助駕駛，因為這樣的路段，顯然不太可能提前采集高精地圖。

但「無圖」是以一定程度上犧牲體驗為代價的。

▲小鵬XNGP全面升級

如果對比過當時「有高精地圖」的系統和「無高精地圖」的系統，很容易發現后者在稍微復雜一些的路段會出現能力的回退；并且所謂「無圖」并不是完全無圖，至少需要有導航地圖存在。

當下是回歸「輕地圖」的理性期。邁入2024年，隨著輔助駕駛在全國逐漸普及，車企進入了比拼用戶體驗的紅海階段。安全性、連續性和舒適性，成為衡量輔助駕駛體驗最重要的三大指標。

也是從去年下半年至今，眾多車企開始推出新一代的基于端到端大模型的輔助駕駛系統，從實測表現上來看，駕駛博弈是新一代大模型系統明顯提升的地方；而針對復雜道路結構的認知，卻是大模型系統的短板。

輕高精地圖方案，完美地切中了這一轉型的需求。

比如一些車道的變化點、路口的左拓/右拓，甚至復雜路口的連通關系、經驗行駛軌跡等等，這些超視距信息，對輔助駕駛的安全性、連續性和舒適性，無疑至關重要。

相較而言，地圖從高精度元素轉向豐富的語義信息，是輕高精度地圖的重要特征。早期輔助駕駛在使用高精度地圖時，對道路幾何要求較高，需要很高的精度。現階段，頭部的輔助駕駛團隊，對幾何精度不會有太高要求，但對超視距、語義化的內容會需求更多更詳細的信息，比如拓撲連接關系、復雜路口的導航引導信息、車道的引導信息等。

▲輔助駕駛團隊演示圖

截至目前，極氪、長安、比亞迪，甚至特斯拉等中國市場主流車企，都在車端不同程度地采用了輕高精地圖的方案。智駕地圖的搭載量也呈現出迅猛增長之勢，高工智能數據顯示，2024年，中國市場新能源乘用車（不含進出口）城市NOA搭載智駕地圖已超過70萬套。

在經歷了幾年的演變之后，從高喊「無圖去圖」，到「輕圖真香」，智駕地圖的價值顯然已被重新論證。伴隨著智駕地圖形態的演變，圖商們的競爭也日趨激烈，其市場地位也悄然發生了變化。

02.

輕地圖時代 騰訊地圖為什么脫穎而出？

早期由于針對輔助駕駛的地圖還未形成明確系統的政策約束，地圖市場玩家百花齊放，甚至部分車企也通過收購具備測繪資質的圖商，希望自主地覆蓋地圖采集。但在2022年，這一現象戛然而止。這年7月，國家自然資源部下發了《關于促進智能網聯汽車發展維護測繪地理信息安全的通知》。自然資源部認定，自動駕駛汽車收集道路環境信息是測繪行為，包括自動駕駛測試采集的數據、傳感器的中間數據等，只能由國家頒發導航電子地圖制作甲級測繪資質的企業來操作。

彼時國家有關主管部門對國內企業高精度地圖測繪資質進行復核，包括高德、四維圖新、騰訊大地通途等19家企業通過資質復核，而此前具備甲級測繪資質的企業有31家，同比減少12家。這導致，地圖市場開始向頭部玩家聚集。

在傳統高精地圖市場中，高德、百度、四維圖新等傳統圖商占據著主導地位。而邁入輕地圖時代，騰訊地圖則開始脫穎而出。

為什么呢？這既來自于騰訊團隊對技術的預判，也因為其更加開放、靈活的定位。

早在2022年，基于對輔助駕駛行業技術發展趨勢的預判，騰訊地圖就開始從高精度地圖向輕高精度地圖轉型。一方面在既有的高速、城快路的高精地圖業務上，配合車企進行覆蓋范圍和鮮度的更新；另一方面，騰訊輕高精地圖（HD Air）也開始具有初步的雛形。

通過與長安、極氪等車企客戶的合作，騰訊大概在半年到一年的時間內，就完成了智駕云圖產品定義的收斂。2023年4月，騰訊正式發布了面向城市輔助駕駛場景的HD Air輕量級高精數據產品。

