隨著大模型深度融入汽車行業，行業競爭正從功能實現轉向高階智駕能力的比拚，而VLA（Vision-Language-Action Model，視覺語言行動模型）被視為下一代技術競爭的關鍵變數。圖片由AI生成當地時間12月1日，輝達（NVIDIA）宣佈正式開源其最新自動駕駛“視覺—語言—行動”（VLA）模型 Alpamayo-R1，該模型能夠同時處理車輛攝影機畫面、文字指令，並輸出行車決策，已在GitHub和Hugging Face平台開源，並同步推出Cosmos Cookbook開發資源包。這是行業內首個專注自動駕駛領域的開源VLA模型，輝達此舉旨在為L4級自動駕駛落地提供核心技術支撐。值得注意的是，輝達Alpamayo-R1相較於傳統黑盒式自動駕駛演算法，主打“可解釋性”，能夠給出自身決策的理由，有助於安全驗證、法規審查與事故責任判定。而輝達同時發佈“Cosmos Cookbook”等配套工具，能夠支援企業和開發者快速訓練、評估與部署。業內認為，輝達試圖通過開放核心技術，降低自動駕駛開發門檻，加速軟體棧標準化，打破原來Robotaxi昂貴的“全端自研”模式，從而轉變為可快速組裝的“Android式”生態。不過也有業內人士向筆者表示，此次輝達Alpamayo-R1開源與百度Apollo開源類似，對自動駕駛領域的入門選手來說有價值，但對專業公司來說意義不大。目前，VLA正成為智能駕駛領域公認的下一代核心技術，相關企業都在加碼佈局。國內理想汽車、小鵬汽車、長城汽車（已搭載於魏牌藍山）、元戎啟行等都已在VLA上實現量產落地。解決傳統“端到端”模型痛點傳統的端到端模型像一個“黑盒”，可能“看得見但看不懂”，在面對違規左轉、行人闖入等長尾場景時容易“翻車”。而相較於傳統“端到端”模型，VLA通過引入語言模態作為中間層，將視覺感知轉化為可解釋的邏輯鏈，從而具備了處理長尾場景和複雜突發狀況的潛力，讓機器像人類一樣“觀察、推理、決策”，而不僅僅是海量資料的簡單對應。自動駕駛領域的VLA（視覺－語言－動作）大模型，代表了將視覺感知、語言理解與決策控制深度融合的技術方向。它能直接輸出車輛的駕駛動作，其核心好處是，讓機器有了更強的環境理解與推理能力、更高效的一體化決策、更強大的長尾場景應對、更透明的人機互動與信任建構、更自然的車控方式等。此次輝達開放原始碼的VLA模型Alpamayo-R1，基於全新的 “因果鏈”（Chain of Causation， CoC） 資料集訓練。每一段駕駛資料不僅標註了車輛“做了什麼”，更註明了“為什麼這樣做”。例如，“減速並左變道，是因為前方有助動車等紅燈，且左側車道空閒”。這意味著模型學會的是基於因果關係的推理，而非對固定模式的死記硬背。同時，基於模組化VLA架構，輝達Alpamayo-R1將面向物理人工智慧應用預訓練的視覺語言模型Cosmos-Reason，與基於擴散模型的軌跡解碼器相結合，可即時生成動態可行的規劃方案；以及多階段訓練策略，先通過監督微調激發推理能力，再利用強化學習（RL）最佳化推理質量——借助大型推理模型的反饋，並確保推理與動作的一致性。輝達公佈的資料顯示：Alpamayo-R1在複雜場景下的軌跡規劃性能提升了12%，近距離碰撞率減少25%，推理質量提升 45%，推理－動作一致性增強37%。模型參數從0.5B擴展至7B的過程中，性能持續改善。車載道路測試驗證了其即時性表現（延遲99毫秒）及城市場景部署的可行性。也因此，輝達Alpamayo-R1有望給L4自動駕駛帶來能力的躍遷，Robotaxi有望安全地融入真實、混亂的公開道路。成為自動駕駛賽道的“Android”從這次開源Alpamayo-R1，可以再次看出輝達在自動駕駛領域的野心，已經不滿足於只是“硬體供應商”，而是要做成自動駕駛賽道的“Android”。其實，早在今年10月份，輝達就對外低調發佈了Alpamayo-R1大模型。而在華盛頓GTC大會上，輝達發佈了自動駕駛平台——NVIDIA DRIVE AGX Hyperion 10。Hyperion 10被認為是輝達自動駕駛的“身體”，而Alpamayo-R1則是自動駕駛的大腦。值得注意的是，Hyperion 10實現了“從模擬到實車”的閉環：在雲端，DGX超級電腦使用DRIVE Sim生成高保真模擬資料，用於訓練DRIVE AV模型；在車端，Hyperion 10的感測器資料與Thor晶片無縫對接。因此，如果一家車企想快速推出具備L4級能力的車型，不需要再分別組建龐大的硬體整合、軟體演算法和資料訓練團隊，採用輝達的整套方案可以快速實現上車。同時，輝達也在建構一個“Android式”的Robotaxi生態，並對外公佈了明確的落地時間表：2027年起部署10萬輛Robotaxi。