NE时代

2026年1—8月，中国汽车出口已达715.3万辆，同比增长65.3%，全年有望突破1000万辆。支撑这条曲线的是中国体系化的技术能力——电动化、智能化技术能够快速落地、走向成熟。

而当这套能力随整车走向海外，被改变的不只是当地市场。

"全球的需求和技术方案最终会走向趋同，只是中国方案更快一些。"HERETechnologies副总裁、全球业务解决方案和架构负责人SeverinBredahl-Banovic这样判断。

9月中旬，HERE在苏州挂牌了它在中国的第一个智能驾驶创新中心。HERE大中华区总经理阮野表示，选在苏州的理由很简单——这里既聚集了博世这样的Tier1，也有Momenta、轻舟智航、知行科技这样的智驾公司，当地政府对产业的重视程度和道路测试条件都比较好。

近期，NE时代走进该中心，与多位HERE管理层就智驾出海展开交流。

HERE1985年创立于美国，原名Navteq，2008年被诺基亚收购，2012年更名HERE，2015年被宝马、奥迪、戴姆勒联合收购，此后博世、大陆、英特尔等陆续入股，是一家由车企共同持股、独立运营的地图公司。目前全球有2.38亿辆车使用其位置平台，其中超过6300万辆用于驾驶辅助和自动驾驶功能，地图覆盖200多个国家和地区。2025年按出口量排名前十的中国车企全部是它的客户。

一家有40年历史、由欧洲车企共同持股的公司，是怎么被中国的节奏推着走的？

01.

"中国速度"到底改变了什么

谈到对中国的印象，Severin说得很直接：中国速度。

具体表现就是快速决策、对自己的决定负责、快速落地，行不通就快速转向。而海外的传统模式并非如此——以往严格进行战略规划，规划时间很长，甚至长达7年，但等产品落地时，往往已经过时了。

这意味着海外企业真正需要改变的不是技术，而是工作模式：重新学习如何快速工作、快速决策、承担更多风险。

与中国伙伴合作20年，HERE很早就参与到了这种变化中。Severin透露，现在只要在海外某个国家或地区跑通一个方案，只需半年就可以迁移到另一个国家或地区。

改变首先发生在组织层面。

阮野介绍，目前HERE中国团队有100人左右，这是海外图商中在中国投入最大的。团队职能也在变化：5年前更多是产品支持团队，销售团队较小，且有一半布局在非汽车业务板块（物流、电商也是HERE的重点业务）；现在重心更加倾向汽车，重点扩充了售前工程师和售后团队，对中国客户的响应速度更快，介入的时机也更早。

HERE内部已设有专门的中国项目团队来支持"中国速度"。更进一步的动作是，明年还将在中国设立第一个产品团队，在HERE的产品体系内为中国客户的需求做开发。

这意味着产品定义权此前在欧洲，现在要在中国长出一块。

所以HERE不只是支持中国创新方案在海外落地，更重要的是，它正利用与中国客户合作的经验，反过来影响自身的产品设计和发展方向。目前海外团队也在采用与中国团队相似的接口方案。

技术路线上同样如此。

HERETechnologies首席架构师兼北亚地区汽车业务解决方案架构团队负责人陈艳提到，此前HERE和中国的图商都踩过"重高精地图"的坑，因为当时车厂就是这么定义的；随后，在中国客户的带动下，HERE迅速转向SDPro地图方案。

02.

但出海还有四道墙

趋同是方向，不是现状。

把国内的智驾技术——尤其是NOA，乃至将来的L3——搬到海外，眼下还要翻过四道墙。

第一是道路规则的离散。Severin举了一个很具体的例子：欧洲的限速非常复杂，只有一半的限速由路牌标示出来；剩下的一半是隐含规则，或取决于道路另一侧的情况，或取决于这条路的分类等级。摄像头再强，也看不见一块不存在的牌子。

更麻烦的是这些规则彼此矛盾。有些国家必须看到允许掉头的标识才可以掉头，有些国家则不用；中国是默认没有禁止就可以掉头。Severin说，欧洲国与国之间有三十多种不同的规则，一个国家内部的不同地区也可能不同。要理解这些，就需要重新构建一整套新的AI。

