如果把一辆L4无人配送车拆开来看，你会发现一个耐人寻味的事实：构成它的物理部件——激光雷达、域控制器、电池、电驱——几乎全部来自新能源车供应链，和一辆普通的智能电动车没有本质区别。真正让这辆车能在公开道路上以零安全员状态完成配送任务的，不是某一个性能超群的硬件，而是一套把感知、决策、控制、调度深度耦合的系统架构。而今年，这套架构正在经历一个根本性的转变：从依赖高精地图的先验模式，走向算法实时驱动的无图模式。

这个转变看似只是技术路线的迭代，实则正在重新定义无人车产品的边界。当高精地图这层"安全垫"被抽走，算法必须直面未经预演的真实道路，系统集成的复杂度呈指数级上升。而一旦无图方案跑通，部署成本中最大的一项固定开支几乎归零，开城周期从数月压缩至数天甚至更短，规模化复制的核心障碍将被彻底清除。对于从事装备类产品系统集成的团队而言，这不是一次简单的技术升级，而是一场关于产品定义权的争夺。

一

高精地图在L4自动驾驶的早期阶段扮演了不可替代的角色。它提供了厘米级的道路先验信息——车道线的精确位置、红绿灯的三维坐标、限速标志的分布——车辆在行驶时只需要将实时感知数据与地图进行匹配，就能获得远超传感器本身能力的环境认知。这套模式的安全性经过了大量验证，但代价同样显著。

一座城市的高精地图采集需要专业的测绘车队跑遍所有目标路线，采集完成后还要经过数据清洗、标注、质检才能发布。路线一旦调整——道路施工、交通标志更换、新建小区出入口——地图就需要更新。对于无人配送企业而言，每进入一座新城市，都要经历采集地图、路线适配、测试验证、运营调试四个阶段，周期动辄数月，单城投入数百万元。这意味着扩张速度受制于地图产能，而地图产能本身又受制于政策审批和测绘资源。

无图方案的核心逻辑是用算法替代地图。车辆不再依赖预先构建的高精地图，而是通过激光雷达、摄像头、毫米波雷达的实时融合感知，动态构建对周围环境的理解。道路结构从实时数据中提取，障碍物从点云中分割，交通规则从视觉识别中获取。九识智能在这一方向上的进展具有指标意义：预计本月底，其L4无图运营累计里程将突破四万公里。四万公里无图运营意味着什么？它意味着算法已经在足够长的真实道路距离上证明了自己处理非标场景的能力，意味着无图不再是实验室里的demo，而是可运营的工程现实。

从工业设计和系统工程的角度看，无图化不是简单地把地图模块从软件架构中删掉，而是整个感知决策链路的重新设计。有图模式下，感知模块的任务很大程度上是"验证"——确认实时看到的和地图上记录的一致；无图模式下，感知模块必须独立完成"发现"和"理解"——道路在哪里、哪条车道可以走、那个异形障碍物是什么、路边的行人是否准备横穿。这对传感器融合策略、模型推理效率、冗余安全机制都提出了截然不同的要求。

用四力五维方法论来审视，无图化首先冲击的是创新力与专利维。当高精地图不再是竞争壁垒，算法架构本身——尤其是如何在有限算力下实现高可靠实时感知决策——就成为最核心的知识产权布局方向。谁能在无图感知的架构设计上形成专利护城河，谁就掌握了下一轮竞争的主动权。其次是专业力的技术深度维度：无图方案要求团队在深度学习、三维视觉、多传感器时序融合等底层技术上有真正的积累，而不是依赖地图供应商提供的"交钥匙"方案。