目前，輝達已宣佈與Uber、奔馳、Stellantis、Lucid等公司合作，共同打造“全球最大L4級自動駕駛車隊”。截至2025年10月，輝達的雲端平台已積累超過500萬小時的真實道路資料。輝達的入場，正在將Robotaxi的競爭從單一的技術比拚，引向生態模式的對決。封閉模式除了導致重複的研發投入，更深刻的弊端是形成了“資料孤島”。Waymo的美國道路經驗難以惠及中國車企，每個玩家都在獨立而緩慢地跨越技術曲線。輝達的開放生態，有機會在確保資料隱私和安全的前提下，推動生態內玩家共享經過匿名化處理的特徵資料。例如，A車企在特定路口遇到的極端場景資料，可以轉化為脫敏後的訓練特徵，幫助B車企的模型更快地識別類似風險。如果輝達能夠成為自動駕駛領域的“Android”，將有望帶動整個生態的技術迭代速度從線性轉變為指數級提升。這不僅是技術共享，更是成本共擔。共同應對長尾場景這一行業最大難題的邊際成本，將隨著生態的擴大而持續降低。元戎啟行CEO周光預測，VLA帶來的可能是 “斷層式的領先”，並成為下一代競爭的關鍵變數。DeepWay深向CTO田山告訴筆者，VLA是目前自動駕駛行業非常火的一項技術，研究者眾多，能極好地提高自動駕駛模型的泛化能力及推理能力，輝達開源Alpamayo-R1，使得這項很火且很有前途的自動駕駛技術有更多的人可以參與研究並做出貢獻，能積極推進VLA技術的發展和落地，而這項技術也能應用在具身智能等物理AI的場景中。隱形門檻仍在前方不過，Alpamayo-R1目前要滿足車規級時延，還需要在RTX A6000 ProBlackwell等級的卡上運行——這張卡的INT8算力高達4000T，是Thor的6倍左右。輝達的商業模式決定了，其開源是為了更好地銷售其硬體和全端解決方案。Alpamayo-R1模型與輝達的晶片（如Thor）及開發平台（如Drive）深度繫結，能實現更高的算力利用率。這意味著，選擇輝達生態在獲得便利的同時，也意味著在核心算力上與其深度繫結。另外，DeepWay深向CTO田山向筆者指出，VLA是不是最佳的自動駕駛技術，目前還在實踐過程中，而Alpamayo-R1模型工具鏈基於輝達的平台，對很多開發者來說也是一種限制，所以也有很多其他的技術和其他的計算平台在推進自動駕駛技術發展。在田山看來，多數公司應該更聚焦技術落地，也就是技術的工程化實現，解決實際場景的問題，早日實現智駕技術的商業化閉環更有益於行業的長久健康發展。此外，L4自動駕駛的落地或者說Robotaxi的規模化商業化，還與政策與法規息息相關。同時，如何在合規框架內營運、如何通過安全評估、如何在資料利用與隱私保護間取得平衡，這些能力的重要性，並不亞於技術本身。輝達的黃仁勳一直將Robotaxi視為“機器人技術的首個商業化應用”，輝達一直要做的不是一輛無人計程車，而是讓所有玩家都能做出無人計程車的技術底座。如今，他正試圖通過開源VLA，為這個應用打造一條可以快速複製的生產線。但最終能否通過開源降低准入門檻，加速推動L4自動駕駛到來，讓技術的潮水湧向更廣闊的商業海岸，輝達Alpamayo-R1模型的開源，只是遊戲的開始，後面還有門檻要邁，還需要市場來驗證。 (鈦媒體AGI)

自動駕駛，第一個完全收斂的賽道出現：內蒙西北部的鄂爾多斯市境內，此刻有400輛規模的L4卡車正在晝夜不停地承擔礦產、畜牧等等大宗商品的貨運。每輛無人的L4重卡，相比傳統重卡，年淨利直接提升100%左右，對物流公司、車隊老闆來說，即使單車增加10萬左右自動駕駛技術成本，最快6個月也能完全實現超額盈利——商業模式收斂，全球L4卡車賽道走過10年，在中國內蒙率先實現單車盈虧轉正，使用者供不應求。背後是自動駕駛卡車10年技術探索的收斂：L4編隊+多模態大模型。“雙收斂”率先實踐落地的玩家，是這個賽道第一個估值百億的獨角獸——卡爾動力，滴滴自動駕駛孵化的L4卡車公司。自動駕駛卡車賽道，如何談得上“收斂”收斂的依據有兩個層面，首先是L4卡車落地模式——編隊，之前看可能是一種有人到無人的過渡期，滿足不同地區法規要求，但隨著卡爾動力的落地實踐，現在意識到“編隊”很可能是整個L4卡車的終局。因為無論是鄂爾多斯還是東南沿海，大宗商品本身就適合編隊行駛——每天幾百台車批次運輸，編隊行駛能縮小車距、節約風阻，提升營運效率。即使是較為零散的快遞物流，也可以由承運方調度好幾台不同快遞公司的卡車一起上路。所以就算單車智能技術高度成熟，幹線物流運輸場景中，三四台車一起編隊行駛依然會是主流模式，卡爾動力認為這個比例最終會佔據整個物流市場1/3、甚至1/2的份額。其次是經濟層面。