对话崔迪潇：卡车自动驾驶干了10年，为何还在割据

在自动驾驶的创业浪潮中，商用车自动驾驶向来扮演着透明的角色——没有多少科技行业的精英，想常驻在矿山、港口、高速公路上，与翻斗车、集装箱卡车、厢式货车打交道。

但今年，这个行业迎来了久违的热闹。3月，卡尔动力完成超过1亿美元的B轮融资，4月，深向披露Pre-IPO融资3.1亿美元，5月，驭势科技在港交所上市，6月，易控智驾通过港交所聆讯，深向科技、零一汽车也在港股门前列好了队。特斯拉跳票多年的纯电重卡Semi即将开启规模化交付，卡车FSD也进入了测试。

接连出现的融资、上市和量产进展，让这个经历漫长冬季的行业，看起来重新回到了聚光灯下。

偏偏是在这个最热闹的时候，崔迪潇选择暂别，转向职业与人生下个阶段的探索。在之前的十余年中，自动驾驶既是他的生活，也是他的理想。
崔迪潇
学生时代，崔迪潇是西安交通大学控制科学与工程博士，师从郑南宁院士，他是西安交大“夸父号”无人车的创始成员和车队队长，也曾在欧洲自动驾驶头部实验室意大利Vis Lab深造。
2018年，在西安交通大学任教的崔迪潇，接受智加科技CEO刘万千邀请，出任智加中国首席科学家，走出象牙塔投身卡车自动驾驶创业，目标是用无人驾驶重卡，改造中国的干线物流市场。

进入公司后，崔迪潇主导搭建了智加在中国的研发团队，向市场交付了与主机厂联合打造的智能重卡，也带队完成了国内第一个L4自动驾驶重卡仓到仓运营测试。

他的位置因此有些特殊。他做过学术无人车，带过L4研发，也做过卡车NOA量产；和主机厂讨论过车辆接口，跟物流公司算过节油和司机成本，也曾为了理解真实运输，跟过连续驾驶26小时的物流重卡，在副驾吓得睡不着。
这也解释了他谈话时的状态。他说到兴奋处会敲桌子，觉得一个结论说得太满，又会停下来，加一句限制条件；碰到行业多年没有解决的问题，他会先叹一口气，再承认“这个事情挺难办”。
他的表达里有技术人员对逻辑闭环的执着，也有长期在商业化现场摸爬滚打后留下的警惕。
在和我们的对谈中，他反复拆掉了行业习惯使用的线性叙事：
卡车L2并不天然通向L4，从卡车L2跨到卡车L4，要补上的安全方法论，可能比把乘用车L4迁移到卡车上更难；同样被归入商用车自动驾驶，矿山、港口、机场和干线物流，本质上可能是几门不同的生意；底层技术有可能向少数公司集中，但运营、地方资源和客户关系仍会把市场切成许多区域。
在技术上，他相信模型会接管越来越多难以穷举的交通博弈，但安全边界不会随规则一起退场；他用贝叶斯和非相似性冗余解释L4系统，反对把无人驾驶安全押在单一模态上；他认为软件最终必须服从一辆真实的车，装配误差、制动转向、供应链和百万公里可靠性，不会因为模型变大而自动消失。
他判断，移动能力可能逐渐基础模型化，率先做出底层基模的未必是今天的自动驾驶公司；干线自动驾驶公司如果想捕获足够大的价值，最终可能要进入运力运营，但全国性的L4卡车运营商又未必存在。
这些判断并不总是彼此平整。他强调统一与标准，又认为碎片化难被彻底克服；他相信模型会变得更强，也坚持给模型留下独立的安全兜底；他曾经把L4当作明确的终点，如今却承认，行业也许还没有找到一种能够稳定供养L4的组织方式。
我们原本想从他那里获得一个关于商用车自动驾驶的答案。后来发现，崔迪潇并不是站在终点替行业总结成败的人。他曾经笃信L4，亲手做过L2，在物流线路上跟司机熬过漫长的夜，又在融资和上市重新热闹起来时暂时离开一线。
他的笃定、停顿、叹气和反复补充的限制条件，并不是答案之外的杂音。恰恰相反，它们记录了一个行业从技术乐观走向工程现实的过程，也构成了答案本身。

01
从L2到L4，资源填不平方法论的沟

远川：你加入自动驾驶行业，目标是冲着实现卡车L4，或者说干线物流卡车无人驾驶去的，但今天行业仍然没有实现干线物流无人驾驶的商业化运营，你认为卡点在哪儿？

崔迪潇：技术首先是一个问题。

假设任何技术发展都是一条S曲线，辅助驾驶要解决的是曲线前半段的问题，跨过 “可用” 的门槛。这一阶段会有大量的技术架构的迁移，从大量的规则化到CNN到transformer到世界模型，它们重塑的是这个阶段的能力边界与落地效率。但L4和辅助驾驶的逻辑是不一样的，而现在还没有一个技术，能够完全解决长尾场景，这是L4要去解决的问题。
其次是政策法规如何打通跨省运输，不同地区监管推进节奏也可能有差异。这会直接影响干线L4跨省运营的整体推进速度。这也部分解释了为什么在干线L4这个赛道上，至今还没有看到真正意义上跨省商业化运营的公司。
与之形成对照的是末端配送无人驾驶。末端配送车辆体量小、行驶速度低，即便出了问题，后果相对可控。所以各地策略是先放开、先跑一跑，等到行业积累了一定运营数据后，再出台法规加强规范。但干线L4一旦发生事故，后果严重得多，不可能复制“先跑再管”的路径，所以节奏必然会慢很多。