二

行业内对无图化的路线判断并非铁板一块，目前至少存在两派鲜明的观点。

以任亮亮为代表的算法派认为，无图技术的突破将主导下一轮产业革命。其逻辑链条是清晰的：当算法能力足够强，车辆对先验信息的依赖就会持续降低，而硬件层面的差异化空间正在迅速缩小——激光雷达在降价、域控制器在标准化、传感器配置趋于趋同。最终，决定一辆无人配送车能力上限的不是装了多少颗激光雷达，而是算法对复杂场景的理解和决策水平。算法派的自信来自于乘用车智驾领域近年的快速迭代：城市NOA从有图到无图的演进已经证明，大模型驱动的感知方案可以在不依赖高精地图的情况下处理复杂城市场景。

周清代表的原生派则持不同看法。他们认为，无人配送车的真实场景运营积累才是真正的壁垒，乘用车上训练的模型不能直接迁移到Robovan上使用。这一判断源于对两类产品本质差异的深刻理解。乘用车的传感器架构以车辆为中心、以前向感知为主，运行速度通常在每小时三十公里以上，行驶在机动车道上，任务逻辑是从A点到B点的乘客运输。而无人配送车的运行环境更加复杂：低速行驶在非机动车道或社区道路上，需要频繁靠边、避让行人、处理非机动车的不规则运动，还要在配送点完成精确停靠和货箱交互。两者的任务边界、安全约束、环境模型完全不同，模型不能直接通用。

原生派的观点触及了一个工业设计层面的核心命题：产品定义必须从真实场景出发，而不是从技术能力出发。一辆在乘用车上表现优异的感知模型，移植到Robovan上可能连"如何在窄巷中避让一辆逆行的电动三轮车"都处理不好，因为训练数据中根本没有这种场景。场景积累不是简单的数据量问题，而是对特定任务域中长尾问题的覆盖深度。这正是为什么系统集成经验在装备类产品开发中如此重要——江苏创品工业设计有限公司在多年服务装备类客户的过程中形成的跨学科技术整合能力，本质上就是对多场景、多约束条件下系统边界的把控能力。

算法派与原生派的分歧，表面上是对技术路线的判断差异，深层反映的是对"什么是真正的产品壁垒"这一问题的不同回答。算法派赌的是通用智能的涌现——当模型足够大、数据足够多，跨场景迁移的成本会急剧下降；原生派赌的是场景know-how的不可替代性——再强的通用模型也需要在具体场景中打磨，而打磨的过程就是时间和里程的积累。在平衡设计方法论的框架下，这不是一个非此即彼的选择。技术与艺术的平衡在这里体现为算法能力与场景洞察的平衡，性能与可靠的平衡体现为前沿模型的推理能力与安全冗余的工程保障之间的平衡。真正成熟的产品架构，应当既具备算法迭代的灵活性，又保留场景适配的鲁棒性。

三

传感器架构的差异是理解乘用车与无人配送车技术分野的一把钥匙。

一辆典型的L4无人配送车通常配备多颗激光雷达——包括顶部的主雷达和侧面的补盲雷达——加上多个环视摄像头、毫米波雷达和超声波传感器，形成360度无盲区的感知覆盖。这种配置与乘用车以驾驶员视野为中心的传感器布局有本质不同：无人配送车没有人类驾驶员作为感知和决策的后备，系统必须在所有方向上都达到L4级别的可靠性，不能有任何盲区。顶部激光雷达的安装位置、视场角设计、点云密度分配，都是根据低速非机动车道场景中行人密集、遮挡频繁、异形障碍物多的特点专门优化的。

算力需求的差异更为显著。L4域控制器需要处理的传感器数据量远超乘用车L2/L2+方案，因为L4系统必须在没有人类接管的情况下对所有极端场景做出安全决策，这要求更高的感知冗余、更复杂的预测模型和更保守的规划策略。知行科技为吉利远程供应的三千个域控制器是一个值得关注的信号：它表明L4无人配送车的域控市场已经开始起量，而且单车价值量显著高于乘用车智驾域控。这不是简单的硬件成本差异，而是系统安全等级和算力冗余要求驱动的价值跃迁。

