辅助驾驶安全门槛降到300公里：小米的快与Tesla的慢

2026-02-05，小米汽车把“辅助驾驶安全里程门槛”从 1000km 降到 300km，并通过 OTA 分批推送给车主。官方给出的解释很直接：先让用户逐步熟悉功能，建立安全意识，同时强调“辅助驾驶不是自动驾驶”。

我更关心的是另一层含义：这不是一个简单的产品开关调整，而是一种 AI 战略的外显动作——它暴露了中国车企（以小米为代表）在智驾上偏“快速迭代、快速触达”的节奏，也让 Tesla 那种“长期积累、系统性优化、软件优先”的路线更容易被对照。

把这件事放进我们这个系列《自动驾驶 AI：Tesla 与中国车企的发展路径对比》里看，你会发现：同样是为了安全，门槛怎么设、怎么改，背后是两套完全不同的组织能力与数据闭环设计。

300 公里门槛到底在解决什么问题？

核心问题不是“能不能开”，而是“用户什么时候开始形成正确的使用习惯”。 智驾事故与争议里，一个反复出现的变量是：驾驶者对系统能力边界的误判。

把门槛从 1000km 下调到 300km，本质上是在做两件事：

1. 降低“进入学习曲线”的摩擦：1000km 对很多城市通勤用户而言可能是数周甚至更久，期间对功能的期待被“吊着”。300km 则更接近“买车后一两周内能解锁”的节奏。
2. 把安全教育前置到更早的拥有周期：越早接触越容易形成固定习惯——比如手不离方向盘、视线保持扫视、知道什么时候该接管。

一句话：门槛不是在筛选“谁配用”，而是在控制“什么时候用、以什么方式用”。

但门槛调低也会带来压力：更早、更广泛的使用意味着更多长尾场景暴露，对感知、规划、控制、HMI 提示、接管策略的稳定性要求更高。

小米的“快”：以 OTA 迭代驱动的 AI 产品管理

小米这次的动作像典型的互联网式产品决策：用 OTA 把策略快速推到真实路况里，再用数据反馈校准策略。

快速迭代的优势：更贴近中国路况与用户节奏

中国道路场景复杂度极高：电动车/两轮混行、临停、加塞、非标线道路、施工围挡、雨雾天气下的反光标识……这些都不是实验室能穷举的。

门槛下调会让更多用户更早进入使用阶段，带来：

• 更大规模的真实场景样本（尤其是城市通勤场景）
• 更快的功能接受度验证（用户是否真的愿意用、在哪些路段用）
• 更敏捷的风险点捕捉（某类提示误导、某类接管过晚、某类跟车策略引发不适）

对一家在汽车领域仍处于爬坡期的公司来说，用“更快触达”来换“更快学习”，是合理的。

快速迭代的代价：边界管理与“误用风险”会同步上升

门槛降低容易带来一个副作用：一部分用户会把“更早解锁”误读为“更成熟/更自动”。

因此，真正决定安全的并不只是门槛数字，而是配套机制：

• 驾驶员监控与注意力管理：方向盘力矩、视线/头部姿态（若有）、离手/分心策略要更严格
• ODD（运行设计域）表达要更清晰：能用的路段、天气、速度范围、限制条件要让用户“一眼明白”
• 接管策略与提示优先级：提示要提前、明确、可执行；不要用含糊词汇造成误判
• 事件级回传与复盘：急刹、急变道、接管前后若干秒的关键数据必须可用于训练与责任界定

我一直认为：智驾最难的不是让车“自己动”，而是让人“正确地参与”。 门槛调低之后，人机共驾的管理能力就成了硬指标。

Tesla 的“慢”：长期数据积累与系统性优化的路线

Tesla 常被外界总结为“端到端”“视觉优先”“软件优先”，这些词很响，但真正落在策略上，是一句更朴素的话：让系统在统一架构下持续学习，并把学习成果规模化复制到车队。

