最重要的是，它没有一些同类系统表现出的强烈“机械感”，像是一个真人在开车。有这种“机械感”的同类系统，推理和解决意外的能力还不是很强，在遇到路边违停、插队等意外场景的时候，它可能跟在违停车后无穷尽地等下去，而不会想着绕一下提升通行效率。这就仿佛整套系统由大量规则“编织”起来一样。
城市 NOA 的工程版是另一个样子。这类由模型和数据自己迭代出来的算法，像人一样能积累经验、很快成长，所以在遇到违停车、无标线路面、与其它车辆博弈，又或者红绿灯被大型车辆遮挡而看不见的场景，它不会跟着某种定死的行动逻辑去控制车辆。城市 NOA 的某些操作，像一位初出茅庐的人类驾驶员，你可以感受到算法背后，海量训练数据中体现的“人类逻辑”。
不过更强的系统能力，除了让功能更好用以外，也考验人与车之间的互动方式。整个驾驶过程中，我统计到 8 次人为接管：
1、无标线狭窄路面绕行违停大车；
2、路口内主动规避过于靠近的车辆；
3、转弯时手施加给方向盘的力量过大；
4、误触刹车；
5、与行人博弈时距离突破心理阈值；
6、系统漏检红灯；
7、通过路口的时机突破心理阈值；
8、绕行违停车辆时两车距离突破心理阈值。
当中固然有占用网络的空间判断精度、BEV 感知架构抗干扰能力需要打磨的因素，不过多数时候，反而是驾驶员自身对系统能力边界的认识，在影响系统的发挥。系统在进步，人对系统的认识也要有提升才行。
算力、算法和数据，是每一个有志于实现城市导航辅助驾驶的企业都要解决的问题。算力有芯片，算法框架一致，剩下的便是数据积累和持续迭代，而这恰好是理想的优势所在。等到今年下半年推送城市 NOA 的时候，量产版的系统或许能比我们体验的更接近人类驾驶，这类系统的价值才能真正发挥出来。