研究对象：自动驾驶大模型、端到端智驾、Robotaxi、L3/L4 商业化、智能汽车产业链
资料口径：公开公司公告、监管文件、产业新闻、学术论文、行业报告与资本市场资料。本文为产业研究与主题研究，不构成任何证券投资建议。
1. 执行摘要
自动驾驶正在进入第三次范式转换。第一阶段是以规则、感知模块和高精地图为核心的工程系统；第二阶段是以 BEV、Transformer、Occupancy Network 和数据闭环为核心的学习系统；第三阶段正在形成：以端到端模型、视觉-语言-动作模型（VLA）、世界模型和大规模仿真为核心的“具身智能系统”。如果说人形机器人是具身智能最具想象力的形态，那么汽车可能是具身智能最先大规模商业化的载体。
这并不是因为汽车比机器人更简单，而是因为汽车拥有更成熟的产业基础：整车制造、传感器、车规芯片、数据采集、云端训练、OTA、保险、监管试点和用户付费体系已经存在。相比人形机器人，自动驾驶的应用边界更清晰：道路、交通规则、驾驶任务、车辆控制和安全责任可以被定义、测试和监管。因此，自动驾驶很可能成为“AI 进入物理世界”的第一块大规模试验场。
2025-2026 年行业出现两个关键拐点。第一，Robotaxi 从概念验证进入商业扩张。Waymo 在美国多个城市规模化运营，2026 年周付费订单已达到约 50 万次；百度 Apollo Go 在 2026 年一季度交付 320 万次全无人运营订单，3 月周峰值超过 35 万次。第二，量产车智能驾驶从“辅助驾驶功能”走向“端到端 AI 驾驶系统”。Tesla FSD、华为 ADS、小鹏 VLA、理想、蔚来、Momenta、元戎启行、地平线等都在从模块化感知规划系统转向数据驱动的端到端能力。
本文判断：未来 3-5 年，自动驾驶行业不会简单走向“所有车马上无人驾驶”，而会形成两条并行路线。第一条是 Robotaxi 路线，强调 L4、地理围栏、运营网络、安全冗余和城市级规模化，代表是 Waymo、百度 Apollo Go、Pony.ai、WeRide、Zoox。第二条是量产车智驾路线，强调 L2+/L3、车主付费、数据飞轮、低成本传感器和全国道路泛化，代表是 Tesla、华为系车企、小鹏、理想、Momenta 合作车企等。二者都在使用大模型和端到端方法，但商业逻辑完全不同：Robotaxi 卖的是“无人运营效率”，量产车智驾卖的是“驾驶体验、品牌溢价和数据入口”。
真正的胜负手不只是模型是否“端到端”，而是数据闭环、仿真能力、长尾场景、安全评估、监管准入、成本结构和责任边界。端到端模型能提升系统泛化和驾驶拟人性，但也会带来可解释性、验证难度和事故归责的新挑战。自动驾驶大模型的商业化，本质上是 AI 技术、汽车工业和公共安全制度之间的一次深度重组。行业需要避免把“模型能力进步”直接等同于“商业化完成”：自动驾驶最终要通过运行设计域（ODD）、接管责任、事故责任、保险定价和监管许可来兑现。
2. 核心结论
第一，自动驾驶大模型是具身智能最现实的落地场景之一。汽车已经具备传感器、电控执行器、数据回传、云端训练和商业付费体系，比通用机器人更容易形成规模化数据闭环。
第二，端到端不是一个单一技术，而是一条系统路线。它包括从传感器输入到轨迹输出的端到端、从语言指令到驾驶动作的 VLA、从场景理解到未来预测的世界模型，以及从真实数据到仿真训练的闭环。
第三，Robotaxi 和量产车智驾会长期并存。Robotaxi 更接近“受控城市里的无人驾驶运营商”，量产车智驾更接近“消费者车辆上的 AI 驾驶能力”。二者数据、成本、监管和商业模式完全不同。
第四，中国自动驾驶具备独特优势：全球最大新能源汽车市场、高 L2 渗透率、激烈车企竞争、城市 NOA 普及、运营商级 Robotaxi 试点，以及 L3 准入开始落地。MIIT 2025 年公布首批 L3 有条件自动驾驶车型准入许可，标志中国从测试阶段进入商业应用关键一步。
第五，安全与监管将成为行业分水岭。系统越端到端，越需要新的验证方法：闭环仿真、长尾场景生成、事故复盘、黑盒记录、责任归属、OTA 监管和人机接管标准。
