炒股公司 400辆Robotruck在内蒙盈利了

自动驾驶炒股公司，第一个完全收敛的赛道出现：

内蒙西北部的鄂尔多斯市境内，此刻有 400 辆规模的L4卡车正在昼夜不停地承担矿产、畜牧等等大宗商品的货运。

每辆无人的L4 重卡，相比传统重卡，年净利直接提升 100% 左右，对物流公司、车队老板来说，即使单车增加 10 万左右自动驾驶技术成本，最快 6 个月也能完全实现超额盈利——

商业模式收敛，全球 L4 卡车赛道走过 10 年，在中国内蒙率先实现单车盈亏转正，用户供不应求。

背后是自动驾驶卡车 10 年技术探索的收敛：L4 编队 + 多模态大模型。

"双收敛"率先实践落地的玩家，是这个赛道第一个估值百亿的独角兽——卡尔动力，滴滴自动驾驶孵化的 L4 卡车公司。

自动驾驶卡车赛道，如何谈得上"收敛"

收敛的依据有两个层面，首先是L4 卡车落地模式——编队，之前看可能是一种有人到无人的过渡期，满足不同地区法规要求，但随着卡尔动力的落地实践，现在意识到"编队"很可能是整个 L4 卡车的终局。

因为无论是鄂尔多斯还是东南沿海，大宗商品本身就适合编队行驶——每天几百台车批量运输，编队行驶能缩小车距、节约风阻，提升运营效率。

即使是较为零散的快递物流，也可以由承运方调度好几台不同快递公司的卡车一起上路。

所以就算单车智能技术高度成熟，干线物流运输场景中，三四台车一起编队行驶依然会是主流模式，卡尔动力认为这个比例最终会占据整个物流市场 1/3、甚至 1/2 的份额。

其次是经济层面。

简单算一笔账，传统重卡一年营收大约为 50 万至 80 万元，扣除燃油（占比约 30%-40%）、路桥费（15%-20%）、车辆维护（5%-8%）、保险（3%-5%）、司机工资（10-15 万元 / 人 / 年）及折旧（年均 8 万 -12 万）等成本后，净利润通常在 10 万 -20 万元区间。

一般来说，一辆重卡全生命周期约 100 万公里，对应 3-5 年干线物流运营年限。

而卡尔动力在鄂尔多斯落地的 L4 无人卡车，首先节省的就是人工费用，也就是说每辆卡车第一年成本和传统卡车持平，之后的每一年，净利至少多出 10-15 万。

大宗货运的编队模式，一个 1（有人）托 4（无人）的车队，5 辆卡车实际只有一个司机，整体车队司机成本立减 80%。

再加上车队智能节油算法、后车尾流效应节油，整个车队的毛利，已经实现从传统的 4% 左右，直接猛涨 4 倍，达到 16%。

代表 Robotruck 这个赛道，卡尔动力率先实现城市级单车转正，整体经营盈利只是个时间问题——官方透露，2025 年 2 季度，卡尔动力首次实现单车盈利，按此计算，年化营收 5 个亿。

卡尔动力 CEO韦峻青，现在又明确给出了公司整体盈利的时间点和指标，而非预估：最晚 2027 年，对应无人车队规模 3000 辆。

这 3000 辆 L4 重卡车队，卡尔动力给出了 5 种产品组成。

首先就是 L4 混合智能编队产品，在鄂尔多斯已经实现了真正全无人运营闭环，并且实现了盈利，提供厂到厂，门到门的无人化解决方案。

第二个产品是换电的 L4 重卡，和宁德时代一同打造，可以自动开进换电站，全程不需要人的参与。自动驾驶 +5 分钟 513 度的换电，每天理论可以运行接近 2000 公里。随着宁德时代换电"新基建"，卡尔动力重卡的运营范围可以从一个小区域拓展到整个内蒙古自治区、中国的西北地区以及全国。

