?

在2024年到現在2025年初這一年多時間里，全球自動駕駛技術真的發生了翻天覆地的變化。不管是硬件方案、算法架構還是商業化落地，都和兩三年前完全不是一個量級了。今天就系統性地聊聊現在全球范圍內自動駕駛到底發展到什么程度了，各家都在用什么技術路線，哪些已經真正能用了，哪些還在PPT階段。我盡量把技術細節和實際體驗結合起來說，這樣大家能更直觀地理解。

先說說感知硬件這塊的技術路線之爭

這個話題爭了好幾年了，到現在基本形成了兩大陣營。特斯拉這邊堅持純視覺方案，馬斯克一直說激光雷達是拐杖，人類開車就靠眼睛，AI也應該能做到。他們最新的FSD V12版本已經完全轉向端到端神經網絡了，不再用之前那種規則式的代碼。具體來說就是把8個攝像頭的畫面直接喂給神經網絡，讓AI自己學習怎么開車，不再人為設定什么情況該減速、什么情況該變道這些規則。實際效果確實有明顯提升，特別是在處理復雜路口、無保護左轉這些場景時，比V11版本平滑很多，不會突然猶豫或者急剎車了。他們用的Occupancy Network技術挺有意思的，不再去識別這是車、那是人，而是直接預測3D空間中哪些格子被占用了，這樣對于一些不常見的物體，比如掉落的輪胎、推著購物車的人，也能正確識別出來是障礙物。配合HW4.0硬件平臺，算力達到了2500 TOPS，處理能力比之前強了好幾倍。不過純視覺方案的問題也很明顯，在夜間、大雨、濃霧這些極端天氣下，攝像頭性能會大幅下降，測距精度也不如激光雷達。另一邊的陣營就是多傳感器融合派，以國內的華為、小鵬、理想和海外的Waymo為代表。這些廠商都在用激光雷達+攝像頭+毫米波雷達的融合方案。拿華為ADS 2.0來說，硬件配置真的很夸張，3顆激光雷達（前向一顆是192線的，側向兩顆），11個高清攝像頭覆蓋360度視野，還有6個毫米波雷達做補充。這套系統的算力平臺用的是MDC 810，達到400+ TOPS的算力。實際體驗下來，在隧道進出口、夜間無燈光路段、雨霧天氣這些場景，激光雷達的優勢真的太明顯了。因為激光雷達是主動發射激光測距，不依賴環境光線，測距精度能達到厘米級，這對于復雜路況下的緊急避障特別重要。而且激光雷達能直接生成3D點云，對于立體障礙物的識別比純視覺準確太多。不過問題也很現實，成本高啊，一顆192線的激光雷達現在還得幾千美金，雖然比前幾年便宜了很多，但相比攝像頭還是貴了一個量級。Waymo的第五代自動駕駛系統更狠，用了4顆激光雷達加29個攝像頭，硬件成本估計得十幾萬美金起步，這也是為什么Waymo的Robotaxi運營成本一直降不下來的原因。

4D毫米波雷達是今年特別值得關注的新技術

這東西可以說是在純視覺和激光雷達之間找到了一個平衡點。傳統的毫米波雷達只能提供距離、速度、方位角這三個維度的信息，對于靜止物體識別很差，而且分辨率低，經常把好幾個目標當成一個。4D毫米波雷達增加了高度信息，而且通過級聯技術把點云密度提升了10倍以上，現在一幀能輸出幾千個點，雖然還是比不上激光雷達的幾十萬個點，但已經能滿足很多場景需求了。像Arbe、Oculii、森思泰克這些公司的產品，已經在一些量產車上開始應用。最關鍵是成本，一顆4D毫米波雷達的成本大概就幾百美金，只有激光雷達的十分之一。而且毫米波雷達不受天氣影響，大雨大霧照樣能正常工作，這點比攝像頭和激光雷達都強。現在不少車企開始采用”5R11V”的配置，就是5個4D毫米波雷達加11個攝像頭，不用激光雷達也能實現比較好的城市NOA功能。當然，4D毫米波的問題是對于小物體的識別能力還是不如激光雷達，比如路面的錐桶、掉落的小包裹這些，可能會漏檢。