簡單算一筆帳，傳統重卡一年營收大約為50萬至80萬元，扣除燃油（佔比約30%-40%）、路橋費（15%-20%）、車輛維護（5%-8%）、保險（3%-5%）、司機工資（10-15萬元/人/年）及折舊（年均8萬-12萬）等成本後，淨利潤通常在10萬-20萬元區間。一般來說，一輛重卡全生命周期約100萬公里，對應3-5年幹線物流營運年限。而卡爾動力在鄂爾多斯落地的L4無人卡車，首先節省的就是人工費用，也就是說每輛卡車第一年成本和傳統卡車持平，之後的每一年，淨利至少多出10-15萬。大宗貨運的編隊模式，一個1（有人）托4（無人）的車隊，5輛卡車實際只有一個司機，整體車隊司機成本立減80%。再加上車隊智能節油演算法、後車尾流效應節油，整個車隊的毛利，已經實現從傳統的4%左右，直接猛漲4倍，達到16%。代表Robotruck這個賽道，卡爾動力率先實現城市級單車轉正，整體經營盈利只是個時間問題——官方透露，2025年2季度，卡爾動力首次實現單車盈利，按此計算，年化營收5個億。卡爾動力CEO韋峻青，現在又明確給出了公司整體盈利的時間點和指標，而非預估：最晚2027年，對應無人車隊規模3000輛。這3000輛L4重卡車隊，卡爾動力給出了5種產品組成。首先就是L4混合智能編隊產品，在鄂爾多斯已經實現了真正全無人營運閉環，並且實現了盈利，提供廠到廠，門到門的無人化解決方案。第二個產品是換電的L4重卡，和寧德時代一同打造，可以自動開進換電站，全程不需要人的參與。自動駕駛+5分鐘513度的換電，每天理論可以運行接近2000公里。隨著寧德時代換電“新基建”，卡爾動力重卡的營運範圍可以從一個小區域拓展到整個內蒙古自治區、中國的西北地區以及全國。第三個產品針對單程長途運輸而設計，聯合陝汽推出子母車+編隊自動駕駛的方案，在載貨的時候實現1拖1的2台車的編隊，一個司機開兩輛車；在空載返回的時候，一輛車可以將另一輛車駝在背上，空載回程，降低了接近一半的能耗與輪胎消耗、車輛折舊。最先在從新疆到內地的物流大通道，以及甘其毛都口岸、策克口岸到鄂爾多斯西部的運輸路線中，使用這樣的產品。第四個產品，是針對中短途60km之內的重卡短倒運輸，佔到了整個貨運體量的1/3左右。中短途由於運輸時間短，在裝卸貨端造成的時間浪費就比較頭疼，所以卡爾動力搞了單車獨立無人的模式，引入了遠端監控、遠端脫困，自動駕駛維運等新的工作崗位，整體人力效率提升在90%以上，車端場站內不需要引導車也可以實現自動駕駛。最後是未來運輸的終極形態——kargoBot Space運輸機器人。不需要駕駛艙，載貨空間增加25%，有效載重提升10%。這樣就帶來了額外單車運輸毛利5倍提升，在不同的場景下，單台車年收入可增加25萬元-40萬元。卡爾動力的產品佈局，幾乎涵蓋除城市末端配送外的所有物流場景，並且這個產業鏈條上，不光是車企、自動駕駛公司，物流方，還包括了儲能、基建、保險等等行業，形成了一個實質上的物流產業聯盟。大概10多年前自動駕駛卡車剛誕生時，這個設想就已經存在了。所以問題是——為什麼卡爾動力先收斂？還是回歸到技術：卡爾動力是行業內首個無人化拉通貨運全鏈條場景的玩家，包含了園區、高速、城區、野外等等。多說一句，自動駕駛圈不缺技術大牛，技術大牛們也不缺履歷光環，但卡爾動力CEO韋峻青的經歷，在整個賽道仍然有稀缺性：在CMU攻讀博士學位時，韋峻青一線參與了DARPA自動駕駛挑戰賽，代表CMU和史丹佛爭霸——這其實是整個自動駕駛的開端。DARPA挑戰賽的項目經歷，延伸成了韋峻青畢業後的創業公司Ottomatika，後來被德爾福收購，成了這家老牌Tier 1的自動駕駛核心團隊。用《指環王》打個比方，中土世界精靈族牛人很多，但真正誕生在神的大陸，親眼見過維拉、觸摸過雙聖樹光輝的，寥寥無幾——韋峻青，就有點類似凱蘭崔爾的角色。說回具體技術場景。在卡爾動力營運盈利的鄂爾多斯，以一個完整的煤炭運輸鏈條來看，從礦場開始，整個L4車隊首先要在礦區內進行自動裝車、過磅。整個過程的難點在於礦區內並不像港口，不同的功能區根本沒有明顯標識，全程必須靠車輛本身的感知能力。地磅場景其實和ETC完全相同，通行空間狹窄，且同時還要識別抬桿狀態：可以看到這個轉彎場景中，“編隊”被另外兩輛大車惡意搶行導致中斷，後車馬上自主避讓，然後盡快追上頭車恢復編隊：流程是全鏈條的，場景包含了園區、高速、城區、野外等等。整個編隊最大通訊距離有數十公里，後車如果被隔得太遠，頭車還會停靠在路邊等候重新編隊。內蒙地區還有本地特色十分突出的corner case：普通道路甚至有時在高速上，都會出現牛羊過馬路…上高速匝道過收費站，分兩種情況：如果是人工收費，編隊頭車司機直接給整個車隊付好款，然後通過；如果是ETC，則是後車完全靠自身感知規控能力，自主通過收費站高速路邊臨時隔出的養護帶、地上的廢輪胎、防水布等等障礙物，頭車避讓的同時，會把訊號同步給整個車隊，然後每個車視情況擇機繞行避讓。