远川：你2018年加入智加后，很快两条腿走路，既带队主导L4重卡自动驾驶技术研发，也做了L2卡车辅助驾驶项目，这是预见到了L4的路还很长，决定曲线救国吗？
崔迪潇：一是直接做L4遇到了挑战，过程中遇到了很多Corner Case难以解决，而我们也看到了数据驱动对研发范式的重塑，希望通过拿到更多数据去解决这些问题。
另外一点，卡车主机厂产生了一些对辅助驾驶的真实需求比如节油，而它同时能够帮助解决我们过程中的数据问题、研发范式转变问题，以及带来一定营收，所以我们有了研发内容的调整，决定去做卡车NOA。第一代高速NOA 2019年立项，2020年交付。
远川：卡车NOA这个产品达到预期效果了吗？
崔迪潇：实际落地效果和预期存在一定差距。
第一，卡车NOA技术能力实现拐点比大家预期的晚，原来以为投入真实运营中就能快速解决问题，但实际使用比例、运输要求达标率的提高比我们预期来得更慢。
第二，卡车NOA一些关键指标如节油，一开始测算在较理想情况下可能节油10-13个点，但真实大规模跑起来可能就3-5个点。对卡车NOA使用者——车队或者司机来说，回本周期变长，付费意愿就降低。因为在算账这个逻辑中创造的核心价值没那么大，导致达到规模化的速度被拉低。
远川：在这之后智加，也包括其他干线物流自动驾驶公司，推出了“双变单”（注：即通过卡车辅助驾驶系统让双驾驶员配置减少为单驾驶员），它是卡车NOA的下一代产品还是一个迭代版本？它的核心价值是什么？
卡车NoA双变单的设想
崔迪潇：这么说吧，节油是经济视角，NOA是功能视角，而双变单既有经济视角，也有法规责任视角，双变单是卡车辅助驾驶发展过程中衍生出来的东西，和NOA不矛盾。
法规层面，按照法规对长途货运疲劳驾驶的监管要求，司机连续驾驶不能超过4小时，之后至少要休息20分钟。如果车不歇，要两个司机轮班。
但双变单省人力成本是省不到一半的，因为剩下那个司机的工时实际上增加了，所以还需要给这个人增加一定的工资，相当于加班。
远川：对物流公司来说，双变单提供的是合规价值加上节省人力成本的价值。
崔迪潇：对。但因为物流行业利润很薄，三个点的净利已经不得了了，所以很多公司执行的时候，不按照法规来。大多数情况是一个司机一脚油干到底。
我跟过最长的一趟车，那位司机师傅连续开了26个小时没休息。他来接我的时候已经开了16个小时，我说你要不要睡一会儿，他说的是，“没事，今天必须得开到”。车很破，我坐在副驾一直看着他，我都不敢看路，我怕他睡着了。
所以我在智加时做了一个工作，验证双变单后一个司机可以开6小时、8小时还是10小时休息，到底能不能有定量的指导意见出来。我们设计了一整套实验方案来验证双变单对司机疲劳度的影响，但种种原因几经波折，在我离开智加之前，实验没能做完。
跟车调研时的崔迪潇
远川：可惜了。“双变单”推出后，卡车NOA的投入产出比怎么算，算清楚过吗？有没有量化的数据？
崔迪潇：（叹气）我觉得没有。首先在非规模化的情况下去聊商业模式，是容易跑偏的，因为数据噪声会非常大。
其次这里面的显隐性投入，有没有做相应的测算不好说。
卡车NOA的产出包含哪些？节油、省人、保费降低、残值增加。投入包含哪些？第一，所有的研发费用摊不摊到单车上？第二，硬件成本算折旧还是一次性计入？第三，产品交付以后，硬件维不维护，系统要不要做升级？司机要不要做培训？车出了故障以后带来的隐性损失成本，算不算？
这里面的投入可以量化，但统计口径大家是不是对齐的，能做到多大的透明化和多长的覆盖程度，我认为这里目前还在做某种形式的文字游戏。
远川： 一个鸡生蛋，蛋生鸡的问题。下游客户因为看不清楚这个数据会对产品保持谨慎，但你们又需要下游来把这个账算明白。
崔迪潇：或者说，一台商用车的全生命周期平均5年，假如在5年内，通过自持一支有代表性的车队，持续跟踪批量化数据，将卡车NOA全生命周期的TCO拉出来，这是一个扎实的数据。
但问题在于行业还不到真正规模化的交付，一个完整的生命周期还没跑完，基于现有的数据做外推肯定会有误差，所以还得等一等。
远川：你说过离开智加的原因，是用L2辅助驾驶的盈利支撑L4无人驾驶的研发难以持续。是因为NOA还没走通，导致L2的商业回报不足以支持L4，还是说就算NOA走通了，也不足以支持L4？这个问题对其他玩家也成立吗？
崔迪潇：现在有没有哪家辅助驾驶公司是赚钱的？这个行业普遍性面临的困境，是L2的利润太薄，得靠极大的量，才有可能拿到足够的营收去覆盖L4的研发投入。如果乘用车以L2支持L4的模式都还没人跑通，商用车只会更困难，因为商用车的销量远小于乘用车。
远川：你觉得最底层的因素是量。
崔迪潇：对。传统基础 L2 以一次性硬件授权或套件售卖为主，运营属性很弱，相对研发开支来说利润空间有限。在我看来，运营是L4的概念，本质上是Robotruck as a Service。我认为L2，L4两个词隐含了商业模式概念。
远川：所以在你的实践中，用卡车L2给L4筹研发经费这个出发点失效了，那么在L2业务中积累数据为L4所用，这个点还成立吗？
崔迪潇：L2 和 L4 的数据复用度，核心要看复用的边界在哪里。二者在基础感知层的数据有很高的通用性，但在数据分布、场景覆盖和决策控制维度，需求确实存在明显差异。
想要用 L2 数据反哺 L4 的公司，都必须先回答一个问题：自身能在多大程度上接受这种差异。 这个问题目前在行业里还没有被充分论证，也没有公认的量化结论。
只能说，随着神经网络技术的迭代，尤其是能够理解物理规律的世界模型出现后，模型对数据分布差异的容忍度在持续提升，数据复用的可行空间也在逐步变大。
远川：在卡车从L2向L4演进这条路不顺利的时候，有更多玩家从乘用车自动驾驶跨界过来了。你觉得，做卡车自动驾驶从L2业务扩展到L4，要跨越的鸿沟更小？还是乘用车L4扩展到卡车L4，跨越的鸿沟更小？
崔迪潇：我认为，乘用车L4到卡车L4跨越的技术鸿沟更小，因为L4这套系统更复杂。
现在L2已经通过端到端把研发范式和系统架构统一、简化了，它应该是L4系统的一个重要组件，目标是以数据驱动的范式实现基础的行车功能。
而L4在L2的基础上还要做大量系统兜底，要做全链路冗余和失效处理。卡车、乘用车L2没有这个东西，但乘用车L4有，可以迁移，只是安全策略要做调整。
远川：你的意思是，从技术系统架构层面来说，乘用车L4和卡车L4的相似度更高。
但卡车需要看得更远，需要的感知能力会不一样，因为车体大、质量重，可能有拖挂，需要的规控可能也会不一样。
理想的智驾算法最近要切换高帧率模型，他们表示之前许多数据不可用，需要重新采集数据训练模型。乘用车L2算法迭代已经需要重新来过，乘用车L4向卡车L4跨越，代价不会更高吗？
崔迪潇：同样是鸿沟，有些沟填得快，有些沟填得慢。
重新训练模型，数据的生产、标注，现在有相应的手段加速的。通过找更多的供应商，通过更多的数采车，通过更多的自动化标注，通过更多的数据仿真，有可能把这个时间拉回来。这是个资源主导性的鸿沟，它是容易填的。
而做L4和L2之间更多是一个认知和方法论上的鸿沟，不是靠资源能填起来的，需要一些实践。得知道系统什么地方可能失效，到底用什么样的安全策略，它是跟模型并行的另一套东西。我反而会觉得这是真正的鸿沟。
如果按这个思路来看，我会认为乘用车L4和卡车L4之间的沟更小，因为底层架构和技术哲学没有什么差异。
我觉得人天性愿意做更容易、有确定性的事情。现在大家都知道只要把数据驱动的资源砸到一定程度，大概能砸出来个七七八八，绝大多数的关注与认知被当前资源最密集的地方吸引走了。
但当所有人都在All in同一个事情的时候，这个地方反而不能成为壁垒，反而那些没被关注到的地方是有可能产生绝对竞争价值。

