L4自动驾驶商业化落地：技术演进与行业挑战

1. 自动驾驶L4技术商业化落地的现状与挑战

自动驾驶技术发展至今，L4级自动驾驶的商业化落地已成为行业关注的焦点。本次圆桌讨论汇集了来自不同细分领域的专家，包括港口自动驾驶、末端配送、干线物流和Robotaxi等多个方向，共同探讨L2到L4的技术演进路径和商业化前景。

1.1 各细分领域的发展现状

在末端配送领域，新石器无人车已经实现了1万台车的交付下线，这标志着无人配送从技术验证迈向大规模商业化落地的重要跨越。苗乾坤博士指出，这一里程碑验证了技术的可靠性和可扩展性，同时降低了运营成本，提升了商业可行性。新石器从最初的零售小车模式转型为现在的末端配送模式，这一商业模式的调整带来了快速的发展。

港口自动驾驶方面，斯年智驾创始人何贝分享了他们在封闭场景的技术成熟度。何贝认为，封闭场景的L4技术已经基本收敛，当前的重点是如何提升AI能力，使系统效率接近甚至超过人工水平。斯年智驾从2017年创业开始就专注于L4重卡，覆盖封闭、半封闭和开放场景，通过"挤泡沫"的过程逐步实现技术落地。

干线物流领域的代表卡尔动力则选择了编队方案作为切入点。王珂提到，编队方案在当时和现在看来都是一个比较容易落地并能快速产生价值的方案。卡尔动力在去年完成了driverless的商业化运营单位经济转正，成为全球首批实现这一目标的团队之一。

Robotaxi领域，来自美国研发中心的马千里分享了Motional的发展历程。Motional作为入局较早的Robotaxi公司，虽然在商业化运营方面取得了一定进展，但由于各种落地难题，目前已经暂停了商业化运营。马千里认为，Robotaxi的发展面临着政策、技术和商业化的多重挑战。

1.2 技术路线的收敛与分化

在技术路线方面，各领域专家都观察到了明显的收敛趋势。苗乾坤指出，2021年新石器选择了以视觉为主的路线，结合大模型Transformer方法，后续落地了OCC（占用网络）技术，目前正推动视觉动作模型上车应用，开始无图化运作。到2026年，行业已经比较收敛地认可端到端模型是当前可以量产和规模化的方向。

何贝则认为L4和L2是完全不同的技术路线："L4跟L2完全是往左一个往右的技术路线，我们是不一样的。L4其实我更在乎的是安全，这可能比什么都重要。"这种差异主要体现在工程化能力和AI能力的平衡上，工程化能力决定了系统的下限，而AI能力决定了上限。

王珂从干线物流的角度分享了技术演进的观点："自动驾驶每隔这么几年就会有一些大的技术范式进步。这些事情需要在公司层面去strategically drive非常强力的推进，否则没有办法在激烈的市场竞争下存活。"卡尔动力选择的技术路线是基于实际商业场景的需求，走"场景定义产品，产品定义技术"的路径。

1.3 商业化落地的关键指标

商业化落地需要关注多个维度的指标。苗乾坤提到，新石器在实现1万台交付后面临的最大挑战是如何在运营规模快速增长的同时，保证研发成本和研发人力的相对稳定。这需要建立完善的测试评估体系和工具链支持。

何贝分享了港口自动驾驶商业化的三个关键点：第一是车坏了怎么办，即系统的可维护性；第二是运维强度，如何降低人力需求；第三是效率问题，如何说服业主单位调整工艺流程和生产作业规则。这三点共同决定了系统能否比人工更高效。

王珂重点强调了UE（单位经济）转正的重要性："UE转正是一个很重要的第一步...我们才能脱离公司只靠融资和外部输血才能活下去的局面。"卡尔动力通过编队方案实现了燃油经济性提升和人力成本节约，这是他们能够实现UE转正的关键因素。

马千里则从Robotaxi的角度分享了美国的运营成本情况："waymo现在他的车队可能这个cost per mile大概是2到3美元。这个其实是非常接近，比如说Uber或Lyft这个人类司机的成本。"这表明Robotaxi的商业化已经接近盈亏平衡点，但要实现真正盈利还需要进一步降低成本。

2. L4自动驾驶的核心技术解析

2.1 感知技术的演进与应用

自动驾驶感知技术在过去几年经历了显著变革。苗乾坤分享了新石器无人车的技术演进路径："2021年我们就选择了以视觉为主的路线，加上大模型Transformer这一套方法，后续落地了OCC（占用网络）技术，目前正推动视觉动作模型上车应用。"这种基于视觉的端到端方法显著提升了系统的感知能力，同时降低了硬件成本。