算法層面的變化比硬件還要激進

大模型技術徹底改變了自動駕駛的技術范式。傳統的模塊化方案是把自動駕駛分成感知、預測、規劃、控制幾個獨立模塊，每個模塊單獨設計單獨優化。這種方案的問題是信息損失嚴重，比如感知模塊輸出”前方20米有一輛車”，但實際上那輛車可能在踩剎車，尾燈亮著，這個細節信息在傳遞到規劃模塊時就丟失了。端到端方案就是用一個大神經網絡，直接從傳感器數據學到控制指令，中間不需要人為設計的模塊劃分。英國的Wayve公司搞的GAIA-1模型特別有代表性，這是一個基于Transformer架構的世界模型，可以生成未來駕駛場景的視頻預測，比如給定當前畫面和轉向指令，它能預測出未來5秒車輛會開到哪里、周圍車輛會怎么運動。這種預測能力說明模型理解了物理規律和駕駛常識，不是簡單的模式匹配。特斯拉的團隊在2024年的一次技術分享中透露，他們的端到端模型參數量已經超過千億級別，訓練數據來自全球數百萬輛特斯拉車的實際行駛數據，相當于幾十億英里的駕駛經驗。這種數據規模是任何一家傳統車企都沒法比的，這也是特斯拉敢走純視覺路線的底氣所在。

大語言模型被用在自動駕駛上是2024年最有意思的技術趨勢

這個方向很多人可能覺得不靠譜，但實際上效果超出預期。傳統的自動駕駛系統對于復雜場景的理解能力很弱，比如看到一個”前方施工繞行”的牌子，傳統系統只能識別出這是個牌子，但理解不了是什么意思，還得靠視覺識別錐桶、護欄這些物理障礙物才知道不能通行。但如果用上LLM，系統可以直接理解”施工”、”繞行”這些語義，推理出可能的交通組織方式，提前規劃繞行路線，而不是開到跟前才發現被攔住。Waymo和谷歌DeepMind合作的研究顯示，在處理長尾場景時，結合LLM的決策系統成功率提升了40%。具體的技術實現是把視覺感知結果轉換成文本描述，比如”前方30米紅綠燈路口，左側車道有兩輛車在排隊，右側車道空”，然后喂給LLM，讓它基于駕駛常識和交通規則生成決策建議”建議變道到右側車道通過路口”，最后再轉換成具體的控制指令。這種方法特別適合處理那些訓練數據里沒見過的新場景，因為LLM有推理能力，不是死記硬背。國內的毫末智行、地平線也在搞類似的研究，把他們訓練的垂直領域LLM集成到自動駕駛系統里。

神經渲染技術被用來做仿真測試是另一個重大突破

這個技術原本是搞3D重建和虛擬現實的，結果在自動駕駛領域找到了完美應用場景。傳統的仿真器比如Carla、LGSVL這些，雖然能模擬各種交通場景，但畫面不夠真實，光影效果假，自動駕駛系統很容易就能分辨出這是仿真數據而不是真實數據，導致在仿真器里測試通過的算法，拿到真車上效果就不行。NeRF（神經輻射場）技術徹底解決了這個問題，它可以從多個角度拍攝的視頻中重建出照片級真實的3D場景，而且可以任意改變視角、光照、天氣。英偉達的Drive Sim平臺現在就是基于這個技術，可以把真實的道路場景掃描進去，然后在里面測試各種極端情況，比如突然竄出來一個小孩、對向車輛失控沖過來這些。更厲害的是可以合成訓練數據，比如系統在某個場景下表現不好，就用NeRF生成一堆類似但稍有變化的場景，專門訓練這種情況。Waymo公開的數據顯示，他們現在99%的測試都在仿真環境里完成，只有1%需要真車路測，大大降低了測試成本和風險。

