提到智能驾驶，很多人第一时间想到的是特斯拉、小鹏、华为这些新势力玩家。传统合资品牌？在不少人的印象里，它们更像是在智能化浪潮中“慢半拍”的追赶者。
但别克至境L7纯电版的出现，可能会让这个固有印象松动一下。这款车搭载了整整27个智能传感器——1颗激光雷达、11个摄像头、12个超声波雷达、3个毫米波雷达，几乎把车身四周的感知“死角”全部填满。更关键的是，它在此基础上首发落地了AES自动紧急转向功能。
当系统判断单纯刹车已经无法避免碰撞时，AES会主动接管方向盘，观察相邻车道是否安全，并自动执行转向避险动作。这套逻辑听起来很硬核，但问题也随之而来：如此堆料式的硬件配置，配合AES这样的主动安全功能，到底是传统车企在安全维度上的一次“弯道超车”，还是又一个被包装出来的营销噱头？
至境L7的传感器布局，走的是一条“冗余即安全”的路线。激光雷达负责远距离三维感知，在弱光、逆光等恶劣条件下提供高精度的空间信息；11个摄像头覆盖视觉识别任务，完成车道线、交通标志、行人等目标的检测；12个超声波雷达和3个毫米波雷达则负责近距离补盲和侧向监控，尤其是车辆侧后方和低矮障碍物区域——这些地方往往是传统传感器方案容易遗漏的“感知黑洞”。
这套方案的思路很明确：用多传感器之间的相互校验，降低单一传感器失效或误判带来的风险。在安全领域，冗余从来不是浪费，而是底线。
但放眼整个行业，技术路线的分化正在加剧。特斯拉坚持纯视觉路线，依赖摄像头加神经网络，取消了雷达，认为“只要算法足够强，摄像头就能替代一切”。小鹏也在2026年全面转向纯视觉，其创始人何小鹏公开表示“激光雷达在汽车领域已不再是必需品”。而华为、理想、蔚来等头部玩家则继续押注多传感器融合方案，认为摄像头、激光雷达、毫米波雷达各有局限，“融合”才是筑牢安全防线的关键。
至境L7选择了后者，而且把硬件堆到了20万级市场相当激进的程度。26个传感器形成360度无死角感知，尤其注重侧向与后向的覆盖——这对AES功能来说至关重要，因为紧急转向的成功与否，很大程度上取决于车辆能否在毫秒级时间内准确判断相邻车道是否安全。
但硬件堆料是否必然带来安全提升？答案并不绝对。传感器只是“眼睛”，真正的判断力，还得看算法。
至境L7的智驾核心，是Momenta R6飞轮大模型。这是国内首个在端到端架构基础上实现量产落地的强化学习大模型。
传统智驾方案是模块化的——感知模块识别路况，预测模块判断意图，规划模块生成路径，控制模块执行指令。每个环节都是独立处理，信息在传递过程中会不断“打折”，误差逐级累积。而端到端模型的思路是“一步到位”：从摄像头和雷达的原始信号输入，直接输出方向盘角度和加减速指令，跳过了所有中间环节。
R6的独特之处在于引入了强化学习。简单说，就是让系统在模拟环境中不断试错——在40亿公里实战里程提炼的7000万条黄金数据中反复训练，对安全行为给予“奖励”，对危险操作施加“惩罚”。这种机制让模型在面对鬼探头、近距离加塞、机非混行等长尾场景时，能做出更接近人类直觉的判断。
但强化学习并非万能。它的训练效果高度依赖数据质量，在极端天气、非标障碍物等罕见场景下，模型的泛化能力仍存疑。而且端到端模型有一个天然短板：可解释性差。一旦出现误判，工程师很难追溯具体是哪个环节出了问题——是整个模型“理解”错了，还是某个传感器被干扰了？这种“黑箱”特性，在安全攸关的驾驶场景中，始终是一个需要警惕的隐患。
传统车企在智能化转型中普遍面临一个困境：自研能力积累不足，但又不愿在竞争中被边缘化。至境L7的策略很明确——选择Momenta作为技术供应商，而非全栈自研。这是一种典型的“借力打力”思路。
