Hyundai 数据飞轮已运转，但其自动驾驶考验才刚刚开始

Hyundai Motor Group 表示，其 Hyundai 数据飞轮现已全面投入运行，尽管首批相关量产车型距离上市仍近两年。该系统连接驾驶数据、AI 训练、虚拟验证、车辆测试和软件部署。Hyundai 预计，这一循环将持续提升其自动驾驶系统。

这一宣布改变了 Hyundai 自动驾驶战略的关注重点。该公司不再展示零散的研究项目，或描绘又一个遥远的无人驾驶汽车愿景。它已描述了一条正在运行的开发管线，点出了为其提供支持的组织，并为两条不同的技术路线设定了量产时间表。

规模与执行之间存在张力。Hyundai Motor 和 Kia 每年销售逾 700 万辆汽车，为该集团获取真实世界数据提供了一条潜在的高价值路径。然而，Tesla 已运行成熟的车队学习模式，而专注于 robotaxi 的开发商则在经过严格界定的运营区域内集中收集数据。Hyundai 必须将其制造规模转化为有用的训练证据，不能将车辆销量误认为模型进步。

Hyundai 数据飞轮连接了此前相互分离的四项业务

关键变化在于组织层面：Hyundai 已将数据采集、模型训练、验证与车辆部署连接为一个不断重复的开发循环。

Hyundai 于 9 月 13 日在韩国京畿道 42dot 总部举行的自动驾驶媒体日上宣布了该系统。该集团还展示了一辆 Atria AI 测试车在城市交通中行驶，具备其所谓的 Level 2++ 能力。

数据飞轮是一种反馈循环：已部署的产品生成证据，用以改进下一版模型。更好的模型回到车辆中，继而遇到新的情境，并产生新一轮训练材料。

这一理念在软件和自动驾驶领域并不陌生。Hyundai 声称的变化在于，这些独立环节如今已在集团旗下多家公司之间作为互联体系运行。

Hyundai Motor 和 Kia 提供面向大众市场的车辆及成熟的量产业务。软件公司 42dot 与 Hyundai 的 Advanced Vehicle Platform 部门共同开发 Atria AI。Motional 则带来 Level 4 自动驾驶车辆开发经验。

它们的信息将通过 Data Union 流动，这是 Hyundai 用于标准化传感器架构和数据结构的框架。首批参与者包括 Hyundai Motor、Kia、42dot 和 Motional。

“联盟”一词之所以重要，是因为这些公司并不只是交换原始记录。Hyundai 表示，其车辆和开发团队将依照共同标准收集信息，以支持共享训练和验证。

这种标准化解决了大型工业集团内部的一项常见障碍。不同的传感器、格式、标注和软件栈，可能会将庞大的数据库存变成彼此割裂的数据池。当工程师能够跨模型搜索、比较、重建和复用一段记录时，它的价值便会提高。

该公司目前约有 40 辆专用采集车辆全天候运行。根据 Hyundai 的数据飞轮公告，这些车辆会采集日常驾驶数据，以及施工区域、恶劣天气、突然变道和复杂城市交通等情境。

这 40 辆车只是起点。一旦兼容的硬件和软件交付给客户，Hyundai 希望量产车能够扩大可用证据的范围。

该系统还包括 Special Event Recorder，即 SER。它会在辅助驾驶或自动驾驶期间自动保存重要事件，使工程师能够聚焦于值得进一步分析的情境。

这种选择性采集至关重要。记录每一英里的常规行驶数据，会带来巨大的存储和审查需求，却很少增加关于罕见失效的有效信息。一个有效的数据飞轮必须识别出暴露模型弱点的时刻。

因此，Hyundai 使用 hard example mining，即识别 AI 模型难以辨认或理解案例的过程。这些案例会在训练中被优先处理，而不会淹没在数量庞大得多的常规驾驶数据中。

新模型在回到车辆之前会经过反复验证。Hyundai 会在三维环境中重建已记录的情境，包括利用 3D Gaussian Splatting 创建的场景。这项技术通过大量经学习的三维点来表示场景，并可从不同视角进行渲染。

结果是一个可重复的测试环境。工程师无需在公共道路上重演同一事件，便可复现危险的加塞或令人困惑的施工布局。

这个闭环提出了本文的核心问题。Hyundai 已组装出持续学习所需的机制，但尚未证明该机制能够以其路线图所要求的频率和规模，产出更安全的量产软件。

700 万辆汽车的覆盖范围是机遇，而非现成数据集

Hyundai 的年销量带来了分发优势，但只有兼容车辆、有价值的事件以及获得授权的数据，才能加速学习循环。

Hyundai Motor 和 Kia 每年在约 190 个国家和地区销售逾 700 万辆汽车。这一覆盖范围让该集团能够接触到多样的天气、基础设施、交通行为和道路设计。