高精地圖的地位正在發生根本性變化

這個趨勢在2024年特別明顯。以前業內普遍認為L3級以上的自動駕駛必須依賴高精地圖，因為需要精確知道車道線、紅綠燈、路口拓撲這些信息。但高精地圖有致命的問題，首先是制作成本高，傳統方法需要專業測繪車帶著激光雷達去掃描，每公里成本要幾千元人民幣，全國高速公路加城市道路得幾十萬公里，這是個天文數字。其次是更新頻率跟不上，道路施工、車道調整這些變化非常頻繁，但地圖更新可能要幾個月，導致自動駕駛系統用的是過時數據。最致命的是法規限制，很多國家對高精度測繪有嚴格管控，不允許外國公司采集，這直接限制了自動駕駛的全球化部署。現在的技術趨勢是”輕地圖”或者”無圖”方案，就是降低對高精地圖的依賴，更多靠實時感知和在線建圖。Mobileye搞的REM（路網經驗管理）技術挺聰明的，利用量產車上的攝像頭眾包采集數據，自動生成和更新地圖，成本幾乎為零，而且更新頻率可以做到準實時。特斯拉更激進，完全拋棄了高精地圖，純靠視覺神經網絡實時識別車道線、交通標識、路口結構這些信息，在北美和中國的城市NOA實測中已經證明可行。華為ADS 2.0也宣稱可以”全國都能開，不需要高精地圖”，實際測試下來確實在沒有高精地圖覆蓋的路段也能正常工作，雖然偶爾會猶豫，但大部分情況是OK的。矢量化地圖表征是輕地圖方向的核心技術

這個技術簡單說就是不再存儲柵格圖像，而是用數學向量來表示道路元素。比如一條車道線，傳統地圖可能存儲為一串坐標點的像素數組，占用空間大，而且不方便編輯。矢量化表征就用貝塞爾曲線或者多項式來描述這條線，只需要幾個參數，占用空間小了幾十倍，而且可以方便地延伸、拼接、修改。更重要的是，神經網絡可以直接輸出矢量化的地圖表征，比如從攝像頭圖像直接預測出車道線的貝塞爾曲線參數，這樣就實現了感知和建圖的統一。特斯拉在2023年的AI Day上展示過他們的Vector Lane Network，能實時輸出周圍200米范圍內的矢量化道路網絡，包括車道連接關系、路口拓撲這些信息。這種實時在線地圖和傳統的離線高精地圖相比，最大優勢是永遠不會過時，看到的就是當前真實情況，哪怕道路臨時改道、車道線重新劃了，都能實時適應。

計算架構從分布式向集中式演進是另一個大趨勢

以前一輛車可能有上百個ECU（電子控制單元），發動機控制、剎車控制、燈光控制、娛樂系統各管各的，彼此之間通過CAN總線通信，帶寬很低，延遲也高?，F在逐步整合成幾個域控制器，把相關功能集中到一個強大的計算平臺上。自動駕駛域控制器（ADCU）是算力要求最高的，因為要處理多個攝像頭、雷達、激光雷達的數據流，還要跑深度學習模型。英偉達的Orin芯片現在基本是行業標準，單顆算力254 TOPS，一般配置是雙Orin或者四Orin，總算力達到500-1000 TOPS。他們下一代的Thor芯片更猛，單顆2000 TOPS，2025年就會在一些新車上量產。國內的芯片像地平線征程6達到560 TOPS，雖然和英偉達還有差距，但考慮到價格和供應鏈自主性，不少國內車企在用。黑芝麻的A2000芯片也到了196 TOPS，在商用車和低端乘用車市場有一定份額。算力提升帶來的好處是可以跑更復雜的模型，處理更多傳感器數據，決策延遲也能降下來。特斯拉自研的FSD芯片雖然只有144 TOPS，但因為是定制化設計，專門優化了神經網絡推理，實際性能不比Orin差。

車云協同是解決算力瓶頸的重要方向

單車智能再強也有上限，很多復雜的計算任務比如大模型訓練、仿真測試、路徑優化這些，不可能都在車上完成。所以現在的技術架構是車端負責實時感知和快速決策，云端負責訓練模型、更新算法、處理海量數據。小鵬的XNGP系統是個典型案例，他們每天從全國的車隊收集數億公里的行駛數據，上傳到云端進行標注和訓練，然后通過OTA把新模型推送到車上。這種模式下，車隊規模本身就是競爭力，車越多數據越多，模型迭代越快，形成正向循環。華為的”車云一體”方案更進一步，云端不只是訓練模型，還提供實時的路況信息、最優路徑規劃、甚至在特殊情況下遠程接管車輛。這種”云代駕”模式在Robotaxi場景特別有用，遇到車輛自己處理不了的情況，比如復雜施工路段，可以請求云端的人類操作員遠程操控通過，然后記錄這次操作數據用于后續訓練。不過車云協同也帶來了新問題，對網絡連接的要求很高，要保證低延遲和高可靠性，而且數據安全和隱私保護也是挑戰，用戶的駕駛數據上傳到云端，如何防止泄露是必須解決的問題。