02
同叫商用车自动驾驶，做的不是同一门生意

远川：2025年以来港股递表的商用车自动驾驶公司，业务横跨矿山、港口、机场和干线物流，它们是同一类公司处在不同阶段，还是根本在做不同的生意？
崔迪潇：这个问题挺感慨的。
我最近了解到，业内一家做封闭场景自动驾驶的公司，已经成立了一个独立的团队去做干线物流自动驾驶。为什么没有把两家公司变成一家，或者让原公司继续去做一个更大的业务？
我判断，虽然都围绕商用车，但技术、盈利模式、客户诉求这三个维度的差异，实际上把它们切成两个不同的公司了。
我类比某朋友的说法，港口、矿山自动驾驶目前已经是“must have”的刚需，干线还处在“good to have”的阶段。
矿山，港口的无人驾驶已上升为政策性刚需，核心诉求是替代高危岗位、保障安全，无人驾驶已经成为生产的一个必要性环节。但对于干线，主流还是以辅助驾驶，无人驾驶的必要性还没有被产生。更多还处在一个降本增效过程中，是一种手段升级。
另外，大家的商业模式很不一样。
矿山、港口以项目制交付为主。每个矿山是独立的项目，客户看的是项目交付的成本、周期等。好处是毛利率可能比较高，但规模化相对慢一些，因为要一个项目一个项目做。干线物流，如果看它的终局，我认为应该是运营模式，应该变成无人化的顺丰或者无人化的三通一达，核心是靠规模化来摊薄研发成本和增加利润。
某矿山的无人驾驶矿卡车队
远川：但不管是矿山港口还是干线，当下看起来都是在一个项目一个项目地做。所以你说的是终局可能不一样？
崔迪潇：对，我认为终局的状态会不一样。项目制的问题核心是标准化。如果项目非常分散，可能就会把交付团队拖死了。这个时候可能就得做成一种标准化产品，相应地，营收模式也会发生转换。
远川：还有一种模式：一些商用车自动驾驶公司，正在变成某个具体场景的智能化解决方案商？比如西井围绕港口做整个生产流程的智能化改造。
崔迪潇：这是不是也是某种形式的项目制？只是交付的内容发生了变化，但从商业模式上并没有形成标准化的产品交付。L2的NOA和L4的Robotaxi是某种程度上的标准化交付，但场景解决方案肯定不是，因为作业流程太复杂。东西越复杂越难标准化，要抽象的东西太多，上下游环节又得做大量改造，调整原有工序工法，会产生很多额外投入成本。
回到大家的差异，如果像剥洋葱一样，再往里剥一层，那么接下来是技术能力与场景的匹配度。
易控、踏歌、慧拓、伯镭这些矿山自动驾驶公司，还有做港口的公司，他们整体的技术挑战其实不如Robotaxi和干线L4。为什么反而是他们率先跑通了商业化？核心就在于，他们的技术能力和当前场景需求是高度匹配的。
封闭场景有几个特点。首先是低速，这降低了一定的技术难度。其次封闭场景强调调度，比如矿山里涉及多个生产环节，有无人挖机、装载机、矿卡之间的协同配合。单车的感知决策压力小，但系统级别的协同调度压力大，需要和整个生产流程深度耦合。
干线物流走的是开放道路，速度快、载重大、交通场景复杂，感知和规控难度都会增加；但反过来，它的作业流程简单——就是从A点到B点的运输，只解决“运”这个环节，不需要跟上下游生产环节做协同调度。换言之，干线物流虽然单车技术难度高，但作业流程标准化——本质上就是跑完中国的高速公路网。
场景决定了技术选择存在差异。比如矿山、港口场景是否需要数据驱动的端到端方案？我的判断是不需要。因为数据驱动的核心价值是应对开放复杂交通流中的动态博弈，但封闭场景里的行驶路径、作业节奏都由调度系统统筹，几乎没有动态博弈需求。既然没有太多博弈需求，那么就可以用确定性高、开发周期短、故障好回溯的规则化方法来解决问题，就是更高效的选择。
客户诉求、盈利模式、技术，一层层剥开看，可以发现这些公司本质上就是不同的。
远川：如果分别看矿山、港口、机场、厂区、末端配送和干线物流自动驾驶，它们各自发展到了什么阶段？判断“发展阶段”应该看什么，看技术成熟度、无人化、商业收入，还是跨项目复制的能力？
崔迪潇：先回答发展阶段应该看什么吧。我觉得现在谈技术成熟度当然ok，但最终还是要回到运营侧、商业侧来讲，你提到的跨项目复制能力，是比较关键的。
跨项目复制能力，背后隐含着商业收入模型的问题。简单举例，每实现一个亿的营收，交付成本是否会随着项目数量的增加而显著下降？只要下降趋势清晰，未来的走向就是亏损逐步收窄，毛利率改善，净利润提升。
远川：在你看来，跨项目复制能力相当于元能力。
崔迪潇：没错。矿山港口这类场景很多是定制化的项目，需要适配地形、适配调度系统、对接作业流程等，所以行业里流行“多少小时完成无人化部署”这类说法。
这本身反映了技术成熟度——你是不是已经把“可标准化的部分”和“需要现场定制化的部分”拆得比较清晰了，标准化的部分做平台化、工具链化，剩下交给现场运维工程师快速匹配，这样才能降低边际成本。
干线物流逻辑类似，但更极致。因为每个项目跑的都是同一套高速路网，项目之间高度同质化，理论上未来边际成本可以无限趋近于零。
这样梳理下来，各家所处的状态不一样。
矿山、港口、机场、厂区，港股递表的公司已经陆续浮现，驭势科技已经上市，易控也快了，意味着这些场景已经触碰到了临界点：行业从早期零散试点项目阶段，迈入了可标准化批量复制、单项目盈利模型跑通、商业化成熟度获得资本市场广泛认可的产业化拐点。
末端配送我觉得还没到。目前行业玩家在力推无图方案，本质上是原来用重图方案，走的又是代理商模式，代理商把车卖到某个城市，但建图和维护图的成本远远高于几台车带来的营收。行业要在两个层面去改善：技术上要降低适配成本；运营上要避免在不做ROI核算的情况下，仅为了拿牌照而铺城市的粗放扩张。
更合理的路径应该是先在单点城市铺到一定密度，来验证商业模式，同时也检验对当地物流运营体系的冲击，以及与原有运营体系的利益再分配等问题。总之，远未到成熟的阶段。
末端配送无人车2025年以来吸引大量资本关注
干线就更不用说了，目前还处在NOA前装量产批量交付的阶段，L4级自动驾驶仍局限在小范围示范运营，商业化程度在各场景中目前是最低的。
远川：从场景看商用车自动驾驶的路线主要有两条，一种从开放场景出发，通过L2、有人领航编队等中间形态逐步降低司机参与，比如智加、嬴彻、卡尔动力；另一种从封闭场景出发，先实现L4无人化，再尝试扩大到开放道路，比如易控、驭势、西井等等。
你怎么看这两种路径？它们的根本分歧是什么，在于商业哲学还是技术哲学？
崔迪潇：可能技术哲学上的差异远大于商业层面上的差异。
从商业角度看，无论是L2、有人领航编队，还是厂区园区先从部分场景做L4，大家的共同点都是希望在过程中拿到阶段性结果，让投资人和合作伙伴能看到进展，这是表面“共识”。
在底层的技术哲学上，我认为两者有非常大的差异，根源可能在于他们对“壁垒是什么”的认知不同。
从L2出发的公司，其核心壁垒在于数据驱动、大规模量产能力，锚点是规模化。
从封闭场景出发的公司，核心壁垒在于系统安全。L4要求无人，意味着在系统设计时，除了ODD、具体功能的选择，还需要在系统的冗余架构、可解释、可回溯性上做大量工作。这类公司的逻辑是：从环境可控、要素简单的封闭场景切入，能更可控地验证系统安全边界，更低风险地跑通无人化的完整闭环。
如果推演终局，上面两条路线最终会不会合二为一？有可能。但也有可能因为路径差异太大，最终走向不同的终点。
因为走L2路线的公司天然追求规模，会更贴近Tier1的角色。走L4封闭场景路线的公司核心追求是安全，逻辑是“系统必须兜底”，而兜底意味着要么自己做运维，要么合作方来兜底。为了确保安全底线，这些公司大概率会自建远端调度和现场运维体系，最终演变为垂直场景的服务商，而不仅是技术提供商。