第二是审图与数据出境。陈艳提到，海外很多国家同样要审图，土耳其有非常严格的机制；而韩国不允许把地图数据带出韩国，这也是一些互联网公司无法在韩国提供服务的原因。HERE的做法是本地团队、本地制图、本地编译、本地运维。

第三是数据采得到、搬不回来。GDPR之下，很多数据来源不能用，能用的也要经过清洗。阮野说，很多厂商和HERE谈的核心问题是：我有了数据，但因为法规搬不回来，怎么办？解法是切片和脱敏——脱敏完、切片完的数据，才是真正可以带回来使用的数据。

第四是典型路况，比如转盘。国内很少有人针对转盘做专门的虚拟训练，因为国内转盘的工况并不多见，但海外有时正好相反。HERE给出的方案是与AWS联合开发的仿真产品SceneXtract：可以要求系统挑出欧洲的一百个转盘，然后在仿真环境里跑一遍。阮野说，欧洲跑完了去非洲，路又不一样；去东南亚，又不一样。

这四道墙叠在一起，指向同一个结论：中国车企在海外遇到的问题，大多不是模型能力不够，而是缺一份关于"当地世界如何运转"的知识。这份知识既不能靠算法凭空生成，也不能靠国内数据外推，只能靠在两百多个国家和地区一寸寸测量、一条条解析法规积累出来。

03.

HERE正在加速这个过程

被中国速度推着走，HERE自己也得快起来。这件事主要体现在两方面：一是地图本身产得更快，二是客户用起来更方便。

地图的生产，本质上是采集地理数据并加以处理的过程。数据主要来自传统实地采集（仍是主要来源之一）、卫星影像、车辆传感器回传的识别结果、车辆probe数据（轨迹数据）以及政府数据源，这些手段都要受到GDPR的约束。

真正能够加快的，是制图环节。

陈艳表示，从2009年开始，HERE就把自动识别和自动化生产用于地图制作，现在的目标是自动识别、自动生产、最少人工验证。

地图数据量巨大，HERE还采用了交叉验证机制来确保数据的准度和及时性。如果几辆经过同一路段的车，传感器都识别出限速是80，而地图上写的是60，系统会判定为可靠信息并修改。但修改之前必须做validation——因为地图中有大量关联关系，改一处可能影响与其他要素的挂接。所以HERE能做到周级更新，但做不到分钟级。

周级更新是一条硬指标。陈艳说，NOA时代已经不能忍受传统地图三个月一次、甚至一个月一次的更新节奏，所以HERE做的是流式地图（StreamingMaps）。

周更新的意义在于，它让地图可以承担ODD的合规职责——帮助车辆判断在何种路况下可以合法启用NOA功能、何时可以进行车道保持、何时需要降级为仅提供限速提醒。

在HERE看来，虽然包括UNR157在内的法规并没有规定ODD的实现方式，但借助地图是最佳的实现方式。目前HERE已经支持宝马、奔驰等海外车企实现这一功能。

有了数据之后，下一步是帮客户加快开发速度。实际上，把地图接进自己的座舱、智驾系统，再跑通测试和验证，往往才是最耗时的环节。传统做法是等硬件平台定型之后再开始适配，一等就是数年。

2025年9月，HERE携手AWS推出SDVAccelerator平台，目的就是通过虚拟化技术加速开发——官方称可带来最高70%的开发周期缩短、最高30%的研发成本下降，以及最高7倍的测试能力提升。

它的做法是把云、芯片、操作系统、地图和仿真工具预先整合好：Arm虚拟芯片环境、QNX虚拟操作系统，整套平台跑在AWS云上，HERE的地图接进去，再叠上SceneXtract的仿真场景。硬件还没确定，软件已经可以端到端适配完。

不过，陈艳也点出了一个有意思的差别：最大的难点其实不在技术，而在观念。海外传统车企一辆车里可能有100多个ECU，不同ECU之间存在大量壁垒，而这些壁垒长期被视为自身的价值所在，开发周期因此被拉长。要让他们接受"可以提前开发""虚拟环境里做的开发最终能成功部署到硬件上"，这件事本身就很难。

04.