如果某一台車變道機會不好，也不會強行變，而是先減速觀察，必要時還會取消變道，等實際成熟再行動。到了發電廠，L4編隊和有人駕駛的普通卡車完全混行，同樣經歷過磅、卸煤、指定地點自動裝煤灰、再過磅駛出園區的過程。煤灰會按要求拉到指定地點堆放，混合普通土壤壘成山，然後統一綠化：這也是整個流程最讓人意外之處。堆放煤灰的人造山，後期通常數十米高，需要盤旋上坡，單程超過半小時。道路早就被重卡壓的坑坑窪窪，炮彈坑交叉軸密佈，又因為環保要求需要定時噴水避免揚塵， 路面也是泥濘不堪。卡爾動力的L4編隊依然能在後車無人、後端無遠端操控的情況下自主完成路線並自動卸貨。事實上，卡爾動力已經搞定了非鋪裝越野道路的自動駕駛，背後的技術，既有VLA大模型的整個場景的認知理解能力，也有對車輛動態反饋、扭矩控制的精準把控能力。卡爾動力負責AI研發的副總裁王珂告訴我們，100%保證所有場景一個模型全搞定，後端沒有輔助，車端也沒有特調，完全是系統泛化性夠足夠好。怎麼做到的？“L2/L3沒機會”鄂爾多斯擁有全中國已探明煤炭儲量的1/6，以及還有豐富的稀土資源。而畜牧、煤礦、稀土，那一項都是大宗商品運輸強需求。2024年底，中國重卡保有量約700萬台，單單鄂爾多斯市一地，就有超過130萬輛重卡。同時鄂爾多斯又地廣人稀，8.7萬平方千米相當於一個沿海省份大小，高速、國道路況優良。L4卡車落地最佳場景，落地毫無疑是大宗長途貨運，這意味著找客戶的能力比任何時候都重要——但幾乎所有自動駕駛卡車玩家過去10年對鄂爾多斯都“無動於衷”……當然並不是真的無動於衷。實際上，鄂爾多斯集團早就跟中國自動駕駛公司接觸，希望引入無人卡車降本增效，你能叫得上名字的玩家幾乎都談過。但“沒有一家的技術能滿足鄂爾多斯場景豐富的全無人化要求”，要麼泛化性不行，要麼根本沒L4能力。而卡爾動力是主動找到的鄂爾多斯：比較各個賽道之後選了“大宗長途貨運”，因為這個才決定走“編隊”這條路，然後主動聯絡了鄂爾多斯。對於場景方需要的超強泛化性卡車AI司機，卡爾動力提出了六階段訓練流程。這是一個層層遞進、由通用到專用的技術範式，其核心思想是通過“預訓練+遷移學習”來克服自動駕駛領域，尤其是商用車特定場景下的資料稀缺難題。像一個金字塔，底層是廣泛的通用資料奠基，頂端是精準的專項任務最佳化：第一階段：網際網路公開資料預訓練（Internet-Scale Pre-training），模型初步建立起對世界的基本認知、常識和邏輯推理能力，例如理解物體、空間關係、基本物理規律和人類意圖。這為後續的駕駛任務提供了至關重要的先驗知識基礎。第二階段在基礎模型之上，引入滴滴集團豐富的網約車和乘用車自動駕駛資料。這些封包含了大量複雜的城市道路場景（如無保護左轉、行人穿梭、車輛加塞等）。此階段的目標是讓模型初步適應動態交通環境，學習人類司機在乘用車場景下的決策模式和互動行為，其任務與先進的乘用車智能駕駛系統（如Waymo、Cruise的方案）相似。第三階段：卡車私有資料領域適配（Domain Adaptation with Truck Data）。這是模型從“乘用”轉向“商用”的關鍵一步，使用卡爾動力自身積累的卡車駕駛資料訓練。卡車的尺寸、重量、動力學特性、駕駛視野和業務場景（如幹線物流）與乘用車截然不同。此階段讓模型深度掌握卡車的獨有特性，例如更長的制動距離、更大的轉彎半徑、對側風敏感等，使其行為模式更貼合重型車輛的駕駛邏輯與需求。第四至六階段：特定任務精細化調優（Task-Specific Fine-tuning），比如開環規劃、閉環方針、強化學習等等。底層模型吸收人類常識和乘用車經驗，中層注入卡車領域知識，頂層則通過模擬和強化學習“創造”資料，解決長尾問題。所謂技術體系的“收斂”，是從貨運物流場景需求倒推的。短期來看，L4通過“編隊”模式，完美平衡法規、成本、技術的不可能三角。但長期考量，真正的核心不是編隊中頭車的L2，而是尾隨車輛的L4能力，畢竟物流是成本極度敏感的行業，唯一能行得通的自動駕駛落地是“去人”，而不是“減人”。所以L4卡車賽道短期落地比的是找場景、找客戶的能力，但歸根結底，還是比能不能真去人、能不能真泛化的技術實力。鄂爾多斯的機會一直擺在那裡10年，卻只有卡爾動力能抓住，清楚無誤證明了自動駕駛卡車“收斂”的標準：卡車只有真正的L4，L2/L3沒有任何模糊空間、立足之地。 (智能車參考)