第三个产品针对单程长途运输而设计，联合陕汽推出子母车 + 编队自动驾驶的方案，在载货的时候实现 1 拖 1 的 2 台车的编队，一个司机开两辆车；在空载返回的时候，一辆车可以将另一辆车驼在背上，空载回程，降低了接近一半的能耗与轮胎消耗、车辆折旧。最先在从新疆到内地的物流大通道，以及甘其毛都口岸、策克口岸到鄂尔多斯西部的运输路线中，使用这样的产品。

第四个产品，是针对中短途 60km 之内的重卡短倒运输，占到了整个货运体量的 1/3 左右。中短途由于运输时间短，在装卸货端造成的时间浪费就比较头疼，所以卡尔动力搞了单车独立无人的模式，引入了远程监控、远程脱困，自动驾驶运维等新的工作岗位，整体人力效率提升在 90% 以上，车端场站内不需要引导车也可以实现自动驾驶。

最后是未来运输的终极形态—— kargoBot Space 运输机器人。不需要驾驶舱，载货空间增加 25%，有效载重提升 10%。这样就带来了额外单车运输毛利 5 倍提升，在不同的场景下，单台车年收入可增加 25 万元 -40 万元。

卡尔动力的产品布局，几乎涵盖除城市末端配送外的所有物流场景，并且这个产业链条上，不光是车企、自动驾驶公司，物流方，还包括了储能、基建、保险等等行业，形成了一个实质上的物流产业联盟。

大概 10 多年前自动驾驶卡车刚诞生时，这个设想就已经存在了。

所以问题是——

为什么卡尔动力先收敛？

还是回归到技术：卡尔动力是行业内首个无人化拉通货运全链条场景的玩家，包含了园区、高速、城区、野外等等。

多说一句，自动驾驶圈不缺技术大牛，技术大牛们也不缺履历光环，但卡尔动力 CEO 韦峻青的经历，在整个赛道仍然有稀缺性：在 CMU 攻读博士学位时，韦峻青一线参与了 DARPA 自动驾驶挑战赛，代表 CMU 和斯坦福争霸——这其实是整个自动驾驶的开端。

DARPA 挑战赛的项目经历，延伸成了韦峻青毕业后的创业公司 Ottomatika，后来被德尔福收购，成了这家老牌 Tier 1 的自动驾驶核心团队。

用《指环王》打个比方，中土世界精灵族牛人很多，但真正诞生在神的大陆，亲眼见过维拉、触摸过双圣树光辉的，寥寥无几——韦峻青，就有点类似凯兰崔尔的角色。

说回具体技术场景。在卡尔动力运营盈利的鄂尔多斯，以一个完整的煤炭运输链条来看，从矿场开始，整个 L4 车队首先要在矿区内进行自动装车、过磅。

整个过程的难点在于矿区内并不像港口，不同的功能区根本没有明显标识，全程必须靠车辆本身的感知能力。

地磅场景其实和 ETC 完全相同，通行空间狭窄，且同时还要识别抬杆状态：

可以看到这个转弯场景中，"编队"被另外两辆大车恶意抢行导致中断，后车马上自主避让，然后尽快追上头车恢复编队：

流程是全链条的，场景包含了园区、高速、城区、野外等等。

整个编队最大通信距离有数十公里，后车如果被隔得太远，头车还会停靠在路边等候重新编队。

内蒙地区还有本地特色十分突出的 corner case：

普通道路甚至有时在高速上，都会出现牛羊过马路…

上高速匝道过收费站，分两种情况：如果是人工收费，编队头车司机直接给整个车队付好款，然后通过；如果是 ETC，则是后车完全靠自身感知规控能力，自主通过收费站

高速路边临时隔出的养护带、地上的废轮胎、防水布等等障碍物，头车避让的同时，会把信号同步给整个车队，然后每个车视情况择机绕行避让。

如果某一台车变道机会不好，也不会强行变，而是先减速观察，必要时还会取消变道，等实际成熟再行动。

到了发电厂，L4 编队和有人驾驶的普通卡车完全混行，同样经历过磅、卸煤、指定地点自动装煤灰、再过磅驶出园区的过程。

煤灰会按要求拉到指定地点堆放，混合普通土壤垒成山，然后统一绿化：

这也是整个流程最让人意外之处。

堆放煤灰的人造山，后期通常数十米高，需要盘旋上坡，单程超过半小时。道路早就被重卡压的坑坑洼洼，炮弹坑交叉轴密布，又因为环保要求需要定时喷水避免扬尘，路面也是泥泞不堪。

