2026年7月，越南电动汽车制造商VinFast与以色列AI公司Autobrains联合宣布，其「Robo-Car」自动驾驶架构已在河内进入受控区域测试阶段。这套系统用7颗量产级摄像头和一个约20 TOPS算力的紧凑计算平台，完全抛弃了LiDAR、毫米波雷达阵列和高精地图——依靠Autobrains的Agentic AI架构和Air-to-Road视觉定位技术实现环境感知。这与特斯拉、小鹏的「纯视觉」路线如出一辙：用更多、更好的摄像头，替代昂贵且复杂的传感器融合方案。

对于摄像头模组采购和硬件工程师来说，这条新闻传递的信号很明确：摄像头正在从「辅助传感器」变成「唯一感知手段」。当LiDAR和雷达被移除，摄像头模组的可靠性、性能一致性和量产良率，将直接决定整车安全的天花板。这既是机遇——单车的摄像头数量和规格要求都在上升；也是挑战——选型容错空间正在急剧收窄。

要点一：冗余消失后，模组可靠性从「重要」变成「生死攸关」

为什么是坑：传统多传感器融合架构中，LiDAR、毫米波雷达和摄像头互为冗余。某一颗摄像头模组在极端工况下性能下降，其他传感器可以补位。但摄像头优先架构移除了这层保险，意味着单颗模组的失效或性能衰减，可能直接导致感知盲区。

坑在哪：很多采购在选型时仍沿用「多传感器时代」的可靠性标准，重点关注常温良率和基础功能测试，对极端温度循环（-40℃至+85℃）、长期振动后的光学对准偏移、高湿环境下的胶水老化等场景缺乏深入验证。摄像头优先架构要求模组在全生命周期内保持光学性能稳定，这对AA（Active Alignment）工艺精度、胶水选型和应力管理提出了更高要求。

怎么破：在供应商评估阶段，必须将「单点失效后果」纳入风险矩阵。要求供应商提供至少1000小时双85（85℃/85%RH）湿热老化后的MTF（调制传递函数）衰减数据，以及模拟10年振动工况后的光轴偏移量。采购规格书中应明确写入「光学性能退化阈值」，而不仅仅是初始良率。

要点二：七目矩阵，规格差异化让选型复杂度翻倍

为什么是坑：VinFast的Robo-Car用7颗摄像头，覆盖前视长焦、前视广角、侧视、后视、环视等多个方位。每颗摄像头的视场角、分辨率、动态范围需求各不相同。这不是「买7颗一样的模组」那么简单——它是一个规格矩阵。

坑在哪：实际采购中常见的失误是「一刀切」——为了简化供应链管理，用同一种规格的模组覆盖所有位置。结果要么是长焦位置用广角模组导致远距离识别能力不足，要么是环视位置用高分辨率模组造成算力浪费和成本超标。另一种坑是低估了不同位置模组的环境防护要求差异：前视模组面临石击和高温，侧视模组面临水洗和泥浆，后视模组面临尾气污染。

怎么破：在项目初期建立「摄像头位置-规格矩阵表」，为每个位置定义视场角、分辨率、动态范围、防护等级、工作温度范围五项核心指标。在供应商谈判时，优先选择能同时覆盖多规格需求的模组厂，减少供应商数量但增加单供应商的品类深度。这不仅能降低BOM复杂度，还能在量产阶段获得更好的交期协调和品质追溯。

要点三：动态范围和低光性能，被推到了物理极限

为什么是坑：摄像头优先架构之所以「敢」去掉LiDAR，前提是摄像头的动态范围和低光性能足够强。但LiDAR靠的是主动发射激光脉冲，不受环境光照影响；摄像头是被动成像，在隧道出入口、夜间雨雾、对向远光灯等场景下的表现，直接决定了系统安全边界。