近年來，自動駕駛領域迎來了兩條截然不同的技術路線：一條是Waymo、Cruise等公司採用的高精地圖+多感測器冗餘的L4方案，另一條則是特斯拉以現有量產車為基礎、依託純視覺和AI演算法逐步進化到L4的路線。特斯拉近期在德州試運行Robotaxi無人駕駛計程車，被業界視為L4賽道的“最大鯰魚”，預示著顛覆傳統L4落地範式的可能性。特斯拉Robotaxi的出現完全不同於以往L4玩家：不依賴昂貴的雷射雷達等冗餘硬體，而是押注超強算力和大模型，期待AI駕駛員能力的“湧現”。這一策略能否成功，將深刻影響未來自動駕駛技術的演進路徑和商業版圖。本篇文章將深入解析特斯拉對L4自動駕駛的定義和願景、Robotaxi的業務邏輯、硬體與軟體技術架構（FSD晶片、感測器策略、神經網路、OTA機制等），剖析L4落地面臨的技術挑戰及特斯拉的應對之策，並展望Robotaxi可能帶來的商業模式變革、市場結構重塑與社會影響。01.特斯拉的L4自動駕駛願景與Robotaxi概念L4級自動駕駛是指車輛在限定環境下能夠實現高度自動化駕駛，無需人類即時監控介入。特斯拉長期宣稱其“完全自動駕駛”（Full Self-Driving, FSD）功能最終將達到L4甚至L5等級，即車輛可在大部分場景自行安全行駛。儘管當前FSD仍屬L2等級（需駕駛員監督），但馬斯克多次強調實現無人駕駛計程車是公司的核心目標，並為此制定了激進的路線圖。2023年以來，特斯拉逐步在北美測試FSD無人監督版本，並計畫於2025年在德克薩斯州奧斯汀率先推出小規模Robotaxi試營運：預計投入10–20輛改裝的Model Y，在限定區域內提供無人駕駛載客服務，由遠端人員監控以確保安全。這標誌著特斯拉從L2輔助駕駛向L4無人駕駛的重要跨越。值得注意的是，特斯拉甚至已經發佈了沒有方向盤和踏板的Robotaxi專用車型Cybercab概念車，但由於監管限制暫未直接投入使用。馬斯克形容特斯拉Robotaxi願景為“Uber與Airbnb的結合”，允許車主將閒置的私家車接入共享車隊，讓車輛為自己“打工”賺錢。02.Robotaxi業務邏輯商業模式與市場前景特斯拉Robotaxi的商業模式融合了共享經濟與出行服務。馬斯克曾指出，每位特斯拉車主未來都可選擇將車輛接入Robotaxi網路，在自己不用車時讓車輛自動搭載乘客，從而獲得收益。這類似於車主將汽車當作資產出租（如Airbnb模式），而乘客通過手機叫車享受無人駕駛出行服務（如Uber模式）。在這種模式下，特斯拉作為平台營運方可從每次行程中抽取分成。由於無需支付司機成本，Robotaxi網路的營運開支將遠低於傳統網約車服務。據測算，一輛Robotaxi的每英里營運成本有望低於0.18美元，遠低於有人駕駛計程車的成本。馬斯克樂觀地估計，每台特斯拉Robotaxi每年可帶來約3萬美元毛利潤。市場前景方面，特斯拉大舉進軍自動駕駛出行服務，直接挑戰現有網約車和計程車行業格局。憑藉垂直整合的優勢，特斯拉掌控車輛製造、電池、充電網路以及自動駕駛AI全端技術，這使其在成本和技術迭代速度上具備競爭壁壘。與Waymo等專注Robotaxi的公司相比，特斯拉擁有數百萬私家車潛在運力，只需通過軟體升級即可啟動為無人車隊。同時，特斯拉全球佈局的超級充電站網路和售後服務體系也為大規模部署Robotaxi提供了基礎支撐。馬斯克認為高頻次營運、低成本優勢將使特斯拉在自動出行服務領域佔據主導地位，並引領整個出行市場向無人駕駛轉型。03.硬體技術架構FSD晶片與感測器策略要支撐L4級自動駕駛，車輛的硬體架構必須提供強大的算力和可靠的感知能力。特斯拉自2019年起棄用輝達方案，轉向自主研發FSD計算平台，核心是一款高度整合的完全自動駕駛晶片（FSD Chip）。每塊FSD晶片具備高達72兆次/秒的運算能力（72 TOPS），板上整合雙神經網路加速器、GPU和高性能CPU核心，可在72瓦功耗內高效處理海量感測器資料。FSD電腦採用雙冗餘設計，即車上配備兩塊獨立晶片和電源，一旦一套系統故障，備用系統可無縫接管，確保車輛繼續安全運行。這種從晶片架構層面的冗餘設計，大幅提升了自動駕駛系統的可靠性和安全性。隨著技術演進，特斯拉不斷升級自動駕駛計算硬體。2023年推出的Hardware 4.0（HW4）是FSD晶片的第二代版本，算力相比HW3提升約3–8倍。據報導HW4的總算力達到500–700 TOPS量級（相比HW3的144 TOPS顯著躍升），具備更高的圖像處理解析度和更快的神經網路推理速度，以滿足L4等級所需的複雜計算。在下一代Hardware 5.0（代號AI 5）中，特斯拉計畫進一步將算力提高10倍，達到驚人的2000+ TOPS，並增大功耗上限以支撐更複雜的AI模型運算。可以預見，特斯拉通過自研晶片的迭代，正為實現完全自動駕駛打造強大的“大腦”。在感測器策略上，特斯拉選擇了與主流L4公司截然不同的路徑。傳統Robotaxi廠商（如Waymo、百度Apollo）通常在車頂加裝雷射雷達，結合毫米波雷達、高畫質攝影機等多感測器融合，力求360°冗餘感知以覆蓋各類極端場景。