从系统集成的角度看，域控制器不仅是一个计算硬件，更是整个电子电气架构的中枢。它连接感知层、决策层、执行层，承担传感器数据融合、AI推理、车辆控制指令生成等关键任务。L4域控的设计需要在算力、功耗、散热、成本、功能安全之间找到平衡点。这正是控制力维度在架构定义上的体现——谁定义了域控制器的接口标准、算力分配和安全机制，谁就掌握了整车电子架构的主导权。

在平衡设计方法论中，自研与合作的平衡在这里体现得尤为充分。L4公司不可能也不需要自研域控制器的所有芯片和基础软件，但必须对域控架构有清晰的定义能力——知道自己需要什么算力、什么接口、什么安全等级，能够向Tier 1提出精准的需求规格。而Tier 1的价值在于将这些需求工程化、量产化、成本化。知行科技与吉利远程的合作，正是这种分工模式的典型案例：L4公司提供智驾技术栈和场景定义，主机厂负责整车制造和规模化交付，Tier 1提供域控硬件的量产能力。

四

主机厂与L4公司之间的分工正在快速成型，两种代表性模式浮出水面。

东风推出的OpenVAN模式是一种开放平台思路：东风作为主机厂，提供底盘和整车平台的定义、制造和销售服务，L4公司在其平台上加载自己的自动驾驶系统，快速形成可运营的无人配送产品。这种模式的优势在于主机厂的车辆开发能力、供应链管理能力和生产一致性保障能力得到充分利用，L4公司不需要从零开始造一辆车，可以聚焦于自己最擅长的算法和运营。白犀牛与鑫源的合资模式则更进一步：双方成立合资公司，L4技术与整车制造在资本层面深度绑定，利益共享、风险共担。这两种模式各有适用场景，但共同的趋势是明确的：造车的归主机厂，做智驾的归L4公司，专业化分工正在替代早期"什么都自己做"的垂直整合模式。

这种分工趋势对工业设计提出了新的要求。当底盘平台由主机厂提供、自动驾驶系统由L4公司开发，整车产品的定义过程就变成了多方协同的系统工程。接口定义、空间分配、散热设计、供电架构、传感器安装位置——每一个决策都涉及多方约束的平衡。江苏创品在装备类客户系统集成中积累的经验在这里有直接的映射价值：装备产品同样面临标准件与定制系统的整合问题，如何在通用平台上实现场景化定制，如何在多方供应商之间建立清晰的接口规范，如何保证系统整体可靠性不因模块拼搭而打折，这些都是跨学科技术整合能力的用武之地。

产品结构上，无人配送车正在形成"标准件加定制软件"的清晰格局。域控制器、激光雷达、电池、电驱这些核心硬件全部可以复用新能源车供应链，规模化采购带来的成本下降正在快速发生。真正定制化的部分是软件——感知模型、决策算法、调度系统、云端运营平台——以及围绕特定配送场景的整车集成方案。这种结构意味着硬件利润将持续承压，价值增量向软件和系统集成服务转移。对于工业设计团队而言，工作重心也必须从传统的造型和结构设计，向系统架构定义和跨模块协同迁移。

五

无图化带来的技术挑战是真实且严峻的，不能被简单的技术乐观主义掩盖。

首要挑战是公开道路的安全运行。没有高精地图提供先验信息，车辆对道路结构的理解完全依赖实时感知，而真实道路上的极端情况无穷无尽：暴雨导致路面车道线完全不可见、施工路段用临时锥桶摆出非标准绕行路线、大型车辆在路口形成大范围遮挡、交通信号灯被树枝部分遮挡。每一种情况都可能导致感知系统输出错误结果，而L4系统没有人类驾驶员作为后备，错误的代价可能是严重的安全事故。这要求无图感知系统不仅要在正常工况下表现优异，更要在感知不确定时能够做出安全的降级决策——减速、靠边、停车等待，而不是"猜"一个可能错误的结果继续行驶。