03
技术可能集中，生意仍会割据

远川：商用车自动驾驶的创业潮10年过去了，现状是矿山、港口、机场园区等等，每个场景多家公司占山为王。造成这种“诸侯割据”局面的深层原因是什么？
崔迪潇：大家通常认为，商用车的场景和格局呈现出碎片化，是因为技术还不够泛化，但我觉得这只是表层，将市场切碎的其实是两个更深层的因素。
首先是资源的地域属性。矿山港口场景跟资源是强绑定的，而这些资源按照地域性分布，背后涉及地方利益、供应链关系或者区域政策导向，使得这不完全是个技术问题。
其次是商用车的生产工具属性。作为生产工具，要跟场景和作业规则做适配，要考虑ROI最大化，这和追求泛化性是存在冲突的。
自动驾驶商用车有三个评价维度：准确性、时效性、泛化性。其中准确性和时效性是场景方客户的刚需，泛化性是自动驾驶公司的需求，发生冲突时，客户会优先确保准确性和时效性，不会为了技术通用性做牺牲。这个逻辑就决定了，在目前可见的技术下，市场会被切成碎片。
能力突出的团队能在有相似性又有差异性的场景之间，把迁移成本尽可能降到最低，把项目制的东西向标准化交付靠拢。但完全标准化的泛化，目前不存在，甚至未来也不一定能实现。现在没看到任何一家自动驾驶矿卡，拉到没去过的矿就能直接作业的，对吧。
远川：刚才聊的是封闭场景中的情况，你觉得干线物流会有这种格局吗？
崔迪潇：相对来说会好一些。干线物流有几个特点：
第一，场景高度统一，干线跑的是高速公路网，道路条件与通行规则比较标准。第二，货运规则比较统一。因为只解决“运”这个环节，作业流程是从A到B，就是跟着交通法规走。第三，价值锚点标准化，优化方向明确，比如降低人力成本、燃油成本、保险成本。
如果是干线L2，基于上面这三点，在商业上有可能走向集中，诞生一两家头部企业。目前看上去赢彻、智加都在朝这个方向走。
如果是干线L4，也有这个可能性。但这里要把「长途跨省的商业化运输」和「资源型倒短运输」区分开——前者走的是商业化物流路线，具备集中化基础；后者绑定属地化资源，本质上又回到了矿山港口那种碎片化逻辑。
远川：一些企业已经在业务上尝试从自己的根据地向其他场景渗透，做港口的进入干线物流，做开放道路辅助驾驶的进入矿区、港口和园区。这是不是意味着行业进入到了打通场景，开始整合的阶段？
崔迪潇：他们各自还要补课，要补的能力不一样。做干线物流辅助驾驶的玩家，在开放动态场景上技术积累是比较多，但运营侧薄弱；而做封闭场景的，对L4价值链上的每个环节都有过经验，但开放道路的技术深度不够。
从底层逻辑看，行业整合一定符合经济学规律。但从公司角度看，绝大多数创业公司即便谈整合，也是「我整合别人，不是别人整合我」。像早年的运满满和货车帮，都是在更大体量的资本推动下才走到一起，而不是创业者自发坐到一起谈合并。
何况现在还没有哪家公司明显跑出一个身位。谁比谁强？强在哪里？行业并没有形成公认的判断标准，"谁并谁"没有标准答案。背后既有利益分配的问题，也有评价标准模糊的问题。
我曾经有过一个暴论，大家都活着是因为大家都做得不好。但凡有一家真的做得比别人好很多，应该也是一个坍缩的状态。
退一步说，即便整合在经济学逻辑上是成立的，但各地产业资本和地方力量的深度参与，也可能会形成阻力。
远川：你曾经判断，自动驾驶公司最终应该成为运力公司。这个”应该”来自什么逻辑？这个判断适用于所有商用车自动驾驶公司吗？
崔迪潇：干线物流的自动驾驶公司最终应该成为运力公司，原因是物流运输利润很薄，只有走大市场运营，才有获得巨大营收的途径和手段；另外干线场景运输比较标准化，产品形态比较明确，核心价值就是把人替代掉，向运力服务商转型是顺势而为。
矿山、港口、厂区这些公司，核心是通过定制化技术方案让特定生产环节、生产场景的生产效率最大化。这类企业的优化重点是快速响应甲方的个性化需求，依靠差异化获取更高的服务溢价，这也是目前矿山港口大家毛利跑得不错的原因。
干线因为场景标准化，运营优化目标相对通用，做运营商会比较好。背后逻辑是，第一有先决条件，第二物流运输利润薄，要做更大的营收才能维持团队基本盘。
但对于偏封闭场景，合作的特定集团有特定生产作业需求，同时甲方话语权强势，对自有生产流程有很强的自主掌控诉求，这种掌控感层面的“情绪价值”也是甲方的需要。所以在这类场景中不做标准的运力服务商，性价比反而更高。
远川：你觉得干线物流卡车自动驾驶公司应该往大的运力公司走，但你另外一个判断是全国性的L4卡车运力公司不会存在？这两者矛盾吗？
崔迪潇：全国性我认为是走不通的，但能走成区域性的。
这个事情有点像帝国——奥斯曼帝国、古罗马帝国，管理半径不可能无限扩大。软件公司能把网络半径扩得非常大，但自动驾驶业务是与具体物理世界深度绑定，这天然限制公司的扩大。这类业务高度依赖现场作业，本身就是重运营体系，再加上背后有很多资源方、路权问题等等，最终必然会被切成区域化。
我在之前的采访中谈过这个问题，现在可以再提炼一下：
也许有一天，技术层面能有一两家头部公司做到适配所有场景。但是从运营维度来看，市场仍然会被切成很多块。未来可能很多家区域性运营公司买的是同一家或者几家的技术，但从商业交易与市场格局来看，依然会是碎片化的。
L4干线物流的一种形式：编队自动驾驶