從2021年起，特斯拉開始取消毫米波雷達，依靠神經網路從純視覺訊號中推斷距離和速度（即Tesla Vision方案）。到2023年HW4硬體上線時，特斯拉甚至一度移除了超聲波感測器，僅保留8顆高畫質攝影機覆蓋全車周圍，用最低的感測器成本實現全場景感知。這一大膽的純視覺策略將感知硬體成本壓縮到僅幾百美元等級（相比動輒數萬美元的雷射雷達方案優勢巨大），也使特斯拉量產車可以平價搭載自動駕駛能力。值得一提的是，最新的HW4.0車型在部分市場又重新增加了一套高解析度毫米波雷達，並增設了額外攝影機，使攝影機總數達到9-12個不等。例如，中國版HW4車型在8攝影機基礎上恢復了前向毫米波雷達，以增強雨雪等惡劣天氣下的探測能力。儘管有所調整，特斯拉整體上仍堅持以攝影機+演算法為主、輔以最低限度感測器的路線。這種策略大幅降低了單車物料成本和複雜度，在規模化部署Robotaxi時將形成顯著的經濟性優勢。04.軟體與AI架構神經網路驅動與OTA進化在軟體層面，特斯拉走了一條以資料和演算法取勝的路線。其自動駕駛系統高度依賴深度學習的神經網路來實現環境感知、路徑規劃和車輛控制，而傳統的規則硬編碼被極大減少。特斯拉利用全球數百萬輛車組成的車隊，源源不斷收集海量真實道路資料用於模型訓練。通過車載“影子模式”，每輛安裝FSD的軟體汽車在人工駕駛時也在背景執行自動駕駛演算法，自動記錄下演算法與人類操作不一致的場景。這些寶貴的長尾資料（涵蓋各種天氣、光線、道路情況）經上傳後成為改進AI模型的訓練素材。為了消化如此海量的資料，特斯拉打造了專門用於視覺神經網路訓練的超算叢集——Dojo超級電腦。Dojo採用特斯拉自研的D1晶片，具備大規模平行計算能力，可每秒處理百億幀圖像，用於對FSD模型進行迭代訓練。有了資料和算力，還需有效的訓練方法。特斯拉在FSD V12版本開始採用端到端的大型神經網路，通過多工聯合訓練策略，讓單一AI模型同時學習感知、預測和決策，再直接輸出轉向、加減速控制命令。相比以往將感知、規劃、控制拆分模組並由工程師編寫規則的做法，端到端學習使模型可以從海量駕駛視訊中自主提煉駕駛決策邏輯，大幅減少人工編碼干預。同時，引入Transformer時空注意力機制後，FSD可以在鳥瞰圖（BEV）表示的三維空間中理解複雜動態場景，包括對遠距物體和被遮擋目標的跟蹤判斷逼近人類水平。這一套由“海量資料-超級計算-端到端大模型”構成的AI架構，形成了特斯拉FSD獨有的技術飛輪，不斷通過OTA升級迭代，向著更高的自動駕駛能力逼近。OTA機制（Over-The-Air空中升級）是特斯拉軟體架構的另一大支柱。所有特斯拉車輛都支援無線軟體更新，FSD功能也在持續通過OTA推送新版本。得益於統一的軟硬體平台，那怕車主購買車輛多年後，依然能收到功能更完善的FSD更新，從而不斷提升車輛的自動駕駛能力。例如，2025年5月發佈的FSD V13.2.9版本就通過OTA為HW3.0和HW4.0不同配置的車型帶來了大量改進，包括提升攝影機感知更新頻率、最佳化城市街道和高速公路速度控制策略、增強掉頭和泊車等複雜場景處理能力，以及新增識別臨時道路封閉並自動規避的功能。這些升級讓舊款車型的自動駕駛體驗愈發流暢，同時也驗證了特斯拉軟體團隊的高效迭代能力。特斯拉僅用數百名工程師便支撐起全球數百萬車輛的FSD開發，與傳統車企上千人的自動駕駛團隊形成鮮明對比。可以說，OTA機制使特斯拉形成了“資料-訓練-部署-再學習”的閉環，不斷在真實世界中完善演算法。這種敏捷的軟體進化模式，也是特斯拉從L2逐步逼近L4的關鍵利器。05.L4落地的挑戰及特斯拉的應對即便技術路線與眾不同，實現L4級Robotaxi落地仍面臨諸多挑戰。首先是安全可靠性：無人駕駛要大規模上路，必須達到遠超人類駕駛的安全水平，確保極端情況下也能避免事故。這對演算法提出了處理“長尾問題”的要求，即應對千奇百怪的邊緣場景（如施工區、特殊車輛、複雜人車混行等）。特斯拉選擇以海量資料訓練大模型來覆蓋長尾場景，並通過引入Transformer注意力機制提升對罕見工況的感知預測能力。雖然理論上資料越多系統越聰明，但要證明其絕對安全仍需大量現實驗證。特斯拉正在奧斯汀的小範圍Robotaxi試營運中仔細監控表現，同時保留遠端人工監控作為備份。其次是系統冗餘與失效保護。全無人駕駛車輛沒有人類接管，一旦系統部分元件失效，如何避免事故？為此特斯拉在硬體上採用雙冗餘FSD電腦和電源設計，確保任一計算模組失效時車輛仍可繼續安全運行。責任認定和倫理決策也是挑戰：當Robotaxi發生事故，責任在車企還是車主？決策演算法在無法避免碰撞時如何權衡？這些問題需要行業和監管部門共同探索解決。特斯拉的應對策略是依託其技術和資料優勢，分階段穩步邁向L4。