与新势力相比，传统车企的路径差异很明显。新势力追求算法迭代速度，硬件投入相对克制——特斯拉甚至取消了雷达，小鹏砍掉了激光雷达，靠的是“软件定义硬件”的快速迭代。而传统车企更倾向于“硬件先行、软件迭代”，先把传感器和计算平台铺到位，再通过OTA逐步释放功能。至境L7搭载的高通SA8775P芯片，NPU算力达到72TOPS，为后续的算法升级预留了空间。
至境L7没有把智驾的卖点放在全场景城市NOA上，而是将AES自动紧急转向作为核心亮点。这是一个聪明的切入点——安全是所有用户都关心的刚需，而不是少数技术爱好者的“尝鲜品”。在2026年8月推送的至境OS V2.1版本中，AES功能正式上线，覆盖人工驾驶状态下60-130km/h的速度区间，与鸿蒙智行、理想、蔚来等第一梯队品牌的AES功能形成了直接对标。
别克官方对AES的验证，聚焦在三个高危场景上，每一个都直指日常驾驶中的真实痛点。
场景一：高速前方静止障碍物。 当车辆以70km/h以上时速行驶时，前方突然出现静止车辆或落石，AEB刹车距离不足。此时AES需在毫秒级时间内判断相邻车道是否安全，并完成紧急变道。至境L7的27个传感器中，毫米波雷达和超声波雷达对侧后方车辆的实时监控，是这一场景成功的关键。
场景二：鬼探头。 行人或非机动车突然从视觉盲区冲出，驾驶员反应时间极短。激光雷达在这类场景中的价值尤为突出——它不依赖环境光，在弱光、逆光条件下仍能稳定输出三维点云数据，与摄像头形成互补。但强化学习模型对“意外”路径的规划是否足够合理，仍有待真实路况的长期检验。
场景三：锥桶/施工区域紧急避让。 高速或快速路上，锥桶突然出现，车道变窄。车辆需要在有限空间内精准执行“绕行并回归原车道”的动作。这对传感器识别小尺寸障碍物的精度提出了更高要求，也对转向控制的细腻程度构成了考验。
三个场景全部指向“避撞”这一安全核心。但需要留意的是，AES的触发条件——比如最低速度要求、横向空间容忍度、是否需要在驾驶员确认后才能执行——这些细节会直接影响功能的实际可用性。如果触发条件过于苛刻，那么在真正需要它的时候，它可能根本“醒不过来”。
支持“救命稻草”的一方认为，至境L7的硬件冗余提供了更安全的物理基础，多传感器互补能在高风险场景中降低单一传感器的失效概率。端到端强化学习模型在复杂场景中的决策速度，理论上可以超越人类反应——部分搭载AES的车型能在0.3秒内完成避险动作，比人类眨眼一次的时间还短。再加上传统车企在测试验证流程上的严谨性，AES的可靠性有更充分的保障。
支持“噱头”的一方则指出，AES本质上属于“小概率场景”功能，绝大多数用户可能开上几年都用不到一次。而且，如果系统因误识别导致不必要的转向，反而可能引发二次事故——比如在相邻车道有车的情况下强行变道。当前AES的法规限制也可能削弱其实际价值，例如部分国家要求紧急转向必须由驾驶员确认。此外，传统车企的智驾版本迭代节奏偏慢，AES会不会成为“一次性亮点”，后续更新乏力，也是一个现实问题。
客观来看，AES是智能驾驶安全技术的重要进步，但它不应被神化。它的价值取决于真实场景的覆盖率、触发成功率以及用户对系统的信任度。对于普通消费者，它可能是一道“安全保险”，但绝非万能。毕竟，任何主动安全系统都有其工作边界——在边界之内，它可能救你一命；在边界之外，它可能根本不会介入。
至境L7的AES，标志着传统车企在智驾安全领域的一次强力入局。但技术路线之争远未结束——硬件堆料派的“冗余安全”与算法迭代派的“轻量化高算力”，究竟谁能最终赢得市场？在智驾领域，你觉得传统大厂的硬件堆料和新势力的算法迭代，哪个才是最终答案？