商業化落地方面，Robotaxi無人出租車是最激進的應用場景

也是驗證自動駕駛技術成熟度的試金石。Waymo現在是全球領先的，他們在舊金山和鳳凰城的運營已經完全去掉了安全員，車里沒有人，用戶通過APP叫車，車自己開過來，送到目的地。根據公開數據，Waymo每周完成超過10萬次訂單，運營時間覆蓋7×24小時，包括夜間和高峰時段。實際乘坐體驗還不錯，開車風格比較保守，但基本不會讓人感覺不安全。不過成本還是太高，Waymo一輛車的硬件成本估計要20萬美金以上，加上運維、充電、清潔這些，每英里成本還是比人類司機貴。他們的策略是先在限定區域內做到技術領先，積累足夠多的運營數據和口碑，然后等硬件成本下降再大規模擴張。國內的百度蘿卜快跑進展也挺快，在武漢、深圳、重慶等城市開展全無人化運營，累計訂單已經超過600萬次。他們用的是阿波羅Moon車型，硬件配置比Waymo簡單一些，成本也低不少，單車成本據說已經降到了25萬人民幣左右。蘿卜快跑的優勢是中國的道路環境更復雜，如果能在武漢這種電動車橫行、路況混亂的城市跑起來，技術魯棒性會更強。但他們目前還主要在特定區域運營，還沒有實現全城無限制開放。

Cruise的案例值得特別說一下，作為通用旗下的自動駕駛公司，Cruise在2023年是風光無限，在舊金山拿到了全無人運營許可，準備大干一場。結果去年10月發生了一起事故，一個行人被另一輛車撞倒后，又被Cruise的無人車拖行了一段距離，雖然主要責任不在Cruise，但這個事情引發了巨大爭議。加州監管部門吊銷了Cruise的運營許可，通用隨后暫停了所有的Robotaxi業務，進行全面安全審查。這個事情說明自動駕駛技術再先進，只要出了事故就是100%的責任，社會容忍度遠低于人類駕駛員。而且Cruise暴露出來的問題不只是技術，還有對事故的處理方式，他們最初沒有如實向監管部門報告拖行的細節，導致信任度嚴重受損?，F在Cruise正在重組，砍掉了大量員工，戰略方向也在重新評估。這個案例給整個行業敲響了警鐘，技術只是一方面,安全冗余、測試驗證、危機應對這些同樣重要。

量產車的高速NOA功能已經相對成熟，這是目前普通消費者能真正用上的自動駕駛功能。高速公路環境相對簡單，車道線清晰，沒有行人和非機動車，車速雖然快但都是同向行駛，預測起來容易很多。理想的L系列車型，高速NOA使用率已經超過50%，意味著一半以上的高速駕駛時間用戶愿意開啟自動駕駛。蔚來的NOP+覆蓋了全國的高速路網，小鵬NGP累計行駛里程超過10億公里，這些都證明高速NOA技術已經通過了大規模驗證。實際體驗下來，高速上的自動變道、超車、跟車基本達到了人類駕駛員的水平，甚至某些方面比人更平穩，因為AI對車距、速度的控制更精確。但上下匝道還是個難點，特別是一些匝道比較短、需要連續變道的情況，系統容易處理不過來，需要人接管。還有就是大貨車加塞、施工路段封閉車道這些突發情況,系統的應對有時候會比較遲疑，不如人類駕駛員果斷。不過總體來說，高速NOA已經可以大幅降低駕駛疲勞度，尤其是長途駕駛，這個功能的價值是實實在在的。