卡尔动力的 L4 编队依然能在后车无人、后端无远程操控的情况下自主完成路线并自动卸货。

事实上，卡尔动力已经搞定了非铺装越野道路的自动驾驶，背后的技术，既有 VLA 大模型的整个场景的认知理解能力，也有对车辆动态反馈、扭矩控制的精准把控能力。

卡尔动力负责 AI 研发的副总裁王珂告诉我们，100% 保证所有场景一个模型全搞定，后端没有辅助，车端也没有特调，完全是系统泛化性够足够好。

怎么做到的？

" L2/L3 没机会"

鄂尔多斯拥有全中国已探明煤炭储量的 1/6，以及还有丰富的稀土资源。而畜牧、煤矿、稀土，哪一项都是大宗商品运输强需求。

2024 年底，全国重卡保有量约 700 万台，单单鄂尔多斯市一地，就有超过 130 万辆重卡。同时鄂尔多斯又地广人稀，8.7 万平方千米相当于一个沿海省份大小，高速、国道路况优良。

L4 卡车落地最佳场景，落地毫无疑是大宗长途货运，这意味着找客户的能力比任何时候都重要——

但几乎所有自动驾驶卡车玩家过去 10 年对鄂尔多斯都"无动于衷"……当然并不是真的无动于衷。

实际上，鄂尔多斯集团早就跟国内自动驾驶公司接触，希望引入无人卡车降本增效，你能叫得上名字的玩家几乎都谈过。

但"没有一家的技术能满足鄂尔多斯场景丰富的全无人化要求"，要么泛化性不行，要么根本没 L4 能力。

而卡尔动力是主动找到的鄂尔多斯：比较各个赛道之后选了"大宗长途货运"，因为这个才决定走"编队"这条路，然后主动联系了鄂尔多斯。

对于场景方需要的超强泛化性卡车 AI 司机，卡尔动力提出了六阶段训练流程。

这是一个层层递进、由通用到专用的技术范式，其核心思想是通过"预训练 + 迁移学习"来克服自动驾驶领域，尤其是商用车特定场景下的数据稀缺难题。

像一个金字塔，底层是广泛的通用数据奠基，顶端是精准的专项任务优化：

第一阶段：互联网公开数据预训练（Internet-Scale Pre-training），模型初步建立起对世界的基本认知、常识和逻辑推理能力，例如理解物体、空间关系、基本物理规律和人类意图。这为后续的驾驶任务提供了至关重要的先验知识基础。

第二阶段在基础模型之上，引入滴滴集团丰富的网约车和乘用车自动驾驶数据。这些数据包含了大量复杂的城市道路场景（如无保护左转、行人穿梭、车辆加塞等）。此阶段的目标是让模型初步适应动态交通环境，学习人类司机在乘用车场景下的决策模式和交互行为，其任务与先进的乘用车智能驾驶系统（如 Waymo、Cruise 的方案）相似。

第三阶段：卡车私有数据领域适配（Domain Adaptation with Truck Data）。

这是模型从"乘用"转向"商用"的关键一步，使用卡尔动力自身积累的卡车驾驶数据训练。卡车的尺寸、重量、动力学特性、驾驶视野和业务场景（如干线物流）与乘用车截然不同。此阶段让模型深度掌握卡车的独有特性，例如更长的制动距离、更大的转弯半径、对侧风敏感等，使其行为模式更贴合重型车辆的驾驶逻辑与需求。

第四至六阶段：特定任务精细化调优（Task-Specific Fine-tuning），比如开环规划、闭环方针、强化学习等等。