04
模型越强，越要给失效留后路

远川：与乘用车相比，商用车自动驾驶的神经网络模型能力和技术架构目前处于什么阶段？
崔迪潇：整体上商用车大概落后乘用车一代。很多商用车方案仍停留在两段式模型架构，或者是仅在前端感知采用多任务学习的大模型，后端依旧偏规则化。
这种差异很大程度上还是源于商用车场景的碎片化。即便都是干线运输，客户不同，运营目标也会不同。
我们以前给荣庆物流和顺丰拉货时，有很直接的体会。荣庆做冷链，相对而言，对时效的要求没有那么高，系统首先要保证安全，其次才是关注油耗。但顺丰以及“三通一达”这类客户，需要保障当日达或次日达，时效的优先级明显提高，油耗反而排在后面。于是我们后来在系统里设置了“油耗优先”和“效率优先”两种模式，由司机自行选择。
更有意思的是，我们后来还发现，如果运营方没有严格考核油耗，司机通常更爱开快车，为什么？因为早到就意味着能早下班。
所以我的观点是，商用车场景的碎片化是客观现实，不只是道路场景的碎片化，也是运营目标、车辆条件、司机诉求各个层面的碎片化，技术选择会跟着这个现实走。
远川：一种普遍的认知是，自动驾驶的系统设计中，模型越发展，规则越让步。你怎么看这个问题？
崔迪潇：这个判断得加个限制条件。随着模型能力不断发展，确实会有越来越多的规则交给模型学习，但不是所有规则都会让步。有些规则可以让，有些规则坚决不能让。
哪些可以让？主要是与动态交通博弈有关的部分，比如跟车距离怎么调整，什么时候变道，面对其他交通参与者时是避让、等待，还是继续通行。这类问题以前是工程师最头疼的。现在乘用车已经验证了这件事，这部分可以交给模型来做。
那哪些绝对不能让步？从L4来看，跟安全底线相关的规则，必须用硬编码（hard code）实现。为什么？因为要可解释、可验证、可追溯。比如碰撞风险怎么判定，制动、转向等关键系统发生失效后怎么分级，发生不同等级的故障后，车辆应该采取什么策略，是继续行驶、在本车道停车，还是靠边停车。
这些涉及安全底线的原则，永远不会让步。甚至不只要保留，还得强化，因为如果连这些都没写好，整个系统就没有任何环节能兜底了。
场景感知和交通流处理的复杂性，会越来越多地交给模型去解决，更平顺、更高效，也把研发成本降下来；但安全规则，永远是那条不能退的底线。这就是我核心的判断逻辑。
远川：面对安全问题和系统失效，行业惯常做法是做软硬件冗余，怎么判断一套冗余架构是有效的？
崔迪潇：这个问题还挺难给出标准答案的，我觉得首先得看系统架构设计。
我可能无法判断一套冗余设计是否真正有效，但应该有能力去判断一套冗余设计是不是假冗余，行业有大量的冗余设计都是一种虚假的安全繁荣。
比如失效故障是不是独立的？现在很多方案用双Orin计算平台，但是有没有可能芯片缺陷导致系统在同一时间失效？也就是说，冗余也是可能共性失效的。现在行业还有讨论用纯视觉方案做L4，在我看来，纯视觉本质上就不是做L4的安全设计思路。
不管是摄像头、激光雷达，还是感知、规划、制动和转向，每一个观测源、每一个子系统都有出错的概率。既然单一环节不可能永远正确，那怎么对冲这种不确定性？就是增加更多相对独立的观测和系统通道。
这里的关键不只是增加数量，还要尽量让不同通道采用不同的原理，具有不同的失效模式，避免因为同一个原因同时失效。
这种对“独立性”的要求，落实到感知系统里，就是要从不同维度引入尽可能差异化的观测。
它既可以来自时间维度，比如从单帧变成多帧；也可以来自空间维度，比如不同位置、不同焦距的摄像头；还可以来自不同物理模态，比如视觉、激光雷达、毫米波雷达和红外。观测越多，差异越大，失效模式越不相同，系统就越有机会通过相互验证，降低单一观测的不确定性。
Waymo的冗余思路
远川：按照这一理解，分布在车上不同位置的多颗摄像头组成的纯视觉方案，也符合多源独立观测的定义？
崔迪潇：纯视觉当然也可以做多摄像头、多视角和多帧，在时间和空间上形成冗余，但它只能做到单一模态下的多视角、多帧。加入激光雷达、毫米波雷达等不同模态，才能进一步做到跨模态、多帧的联合观测。在我的理解里，后者能够提供更充分的异构观测，也更符合L4无人系统对安全冗余的要求。
