繼理想汽車推送車位到車位功能之后，華為也更新了這項技術，甚至不用學習記憶一遍，在任何停車場，任一空位都能自主完成整套泊車任務。具體來說，這次華為乾崑智駕ADS 3.2新增了8項功能，優化了3個決策細節，其中，升級的NCA施工場景避障換道能力，正是之前特斯拉FSD V13.2的重大更新內容，而最核心的，還是打通智駕最后一公里的“車位到車位”，那么問題來了，新版本的智駕效果如何？下一個跟進這項功能的會是誰呢？
不靠系統死記硬背，沒去過的停車場也能用？
體驗過華為乾崑ADS 3.2Beat的全流程智能駕駛，或者研究過它在不同環境場景下的實測表現，應該大致都會有一個感受，那就是基本不用再等特斯拉FSD落地中國了，因為在高速、城市工況能實現的功能基本都差不多，最大的區別可能就是系統在控速和博弈維度上的體驗細節差異，當然了，兩種截然不同的技術方案，在難度最高的停車場（停車樓），FSD V13.2還很有可能沒ADS 3.2好用。先來看新版本在自身層面的優化，相比ADS 3.0，V3.2在使用端最明顯的變化，是開啟智駕的條件更極限了，從早期只能在中間道路啟用，到駐車掛D擋開啟，再到現在的P擋激活，這意味著所涉及的工況更為全面了，在底層架構端，ADS 3.2依舊是GOD大網多模塊邏輯，從官方最新的實測來看，整個模型算法能看作是打磨到了較高的成熟度，從往返2次超過50多公里的城市領航效果來看，不論是過閘機、無保護左轉、避障繞行、路邊臨停、U型掉頭、人車混行的十字路口等，整個過程中都沒有出現降級或接管。
按照技術層面來講，系統接管與否，取決于端到端對當下環境的理解能力，也取決于是否符合人類駕駛員的控車邏輯，所以這次的華為車位到車位首秀，基本可以確定兩件事，其一，場景理解能力有明顯優化，甚至可以說是有迭代的效果，舉個例子，在城市擁堵場景下，系統會規劃出至少2種規避偏航的決策，常規型方案是提前感知、提前換道，重點來看激進型方案，系統能從緩行跟車的隊伍中找準時機加塞換道，這意味著，整套系統已經連貫分析了后車跟車距離、加速度以及前車運動軌跡，數據精準度和傳輸速度明顯是處在實時能力的。其二，以目前感知硬件配置水平來看，已經具備了類似L3的部分效果，這需要把車位到車位和VPD這兩個功能放在一起來聊，所謂的L3，自動駕駛等級定義給出的解釋是駕駛過程不用接管方向盤，允許人類駕駛員視線離開路面，而華為這次新增的這兩塊內容，明顯就是沖著這個方向來的。
首先，不論是純視覺還是多傳感器融合方案，端到端本質都是需要投喂大量的數據內容訓練，從而得到見過的場景會處理，沒見過的場景會學著處理，所以理想化的最終形態，是大模型見過99%的場景，剩下1%的黑盒子情況，就是考驗模型的自我生成邏輯能力，所以，理想汽車在用上E2E+VLM雙系統之后，真正意義上量產了車位到車位功能，不過，滿足這項功能得有2個前提，一個是需要事先跑一遍，E2E會通過記錄視頻上傳世界模型的方式，云端重構環境數據分析這次的停車邏輯，另一個則是需要有固定車位，模型負責應對泊車途中的各類場景，最后駛到設定好的車位就算完成，而華為這次完全砍掉了以固定車位和固定停車場為基礎的處理方式，通過自主漫游、云端學習來實現自由車位的泊入和泊出，不靠系統死記硬背，沒去過的停車場也能正常用，所以本質上來講，這套方案不是把智駕領航和記憶泊車拼起來的功能。
其次，作為解決智駕最后一公里的泊車代駕功能，其實絕大多數車企早些年就有一些技術雛形了，甚至連威馬也曾布局過類似的方案（跨樓層免學習無人泊車PAVP），但遲遲不能規模商用的原因，基本都卡在了由探測精度問題導致的算法不成熟，比起道路上的不規則障礙物，停車場或停車樓的技術難點無非是探測空位和禮讓會車，這實際上更考驗系統在狹窄環境下人車混行的博弈能力，以華為的VPD功能來看，之前的探測精準性由192線激光雷達和毫米波雷達來獲取，PDP決策網絡會基于后續逐漸開放的停車場數量和難點上繼續優化，另外話說回來，駕駛員下車后車輛自己找車位最后泊入，不就是視線離開路面的一種表現嗎？至于大規模鋪開后的效果，還需要結合接下來的實測表現來討論。
打通固定車位限制，下一個跟進會是小米？
那么，特斯拉FSD V13.2會實現ADS 3.2的自由車位到自由車位嗎？其實從感知硬件配置來看，前者實現的可能性相對會更低一些，畢竟，FSD的本質是靠occ占用網絡技術，把世界分成無數個單元格，攝像頭獲取到障礙物后交給模型拆成數據對齊坐標，所以，問題就在探測精度上面，前面提到，代客泊車的難點就在極限場景下的會車處理邏輯上，以純視覺技術架構來看，僅靠迭代算法訓練，明顯還是融合記憶泊車的技術方案，這也就解釋了小鵬汽車僅支持固定車位的原因，換句話說，激光雷達在這項功能里發揮的角色，正是能實時掃圖構建3D數據模型，BEV架構又能補齊環境精度，所以大致能推測到，即便是FSD以最新版本來到中國，最后一公里的智駕效果很有可能不如預期。
新的問題是，在華為ADS 3.2之后，下一個打通自由車位到自由車位會是誰呢？以技術層面來看，車位到車位準確來講是場景能力，而端到端是技術能力，二者之間的核心聯系，也是最大的技術難點，就是把這兩項能力連貫結合起來，也就是說，需要在模型中融入整套場景的算法，就目前來看，國內有四家推送了這項功能，即理想、小米、小鵬和華為ADS，但除了華為，其他三家都是以靜默記憶路線展開的技術形式，痛點就在系統需要進行兩次記憶（進出車位），而且僅限固定車位，要打通車位和停車場固定限制，首先得滿足的基本條件就是感知硬件的性能要跟得上，難點是調整模型的決策機制，具體來說，需要從記憶轉為建圖。
提到建圖，激光雷達顯然是有自身技術優勢兜底的，而擺脫記憶規劃，就需要類似華為PDP決策網絡的第二系統來分析，而視覺語言模型VLM顯然具備類似的邏輯，所以，基于Transformer+BEV+VLM的小米，大概率是下一個打通自由車位到自由車位的，畢竟，目前其已支持有人待客泊車功能，底層技術架構基本已經具備了融合兩項功能的能力，所以接下來可能只剩一個時間周期去打磨細節。
另外，參考理想汽車的6.5.1版本效果來看，其下一步的技術迭代方向會是VLA視覺語言動作模型，演變的方向明顯是類似一體式的大網邏輯，所以除了小米，理想的車位到車位，執行端呈現的效果很有可能還會比華為現有的GOD網更擬人一些，但是不論如何，單是拿現有技術和效果來看，特斯拉FSD還沒入華，可能就已經和國產技術有代差了。