但这并不意味着这 700 万辆汽车已经在为自动驾驶训练提供数据。Hyundai 尚未披露当前有多少车辆配备了所需传感器、记录软件、连接能力或用户授权。

这一差别将车队机遇与活跃数据网络区分开来。汽车制造商无法有效地利用其无法持续采集、正确解读或合法使用的信息进行训练。

Hyundai 计划通过围绕 NVIDIA DRIVE Hyperion 10 标准化传感器来缩小这一差距。Hyperion 是 NVIDIA 面向车辆计算和传感器的参考架构，旨在支持多个自动化等级的开发。

Hyundai 与 NVIDIA 的合作伙伴关系覆盖从真实世界采集、模型训练到量产部署的统一管线，也涉及部分乘用车及 Motional 的 Level 4 项目。

共享架构应能使各项观察结果更具可比性。若多个品牌以明显不同的传感器位置、校准方式或时间戳记录同一事件，整合这些记录就会变得困难。

不过，通用硬件并不保证获得通用证据。地区隐私要求、通信成本、硬件配置和道路条件，仍会影响哪些内容进入训练系统。

数据质量是另一项约束。数百万英里的平静高速公路行驶，所提供的学习价值可能低于一次行人、公交车与被遮挡交通信号灯之间的异常互动。

Hyundai 的 hard example mining 和 SER 工具正是为解决这一问题而设计。系统必须识别哪些遭遇暴露了不确定性，提取相关上下文，并将这些遭遇导入标注和验证流程。

这一要求对 Hyundai 的内部软件业务提出了压力。其工厂已经擅长重复可控流程。自动驾驶则要求该公司捕捉不规则事件，并将其转化为可靠的软件改进。

Tesla 为这条基于车队的路径提供了最清晰的参照。在一份 2026 年投资者文件中，Tesla 表示，其全球车队每天可收集相当于超过 500 年连续驾驶的数据。Tesla 同时警告，其受监督驾驶软件并不会使车辆成为自动驾驶车辆。

这一比较很重要，因为它展示了数据飞轮论点的两面。大规模互联车队能够形成显著的信息优势，但多年的数据采集和 OTA 更新并不会自动免除驾驶者的责任。

Hyundai 公布的量产时间表反映了这一现实。该集团计划在 2028 年上半年推出基于 NVIDIA 的 Level 2+ 车辆，并在下半年推出 Level 2++ 车辆。

搭载 Atria AI 的 Level 2++ 量产车目标是在 2029 年下半年推出。Hyundai 还规划了分阶段迈向 Level 4 能力的路径，但其面向消费者的路线图将从驾驶辅助开始。

“Level 2++”这一标签需要谨慎对待，因为它并不属于 SAE 的六个正式等级之一。根据 SAE 分类体系，Level 2 仍属于部分驾驶自动化。人类驾驶者必须监督驾驶过程，并对驾驶任务保持责任。

Hyundai 可以在提供无监督运行之前，从驾驶辅助部署中获得有价值的数据。不过，读者不应将额外的加号视为车辆已跨入 Level 3 或 Level 4 自动化的证据。

因此，700 万辆汽车这一数字最好被理解为潜在杠杆。Hyundai 仍需具备兼容性的量产车、有纪律的事件筛选、快速验证和可靠的软件分发，才能将这一杠杆转化为更好的驾驶行为。

Hyundai 在打造 Atria AI 独立性的同时购买速度

Hyundai 的首要战略博弈，是通过 NVIDIA 实现快速部署，与通过专有 Atria AI 技术栈获取长期控制权之间的平衡。

该公司选择了双轨战略，而非等待单一内部系统满足所有量产要求。第一条路径使用 NVIDIA 的车辆计算平台和自动驾驶软件；第二条路径则由 Hyundai 和 42dot 内部开发 Atria AI。

这一安排赢得了时间。Hyundai 可在 2028 年初推出基于 NVIDIA 的 Level 2+ 能力，并于当年晚些时候推出 Level 2++。其专有 Atria AI 版本将在 2029 年末跟进。

