自動駕駛，內蒙第一個完全收斂的盈利賽道出現：

內蒙西北部的鄂爾多斯市境內，此刻有400輛規模的內蒙L4卡車正在晝夜不停地承擔礦產、畜牧等等大宗商品的盈利貨運。

每輛無人的內蒙L4重卡，相比傳統重卡，盈利年凈利直接提升100%左右，內蒙對物流公司、盈利車隊老板來說，內蒙即使單車增加10萬左右自動駕駛技術成本，盈利最快6個月也能完全實現超額盈利——

商業模式收斂，內蒙全球L4卡車賽道走過10年，盈利在中國內蒙率先實現單車盈虧轉正，內蒙用戶供不應求。盈利

背后是內蒙自動駕駛卡車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——每天幾百臺車批量運輸，編隊行駛能縮小車距、節約風阻，提升運營效率。

即使是較為零散的快遞物流，也可以由承運方調度好幾臺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，干線物流運輸場景中，三四臺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占據整個物流市場1/3、甚至1/2的份額。

其次是經濟層面。

簡單算一筆賬，傳統重卡一年營收大約為50萬至80萬元，扣除燃油（占比約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）等成本后，凈利潤通常在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年干線物流運營年限。

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，之后的每一年，凈利至少多出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算法、后車尾流效應節油，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運營閉環，并且實現了盈利，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”，卡爾動力重卡的運營范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，聯合陜汽推出子母車+編隊自動駕駛的方案，在載貨的時候實現1拖1的2臺車的編隊，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，占到了整個貨運體量的1/3左右。中短途由于運輸時間短，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，引入了遠程監控、遠程脫困，自動駕駛運維等新的工作崗位，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。

最后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，單臺車年收入可增加25萬元-40萬元。

卡爾動力的產品布局，幾乎涵蓋除城市末端配送外的所有物流場景，并且這個產業鏈條上，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——

為什么卡爾動力先收斂？

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和斯坦福爭霸——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后的創業公司Ottomatika，后來被德爾福收購，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、觸摸過雙圣樹光輝的，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。在卡爾動力運營盈利的鄂爾多斯，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。

整個過程的難點在于礦區內并不像港口，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，后車馬上自主避讓，然后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。

整個編隊最大通信距離有數十公里，后車如果被隔得太遠，頭車還會?？吭诼愤叺群蛑匦戮庩?。

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，然后通過；如果是ETC，則是后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，會把信號同步給整個車隊，然后每個車視情況擇機繞行避讓。

如果某一臺車變道機會不好，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，然后統一綠化：

這也是整個流程最讓人意外之處。

堆放煤灰的人造山，后期通常數十米高，需要盤旋上坡，單程超過半小時。道路早就被重卡壓的坑坑洼洼，炮彈坑交叉軸密布，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編隊依然能在后車無人、后端無遠程操控的情況下自主完成路線并自動卸貨。

事實上，卡爾動力已經搞定了非鋪裝越野道路的自動駕駛，背后的技術，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，后端沒有輔助，車端也沒有特調，完全是系統泛化性夠足夠好。

怎么做到的？

“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，哪一項都是大宗商品運輸強需求。

2024年底，全國重卡保有量約700萬臺，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于一個沿海省份大小，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“無動于衷”……當然并不是真的無動于衷。

實際上，鄂爾多斯集團早就跟國內自動駕駛公司接觸，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”，要么泛化性不行，要么根本沒L4能力。

而卡爾動力是主動找到的鄂爾多斯：比較各個賽道之后選了“大宗長途貨運”，因為這個才決定走“編隊”這條路，然后主動聯系了鄂爾多斯。

對于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范式，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數據稀缺難題。

像一個金字塔，底層是廣泛的通用數據奠基，頂端是精準的專項任務優化：

第一階段：互聯網公開數據預訓練（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、空間關系、基本物理規律和人類意圖。這為后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數據。這些數據包含了大量復雜的城市道路場景（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交互行為，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：卡車私有數據領域適配（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數據訓練?？ㄜ嚨某叽?、重量、動力學特性、駕駛視野和業務場景（如干線物流）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，頂層則通過仿真和強化學習“創造”數據，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里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。