非标场景适配是第二个核心挑战。中国城市道路的非标程度远超北美和欧洲：电动三轮车在机动车道上逆行、摊贩推车占据半幅非机动车道、小区门口随时可能有车辆和行人冲出、城中村道路狭窄到几乎只能单向通行。这些场景在标准化的测试场地中难以复现，只能依靠真实运营里程的积累逐步覆盖。这也解释了为什么原生派强调场景积累的不可替代性——四万公里无图运营里程背后，是大量非标场景的真实暴露和算法迭代。

第三个挑战是不同城市场景落地标准的不统一。南方城市和北方城市的道路结构不同，老城区和新城区的交通流特征不同，旅游城市和工业城市的配送需求不同。无图方案虽然摆脱了高精地图的采集成本，但每进入一座新城市，算法仍然需要针对当地的场景特征进行适配和调优。如何让一套算法架构在保持核心能力一致的前提下，高效适配不同城市的本地化特征，是规模化阶段必须解决的工程问题。这涉及到模型的模块化设计、参数的可配置性、适配工具链的自动化程度，本质上是系统架构灵活性的考验。

从L2/L2+乘用车智驾到L4无人配送的技术迭代路径也值得审视。两者之间确实存在技术栈的复用——传感器融合的基础算法、深度学习模型的训练框架、车辆控制的基本逻辑——但L4对系统冗余、故障处理、极端场景覆盖的要求有本质跃升。L2/L2+系统的设计前提是人类驾驶员随时可以接管，因此系统的安全策略可以相对激进，遇到不确定情况可以提示驾驶员接管。L4系统没有这个选项，它必须自己处理所有情况，包括自身传感器或计算单元发生故障的情况。这需要双冗余甚至多冗余的传感器架构、备份制动和转向系统、故障诊断和安全降级机制，这些都是L2系统不需要或要求远低于L4的。

六

把视野拉到产品创新的层面，无图配送的技术分水岭正在重塑无人车的产品边界，这种重塑体现在三个维度。

第一是成本边界的重构。高精地图成本的趋近于零，是无图化最直接的经济影响。但更深远的影响在于部署边际成本的变化：有图模式下每开一座新城都要投入数百万地图采集和适配费用，无图模式下新增城市的边际成本主要是算法适配和测试验证，规模效应更加显著。同时，硬件对新能源车供应链的复用意味着核心部件的成本将沿着新能源车的规模化曲线持续下降。激光雷达两年前还是数千元一颗的高端部件，如今已经进入千元区间；域控制器随着出货量从千级迈向万级，单车成本也在快速下探。成本边界的扩张直接打开了市场空间——当无人配送车的总拥有成本低于人力配送，商业化的拐点就会到来。

第二是能力边界的拓展。无图算法让无人配送车不再被束缚在预先采集过地图的路线上，理论上可以在任何满足基本道路条件的区域运行。这意味着运营场景可以从固定的几条路线快速扩展到更大范围的区域，从封闭园区走向公开道路，从单一城市走向多城同步运营。能力边界的拓展不是线性的，而是指数级的——当车辆具备了无图通行的能力，新场景的接入速度取决于算法适配效率而非地图采集产能，这是质变。

第三是组织边界的变化。专业化分工的深入意味着L4公司、主机厂、Tier 1、供应链企业之间的协作关系更加紧密也更加复杂。产品定义不再是某一家企业独立完成的事情，而是一个多方参与、持续迭代的协同过程。在这个过程中，系统集成能力成为连接各方的核心纽带。工业设计团队的角色也在发生变化——从传统的"设计方"转变为"系统集成协同方"，需要在技术路线选择、架构定义、接口规范、供应链整合等多个层面提供跨学科的专业支持。

四力五维方法论在这一背景下提供了一个清晰的分析框架。创新力对应专利维，要求在无图感知架构、域控设计、非标场景处理等方向形成自主知识产权；专业力对应技术深度和系统集成两个维度，既要在算法和硬件底层有扎实的技术积累，又要具备将多元件、多子系统整合为可靠产品的工程能力；控制力对应架构定义，要求在主机厂、L4公司、Tier 1的协作网络中掌握产品架构的话语权，不沦为简单的硬件组装或软件外包。三者缺一不可：有创新力无专业力，专利无法落地为产品；有专业力无控制力，技术能力无法转化为产品定义权；有控制力无创新力，架构定义缺乏技术前瞻性。