使用外部平台并不会消除 Hyundai 在软件方面的职责。这家汽车制造商仍控制车辆集成、验证、安全决策、制造、面向客户的部署，以及从受支持车辆返回的数据。

NVIDIA 提供计算基础设施、车辆硬件、开发软件和标准化架构。两家公司此前宣布，将围绕 50,000 块 NVIDIA Blackwell GPU 建设 AI factory。

这套基础设施并不限于驾驶领域。Hyundai 和 NVIDIA 打算将其应用于车载 AI、机器人和数字化工厂系统。双方 2025 年的 AI factory 计划还涵盖通过 NVIDIA Omniverse 和 Cosmos 进行模拟。

这项投资使 Hyundai 能够使用广泛的物理 AI 技术栈。物理 AI 指的是能够在物理世界中感知和行动的模型，包括汽车、机器人和生产设备。

Atria AI 则代表了对内部控制的另一种需求。Hyundai 将其描述为端到端驾驶系统，即由学习模型更直接地将传感器输入与驾驶决策连接起来。

这一设计可以减少对彼此独立编程模块的依赖，但也提高了对训练覆盖范围、可解释性、验证和失效分析的要求。

Hyundai 和 42dot 正在开发 Atria，同时推进视觉-语言-动作模型。VLA 模型将视觉感知、基于语言的推理与动作输出连接起来。

该公司预计，基于语言的推理将有助于处理仅靠驾驶样本难以充分覆盖的罕见情况。车辆或许能够识别部分受阻的车道，描述附近道路使用者可能的意图，并选择应对方式。

这一预期仍属于研究层面的主张。Hyundai 表示，其 VLA 系统目前正在进行基于仿真的验证，计划从 2026 年末至 2027 年初开展实车开发。

这种混合策略使 Hyundai 能够规避两类不同的失败风险。若只等待 Atria，可能令这家汽车制造商在短期驾驶辅助领域落后。若完全依赖 NVIDIA，则可能削弱其对决定性产品层的控制。

但这也带来了集成风险。两条软件路线必须适配相同的车辆平台、安全流程、传感器标准和客户预期。它们或许共享训练数据，但模型的行为可能不同。

Hyundai 必须决定改进成果如何在两条路线之间流转。暴露 Atria 弱点的事件未必能直接映射到 NVIDIA 软件，反之亦然。

这一安排使 NVIDIA 处于异常有影响力的位置。其芯片、传感器参考架构、仿真产品和驾驶软件几乎触及 Hyundai 流程的每一个阶段。

这种集中化能加快开发，因为需要协调的接口更少。但它也可能围绕 Hyundai 无法控制的平台形成技术和商业依赖。

Atria 是 Hyundai 对这种依赖的回应，但其较晚的量产时间也体现了其中的权衡。内部能力只有在公司能够可靠地训练、验证和部署后，才能提供控制权。

数据飞轮将这两条路线绑定在一起。NVIDIA 帮助 Hyundai 更早地将具备能力的系统部署到车辆中。这些车辆能够生成支持该集团专有开发的信息。

Hyundai 实际上正借助外部技术供应商，加速一个日后可能强化其内部替代方案的反馈循环。这比又一项孤立的芯片供应公告具有更重要的战略意义。

城市视频展现进展，但不能证明安全性

Hyundai 在首尔的演示让 Atria AI 更具实感，但经挑选的影像无法验证系统在预期运行条件下的可靠性。

Hyundai 随公告发布了多种视频。其中一段展示高管乘车穿越首尔市中心。另有三段一镜到底的视频，分别覆盖江南的交通、蚕室的公交车，以及板桥的降雨天气。

另一段视频呈现了十类边缘情况，包括突然加塞、路边车辆、无保护左转、拥挤的行人，以及狭窄道路上的对向来车。

这些影像提供了有用证据，表明 Atria 能够在真实交通环境中运行。它们也显示了 Hyundai 认为足够重要、值得纳入其验证叙事的情形。

不过，一段成功的行驶序列只能证明车辆完成了该序列。它无法揭示更广泛测试项目中发生了多少次人工干预。

Hyundai 没有公布脱离率、碰撞数据、两次安全关键故障之间的行驶里程，或与前一模型版本的对比。该公司也没有发布独立安全评估。

“全面运行”这一表述描述的是数据管线，而非已完成的自动驾驶。当一份公告将运行中的飞轮与经过精心制作的脱手驾驶影像结合时，这一区别很容易被忽略。

同样的谨慎也适用于 Hyundai 的开发术语。Level 2+ 和 Level 2++ 描述的是公司路线图中的功能组合，并不会改变 SAE Level 2 所附带的人类监督义务。