當前FSD仍要求駕駛員監督，但特斯拉通過持續OTA降低人工干預率，例如最新版本已用車內攝影機監測替代了方向盤扭矩檢測司機注意力，在部分場景下開始嘗試讓車輛自行應對。馬斯克表示，FSD軟體仍需大量完善，但特斯拉有信心憑藉“資料+算力+演算法”在不久將來實現真正的無人駕駛。他們計畫先在有限城市區域試營運Robotaxi，積累營運資料和口碑，再逐步擴大範圍。一旦技術成熟、法規許可，特斯拉還能迅速通過OTA將數百萬輛在售車型升級為L4能力。這種“先局部、後普及”的策略，與競爭對手動輒重金打造定製無人車隊的做法截然不同。可以預見，如果特斯拉Robotaxi初期試點證明可行，將給傳統L4路線帶來巨大壓力——L4不再是少數公司的專屬試驗，而可能演變為主流量產車的全民升級。正如業內人士所言：“升維的Robotaxi大量落地且效果不錯的話，傳統L4該如何回應？”特斯拉的探索無疑正在重新定義L4落地的範式。06.Robotaxi對行業格局的重塑特斯拉Robotaxi若成功規模化，將對汽車產業和出行市場產生深遠影響。首先，汽車商業模式將被改寫：汽車不再僅是售賣給個人的交通工具，而且成為持續創造服務收入的“帶輪子資產”。特斯拉率先將這一理念付諸實踐，可能引發其他主機廠跟進佈局自有的無人駕駛出行服務，將業務從製造業延伸到出行營運領域。這意味著汽車廠商和出行平台的角色邊界開始模糊，未來或出現汽車企業直接營運大型Robotaxi車隊，與傳統計程車公司、網約車平台正面競爭的新格局。其次，市場結構可能向“頭部集中”傾斜。由於自動駕駛具有很強的資料和規模效應，率先跑通Robotaxi模式的企業將吸引更多乘客和車主加入其網路，形成正反饋加速擴張。從消費者角度看，擁有更大車隊規模和資料優勢的Robotaxi服務將提供更低成本、更便捷的體驗，從而贏得市場份額。特斯拉若憑藉其全球海量車主基礎和充電網路優勢建構起龐大的Robotaxi網路，勢必對現有出行巨頭構成顛覆性衝擊。可以想見，未來出行市場可能由少數擁有領先AI駕駛技術和車輛營運規模的巨頭主導，“軟體定義汽車、服務主匯出行”的局面更加明顯。長期看，Robotaxi賽道的競爭將從拼感測器硬體轉向拼AI軟體和資料積累，自動駕駛的門檻從重資產投入轉為演算法能力比拚。這一轉變有望降低行業進入壁壘，激發更多創新企業參與，但也可能使得擁有資料優勢的領先者在市場中更具統治力。08.結語從L2輔助駕駛穩步升級到L4級無人駕駛的路線，使其走出了有別於同行的獨特道路。通過自研晶片與海量資料的加持，特斯拉在技術架構上建構起“感測器簡約、算力驚人，軟體至上”的體系；通過創新的商業模式和OTA升級策略，其又在商業實踐上探索“存量汽車變身增量服務”的新範式。這一切努力的指向，是讓自動駕駛技術更快、更大規模地走入現實生活。毫無疑問，挑戰是存在的——技術上要持續完善長尾場景的應對，法規上要逐步破冰開放，使用者心態上要跨越信任的鴻溝。但正如馬斯克所堅信的那樣，一旦Robotaxi模式跑通，其帶來的將是運輸效率的飛躍和產業格局的重塑。當無人駕駛汽車真正遍佈街頭，我們的出行方式、城市面貌乃至生活習慣都將隨之改變。特斯拉以Robotaxi重塑L4落地範式的故事，正在成為汽車工業新時代的一段精彩篇章，也為所有關注科技與出行未來的人們提供了一個絕佳的觀察窗口。人類與AI協作駛向明天的道路上，變革的大幕已然拉開，我們拭目以待。 (智駕派)

上海車展如火如荼、人頭攢動，但今年的王炸只有一個——智能駕駛或說自動駕駛！而最讓人意外和驚喜的無疑是廣汽了。在2025年上海國際車展上，廣汽埃安與滴滴自動駕駛強強聯合，推出全球首款具備全球適應能力的前裝量產L4 高度自動駕駛車。這裡需要稍微解釋一下什麼叫“前裝”，就是從產線誕生的原生自動駕駛車，這與許多“後裝改裝”是完全不同的。為了達到L4級自動駕駛的安全要求，廣汽在該款前裝量產L4自動駕駛車搭載了33個感測器，比業界平均20個感測器的水平超出65%。同時，足足用了10顆光達，包括4顆長距雷達與6顆補盲雷達，最遠探測範圍200米，更是將最近探測距離由行業目前的30釐米升級至10釐米，實現360°無死角覆蓋，啟動時就算近距離跑來個小貓也能及時預判。另外，也首次搭載紅外線感測器，能夠透過溫度感知生命體，漆黑的雨夜馬路上穿梭的小動物也能精準辨識。廣汽為了實現L4級自動駕駛確實「堆料」誠意十足，再結合滴滴自動駕駛全新一代L4軟硬體技術方案和多維度安全冗餘體系，確實有望成為全球第一台L4全球車型。那實現L4級智駕，是不是可以無條件的完全自動駕駛呢？根據國際汽車工程師協會（ SAE International ）的劃分，將自動駕駛分為從L0到L5的六個等級。每個等級代表技術的逐步提升：L0至L5，從無自動化到完全自動化，每個數字背後都蘊藏著科技的飛躍。