第六，投资机会会从整车扩展到“自动驾驶基础设施栈”：车载计算芯片、传感器、数据标注、仿真平台、世界模型、Robotaxi 运营、车路云协同、保险和安全评测。
第七，端到端智驾的真正门槛不是把模块合并成一个神经网络，而是建立可验证的安全工程体系。能否定义 ODD、识别系统能力边界、记录黑盒数据、解释事故原因、通过闭环仿真和实车验证，决定了端到端路线能否从宣传卖点变成监管认可的产品。
3. 研究背景：自动驾驶为什么重新升温
自动驾驶曾经历过明显的预期回落。2016-2019 年，行业普遍认为 L4 Robotaxi 很快可以大规模落地，但现实证明，城市道路的长尾场景、监管许可、车辆成本和运营安全远比想象复杂。2020-2022 年，部分 Robotaxi 公司收缩，传统车企对 L4 的投入也更谨慎。
2023 年后，行业重新升温，原因不是旧路线突然变简单，而是底层技术栈发生变化。BEV 和 Transformer 让多摄像头感知更统一；Occupancy Network 提升了对 3D 空间的表达；端到端模型减少了模块间误差累积；大模型带来了语言推理和场景解释能力；世界模型和生成式仿真让长尾场景训练成本下降。
更重要的是，商业化路线发生分化。Robotaxi 不再追求“一步到全国”，而是通过城市级运营逐步扩张；量产车智驾不再承诺马上无人驾驶，而是通过 L2+/城市 NOA/高速 NOA/泊车等功能积累用户、数据和收入。行业从“全自动驾驶终局叙事”转向“持续提升可用性和安全边界”的工程化阶段。
4. 技术路线演进
图1：自动驾驶技术路线演进
4.1 从模块化系统到端到端
传统自动驾驶系统通常拆分为感知、预测、规划、控制等模块。优点是可解释、可调试、便于安全验证；缺点是模块之间容易产生误差传递，每个模块优化目标不完全一致，长尾场景需要大量规则修补。
端到端路线试图让系统直接从传感器输入生成驾驶轨迹或控制动作。它的优势是可以利用大规模驾驶数据学习人类驾驶策略，减少人工规则，并在复杂交互场景中形成更自然的驾驶行为。缺点是验证难、解释难、事故归责难，尤其在安全关键系统中，单纯依赖神经网络黑箱并不现实。
因此，短期最可行的系统不是“完全黑箱端到端”，而是混合架构：底层控制和安全冗余保持工程化约束，中层由端到端模型生成候选轨迹和驾驶策略，上层通过规则、安全检查、冗余感知和人机接管机制兜底。
行业里常见的误区，是把端到端理解为“删掉所有工程模块”。更准确地说，端到端是优化目标和学习范式的变化，而不是安全工程的消失。真正可商用的端到端系统通常仍需要传感器健康监测、冗余制动/转向、最小风险策略、碰撞避免约束、地图或先验信息、驾驶员监控和远程诊断。模型负责提升上限，安全壳负责守住下限。
4.2 VLA：从看见道路到理解意图
VLA 即 Vision-Language-Action，把视觉、语言和动作统一到一个模型框架中。OpenDriveVLA、VLA-World 等论文显示，自动驾驶模型正在从“看图预测轨迹”走向“理解场景、解释风险、遵循高层指令并输出动作”。
VLA 对自动驾驶的意义在于，它可能解决传统系统中难以表达的语义问题。例如，“前方施工区域旁边有行人犹豫是否横穿”“警车停在路边且灯光闪烁”“公交车靠站后可能有乘客从车头冒出”。这些场景不仅是几何问题，也是语义、意图和社会规则问题。语言模型可以把世界知识和交通语义引入驾驶决策。
但 VLA 也有风险。驾驶是毫秒级、安全关键任务，语言推理不能替代低延迟控制。更合理的方向是：VLA 参与场景理解、风险解释、规划辅助和仿真生成，而实时控制仍依赖专门优化的驾驶策略和安全系统。
4.3 世界模型：自动驾驶的“想象力”
世界模型用于预测未来场景演化。对自动驾驶而言，这意味着系统不仅要识别当前车、人、路，还要预测未来几秒内车辆、行人、自行车、信号灯和道路结构如何变化。FutureX、WorldRFT、Epona、Orbis、VLA-World 等研究都在探索用世界模型增强端到端规划。
世界模型的价值在长尾场景。真实道路数据很贵，危险场景更难采集。通过世界模型，系统可以生成罕见但关键的场景，例如突发横穿、遮挡、施工、逆行、急刹、雨雪夜间和非标准交通参与者。未来自动驾驶安全验证可能越来越依赖“真实数据 + 生成场景 + 闭环仿真”的组合。