在干线物流领域，王珂分享了编队技术带来的感知优势："编队的一个好处是，你发现前车的人类司机对这个东西没有误反应，他能照着开的时候，后车就可以跟着这个东西照着开。"这种"教师-学生"模式可以有效处理一些传统感知难以应对的特殊场景，如超长物体的检测。

何贝从港口自动驾驶的角度指出，感知技术的可靠性比先进性更为重要："原本你说AGV算不算？AGV干了两件事，一个是导航，一个是控制。基本上很多自动化设备就是靠这两件事。"在封闭场景中，感知技术更注重稳定性和可靠性，而非追求最前沿的算法。

2.2 规划控制的场景适配

不同场景对规划控制提出了差异化要求。Robotaxi领域，马千里比较了中美两国的技术特点："国内由于道路情况所导致的，就需要一些强博弈...比较显性的这个表现就是说，我这个车特别愿意变道对吧？或者特别愿意超车。"这种差异反映了规划控制算法需要针对不同地区的交通文化进行优化。

干线物流方面，王珂解释了编队控制在燃油经济性方面的优势："因为是自动驾驶编队，两车间的跟车距离能比人力司机近很多...正是这种更近的跟车距离带来了燃油经济性的提升。"这种精细化的控制策略可以带来显著的商业价值。

末端配送场景中，苗乾坤提到："我们现在对VRU是比较保守的，我们还是尽可能去避免跟行人、非机动车发生一些比较极限距离的交互。"这种保守策略虽然可能影响效率，但对于保证安全性至关重要。

2.3 冗余安全设计

L4自动驾驶必须考虑全面的冗余设计。苗乾坤详细介绍了新石器的冗余方案："在硬件上还是机械属性的，肯定也会出问题...比如底盘的转向和刹车，会配置冗余传感器。我们虽然以视觉为主，但还配备了激光雷达。"

软件层面，新石器采用了"大脑"和"小脑"的双层架构："大脑主要负责基于实际感知情况做复杂决策和规划控制；小脑则负责基础安全功能，如AEB（自动紧急制动）等，这里也设计了冗余机制。"这种架构可以在主系统失效时提供安全保障。

何贝强调了安全在港口场景的优先级："无人一定是比有人安全。这我觉得是所有智驾公司的核心。因为他们出了一件事，不代表其他人会出事。但如果我们这辆车出事，所有车都会出事。"这种系统级的安全考量是L4与L2的本质区别之一。

2.4 数据闭环与持续学习

数据驱动是自动驾驶技术演进的核心。王珂指出："本质上是Data-driven，隐含了过去十几年来看，自动驾驶技术范式的不断转变，其实到最后现在大家的共有认知，觉得可能是数据驱动的。"卡尔动力通过真实的商业运营收集数据，不断优化系统性能。

苗乾坤提到规模扩大带来的数据挑战："到了3万台车，人去面对一个车的这些问题，其实你要给他一个能高效提效的工具手段，包括前端报问题、做问题的初步分析筛选，筛选出来之后在定位问题这一系列，都需要有工具链的支持。"完善的数据闭环系统对于大规模运营至关重要。

何贝分享了港口场景的数据应用经验："原本行业的客户要求比较高，但好处在于他们的付费能力、付费意愿以及操盘能力比较强。依托他们，我们才有可能把无人驾驶推成无人作业，带动整个工业环境的相应提升。"行业know-how与数据的结合可以创造更大价值。

3. 商业化落地的关键因素

3.1 成本结构与供应链优化

成本控制是商业化落地的核心挑战。王珂分享了卡尔动力在供应链方面的策略："我们非常贴近乘用车的选择：激光雷达用和乘用车同款的，既成本低又稳定性好。"这种策略充分利用了中国供应链的优势，大幅降低了硬件成本。

何贝从港口场景的角度指出："线控底盘这事崔总、何总都讲过，确实辛酸泪，卡车有很多特殊点，比如大部分存量挂车是气动的，不太好控制。"这种特殊的车辆需求增加了技术适配的难度和成本。

苗乾坤强调了规模效应对成本的影响："1万台的一个显而易见的好处是供应链的风险和成本会越来越利于你的商业化。"随着规模扩大，供应链的稳定性和成本优势会逐步显现。

3.2 政策与法规环境

政策环境对L4落地具有重要影响。苗乾坤指出："政策层面，城市配送无人车领域尚未形成国家级的法律法规和准入标准，目前主要依赖地方性法规。"这种碎片化的政策环境增加了商业化的不确定性。

马千里比较了中美政策差异："美国，尤其是在加州，它是靠法律去管。加州有明确的法律规定：有人测试、无人测试、有人运营、无人运营，到底哪个阶段是怎么样，它是靠法律明确规定的。"这种明确的法律框架为企业提供了清晰的预期。