更困难的考验在于回归控制。为了处理某一种异常情况而重新训练的模型，不能在数千种熟悉场景中变得更不可靠。

Hyundai 表示，其虚拟验证流程会检查此类性能退化。重建的场景让工程师能够在每次具有实质意义的模型变更后重复测试某一边缘情况。

仿真也有局限。重建道路可以复现可见的几何结构，但真实交通还包含不确定的意图、不完美的传感器、硬件故障、异常天气，以及原始记录之外的行为。

该公司的 Follow-the-Sun 工作流程旨在提升开发速度。韩国和美国的团队跨时区交接数据采集、分析和模型改进工作。

这能让工作全天候推进，但不能证明每次交接都能保留完整上下文，也不能证明更快的迭代会带来更快的安全审批。

这正是知识基础设施变得具有运营重要性的地方。工程师需要在事件、其解释、模型变更、仿真结果和发布决策之间建立可追溯的关联。

可搜索的工程知识库可以帮助团队检索这类历史记录。然而，只有团队维护来源可追溯性并解决相互冲突的结论，文档才会持续发挥作用。

隐私和同意机制带来另一项不确定性。Hyundai 的全球业务覆盖了对车辆遥测数据、位置信息、视频和生物识别数据规定各异的司法辖区。

该公司尚未详细说明哪些未来量产车辆将贡献信息、客户可以禁用哪些功能，或录制内容将保留多久。它也没有解释区域性数据限制将如何影响 Data Union。

网络安全也属于同一风险框架。一个将车辆观察数据传入训练基础设施、再将软件传回车辆的互联管线，扩大了需要保护的接口数量。

这些限制都不会否定飞轮的价值。它们界定了 Hyundai 在规模化成为可辩护优势之前必须提供的证据。

最有价值的未来披露，应将软件变更与可衡量的结果联系起来。Hyundai 可以按场景报告性能、干预趋势、验证覆盖范围，以及驾驶员监督仍不可或缺的边界。

在此之前，这份公告仅支持一个更谨慎的结论：Hyundai 拥有可信的开发机制和详细的实施计划。其安全性和商业成果仍有待验证。

光州将检验这一闭环能否从不可控道路中学习

年末的 Level 4 试点之所以重要，是因为它将 Atria 从经过筛选的演示带入持续的公共道路证据循环。

Hyundai 计划在 2026 年年底前，在全罗南道—光州特别广域市地区部署一辆搭载 Atria 的 SDV Pace Car。该项目涉及韩国国土交通部。

Level 4 系统能够在明确界定的运行条件下完成全部驾驶任务，无需人类接管。这些条件可能限制地理范围、天气、道路类型、速度或服务时段。

Hyundai 预计，光州的道路环境将产生受控测试场无法复现的复杂且不可预测的情况。收集到的事件将回流至 Hyundai 数据飞轮，用于训练和验证。

这一试点构成了 Hyundai 机制最清晰的短期检验。有效的结果不只是车辆完成一条路线。该项目必须发现故障、对其分类、改进模型，并在不引入回归问题的前提下验证这些改进。

运行边界将至关重要。Hyundai 尚未公布该项目完整的运行设计域，包括所有地理和环境限制。

安全操作员的角色也需要澄清。Level 4 开发车辆在测试期间仍可能配备安全人员，即使其目标功能在既定运行域内不要求驾驶员在车内。

读者应关注 Hyundai 是否一致地报告人工干预。路线、交通密度或测试目标发生变化时，原始总数可能具有误导性。

按场景报告将提供更多洞察。一个系统若在无保护转弯方面有所改善、却难以应对施工人员，单一的全车队平均值很难充分反映这种情况。

光州还将 Hyundai 的大众市场和 robotaxi 雄心联系起来。该集团表示，Level 4 验证能够同时改进高级自动驾驶能力，以及面向量产车的 Level 2+ 系统。

这种联系是合理的，因为两条路线都会遇到类似的感知和预测问题。不过，它们的安全义务和后备设计依然不同。

该试点还将检验跨企业边界的协作。Hyundai 和 42dot 开发 Atria，政府机构塑造道路准入，Motional 则在更广泛的集团内部贡献独立的 Level 4 经验。

如果可比事件能够在 robotaxi 和乘用车项目之间流动，Motional 被纳入 Data Union 可能具有价值。Hyundai 尚未说明这种交换将多快发生。

