来源：新浪科技
当前，智能辅助驾驶正在迎来从 " 可选配置 " 向 " 核心刚需 " 的关键转折期。
2025 年以来的多份用户调研数据显示，在购车决策中，" 智能辅助驾驶能力 " 已跃升至影响因素的前三名。尤其在 35 万元以上车型中，越来越高比例的用户明确表示 " 智能辅助驾驶表现直接影响购买决策 "。
与此同时，智能辅助驾驶的竞争，也正在从 " 功能清单 " 的比拼，转向 " 安全、体验、体系 " 的综合较量，行业也正在迎来一场残酷而必然的洗牌。
过去两年，我们看到城市 NOA 从 " 能用 " 走向 " 好用 "，也看到不少玩家在高投入与低回报之间进退维艰。市场释放出一个清晰信号：智能辅助驾驶已告别单点创新时代，进入体系化决胜期。
在这样的背景下，谁能真正成为车企和用户信赖的长期伙伴？谁又在构筑真正不可复制的竞争壁垒？华为乾崑智驾，成为一个脱颖而出的标杆样本。
从 " 可选 " 到 " 首选 "，华为乾崑智驾正在定义智能化购车标尺
麦肯锡 5 月 12 日刚刚发布的《2026 麦肯锡中国汽车消费者洞察》报告中指出，智能辅助驾驶与车载智能体正从配置加分项，转变为体验的门槛。
消费者不再满足于功能的堆叠，而是关注其在真实场景中的稳定性、边界一致性与持续进化能力，并逐渐形成了 " 购前看评测、购中看体验、购后看 OTA" 的习惯——技术不仅是量产前的研发，更是购车之后的长期陪伴与能力兑现。调研表明，高达 69% 的受访者已将城市 NOA（城市领航辅助）等智能辅助驾驶功能视为购车标配。
而在这一细分市场，华为乾崑智驾的渗透率已经形成领先。根据第三方统计数据显示，基于交强险数据和交叉验证信息渠道，2025 年全年，搭载城市 NOA 技术的新车，上险数为 267.0 万辆。而国产乘用车上险数为 2，305.0 万辆，渗透率高达 11.6%。其中，华为智能汽车解决方案 BU 的乾崑 ADS 就贡献了 74.5 万辆，供应商维度销量第一，继续蝉联城市 NOA 市场冠军，占据约 28% 市场份额，接近三分之一权重。
更值得注意的是，这种领先并非依赖单一品牌。2025 年，华为乾崑智能化部件发货量已超过 3800 万件；截至今年 4 月底，引望已与 25 个品牌、超过 50 款车型合作，整车搭载量突破 170 万辆，全面覆盖 15 万至 100 万价格带，涵盖各类动力形式与多样化车型品类。
" 买车就买乾崑智驾 " ——这句话正在从品牌口号，演变为真实的市场共识。对于车企而言，选择华为乾崑智驾，不仅是选择一套技术方案，更是选择一个被市场验证过的用户认知捷径。
研发筑基：两个领先筑的不可复制壁垒
如果说市场认可是表象，那么研发体系就是华为乾崑智能汽车解决方案真正的护城河。这里可以清晰地看到两个领先。
首先是时间维度的断层：30 多年 ICT 积淀的 " 降维打击 "。
引望并非从零起步进入智能网联汽车领域。它的根，扎在华为三十余年通信与计算领域的深厚积累中。通信级的高可靠、消费级的极致体验、云端级的智能调度——这三种能力的融合，是绝大多数智能公司无法复制的起点。
具体而言，华为乾崑智驾、鸿蒙座舱、智能车控、智能车载光、智能车云等解决方案，是基于华为 30 余年在通信、芯片、AI、云计算、操作系统和光电子等 ICT 根技术构建。这种跨界的技术迁移能力，决定了华为乾崑智驾在面对复杂场景时的底层逻辑优势。
其次是投入维度的断层。更直观的差距体现在研发投入上，数据显示，2025 年引望投入 150 多亿元，累计研发投入 550+ 亿元，研发人员超过 8000 人。
在 4 月的华为乾崑技术大会上，华为公司高级副总裁、引望公司 CEO 靳玉志表示，2026 年预计再投入 180 亿元用于华为乾崑智驾系统的研发。而华为整体近 2000 亿元的年研发投入中，相当比例的基础研究（如算力、芯片、操作系统）最终也会 " 外溢 " 至华为乾崑智能汽车解决方案。
如果说大多数智能公司是在 " 盖房子 "，那么引望是在 " 造城 "。
技术底座：WEWA 2.0 架构与感知融合的体系化落地
真正检验技术成色的，是它能否转化为用户可感知的价值。
今年 4 月刚刚在华为乾崑技术大会上发布的 ADS 5 ，带来了从技术底座到用户体验的系统性领先。
在感知层面，华为乾崑智驾始终坚定选择摄像头 + 毫米波雷达 + 激光雷达的多传感器融合感知路线，让每类传感器优势互补：摄像头，能够识别色彩与纹理，擅长环境要素的识别，但在暗光、眩光、逆光等环境下，性能下降严重；毫米波雷达，擅长测速，可以在雨雾尘等恶劣天气下准确探测；激光雷达，相比毫米波频率更高波长更短，能实现小目标精准探测。与纯视觉仅依靠摄像头不同，引望认为，只有多传感器融合，每类传感器优势互补，才能通过多源信息的交叉验证，大幅降低单一传感器误判的概率，充分提升安全冗余，为未来自动驾驶提供安全保障。