何贝提到中国市场的特点："中国是一个先行先试创新为主的国家。很多制度标准通常是落后于实验和产品之后诞生。"这种灵活的政策环境有利于技术创新，但也带来了标准不统一等挑战。

3.3 运营模式创新

不同的运营模式适应不同的商业场景。新石器从零售小车转型为末端配送，苗乾坤解释了这一转变："于总看到在快递运输领域，小哥的工作是非常辛苦的，可能每天工作十几个小时，一半的时间在路上做运输...就有想法用无人车来代替中途的运输工作。"这种模式创新更好地满足了市场需求。

卡尔动力选择编队方案也是基于运营考量。王珂解释："我们是一个以编队产品方案为主的团队...我们其实是从商业场景出发，希望走'场景定义产品，产品定义技术'的路线。"这种务实的态度使得技术方案更贴合实际需求。

何贝分享了港口场景的运营经验："无人驾驶公司就两个宿命：大集成或者大运营，大运营就是变成一个车队，大集成则是要对整个生产关系做调整。"这种对行业本质的理解帮助斯年智驾找到了适合的发展路径。

3.4 客户需求与价值创造

深入理解客户需求是商业化的基础。王珂强调："客户不管你上了多少传感器或平台，只看两件事：第一能不能用，第二效率多少。"这种客户视角的思维方式对技术开发至关重要。

何贝指出："如何能够进一步提升，其实是属于客户的关键。说白了，我觉得要做两件事情。第一件事情是我们自己得好维护。第二件是属于我们的效率，要能够满足生产的要求。"这种以客户价值为中心的开发理念值得借鉴。

苗乾坤从末端配送的角度分享："物流配送对客户而言...舒适性确实没有特别高的要求，核心在于安全和效率。"准确把握客户的核心诉求可以帮助企业集中资源解决关键问题。

4. 行业面临的挑战与未来展望

4.1 技术挑战

尽管L4技术取得了显著进展，但仍面临诸多挑战。感知方面，苗乾坤指出："目前我们面临的主要问题是一些极端场景的处理还不够完善。例如，当系统专注于前方路况时，对后方安全的保障就无法做到绝对可靠。"

规划控制方面，不同场景的特殊需求增加了技术难度。王珂分享了一个有趣案例："羊真的会从我们车底下过...这种情况下停下等它过去当然比较重要，但你还得数左边进去了几个，右边进去了几个。"这类边缘场景的处理需要更强大的算法能力。

何贝提到AI能力的局限性："我们要去说服业主单位...对工艺流程做一些调整，对生产作业规则做一些改变。包括如何提升我们整个系统的AI能力，这是效率问题。"提升AI的灵活性和适应性是未来的关键方向。

4.2 商业化挑战

商业化进程面临多重障碍。王珂坦言："如果真去做快递快运，技术上可能相差不多，但大概率对于公司来说，leading blind的情况要严重更多。"商业模式的可行性有时比技术难度更具挑战性。

马千里分享了Robotaxi的商业化困境："即使以具身现在进展非常迅速的情况之下，短期很难完全被AI取代的一些东西。"服务链条的完整性影响着商业化的进程。

苗乾坤指出规模化的挑战："整个行业里面的渗透率可能大概是3万辆。所以这个渗透率来说还是非常低的，里面还有非常大的空间大家去做。"市场教育和培育需要时间和耐心。

4.3 未来发展趋势

展望未来，各领域专家都持谨慎乐观态度。何贝预测："在5年之内，封闭的L4、部分开放的L4，不管是Robotaxi还是重卡，我觉得应该都能完成很大规模的运营数量和发展。"

马千里关注技术路线演变："我很好奇未来3到5年，Robotaxi在特斯拉这个路线上会怎么发展。"不同技术路线的竞争将为行业带来新的可能性。

王珂强调持续创新的重要性："逆水行舟，不进则退。我觉得接下来几年会更加困难，尤其是直面来自L2的挑战。"保持技术领先是应对竞争的关键。

苗乾坤展望："未来，我觉得自动驾驶规模化过程中，尤其是L4这种完全无人的场景，道阻且长。其实我们还在爬坡的过程中，大家还是保持敬畏之心。"稳健发展比快速扩张更为重要。

自动驾驶L4的商业化落地是一场马拉松而非短跑。正如崔迪潇总结的："罗马不是一天建成的...条条大路通罗马。"不同的技术路径和商业模式都可能在未来的自动驾驶生态中找到自己的位置。行业参与者需要保持耐心和定力，共同推动这一变革性技术的发展。