▲搭載長安天樞智駕的啟源Q07

去年，騰訊又進一步推出「騰訊地圖車機版8.0」艙駕一體解決方案，對各層級地圖數據要素的進一步分類、整合與加工，通過統一的地圖和數據平臺，實現人駕和車駕共用一張圖、共享一份數據。

也就是說，標準導航地圖（SD Map）、輕高精地圖（HD Air)、高精地圖（HD Map)等不同精度等級的地圖數據，可以做到數據同源、質量同級；并且模塊化工具鏈，可以支持車企按需靈活取用必要的地圖要素。

▲騰訊智駕云圖

傳統的地圖常常采用離線數據包的形式進行交付，而騰訊則可以通過云服務的方式提供地圖數據，包含「 云到端」和「 云到云」兩種模式，這也就是現在騰訊對外輸出的「智駕云圖」方案。「 云到端」指的是，可以將地圖數據最新的變化、動態交通及環境信息、駕駛經驗數據等下發到車端提升體驗；「 云到云」則是，直接對接車企的輔助駕駛云，車企可以將智駕云圖的數據和自有數據融合使用，從而更大程度地挖掘自有數據的價值。

智駕云圖的另一個核心優勢，則是可擴展的多圖層數據形態。簡單說，它不是一張 “固定的圖”，而是一套 “能生長、能運營的地圖生態”，其可以支持ODD靈活配置、即插即用的在線服務，還能提供運營工具鏈，車企可以根據自身需求快速調整。

在駕駛經驗圖層上，也可以與車企靈活共建，共同打造“環境經驗圖層” 和 “駕駛行為經驗圖層”。比如哪里是顛簸路、建議車速多少，哪里是危險路段需要謹慎，甚至變道模式、彎道車速、新能源道路節能指數等，這些 “經驗” 能讓輔助駕駛更像 “老司機”。

同時，由于地圖要素能按導航路線或區域發布，所以其還可以支持車端傳感器的差分更新，像限速牌、電子眼、車道線這些靜態要素，根據置信度進入數據流轉，部分能實現天級更新，而道路狀況、車道級交通事件、惡劣天氣這些動態要素，依托車端感知回傳和生態伙伴支持，能做到實時發布。

從基礎地圖層、更新要素層，到客戶數據層、駕駛經驗層、運營層、ODD動態層…… 車企可以像搭積木一樣自由組合，滿足不同場景的需求。

當前智駕地圖市場呈現 “雙寡頭主導、多元競爭” 的格局，騰訊與高德在城市NOA市場壟斷超96%份額，百度、四維圖新在傳統領域保持優勢，華為通過全棧方案間接影響地圖需求。

盡管憑借對技術趨勢的精準預判，以及對轉型的決心，騰訊地圖在輕地圖時代實現了趕超，但行業遠未到達競爭的終點。AI大模型時代的到來，智駕地圖的形態也仍在繼續演變，競爭仍在持續。

03.

智地圖競爭遠未到達終點

從最初對「無圖」的追逐，到現如今輕高精地圖技術的深度探索，車企與產業鏈玩家逐漸認清：地圖不是輔助駕駛的 「負擔」，而是提升輔助駕駛體驗的「利器」。也正因此，智駕地圖市場的體量，也隨著城區輔助駕駛的大規模普及在快速穩健地增長。據泰伯研究院預測，智駕地圖市場2025年將達54億元，預計到2030年，市場規模有望達到117億元。

但地圖的形態到此卻還不是終局，隨著AI大模型的到來，地圖形態仍在發生變化。

▲蔚來世界模型

端到端技術的上車，讓AI大模型對輔助駕駛開發方式產生了顛覆性影響，這也驅使地圖形態出現新的演變方向，未來地圖將不再僅局限于傳統意義上富含高精要素和道路幾何的數據庫，而是逐步融入模型，成為大模型的有機組成。

大模型本質上是一種知識壓縮，這也就意味著，未來地圖的形態最終有可能是以模型的形式存在，并通過自動駕駛系統感知系統，將地理位置環境信息數據，作為一個觀測信息給到大模型，大模型經過對數據的推理和判斷，最終給出規劃執行結果。

除了地圖本身的數據形式會發生改變之外，大模型技術還會影響到從地圖采集生產到仿真驗證中間的每一個環節。