重卡不是放大的小车,货运更需要自己的自动驾驶基座模型.....

针对货运自动驾驶所面临的种种问题，卡尔动力提出的 Truck Driver Foundation Model，就很值得分析。如下图所示，有几个关键点提炼给大家：

• 输入端值得关注的是世界知识、驾驶视频和LLM；

• 经由自研的世界行为模型WAM进行特征编码，实现对场景的4D空间推理、数据合成，并且具备长短时记忆和超长时域的空间预测能力；

• 最后经由师徒模型进行蒸馏，实现自动驾驶系统的持续进化。

在乘用车领域，4D空间推理、长短时记忆均已较为成熟，但超长时域的空间预测能力却是重卡领域所必须的，这个方向其实没有太多的经验参考。

尤其是高速上，重卡想要感知远处200m甚至500m外的障碍物，现有激光雷达和视觉感知技术，基本无法满足重卡全工况下的高可靠安全需求，所以卡尔动力在这个领域的探索，我相信是有自己的理解。

整体上看，卡尔动力采用强化学习 + 自研 WAM 的技术范式，构建 Kargo Truck Driver Foundation Model，也就是货运基座模型。

面向重卡自动驾驶任务，对多场景数据和通用自动驾驶能力做专项优化，形成面向重卡的世界行为模型。

这个名字很有意思。它没有叫通用驾驶模型，而是叫 Truck Driver Foundation Model，货运自己的 AI 司机。

这里面最关键的是两个技术。一个是 WAM，世界行为模型；另一个是强化学习。

WAM 让卡车理解物理世界如何演变，强化学习让卡车知道自己该怎么做。

对重卡来说，预测未来比看清现在更重要。

因为重卡的动作响应慢，制动距离长，车身结构复杂，货物和挂箱还会带来额外动力学约束。它不能等风险已经快到眼前再处理，而是要在更长的时序里提前预测，前方道路会怎么变化，旁边车辆会怎么博弈，挂车会扫过哪里，低附着路面下车身会不会进入危险状态。

这也是卡尔动力 WAM 里强调 4D 空间推理、场景数据合成、长短时记忆和超长时域空间预测的原因。

再看强化学习。

过去很多端到端自动驾驶模型，本质上还是以模仿学习为主。模型学习人类司机在某个场景下怎么开，然后在相似场景里复现这种行为。

这条路当然有效。但货运的难点在于，很多场景甚至没有人类经验供参考。

例如卡尔动力采用的编队模式，车辆编队的最小车间距是10m，人类司机无法接受这么小的车间距。不止如此，重卡模仿学习还会面临乘用车完全不一样的问题：

• 一方面，长尾风险太多，靠示范数据很难覆盖完。

• 另一方面，重卡是强约束系统，安全、效率、能耗、时效、货损、编队协同都要一起优化。人类司机的一条轨迹，只告诉模型「当时这样开了」，不一定告诉模型「这是不是更优」。

强化学习的价值就在这里。

卡尔动力的强化学习，在已有驾驶经验的基础上，把目标、奖励和约束放进训练过程，让模型不只是学会像司机一样开，而是在货运任务里学会更优的动作选择。

强化学习和 WAM 的组合，本质上是在把「驾驶经验」升级成「货运策略」。WAM 提供对世界变化的理解，强化学习提供在复杂约束下的决策优化，这比单纯做一个更大的端到端模型更适合货运。

不止如此，卡尔动力提到的师徒模型，也很值得琢磨。

云端离线教师模型依托海量跨域数据训练，边缘学生模型经过蒸馏轻量化部署。再结合接管事件诊断、长尾场景挖掘和自动化研发闭环，把模型迭代周期从 5 天压缩到 12 小时。

货运基座模型不能只在云端聪明它必须能部署到车端，能实时响应，能持续迭代，还要能在真实运营反馈里不断变强。

所以师徒模型的意义，不只是大模型教小模型。它是把云端训练、车端部署、运营反馈和长尾挖掘接成闭环。一台车跑过的经验，最后要变成整个系统的能力。

这才是「车辆越开越聪明」背后的工程含义。

讲基座模型，最后一定要回到数据，卡尔动力目前披露的几组很抓眼。

4500 万公里落地里程，14 亿吨公里运量，超 400 台编队，超 300 天 AI 司机和人类司机一起接活。

这些数字是卡尔动力背后真实的任务数据，如果只是普通道路数据，哪怕数量再大，也未必能训练出懂货运的模型。

据我们了解，卡尔动力的多源训练数据覆盖 Robotaxi、Robotruck和乘用车的量产数据，为模型训练和泛化提供支撑。

这个组合很有价值。

• Robotaxi 和乘用车 NOA 数据，可以提供更丰富的通用交通场景；

• Robotruck 数据，则提供重卡和干线的核心经验；

• 云端合成数据，能够把稀缺长尾场景补出来。

但真正构成壁垒的，还是那些来自货运本身的真实运营数据。因为它不只是告诉模型路上有什么，还告诉模型货运是怎么运行的。

这也是货运基座模型和通用自动驾驶模型最大的差别。通用模型学的是道路，货运模型还要学线路、货物、车队、能源、时效和成本。

对 Robotaxi 来说罕见的 corner case，在货运里可能就是某个季节、某条线路、某个行业的日常。这种日常，只有真实跑过才能沉淀进模型。

在乘用车自动驾驶走向成熟的阶段，货运自动驾驶反而在茁壮成长。AI 要真正进入运输系统，就必须长在适合货运的身体里，也必须接入真实的运力网络。

卡尔动力提到的 KargoPlatform Gen5.0硬件平台、全冗余、全线控、运输机器人，其实解决的是模型落地的物理底座问题；而调度、能源、运维、驾驶员赋能和虚拟驾驶员服务，解决的是它如何持续进入真实物流网络的问题。

这也是为什么卡尔动力把自己的体系拆成 AI、Robot、Service 三层。

AI 决定虚拟卡车司机能不能持续进化，Robot 决定这套智能能不能安全执行，Service 决定它能不能被客户真正使用起来。

对 L4 货运来说，安全决定下限，效率决定上限。

如果说过去行业更关注「车能不能自己开」，那么现在卡尔动力正在回答另一个更难的问题：一套自动驾驶货运系统，能不能安全、稳定、高效地跑进真实产业链里。

这可能才是货运自动驾驶走向复制拓展的关键。