"位置智能"正在变成AI的地基

地图只是第一步，HERE真正要做的是打造一整套"位置智能"解决方案，提升车载AI场景应用的体验。陈艳提到，约60%的车载AI应用场景与位置相关。

最典型的便是LocationReasoning。

Severin解释道，今天的生成式AI有相当比例的幻觉，但位置是确定的：一个东西要么在那儿，要么不在，不能被"污染"。所以HERE做了一个叫LocationReasoning的API，把MCP封装好，给车厂提供一个基于地理位置的索引。

这个API的价值不只是给数据，还在于做判断。大模型自己去调各种位置API时，分不清哪个是真的、哪个可靠；HERE的接口除了能访问自己的数据库，还能访问其他来源，并按权重帮它判断哪个可信。

阮野解释了为什么这部分能力不能直接训进大模型。他举了一个例子：今天麦当劳营业到8点，明天改成9点，这种信息不值得每天重新训练一遍模型——成本太高，而全球有海量的类似数据。更合理的做法是把它从模型里剥离出来，做成任何大模型都能调用的Agent。当用户问"苏州园区的麦当劳周四营业到几点"，调用相应服务即可。

这也意味着它是模型无关的。无论车企选择哪种大语言模型，，都可以通过同一个MCP服务获取最新的位置信息。对车企而言，换模型不必换位置底座；对HERE而言，它不必赌哪家大模型胜出。

在训练端，SceneXtract通过结合AWS的生成式AI搜索能力和HERE的高精度实时地图，能按需求从真实道路库中提取场景。如此一来，中国客户可以提前在海外真实场景中训练自己的模型。

还有BehavioralManeuvers。HERE从2.38亿辆车里拿到数据，用AI统计出人类实际怎么开车：转弯用什么角度、在哪里停下让行、以什么速度缓行进入路口。Severin说，欧洲有很多行为并没有画在路面上，但作为驾驶员，你就是知道。HERE把这些"没写在纸上的规律"编码进地图，做成一张行为地图。

它不仅可以用于训练模型，让模型提前准备应对特定场景，还可以在驾驶执行时直接调用，精确知道该在哪里停。这套方案今年1月在CES上发布，目前已有欧洲车企上线。

除了这些，世界模型同样需要地图。陈艳提到，Momenta、地平线等企业都在做世界模型，而世界模型不可能把所有真实道路都跑一遍，地图提供的正是那个基础。HERE大中华区专业服务负责人崔靖瑶补充说，世界模型的训练需要地图作为输入，地图能让决策系统更了解匝道、变道规则这类道路信息。

结语：趋同会从哪里开始

趋同的第一个变量是法规。

以L3为例，国内目前还没有全国统一的L3量产准入法规，预计到2027年前后还会有进一步变化；欧洲到2027年也可能出现相应的法规调整。等到法规成熟、技术与法规真正融合之后，中国车企与海外车企对解决方案的需求会越来越趋同。

第二个变量已经在发生。重高精地图向SDPro的路线切换、海外团队采用与中国团队相似的接口、产品定义权向中国转移。

趋同还会往车之外延伸。阮野和Severin都认为，智驾是物理AI走进真实世界的第一步，下一步是机器人真正走上街道，而两者的底层需求是同一个：机器人只要行动，就需要理解周围的物理世界，知道自己从哪里到哪里、应该走哪条路——这与车辆需要ODD来界定"在什么路况下可以执行什么功能"，本质上是同一套方法论换了载体。目前HERE已在通过与AWS的合作，和一些中国出海的具身智能厂商做定制化测试开发。

但趋同不等于抹平差异。

法规、数据治理、路况和驾驶习惯上的差异仍然真实存在，那五道墙不会因为速度而消失——它需要时间，需要在地采集，需要一条条解析当地法规。

趋同的是技术方向和产品需求，不是世界本身。而无论是一台在欧洲转盘前迟疑的车，还是一个要在陌生街区找到路的机器人，它们需要的其实是同一样东西：一份关于世界如何运转的、可被机器读懂的知识。

这一点，中外没有差别。