问题——在智能驾驶进入加速普及阶段后，行业关注点正由“能否上车”转向“能否规模化上车、稳定可用”。
当前，高速NOA渗透率提升相对顺畅，而城区NOA因场景更复杂、长尾问题更多，叠加对高算力平台的依赖度较高，导致整套方案成本居高不下，难以覆盖更大体量的10万元级主流市场。
由此形成的现实矛盾是：需求端期待“更安全、更好用、更便宜”，供给端却容易陷入“更高算力、更高成本”的路径依赖。
原因——一方面，城区道路参与者多、交通组织复杂，涉及非机动车、行人、临停、施工、无保护左转等高不确定性场景，算法不仅要“看得见”，还要“看得懂、预测准、决策稳”。
在工程实践中，为追求效果快速可见，一些方案倾向通过堆叠硬件算力、提升传感器配置来换取模型规模与冗余空间，短期内能拉升体验，但也推高了量产门槛。
另一方面，传统依赖高精地图或强先验规则的路线，在城市道路频繁变化、维护成本高的情况下，难以长期匹配大规模运营需求，进一步抬升落地与迭代成本。
行业由此出现“高算力成为默认标配”的倾向，技术路线与主流消费市场之间产生错位。
影响——若城区NOA长期停留在高端车型或少量项目上，不仅难以形成规模效应，也会延缓数据闭环、供应链成熟与安全标准完善的节奏。
对整车企业而言，无法在主销价位段形成稳定可用的城区能力，意味着智能化竞争优势难以外溢到更广泛用户；对产业链而言，“参数竞赛”可能挤压工程优化与软件效率提升的投入空间，不利于形成可持续的成本曲线下降。
更重要的是，城区场景若不能在更大规模用户中持续验证和迭代，技术可靠性与社会接受度也难以同步提升。
对策——在此背景下，福瑞泰克提出以中等算力平台实现城区NOA能力的思路，并推出基于地平线征程6M的ADC25城区解决方案，核心指向“以效率换普及”。
据介绍，该方案采用动态与静态融合的感知表达方式，并引入基于BEV与Transformer的算法架构，同时结合云端训练与持续迭代机制推动端到端能力演进，目标在于减少对高精地图等外部条件的依赖，通过软件算法与工程部署的协同优化，将先进模型更高效地运行在约128TOPS的平台上，从而在成本与体验之间寻求更可复制的平衡。
支撑这一思路的，是其软硬一体化的系统底座能力：将控制器、传感器、算法与数据闭环打通，以工程化手段提高算力利用率与系统稳定性，覆盖高速、城区及泊车等多场景，并强调行泊一体的整体交付。
前景——业内普遍认为，10万元级车型将成为智能驾驶渗透的主战场，决定行业规模化普及的，不只是单点能力的“上限”，更是稳定性、可用性与成本控制的“下限”。
随着算力平台与算法范式持续演进，城区NOA的竞争焦点或将从“硬件堆叠”转向“软硬协同、数据闭环与工程效率”。
在这一趋势下，中算力方案若能在复杂城市环境中实现可验证的安全冗余、可持续的体验提升与可控的量产成本，将更有机会成为面向主流市场的现实选择。
与此同时，行业也需在测试验证、功能边界告知、驾驶员接管机制等方面持续完善，推动能力演进与安全治理同步。
智能驾驶技术的普及不仅关乎技术创新，更是一场关于成本与效率的平衡艺术。
福瑞泰克的突破表明，破解技术落地难题需要回归用户需求本质，通过系统化创新实现性能与成本的动态平衡。
在汽车产业智能化转型的关键阶段，这种务实的技术路线或将引领行业走向更广阔的市场天地。