城市NOA是2024-2025年度最大的技術突破，難度比高速NOA高了不止一個量級。城市環境太復雜了，紅綠燈、路口、行人、非機動車、臨時變道、違章停車、施工圍擋，每一個都是挑戰。華為ADS 2.0在這方面確實做得不錯，他們宣稱可以實現”全國都能開”，不依賴高精地圖。實際測試下來，在深圳、上海這些一線城市，系統確實能夠處理大部分情況，紅綠燈識別準確率99%以上，無保護左轉成功率也能達到95%以上。但遇到一些極端情況還是會出問題，比如電動車突然變道插隊，系統會緊急制動，動作比人類駕駛員更急，有時候坐著會不太舒服。還有就是在一些小路口，交通標識不清楚或者沒有的情況，系統會變得很保守，寧可多等一會也不敢走，這時候人類駕駛員其實可以根據經驗判斷能通過。特斯拉FSD V12在北美城市的表現也不錯，尤其是灣區這種復雜環境，處理起來比較從容。但右轉讓行人這塊，系統現在調得太保守了，有時候行人離得還很遠就開始減速等待，影響通行效率。小鵬的城市NGP正在快速迭代，他們的優勢是中國用戶的反饋很及時，系統改進速度快，現在已經可以在很多二三線城市使用，不只是一線城市。

安全冗余設計是高等級自動駕駛的基礎要求

這個話題聽起來枯燥但極其重要。自動駕駛系統比人類駕駛員對安全的要求高得多，因為機器不能出錯，出錯就是系統性問題。硬件冗余是最基本的,比如傳感器要有備份,一個攝像頭壞了，其他的能頂上；計算平臺要有雙芯片甚至三芯片，一個算力模塊故障了，另一個立刻接管；制動系統要有獨立的冗余，電子制動失效了，機械制動能緊急剎停。奔馳的Drive Pilot是全球第一款獲得L3認證的量產車，它的硬件冗余做得最完善，雙轉向系統、雙制動系統、雙電源系統，保證任何單點故障不會導致系統完全失效。軟件冗余也很重要，比如感知算法要有多種備份方案，視覺識別失敗了，激光雷達能頂上；決策算法要有fallback機制，主算法輸出異常時，備用的簡單算法保證車輛能安全停下來。除了硬件和軟件冗余，功能降級策略也是關鍵，系統發現自己處理不了的情況，要能平滑降級，給駕駛員足夠的反應時間接管，而不是突然撒手不管。這需要精心設計人機交互，提前多久提示、用什么方式提示、駕駛員多長時間沒響應算失效，這些都要經過大量測試驗證。

預期功能安全SOTIF是個容易被忽視但很致命的問題

這個概念說的是即使硬件不壞、軟件沒bug，算法也可能犯錯，因為AI本質上是概率模型，不可能100%準確。歷史上發生過幾起嚴重的自動駕駛事故，都是因為算法識別失敗，比如特斯拉的早期版本曾經把白色貨車誤認為天空，因為訓練數據里白色車輛側翻的場景太少了；還有把路邊廣告牌上的車道線圖案誤認為真實車道線，導致車輛偏離。解決SOTIF的關鍵是海量場景測試，把各種極端情況都覆蓋到，這需要百億公里甚至千億公里級別的仿真測試加實際路測。Waymo公開的數據顯示，他們在仿真環境里跑了幾百億英里，相當于人類駕駛幾千年的經驗。另一個重要技術是Out-of-Distribution檢測，讓AI能識別自己不確定的情況，比如遇到訓練數據里從沒見過的物體，系統知道自己識別不了，就降級處理或者請求人類接管，而不是瞎猜。這個技術現在還在研究階段，難度很大，因為不確定性本身就很難量化。人機共駕的接管策略也很有講究，提前多久提示駕駛員接管，用什么方式提示，如果駕駛員不響應怎么辦，這些都需要大量的用戶研究和測試。特斯拉因為接管時間太短導致事故的案例不少，現在他們把提示時間延長了，還增加了方向盤震動這種更強烈的提醒方式。

各國政策法規差異對自動駕駛發展影響很大

這是個很現實的問題。美國總體上相對開放，聯邦層面沒有統一的自動駕駛法規，主要由各州自己決定，加州、亞利桑那這些州允許完全無人車上路測試，但也有一些州限制比較嚴。Cruise的事故發生后，NHTSA（美國國家公路交通安全管理局）加強了監管，要求所有自動駕駛公司報告事故和接管數據，透明度提高了很多。中國采取的是試點先行、逐步推廣的策略，北京、上海、深圳、武漢這些城市開放了測試，但大部分Robotaxi還是要求配備安全員，只有在特定區域才允許完全無人。2024年開始，中國正式允許L3級自動駕駛上高速，這是個重大突破，意味著量產車可以實現有條件的自動駕駛，駕駛員在某些情況下可以完全不管車。歐洲最謹慎，L3級需要通過非常嚴格的型式認證，整個流程要好幾年，奔馳是目前唯一獲得認證的量產車。歐洲對數據隱私保護要求極高，GDPR法規限制了很多數據收集和使用，這對需要海量數據訓練的自動駕駛來說是個挑戰。日本的策略比較獨特，他們更重視V2X車路協同技術，在基礎設施上投入更多，比如路口安裝傳感器、信號燈聯網，輔助車輛決策。日本還在一些偏遠地區推進無人巴士，解決老齡化社會的出行問題，這個方向挺有意思的。