4.4 数据闭环：自动驾驶公司的护城河
自动驾驶模型的核心不是单次算法突破，而是数据闭环。车辆在真实道路采集数据，云端筛选长尾场景，模型训练后 OTA 下发，用户使用后再次产生数据。Tesla 的优势来自大规模量产车队，Waymo 的优势来自 L4 无人运营数据，百度 Apollo Go 的优势来自中国和海外 Robotaxi 运营场景，中国车企的优势来自快速迭代和高频城市道路数据。
数据闭环有三个层次。第一是数据规模，能否采集足够多的真实驾驶里程。第二是数据质量，能否找到真正有价值的长尾场景。第三是训练-验证-部署效率，能否把问题快速转化为模型改进并安全上线。未来自动驾驶竞争会越来越像大模型竞争：数据、算力、模型和反馈循环共同决定进步速度。
但数据闭环不能只看里程。高速巡航里程、城区拥堵里程、夜间雨雪里程、施工绕行里程、事故边缘场景里程的价值完全不同。对行业研究而言，比“累计里程”更重要的是长尾数据捕获能力、数据标注自动化程度、场景库覆盖度、仿真复现能力和 OTA 后问题回归速度。
4.5 ODD：自动驾驶商业化的边界语言
运行设计域（ODD）是自动驾驶商业化最容易被大众忽略、但最关键的概念。任何自动驾驶系统都不是在所有道路、所有天气、所有交通规则下无限可用，而是在特定道路类型、速度范围、天气条件、地图覆盖、交通密度和监管许可下运行。Robotaxi 的 ODD 通常更窄但责任更清楚，量产车智驾的 ODD 更广但驾驶员责任更重。
理解 ODD 后，很多行业争议会变得清晰。Waymo 的强项不是“全国任意道路都能开”，而是在逐城验证的 ODD 内做到无人运营；Tesla 的强项不是“已经达到 L4”，而是用大规模量产车数据提升广域 L2/L2+ 能力；中国城市 NOA 的强项是快速覆盖复杂城市道路，但必须明确哪些路段、天气和场景仍需要驾驶员接管。未来行业竞争会从“功能名称竞争”转向“ODD 范围、ODD 内安全表现和 ODD 扩张速度”的竞争。
5. 商业化路径：Robotaxi 与量产车智驾并行
图2：Robotaxi 与量产车智驾两条商业化路径
5.1 Robotaxi：从技术验证走向运营效率
Robotaxi 是 L4 自动驾驶最直接的商业形态。Waymo 是当前全球最强的商业样本。根据 TechCrunch 和 Axios 等报道，Waymo 2026 年周付费订单已达到约 50 万次，并在美国多个城市扩张。Waymo 的特点是地理围栏、重传感器、高冗余、集中运营和严格安全验证。
百度 Apollo Go 是中国 Robotaxi 的代表。百度 2026 年一季度财报显示，Apollo Go 交付 320 万次全无人运营订单，3 月周峰值超过 35 万次。此前百度披露 Apollo Go 已累计完成超过 2000 万次订单，并在中东、韩国等市场推进海外合作。中国 Robotaxi 的优势是政策试点城市多、车辆成本下降快、运营规模增长快；挑战是单车盈利、复杂交通环境、远程运维和安全事件管理。
Robotaxi 的核心商业问题不是“能不能无人驾驶”，而是“能不能赚钱”。运营商需要同时解决车辆折旧、传感器成本、维护、清洁、调度、远程协助、保险、事故责任、城市许可和乘客体验。只有当单车日均订单、空驶率、故障率、运维成本和保险成本进入可控范围，Robotaxi 才能从示范运营转向规模商业。
Robotaxi 的竞争会经历三个阶段。第一阶段是安全可运行，证明车辆可以在 ODD 内无人接客；第二阶段是城市可复制，证明从一个城市扩到多个城市时，地图、运营、监管和远程协助成本不会线性爆炸；第三阶段是单位经济可持续，证明无人化节省的人力成本足以覆盖车辆、传感器、运维、保险和平台获客成本。目前行业正从第一阶段进入第二阶段，距离普遍证明第三阶段仍有距离。
5.2 量产车智驾：从功能付费到 AI 驾驶入口
量产车智驾是另一条路线。Tesla FSD（Supervised）是最典型代表。Tesla 依靠大规模车队采集真实道路数据，并通过订阅或买断方式变现。其优势是数据规模、软件 OTA 和统一硬件平台；争议在于“Full Self-Driving”命名、监督责任、安全事故和监管审查。