远川：但从自动驾驶量产的角度来看，冗余越多，系统越复杂，成本越高，到一定程度就失去了工程可行性。
崔迪潇：当然，不是说传感器越多越好，也不是说冗余可以无限做。最终会在失效的概率、失效可能造成的后果，以及为防止失效需要付出的成本之间找平衡。
我知道有的末端配送无人小车是没有做足够冗余的。但是重卡为什么一定需要把冗余做足？因为它一旦失控，带来的危害可能非常大，所以不仅感知要有多源异构的观测，计算、制动、转向、供电等关键系统也要有相应的冗余能力，同时还要具备故障检测和降级处置机制。
这个逻辑还可以延伸到系统迭代上。线上发生一次接管，出现一个Bug，或者暴露一个新的长尾问题，这些都是新的观测。把这些数据挖回来，完成分析、标注和训练，再转化成下一版模型和系统预先具备的能力，本质上也是我以前说过的“把后验变成先验”的迭代逻辑。
远川：6月30号，特斯拉开始在奥斯汀公共道路测试无方向盘、无踏板的量产版Cybercab，说明纯视觉方案已进入面向L4无人运营的路测阶段。
在这种情况下，你反对纯视觉，是原则上认为单一物理模态无法满足L4的安全要求，还是认为以现阶段的模型能力和验证证据，它还不足以满足要求？如果是前者，纯视觉有哪些必须依靠其他传感器才能覆盖的失效风险？
崔迪潇：我不是全盘反对纯视觉，核心边界在于场景和安全冗余要求。
封闭低速的可控场景里，收窄 ODD 后纯视觉可以实现 L4稳定运营；但放到开放道路全域 L4，尤其是干线物流重卡场景，单一视觉是同一条物理成像链路，一旦光照、天气等条件破坏成像基础，整条感知链路可能会同时失效，缺少独立的冗余校验通道。
这是物理特性决定的先天短板，不是算法迭代能完全抹平的。用多传感器硬件冗余换安全底线，是更务实的选择。
远川：在量产的成本压力之下，要怎么说服客户为这种平时看不见的安全冗余买单？
崔迪潇：这个事情确实很难，只能先从最能保命的冗余开始做。
冗余能力是分层的。最基本的一层是fail-safe：当系统发生严重失效时，车辆至少能够识别故障、完成安全降级，就地停车或者靠边停车，确保进入最低风险状态。这个底线必须守住，成本不能省，而且要保证降级和停车链路本身不会出现共因失效。
在此基础上，再逐步向fail-operational发展：某一个环节失效以后，车辆不仅能安全停车，甚至还能依靠冗余系统继续运行，正常完成运输任务，让使用方几乎感知不到故障。做到这一层，产品体验和运营效率当然会更好，但成本也会明显提高。
远川：一方面，模型要尽可能自主地处理复杂场景。但在你的体系里，L4又必须设置独立安全层、确定性的安全边界和故障冗余。如何处理模型自主决策与安全约束之间的张力？安全层管得太多，会不会限制模型能力；管得少，又怎么保证安全？
崔迪潇：在很多情况下应该思考，怎么为AI提供更好的数据、架构和训练条件，让它把能力充分发挥出来，而不是让人的理解能力成为AI的上限。
但L4系统不能只追求模型能力，还必须满足监管和安全责任对可观测、可验证和可追溯的要求。系统出了问题，要能够判断问题发生在哪里，以及为什么作出这样的决策。
自动驾驶从四段式架构演进到“大感知、大规控”的两段式，再逐步合成一张统一网络，中间过程越来越多地变成隐式特征，人很难直接理解。一种可行的办法，是不打断主网络，而是从中间特征层接出旁路分支，通过decoder输出感知、预测、占用网络或轨迹等中间结果。相当于在主网络中引入一套“探针”机制。
这些中间输出未必能完整代表主网络学到了什么，但可以帮助我们建立评测基准，判断模型是否退化、问题出在感知还是规控，也能把部分隐式变化转化成人可以理解和追溯的结果。
这样既能保留统一网络的学习效率和泛化能力，又能对中间状态进行监督和诊断。这也是为什么我认为，一个团队不应该一开始就直接做完全统一的一张网，而应该先从两段式架构做起。至少中间还有明确结果，团队能够判断问题到底出在哪里。