其中，L4為高度自動駕駛，也就是在預先設定的運轉條件內（如特定區域、道路類型、速度範圍、天氣條件等），車輛可以完全自主完成所有駕駛操作（轉向、加速、煞車、變換車道等），駕駛者無需監控系統或隨時接手。如果超出預設的運作條件（如極端天氣、未測繪區域等），系統會要求人類接管，但若駕駛未回應，車輛會採取安全措施（如靠邊停車）。也就是說，除非是特殊情況情況，L4級智駕已經可以做到完全自動駕駛了。因而，業界通常認為只有L4、L5級智駕才是真正的自動駕駛，其他都是輔助駕駛。也就是說，如果廣汽年底按時量產交付的話，意味著全球智駕第一次來到真正的無人駕駛。為了打消疑慮，廣汽同步承諾，廣汽將為未來L4車款的自動駕駛安全擔負兜底！這也是改變規則一個重大承諾，此前我們知道車輛發生事故，從責任認定上通常都是當事人承擔最大的責任，但廣汽將責任兜底。這意味著自動駕駛事故責任全面進入「車企全擔」時代。當然，除了廣汽之外，特別值得一提的是4月22日發佈的華為干昆ADS 4.0系統。據瞭解，該系統已率先通過工信部認證，支援駕駛員在高速公路場景下完全脫手，車輛能自主完成變換車道超車、匝道匯入等操作，最高適用時速提升至130km/h，雷射雷達與毫米波雷達融合感知方案，實現200米內障礙物識別精度達±5cm ，極大地提升了駕駛程度的便利性與智能化。有趣的是，廣汽傳祺在上海車展上發表了與華為干昆聯合打造的「雙智旗艦」傳祺嚮往S9與M8干昆系列，成為全球首批搭載華為干昆智駕ADS 4系統的車型。如此看來，廣汽2025年在智駕上確實是全面開花了。當然，除了廣汽之外，今年比亞迪、吉利、奇瑞以及新勢力的小鵬、理想、小米也都在「智駕」領域集中發力。因此，廣汽L4的量產不僅是技術突破，更是中國智慧汽車產業從跟隨到引領的轉捩點。當特斯拉執著於純視覺的全球化擴張，華為深耕多感測器安全壁壘，比亞迪掀起智駕平權革命，小鵬打磨使用者體驗細節，這場競賽已超越單車技術的範疇，演變為生態體系的全面對抗。在生態全面對抗中，中國智駕正從參與者蛻變為規則制定者。 （飆叔科技洞察）

馬斯克認為激光雷達存在技術缺陷，但L4技術人員並不認可。 外界熟知特斯拉一直反對激光雷達的原因是覺得它太貴，但是從技術角度來看，特斯拉內部其實還有另一個說法，他們認為激光雷達的問題不只是貴，還在於跟攝影機的資訊融合上存在技術障礙。 在討論這個問題之前我們先來認識一個行業基本誤區。目前行業將沒有激光雷達的方案統稱為純視覺方案，但其實國內很多車企即便沒有激光雷達，大部分都有毫米波雷達，嚴格意義上來說，應該是攝影機為主的視覺方案。但特斯拉的純視覺是只有攝影機，除了激光雷達，連毫米波雷達都沒有，這才是所謂的純視覺。 這時候我們再來看馬斯克拋棄激光雷達的原因在那裡。馬斯克的邏輯其實很簡單，攝影機是人的“眼睛”，既然人眼能看清，相機也能看清。但是攝影機存在的基本事實無法忽視，缺少深度資訊的攝影機天然就存在“視覺欺騙”的缺陷。比如把白色車輛識別成白雲，將路邊的廣告牌上內容識別為汽車。

近日，輝達L4級自動駕駛晶片落腳合肥引起熱議，很多人問為何輝達不選上海，或是深圳，而偏偏選合肥呢？ 一、新能源汽車產能全國第三，佔8% 根據蓋世汽車蓋亞系統資料，2023年合肥市乘用車產量100.1萬輛，年增112%，其中新能源乘用車產量74.5萬輛，較去年同期成長2.2倍。合肥汽車產量突破百萬大關，躋身全國城市前十名；其中，新能源乘用車產量更是躍居全國第三，佔全國總量約8%。 同時，合肥現已聚集了比亞迪、蔚來、長安、江淮、福斯（安徽）5家乘用車整車企業。根據蓋世汽車研究院預測，2024年合肥乘用車產能預計將超過250萬，其中比亞迪合肥規劃產能100萬，蔚來汽車規劃產能48萬輛，長安汽車規劃產能40萬輛，大眾（安徽）35萬輛，江淮汽車30萬輛。

“目前，團隊正在車輛生產和交付中忙碌。發佈當天就有這麼多訂單，我們到現在還沒有緩過神來。”九識智能相關負責人表示，L4級無人車新品發佈當日收穫訂單5290台，這個數量超過了公司原有兩年產能的總和。 九識智能多款產品售價為3.98萬元至8.98萬元不等。“無人配送車落地的痛點問題——成本，終於得以解決了。”九識智能相關負責人說。 九識智能無人車 3.98萬元起

Part 1訂單、營運車輛和人員 ● 訂單情況 ◎ 官方宣稱的1000台Robotaxi全天候服務，實際上採取了更靈活的班次安排，按早晚班為主、大夜班為輔的排班，每天約有 600 - 700 台車輛在路上正常接乘客。另有約300台車輛則專用於技術測試，不參與實際載客，僅執行虛擬訂單，以不斷最佳化自動駕駛演算法。 ◎ 月度訂單總量官方報導為60萬，這其中既包含真實的乘客訂單，也融合了用於系統測試的虛擬訂單以及調度指令。