七

平衡设计方法论为这场技术变革中的产品决策提供了底层的思维框架。

技术与艺术的平衡，在无图配送语境下不是审美层面的讨论，而是技术能力与场景洞察的平衡。算法的技术先进性必须服务于真实配送场景的需求，而不是为了展示技术实力而过度设计。一个在基准测试中分数最高的感知模型，如果在雨天车道线模糊的场景下不能可靠工作，就不是一个好的工程选择。真正的"艺术"在于对技术取舍的判断力——知道什么场景必须做到极致，什么场景可以安全降级，什么能力当前不需要但未来必须预留。

性能与可靠的平衡是L4产品工程的核心命题。无图算法追求更高的感知精度和更快的推理速度，但这些性能指标不能以牺牲可靠性为代价。一个99%情况下表现优异但1%情况下输出不可预测结果的系统，在L4场景中是不可接受的——因为那1%的异常可能导致安全事故。冗余设计、故障检测、安全降级这些"不性感"的工程工作，恰恰是L4产品可靠性的基石。在资源有限的现实约束下，如何在性能提升和可靠性保障之间分配研发资源，是对系统架构师判断力的持续考验。

自研与合作的平衡在前文已有充分讨论，这里需要强调的是：选择自研什么、合作什么，本身就是一种架构定义能力。L4公司应该自研的是构成核心壁垒的算法架构和场景know-how，应该合作的是已经产业化成熟、标准化程度高的硬件部件。自研边界的判断不是静态的，而是随着技术成熟度和供应链格局动态调整的。早期可能需要自研域控制器来验证架构，当量起后转向与Tier 1合作量产；早期可能需要自研感知模型的全部组件，随着生态成熟可以在基础模型上做场景化微调。

复杂与简洁的平衡是工业设计哲学的永恒话题。无图配送系统的内部复杂度极高——数十个传感器、上百个软件模块、海量的实时数据——但产品呈现给用户和运营方的界面必须简洁可靠。运营人员不需要知道感知模型的网络结构，但需要一目了然地知道车辆状态、配送进度和异常原因。维护人员不需要理解域控制器的芯片架构，但需要通过标准化的诊断接口快速定位故障。把复杂性封装在系统内部，把简洁性呈现给使用者，这是系统集成设计的核心价值。

八

无图配送的技术分水岭不是一个时间点，而是一个持续演进的过程。九识智能四万公里的无图运营里程是一个重要的里程碑，但它远非终点。算法对极端场景的覆盖仍在持续积累，不同城市的适配标准仍在摸索建立，主机厂与L4公司的分工模式仍在磨合定型，域控制器和传感器的成本曲线仍在下行通道中。

对于站在苏州这片装备制造业沃土上的研发团队而言，这场变革带来的启示是多层面的。无图化表面上是自动驾驶技术路线的切换，深层是产品价值从硬件向软件、从部件向系统、从单一能力向架构定义的迁移。在这个迁移过程中，跨学科技术整合能力不是锦上添花，而是核心竞争力。算法工程师需要理解车辆工程，硬件工程师需要理解软件架构，产品经理需要理解供应链约束——没有任何一个单一学科能够独立定义一辆L4无人配送车。

工业设计在这一进程中的角色，早已超越了传统意义上的外观和结构。它是系统架构的顶层设计，是技术路线的战略判断，是多方协作的接口定义，是复杂系统的简洁呈现。从高精地图到无图算法，从垂直整合到专业分工，从硬件堆叠到算法定义——每一次技术范式的转换，都是对系统集成能力和创新设计能力的重新校验。

算法正在定义无人车的产品边界，但定义算法应用方向和系统架构的，始终是人的设计判断力。这是技术分水岭之上，真正决定谁能走得更远的底层能力。