05
自动驾驶最后要服从一辆真实的车

远川：商用车自动驾驶领域，哪些问题明确可以交给模型来解决，至少理论上可以交给模型？哪些问题是即便把模型做大、数据做多、算力做足，也依然绕不过去的？
崔迪潇：越是偏软件侧的，越容易被模型解决。感知、预测、定位、控制等都是如此，靠数据积累、模型迭代能够逐步推进，只是需要时间和投入。
但有几类问题不在此列。
第一，前面提到的单点故障和系统失效。传感器突然失效、转向失效或制动失效，这些问题不能只靠模型解决，本质上要靠系统工程兜底。
第二，车辆本体的问题。包括生产一致性，如装配误差、零部件质量偏差等。这些问题模型能在一定程度上做补偿和优化，但无法从根本上消除。依旧需要在制造端下功夫，将偏差压到系统可接受的范围内。
第三，长期的可靠性验证。一辆自动驾驶卡车连续运营三到五年，跑50万公里、60万公里、100万公里，稳定性怎么样？抗振性怎么样？这些东西不是模型能给的，要靠时间跑出来。这可能是卡车车辆本体最容易被低估、但又最可能决定L4能否真正运营的问题。
自动驾驶汽车天然是软硬件一体化的产品，并且需要软硬协同进化。硬件层面的很多问题，模型解决不了，甚至我们一定程度上要尊重这个客观规律——中国在无人化和智能化上的底层优势恰恰在于强大的制造业。如果我们能充分发挥软硬协同的优势，反而有机会在系统层面反超在纯软件有优势的对手。
远川：你有没有“软件上车后才发现硬件根本实现不了”的经历？
崔迪潇：有，而且“硬件做不到”不只有一种情况。
一种是团队对商用车这个控制对象的硬件特性理解还不够。另一种是原型验证阶段能实现功能，但供应链不支持，成本也扛不住。
这还让我想起朋友讲过的Waymo早期做卡车的一个故事。Waymo刚切入卡车赛道时，曾直接把Waymo One的Robotaxi代码部署上去，结果卡车变道非常猛，司机根本接受不了。
这说明我们对业务场景和硬件特性的理解是一个渐进的过程，不可能一蹴而就，过程中难免会有反复。没有充分考虑到硬件的限制，最终一定会付出相应的落地代价。
远川：但如果硬件已经拖后腿限制软件进步时，作为商用车自动驾驶公司，要不要下场造车？
崔迪潇：我的看法是，自动驾驶公司不必亲自下场造车，但必须以某种形式深度参与车辆定义环节，与能够高度匹配其业务需求的主机厂紧密协作。
在我接触过的项目里，国内不少主机厂对自动驾驶所需的底盘特性、硬件配置要求仍有认知差距。一个例子很说明问题。这两年有主机厂想在重卡侧面装传感器，但前期未做完整的运动干涉校核，导致车门开启到特定角度时，传感器和前车壳会直接剐蹭，甚至把车漆都挤掉了。
远川：一些卡车新势力已经行动了，他们既做自动驾驶也造车，但上市材料中可以看到DeepWay、零一汽车还是走的「代工」（注：不掌握生产资质）模式，这种模式能解决车辆一致性问题吗？
崔迪潇：这个问题分两层看。车辆定义做到位是第一层，制造端能否把定义落实到位是第二层。
先看制造端的现实约束。商用车有几个绕不开的特点。
一是定制化生产。商用车是生产工具，客户采购的核心逻辑是“匹配”——载重、动力形式、轴距等必须与自身的作业现场高度匹配，才能实现经济价值最大化。这导致每个客户的配置要求都不一样，零部件选型分散，工艺难以统一。
二是脉冲式的采购节奏。商用车不是持续平稳地生产，以快递快运行业为例，双11和618之前往往会出现集中采购，过后需求又迅速回落。工厂不可能为几个月的波峰养一整年的冗余人力，高峰期常大量使用外包劳动力，而外包团队的工艺熟练度和操作一致性不及自有团队，不同批次间的功能和品质一致性更难保证。
两个特点叠加，使得商用车很难像乘用车那样实现大规模标准化生产。如何改变这一局面？关键在于产品定义的前置——在正向设计阶段尽可能提高标准化程度，用更少的产品矩阵覆盖尽可能多的客户需求，把非标零部件和临时性工艺环节压缩到最少。
至于是不是代工，不是决定性的。这更多是初创公司在资金有限情况下的现实选择。对这条路径来说，真正的挑战在于：能不能在正向设计阶段就把标准化做到位，确保不同批次的车辆尽可能保持一致，而不是被客户的非标需求牵着走。
特斯拉Semi，激发了卡车新势力创业潮
远川：车辆产品定义上的标准化，解决的是不同批次、不同车型之间的差异。如果一家公司的能力还要复制到更多车型和场景，下一步是不是就要做平台化？商用车自动驾驶的平台化与乘用车有什么不同，又该怎么判断时机？
崔迪潇：“能不能平台化”和“该不该平台化”，是两回事。
“能不能”更多看团队能力——能不能把共性的基础设施和场景特异的部分拆解清楚，基础平台能力是不是已经到位。
“该不该”看时机。判断逻辑是看接下来两到三年，行业的底层核心技术还会不会发生大的变化？如果技术仍处于快速迭代期，平台化就需要谨慎。2022年前后，Transformer和BEV起来以后，很多自动驾驶公司老板都纠结过要不要推翻以前的架构重新做。
再看当前这个阶段，或许做平台化的时机已经到了。因为技术已经开始收敛了——特斯拉不开发布会之后，行业已经没有太多新概念了。（笑）
举例来说，从传感器来看，迭代规律已经相对清晰。视觉传感器的分辨率和帧率按可预见的节奏提升，激光雷达在向图像级方向演进，计算平台无非是继续提高算力、带宽和能效。这些变化路径是确定的，平台化的条件已经比过去更成熟了。
再看系统架构，L4必须为故障准备冗余和兜底，这个底层要求不会变。可能有主系统、从系统、甚至第三备份系统，这是航空航天思路。但主系统内部究竟走四段式还是端到端，要不要引入VLA与世界模型，这些都还在变化。所以要留好适配接口，让平台能快速接入场景数据、完成微调。
另外，矿山、港口场景中与属地化作业规则强绑定的部分，要保持灵活度，用插件方式做模块化组合——A项目沉淀一部分能力，B项目再沉淀一部分，最后组合复用，而不是全部塞进平台。
前面我们还提到过行业整合的可能性，我觉得平台化和行业整合本质是一个问题的两个视角。
远川：商用车当前在线控底盘上还存在哪些问题？乘用车今年在力推线控底盘，作为差异化卖点。但商用车主机厂，似乎很难从终端市场获得做线控底盘的动力——除非你能证明卡车自动驾驶的商业闭环能跑通，且线控底盘确实是瓶颈。
崔迪潇：这个问题问到了点上，我其实也没有确定答案。
至少现阶段，大家普遍的做法是先从现有平台中选一个线控能力和确定性相对更好的车型往下做，而不是从一个差的平台往上做。这背后的决策逻辑是：花的钱是确定的，买到的线控底盘也确实更好——这就够了。至于未来能不能解决某个特定问题，大家不知道，也不愿意为未知去赌。
远川：所以，还是得靠卡车自动驾驶公司和新势力推动？
崔迪潇：我觉得是。2023年，国外某卡车主机厂的人咨询过我，卡车L4的技术什么时候能够就绪？我们给出相对明确的判断，他们再按这个节奏去规划线控平台的开发。
这是商用车的另一个特点，即主机厂很少做超前开发。因为本身利润很薄，一定要看到明确需求才会投入。这也是商用车的线控底盘比乘用车推进更慢的原因，它会等着乘用车在线控底盘上往前跑一跑。