坑在哪：模组规格书上标注的动态范围往往是实验室理想条件下的峰值数据。实际道路场景中，由于镜头眩光、传感器blooming效应、ISP处理延迟等因素，有效动态范围可能比标称值低。采购如果只看规格书数字，不做实车场景验证，量产后可能发现暗部细节丢失或高光过曝导致目标漏检。

怎么破：在模组选型阶段，要求供应商提供「场景级动态范围测试报告」——不是实验室积分球数据，而是模拟隧道出入口（1:10000对比度）、夜间对向来车（点光源干扰）等真实场景的成像样张。同时，关注传感器HDR模式下的帧间延迟——如果多帧合成的延迟超过33ms，在高速场景下可能导致目标位置估算偏差。对于金视康科技这类具备完整光学设计到AA组装能力的模组厂，可以根据应用场景定制镜头镀膜方案和ISP调校参数，在模组层面优化动态范围表现。

要点四：成本压缩传导，模组厂的「性价比」重新定义

为什么是坑：VinFast选择摄像头优先架构的核心动机就是降本——用7颗摄像头替代LiDAR+雷达阵列，可以节省数万美元的单车硬件成本。但这种「总成本下降」对模组供应商来说，往往意味着「单价被压、数量被增」的双向挤压。

坑在哪：车企在测算降本空间时，会把LiDAR省下的预算分摊到摄像头模组上——但不是给你加价，而是要求你在更严苛的规格要求下，提供更低的价格。一些模组厂为了拿订单，在报价阶段压低利润，但量产时发现良率爬坡困难、返工成本高企，最终陷入「越做越亏」的困局。

怎么破：在报价阶段就要做好「全成本核算」——不只是BOM成本和组装人工，还要包含良率爬坡期的报废成本、工程变更成本、售后质备成本。与客户谈判时，可以采用「阶梯定价」策略：量产爬坡期价格略高，达到目标良率后价格下调，既保护自身利润又给客户降本预期。更重要的是，具备柔性产线能力的模组厂可以通过快速换线降低多品种切换成本，在价格谈判中占据主动。

要点五：从河内到全球，量产一致性是隐形门槛

为什么是坑：VinFast选择在河内测试Robo-Car，其中一个原因是河内的交通环境极其复杂——摩托车密集、车道线模糊、路口靠「协商」通行。如果摄像头优先系统能在这种环境下工作，理论上在全球大多数城市都能适应。但这种测试逻辑隐含一个前提：每一颗量产模组的性能，都必须和测试样车上的模组高度一致。

坑在哪：工程样件阶段，模组由资深技工手工组装、逐颗校准，性能一致性极高。但进入量产阶段后，产线节拍从每颗30分钟压缩到每颗15秒，AA设备的重复定位精度、点胶量的波动、固化温度的均匀性，都会引入一致性偏差。如果量产模组与样件模组的光学性能存在系统性偏差，自动驾驶算法在样车上验证的安全边界就不再有效。

怎么破：在量产规划阶段，要求模组厂提供「工程样件-量产模组性能对标报告」，量化AA校准精度分布、MTF一致性分布、色彩一致性分布的统计参数（Cpk值）。Cpk低于1.33的规格项，必须列入重点管控清单。同时，在量产爬坡期实行「首件-末件对比」制度，确保整批模组的性能漂移在可控范围内。金视康科技在多品种柔性产线上积累了丰富的量产一致性管控经验，能为摄像头优先架构客户提供从工程样件到量产能爬坡的全流程品质保障。

结语

VinFast的Robo-Car只是一个缩影——从特斯拉到小鹏，从北美到东南亚，摄像头优先架构正在重塑自动驾驶的传感器供应链。当摄像头成为唯一的感知来源，模组的可靠性、规格差异化、动态范围、成本控制和量产一致性，每一项都不再是「加分项」，而是「准入门槛」。对于正在评估摄像头模组供应商的OEM和ODM客户，金视康科技深耕摄像头模组制造，覆盖消费电子到车载场景的OEM/ODM订单，具备从光学设计到AA组装到量产管控的全链条能力，欢迎沟通交流。