该项目推出之际，韩国正大力投资实体 AI 基础设施。一篇Associated Press 报道称，Hyundai 和 NVIDIA 更广泛的合作将使用 50,000 块 Blackwell GPU，用于驾驶、工厂和机器人。

计算能力支持更大规模的实验和更快的训练。但它无法决定哪些错误值得优先关注，也无法判定修订后的模型是否达到安全阈值。

因此，光州将迫使 Hyundai 让其飞轮变得可观察。一个有效运转的闭环应缩短从发现道路问题到验证修正方案之间的时间。

如果该公司只发布新的演示视频，外部观察者对这一循环的了解仍将有限。如果它记录了在困难场景中反复取得的改进，“全面运行”的主张就会更具实质。

这一试点还以较小规模预演了数据治理。Hyundai 可以在兼容车辆进入更广泛市场之前，建立数据采集边界、保留做法、访问控制和审查流程。

这些政策将影响客户和监管机构是否接受车队学习。如果驾驶员拒绝维持这一体系所需的数据做法，再强大的飞轮也毫无用处。

三个信号将决定 Hyundai 的飞轮能否形成复利效应

下一个考验不是又一场战略展示，而是 Hyundai 能否按时完成三个里程碑，并提供学习能力和量产就绪度的证据。

第一个信号是在 2026 年年底前完成光州 Level 4 部署。Hyundai 应明确运行区域、安全流程、采集方法，以及哪些类型的事件会回传至 Atria。

一个有效运转的试点将强化这样的主张：反馈闭环不仅存在于内部仿真和经过筛选的首尔试驾中。延期或定义模糊的部署则会削弱这一主张。

第二个信号是到 2027 年初进行实车 VLA 测试。Hyundai 表示，其视觉-语言-动作研究将在此期间从仿真转入车辆。

重要的结果并非系统能否生成易于理解的解释。Hyundai 必须证明，基于语言的推理能够改善对罕见情况的响应，而不会引入新的不可预测行为。

在可重复的边缘情况下取得的证据将支持 Hyundai 的机制。更多解释视频而没有对比性能数据，仍会让 VLA 的贡献充满不确定性。

第三个信号是首款基于 NVIDIA 的 Level 2+ 量产车型将在 2028 年上半年推出。该车型应揭示哪些传感器实现标准化、哪些信息会回流至 Hyundai，以及更新如何触达客户。

如能按期完成，现代汽车数据飞轮背后的规模化论点将得以成立。若未能完成，企业将从小规模采集车队转向生产级反馈网络的进程推迟。

2029 年末的 Atria 目标依然重要，但此前的各项里程碑决定了这一日期是否可信。现代汽车需要真实道路证据、经验证的模型改进，以及可扩展的生产架构，才能在其自研系统交付客户之前做好准备。

该集团的投资者路线图还提到，将从 2029 年起建设一座 100 兆瓦的 Saemangeum AI 数据中心。现代汽车表示，该设施可容纳超过 50,000 块 GPU。

在公司预计自动驾驶数据将大幅增长之际，该中心将提升训练能力。其价值取决于现代汽车是否已建立起充分的数据管理体系，以有效利用这部分算力。

更广泛的战略还延伸至机器人和制造领域。Boston Dynamics 机器、智能工厂和联网车辆都能为物理 AI 模型生成运营数据。

但自动驾驶是最直接的问责考验。道路上的错误会带来直接的安全后果，而量产期限则会检验软件开发能否满足汽车行业的质量要求。

现代汽车现已明确其解决方案的组成部分：NVIDIA 基础设施、标准化传感器、Atria AI、42dot、Motional、虚拟验证，以及全球制造基地。

尚未解答的问题在于，这些组成部分能否形成持续累积的改进，而非只是规模更大的项目集合。只有当组织能够将困难场景中的观察结果转化为更安全的已部署行为，数据才会成为优势。

首先关注光州试点项目，其次是 VLA 道路验证，第三是 2028 年的量产发布。这些事件将共同显示，现代汽车究竟构建了一个持续学习的运营系统，还是仅仅为其命名。

对于开发者和企业 AI 团队而言，这一顺序提供了有用的衡量标准。不要只根据数据量评判飞轮。应关注失败案例多快能转化为经验证的改进、团队如何保留证据，以及独立验证在何处进入循环。现代汽车以不同寻常的具体程度描述了这一机制。现在，它必须让成果同样清晰可见。