今年 3 月 5 日，引望发布新一代双光路图像级激光雷达。新一代激光雷达直指行业长期面临的典型感知难点：高于底盘的小目标障碍物、低反射率障碍物、异型障碍物。对于与汽车底盘平均高度一致的 14 厘米小纸箱，新一代激光雷达可在 120 米稳定识别，帮助车辆从容避让或舒适刹停；对于横倒在地上的黑色轮胎等低反射率障碍物，识别能力最高提升近两倍，在 120 米即可精准感知；对于横倒锥桶等视觉难以训练的异型障碍物，感知识别距离提升 77%，在百米外即可检出，帮助避免因视觉识别局限而带来的碰撞风险。新一代激光雷达，让感知从 " 看见 " 走向 " 看清 "。
如果说感知系统解决的是 " 看见什么 "，那么 WEWA 架构解决的则是 " 如何思考 "。
传统智能辅助驾驶方案更像是在执行预设规则，通过模仿学习完成驾驶行为，一旦遇到训练数据之外的复杂场景，容易出现决策僵化的问题。华为乾崑智驾的 WEWA 架构则由云端世界引擎（WE）与车端世界行为模型（WA）共同构成。
云端 WE（World Engine，世界引擎），相当于智能驾驶系统的 "AI 教练 "。一方面，依托华为自研的仿真工具构建高逼真度的物理世界模型，通过 AI 生成高密度、高可控难例场景数据，让系统从过去的 " 人教 AI" 演进为 "AI 教 AI"。 同时，依托充沛的云端算力打造 " 数字风洞 "，难例密度达到现实世界的 1000 倍。另一方面，通过华为乾崑智驾大量的智能辅助驾驶安全经验量产积累、丰富的场景库数据、ADS 的出行报告等真实数据，持续强化学习，不断提升系统认知能力。
车端 WA（World Action Model，世界行为模型），则是从 0 开始训练的智驾专用大模型，具备更强的空间推理能力和更精准的距离位置判断能力，同时拥有更精干的模型架构和更高的响应效率，能够实现 " 视觉、听觉、触觉 " 全模态的感知。
简而言之，WE，相当于云端的 "AI 老师傅 "，让 AI 教 AI，并通过奖惩机制让模型时刻牢记 " 安全第一 " 基本法则。WA，相当于车端 " 多能专家 "，能眼观六路、耳听八方，海量信息同处理，复杂场景秒切换，既能精准下达控车指令，又能多看几步预判别人的预判。这套架构，让系统在云端持续高强度学习，不是人类能力的简单复制，而是具有人类安全价值观并超越人类的 AI 老司机。
4 月的华为乾崑技术大会上，WEWA 架构升级到 2.0，进化为面向自动驾驶的 AI 智能体。云端 WE 世界引擎的技术升级点有两点：一是引入 Multi-Agent 多智能体博弈机制，从 " 单车博弈 " 到 " 群体博弈 "，博弈强度提升 10 倍；二是在线强化学习， " 边生成、边学习、边验证 "，学习效率提升 10 倍。车端 WA 世界行为模型技术，则行业首发了基于安全风险场的防御性驾驶，基于风险场对周边环境风险进行实时建模与预测，采取安全的防御性驾驶策略，使得碰撞风险再降低 50%！
安全也是用户选择华为乾崑智驾的重要原因。根据引望公布的 5 月安全出行报告，搭载 ADS 的车辆在开启辅助驾驶的情况下，平均在一次严重碰撞发生前已安全行驶的公里数，是中国驾驶员平均水平的 4.66 倍。截至目前，乾崑智驾累计主动避免可能发生的碰撞已超过 557 万次。对于智能辅助驾驶而言，安全既是用户信任的基石，也是行业持续发展的使命。
而这种安全能力与技术体系的成熟度，也正在被第三方验证所进一步印证。近日，国际咨询机构 P3 正式发布《P3 中国 2026 智能驾驶测评报告（V1.0）》，实测结果显示，华为乾崑智驾以 4.46 的高分位列榜首，在复杂路况的感知、决策与控制表现上极为均衡突出。据央广财经报道，纵观历年实测数据，华为乾崑智驾已在 P3 中国智能驾驶测评中实现了 2024 年、2025 年、2026 年连续三年蝉联第一。
所有技术最终都要回答一个问题：为用户带来什么？
华为乾崑智驾的安全数据给出了可量化的答案。日前，乾崑智驾 5 月安全出行报告发布，根据官方数据，乾崑智驾 4 月辅助驾驶里程 9.9 亿公里，并且总里程跨越百亿里程碑，达到了 114.7 亿公里。同时，华为乾崑智驾月活用户占比 95.1%，车位到车位功能使用 1027 万次，辅助泊车使用 5265 万次。
而在用户体验层面，华为乾崑智驾同样走出了差异化路径。通过车企 OTA 持续进化，车主每隔几个月就能感受到 " 车变得更聪明了 "。这种 " 常用常新 " 的体验，正在改变用户对汽车的认知——从 " 一次性购买 " 变为 " 可持续进化的智能伙伴 "。
对于车企们而言，华为乾崑智驾代表的是一条可验证、可复制的智能辅助驾驶商业化路径，是值得长期信赖的技术合作伙伴；对于消费者而言，它意味着每一次出行都多了一重守护。
智能辅助驾驶的终局，不再是 " 谁更炫 "，而是 " 谁更稳、谁更懂、谁更长久 "。而这，恰恰是华为乾崑智驾最深的护城河。