技術挑戰和未來方向方面，Corner Case長尾場景處理仍然是最大難題

自動駕駛系統在常見場景下表現已經很好了，但總有些罕見情況處理不好。比如路面上一個漏氣的氣球在滾，到底要不要躲？軋過去沒事，但如果躲的話可能影響其他車。再比如前方有個人推著梯子橫穿馬路，系統能正確識別嗎？這種場景在訓練數據里可能只有幾個樣本，模型很難學到。解決長尾問題沒有銀彈，只能靠持續積累數據、改進算法、增加冗余。有些公司在搞合成數據生成，用AI制造各種極端場景的訓練數據，但效果還有待驗證。惡劣天氣適應性也是個大問題，大雨、大雪、沙塵暴這些情況下，攝像頭和激光雷達性能都會大幅下降，現在主要靠毫米波雷達頂著，但精度不夠。未來可能需要新的傳感器技術，比如太赫茲雷達、量子雷達這些還在實驗室階段的東西。多車協同和車路協同是長期方向，單車智能再強也有上限，如果車和車之間、車和路側設施之間能實時通信，共享感知數據，系統的決策會更準確更安全。中國在車路協同方面投入比較大，很多城市在建智能路側單元，但標準不統一、建設成本高，短期內很難大規模部署。

成本下降和產業鏈成熟是商業化的關鍵

現在自動駕駛系統的成本還是太高了，一套完整的L3-L4級系統，硬件成本可能要幾萬到十幾萬人民幣，這對于十幾二十萬的車來說，占比太高了。隨著激光雷達、芯片這些核心部件的量產規模擴大，成本會快速下降。國產激光雷達現在已經降到了幾千元一顆，雖然線數少一些，但對于量產車來說夠用了。芯片方面，國產替代進展很快，地平線、黑芝麻這些公司的產品在逐步上車，價格比英偉達便宜不少。軟件算法的開發成本也在降低，因為有了更多的開源工具和預訓練模型，不需要從頭開始開發。產業鏈分工也在細化，有專門做傳感器的、做芯片的、做算法的、做測試的，整車廠可以像搭積木一樣組合，不用什么都自己干。特斯拉是個例外，他們堅持全棧自研，從芯片到算法到數據標注工具全部自己做，這樣效率更高，但對技術能力要求極高，普通車企學不來。更現實的路徑是像華為、小鵬這樣，核心算法自己掌握，硬件部分外采或者合作開發。

保險和法律責任問題也需要解決，L3級以上的自動駕駛，如果出了事故責任歸誰？是車主、車企還是軟件供應商？現在各國還沒有明確的法律框架，這也限制了技術的大規模應用。奔馳在推Drive Pilot時承諾，開啟L3模式時如果發生事故，責任由奔馳承擔，這是個很大膽的決定，也倒逼他們把系統做得更可靠?？偟膩碚f，全球自動駕駛技術在2024-2025這兩年取得了突破性進展，但離真正的L4-L5級完全自動駕駛還有不小距離。高速和城市的輔助駕駛已經比較成熟，能實實在在提升駕駛體驗。Robotaxi在限定區域運營也初步成功，證明技術可行性。但要實現全場景、全天候、無安全員的完全自動駕駛，可能還需要5-10年時間。技術上的挑戰還很多，法規和商業模式也在探索中。不過趨勢是明確的，自動駕駛一定會實現，只是時間早晚的問題。對于普通消費者來說，未來幾年能用上的主要還是L2+到L3級的輔助駕駛功能，真正的無人駕駛可能要到2030年前后才能普及。但這個過程中會有很多創新涌現，整個汽車產業也在重構，還是很值得期待的。

文章轉載自：https://www.key-iot.com.cn/drive/776.html

審核編輯 黃宇