06
当移动能力成为底座，赢家可能不是自动驾驶公司

远川：最近这一年自动驾驶行业都在讲物理AI，讲基模，但大家讲的似乎不是同一个东西。你之前也多次提到过，能不能先界定一下——你所说的“移动能力基模”到底是什么？它应该具备哪些属性和功能，抽象到什么层级？
崔迪潇：我觉得移动基模应该具备几个核心属性。
第一，不跟具体的车型、场景、传感器绑定，具备跨不同移动载体的物理常识。第二，它的职责边界是理解外部环境——环境是什么、怎么变化、空间结构如何、不同主体如何交互、如何预测未来运动。它不该做具体的驾驶决策，因为驾驶决策必须跟业务场景相关。第三，也是关键的，要有泛化和推理能力，能处理罕见场景。这就像一个大脑，某种程度上对应大家说的世界模型。
有了基模之后，怎么让它落地、动起来？举个例子，基模作为底层大脑，在上面叠加一个小模型——这个小模型结合具体的驾驶规则和场景理解，生成适配当前本体的具体驾驶决策。
远川：那这个基模面向谁？被谁使用？
崔迪潇：基模不是直接服务于某一个具体的自动驾驶场景。它的正确使用方法是：作为底座，服务于自动驾驶的落地应用团队，降低他们的开发门槛。
远川：但有些团队也希望把基模的能力做得更完整、更接近开箱即用，比如地平线。
崔迪潇：有差异是正常的，因为本身就没有统一标准。从地平线的角度，提供更多选择，本质上是商业化路径更多、覆盖的终端用户更广。但跳出来看，底层逻辑没有冲突——如果基模解决的是通用场景下的行驶能力，那么结合到具体作业规则时，依然需要再做后续的适配训练。
远川：最有可能率先做出这种基模的，是掌握真实车辆和运营数据的自动驾驶公司，是拥有量产车数据的乘用车企业，还是拥有大模型、算力和通用多模态能力的科技巨头？
崔迪潇：说实话，我感觉可能是最后一个。前两类公司可基于基模做场景适配训练。但现在的关键是算力——算力已经是战略性资源了。之前有投资人告诉我，有互联网大厂以三倍起价在全球扫算力，有就全收。这是一个侧面印证。
远川：你所说的移动能力基模，涵盖具身机器人吗？如果把范围限定在更偏车辆的移动能力基模，前面两类公司可能还有机会？
崔迪潇：我当然希望它能涵盖，但一般公司很难有这个能力。如果要扩展到机器人，前两者可能就没有机会了，或者只能基于开源模型做二次开发。
远川：如果移动能力逐渐基础模型化，自动驾驶公司的壁垒会转移到哪里？
崔迪潇：我觉得是工程化能力、对场景的理解，以及与安全相关的规则和体系能力。基础移动能力里不会放大量规则化的东西，因为规则化本身跟特定场景相关。别人不做的事情，就会成为你的壁垒。
矿山怎么调度、干线物流看重哪些运营指标、客户关系怎么维护、作业流程怎么适配，这些别人不愿意做、也很难通用化的事情，反而会成为自动驾驶公司的价值。
大语言模型已经展示了这个趋势。过去的AI六小龙，现在还剩几家？不少都转向了更垂直的业务。自动驾驶也很可能如此：最终留下来的，不只是模型能力，而是把模型真正部署到现场并持续运行的工程能力。
这类工作很重、很碎，ROI也未必高。拥有大算力、利润更高的科技公司不一定愿意做，但如果没人做，业务就无法闭环。再加上卡车、矿卡、末端配送各自有不同的安全标准、认证或准入要求，进入海外市场后，还要适配当地标准。这些最终都只能由深入场景的自动驾驶公司承担。
远川：这样的移动能力基模还要多久才能出现？
崔迪潇：我觉得，两年吧。
远川：只需要两年？
崔迪潇：我不想说三年，三年太常见了，希望更激进一点。我说的是相对初级的形态，两年。
远川：那大多数自动驾驶公司会就此消失吗？如果会，是因为在当前技术范式下竞争不过而消失，还是等基模出来后，被统一扫进故纸堆？你觉得哪个更惨烈？
崔迪潇：首先，大多数自动驾驶公司的消失跟基模能力本身没有直接关系，这是行业长期发展的自然结果。
逻辑在于，从终局看大家交付的底层能力相近——都是实现A到B的自主移动。这种情况下一定会卷，卷到极致就是效率最高的通吃。甚至包括“拿到某个特定场景的数据后能更快适配”这种能力，最终也只会掌握在极少数团队手中。
整体上看，效率会成为最核心的变量。
远川：但在当前的技术范式下，我们还没看到这个趋势真正发生。
崔迪潇：基础移动能力还没出来，每家的边际成本很难明显降下来，运营管理半径也无法无限扩张——每接一个项目都会拖进去大量人力。一旦基模成熟，行业集中会加速。大多数公司将消失，或者转向细分场景的工程化部署。简单来说，基模不会直接消灭谁，但会加速效率淘汰赛。

07
创业的机会很少，创新的机会很多

远川：最近这一年还能看到一些企业进入卡车自动驾驶领域，现在还是创业的好时机吗？
崔迪潇：先说结论，不是。
现在还能拿到入场券的，必须是“场景+运营+车辆”这种组合，但窗口期也已经非常有限。仅靠全栈技术做L4的创业窗口，不只在卡车领域，整个行业都已经关闭了。
自动驾驶的创业逻辑其实经历了两个阶段。早期拼的是单一变量——技术。那时做减法就可以，目标专一，把技术做稳做扎实，迭代速度足够快，资金使用效率也高。
但到了现在这个阶段，当技术上大家都能做到90分、95分时，差异很难拉开。这时，公司需要做加法——技术之外，运营能力怎么样？车辆平台怎么样？和主机厂的关系怎么样？需要拥有全要素的掌控能力。
有人跟我提过一个观点，我特别认同：自动驾驶跑了十年，到了这个阶段，已经不再是单一比拼技术和工程能力，而是比拼底层的组织能力，包括持续获得生态支持的能力，以及维护与客户、主机厂、物流公司和政府稳定关系的能力。
远川：如果现在还有团队想从0到1进入这个行业，他们会遇到什么？
崔迪潇：从0到1的初创团队，需要串联起场景数据获取、数据价值转化、算法架构设计、软硬件产品化、运营体系落地等多个环节，任何一个环节掉链子都不行。这些核心问题虽然有解决思路，但性价比普遍不高。因为现在智驾行业融资不容易，必须对资金有极高的使用效率，才有可能追赶上来。
更残酷的挑战是，当你从1.0往2.0走的时候，别人已经在3.0了。这种时间差基本等于赢不了。
远川：你这个判断的前提是，没有出现颠覆性的技术范式？
崔迪潇：对。作为一个后来者去追赶领先者，基本只有两条路。
第一条路径是依托巨量资源补位。行业已经替你摸清楚哪些路径可行、哪些先做、哪些后做。你需要做的是把资源匹配到位，快速补上技术差距，就能让其他成功要素发挥作用。
第二条路径是技术范式颠覆，类似于理想汽车做端到端，用一个新范式把原来的东西全部颠覆掉。这种有可能，但这需要对技术趋势的超前判断和提前布局。
所以核心问题变成了：能不能找到一个方式，用可控的资源把方向验证清楚？可以按照这个思路去想创业方向。否则，创业机会最终又落回到掌握资源的那一方。如果一个方向需要巨量资源才能起步——比如你需要10万张H100才能开始——那根本不用干了。对创业公司来说，这不叫机会，这叫死路。
远川：但实际上自动驾驶卡车还有大量的问题没有解决。
崔迪潇：创新的机会大把在，创业的机会很少了。
远川：那你接下来的打算是什么？
崔迪潇：大方向目前有两个。
一个是我在关注具身相关的场景，看看有没有机会从工业物流等领域找一个切口进去，做一些能产生实际价值的业务。另一个是自动驾驶这条线，我会跟行业里的人保持交流，也会把自己的一些思考拿出来跟他们聊一聊，碰撞新的可能性。
但最终方向还没定。我现在是个“失业”人员，出门都打无人驾驶薅羊毛的。（笑）
编辑：罗松松责任编辑：罗松松