为什么说它“慢”？

慢不是指更新慢，而是指它更强调统一系统、长期闭环，而不是针对单一策略做快速摆动。

它的节奏往往是：

1. 以车队规模持续采集关键片段
2. 在更统一的模型/栈中迭代（感知到决策的协同优化）
3. 通过灰度发布与指标监控扩张覆盖

这条路的优点是：当数据、算力、工程体系成熟后，一次优化可以在更大范围内复用；缺点是：在早期或新市场环境里，面对本地化场景需要更强的“适配速度”。

Tesla 的“系统性”体现在什么地方？

对比很多多供应商协同的方案，Tesla 更强调：

• 数据闭环更统一：采集—筛选—标注/自监督—训练—回归测试—发布的链路更强绑定
• 模型与产品策略的耦合更深：功能开关、提示策略、限速/限域、都与其模型能力演进绑定
• 规模化复制能力更强：一旦指标过线，扩张覆盖通常更快

把它放回“小米 300km 门槛”的讨论里，你会看到一个差异：

中国品牌更常用“策略调整 + OTA”去驱动学习；Tesla 更常用“统一栈能力提升”去支撑策略。

两者都在做数据驱动，但驱动对象不同：一个更偏产品策略，一个更偏系统能力。

快速迭代 vs 长期积累：谁更安全、谁更能跑出来？

安全不是口号，而是一套可度量的体系。 如果只看“300km”这个数字，很容易陷入情绪化争论；更值得讨论的是“门槛背后的指标体系”。

我建议用三组指标看路线差异：

1）学习速度：问题发现到修复需要多久？

• 快速迭代路线更擅长缩短“发现—修复”周期，适合场景快速变化、用户需求快速变化的市场。
• 长期积累路线更擅长把“修复”做成可规模化复用的能力。

判断点：同类问题（例如某类匝道误判）从出现到 OTA 修复的周期，是否能稳定缩短。

2）边界表达：用户是否知道“何时该接管”？

门槛调低后，边界表达必须更强，否则误用风险会上升。

判断点：

• 触发接管提示的提前量是否一致
• 提示语言是否明确（“立即接管”优于“请注意安全”）
• 用户接管后是否出现二次险情（提示过晚的信号）

3）数据闭环：是否能把“险情片段”变成“模型能力”？

智驾的竞争，最终拼的是：

• 能否低成本获得高价值片段
• 能否高效率训练与回归
• 能否把改进稳定地交付到量产车

判断点：急刹/接管/碰撞前后的片段回传、自动聚类、复现与回归测试是否成体系。

如果这三组指标能跑通，门槛是 1000km 还是 300km，只是“产品节奏选择”；如果跑不通，门槛再高也只是心理安慰。

车主与从业者可以怎么用这条信息做决策？

对车主，我给三条更务实的建议（尤其是春节返程、开工季高速通勤增多的 2 月）：

1. 把辅助驾驶当“降低疲劳的工具”，别当“替你开车的人”。系统能力再强，也会遇到 ODD 外场景。
2. 先做 3 个固定训练场景：白天高架/环路、夜间城市主干道、雨天低速跟车。每次只加一个变量，别一上来就全场景。
3. 只要出现两次“惊吓点”，立刻降级用法：比如频繁急刹、无意义变道、提示太晚。你需要的不是“再试试”，而是“缩小使用域”。

对行业从业者/供应链，门槛下调透露了一个趋势：

• 中国车企正把“功能可用”快速推向“用户规模使用”，这会倒逼：
  • 更强的车端算力与传感器冗余策略
  • 更严格的人机共驾 HMI 设计
  • 更快的训练与验证流水线

而 Tesla 的路线会继续推动另一个趋势：

• “统一栈 + 车队数据”的边际收益会越来越大，尤其在高覆盖里程与高一致性体验上更明显。

两条路不会立刻分出胜负，但会在 2026 年持续拉开差异：谁能把数据变成稳定可复用的能力，谁就能把安全和体验一起做上去。

写在最后：300 公里只是数字，AI 才是底层逻辑

小米把辅助驾驶安全里程门槛降到 300 公里，是一次典型的“以产品节奏推动数据闭环”的动作。它更像中国车企的普遍打法：快、密、贴近用户。Tesla 则更像另一种极致：长期积累、统一系统、把学习成果规模化复制。

如果你正在关注“自动驾驶 AI 到底怎么落地”，别只盯着发布会话术。去看这些更硬的东西：数据怎么来、问题怎么复现、策略怎么灰度、指标怎么过线、用户怎么被教育。

下一次你看到某家车企调整门槛、开放城市、或者收紧使用条件，不妨用一个问题去拆解：它是在用策略掩盖能力，还是在用策略加速能力成长？