中国量产车智驾正在快速追赶。华为 ADS、小鹏 XNGP/VLA、理想 AD Max、蔚来 NAD、Momenta 合作方案、元戎启行、地平线等路线推动城市 NOA 和高速 NOA 普及。中国的特点是车企竞争激烈，智驾功能下放速度快，价格带下探明显，用户对智能化体验敏感。
量产车智驾的商业价值不只是卖软件订阅。它会影响整车品牌、购车决策、用户留存、数据积累和智能座舱生态。长期看，智能驾驶能力可能成为电动车之后的新竞争焦点：电池和电驱逐渐同质化后，谁能让车“更会开”，谁就更容易形成品牌溢价。
量产车智驾也有自己的商业陷阱。第一，车企可能把高成本智驾硬件前装到大量车型上，但软件付费率不足，导致硬件成本难以回收。第二，智驾能力如果成为价格战的一部分，供应商和车企利润会被快速压缩。第三，消费者对智驾体验的评价高度依赖日常通勤场景，一次明显失误可能抵消多次顺畅体验。因此，量产车智驾商业化不能只看装车量，还要看活跃使用率、付费转化率、接管率、用户信任度和事故舆情。
5.3 L3：责任边界的制度拐点
L3 有条件自动驾驶是自动驾驶商业化的制度拐点。L2/L2+ 仍要求驾驶员全程负责，系统只是辅助；L3 则意味着在特定条件下系统承担动态驾驶任务，驾驶员可以在请求接管前暂时脱离驾驶。这带来责任、保险、黑盒记录和监管准入的新问题。
中国在 2025 年底公布首批 L3 级有条件自动驾驶车型准入许可，长安和北汽相关车型获批在北京、重庆指定区域开展上路试点。这是中国智能网联汽车从测试阶段进入商业化应用的关键一步。未来 L3 能否扩大，取决于事故责任、数据记录、接管时间、运行设计域（ODD）和保险机制是否清晰。
L3 的难点在于“机器开”和“人接管”之间的灰区。系统请求接管时，驾驶员是否有足够时间恢复注意力？若驾驶员未及时接管，责任如何划分？若 OTA 改变了系统能力，监管是否需要重新确认？这些问题决定 L3 能否从少量试点走向大规模销售。
6. 中国路径：最大智能汽车市场的系统实验
图3：中国路径与海外路径对比
6.1 高渗透率的 L2 市场
中国智能驾驶的基础是庞大的新能源汽车和 L2 辅助驾驶市场。2025 年世界智能网联汽车大会相关资料显示，2025 年 1-7 月，中国搭载 L2 辅助驾驶功能的新乘用车销量达到 776 万辆，渗透率 62.58%；超过 300 万辆车搭载 5G 和 C-V2X。这意味着中国拥有全球最密集的智能驾驶量产应用场景之一。
高渗透率带来两层意义。第一，用户教育已经完成，消费者开始把高速 NOA、城市 NOA、自动泊车视为购车决策因素。第二，车企和供应商可以从真实道路中获得大量数据，用于模型迭代和功能改进。
6.2 车企与供应商生态
中国路线不是单一公司主导，而是车企、Tier 1、芯片、地图、云和运营商共同推进。华为通过 ADS 和智能汽车解决方案进入多家车企；Momenta 与奔驰、上汽、比亚迪等合作；地平线和黑芝麻提供车规 AI 芯片；百度 Apollo 同时做 Robotaxi 和智能驾驶开放平台；小鹏、理想、蔚来等新势力则强调自研模型和用户体验。
这种生态的优势是迭代快、成本下探快、应用场景丰富；风险是同质化竞争、功能宣传过度、用户误用和安全责任边界不清。未来中国智能驾驶会从“功能堆叠”进入“安全可验证、责任可界定、体验可持续”的阶段。
6.3 Robotaxi 出海
百度 Apollo Go、Pony.ai、WeRide 等中国 Robotaxi 企业正在加速出海。百度与 Uber 合作，计划在美国和中国大陆以外市场部署 Apollo Go；Apollo Go 还在迪拜、阿布扎比、韩国等市场推进。Pony.ai、WeRide 也在中东、欧洲和东南亚寻找商业机会。
出海的核心原因是中国 Robotaxi 需要更大的运营市场，也需要在不同监管和道路环境中验证系统泛化能力。中东市场因为政策开放、城市规划清晰和资本支持，成为中国 Robotaxi 出海的重要试验场。
6.4 车路云一体化：中国路线的特殊变量
与美国更偏车端智能和运营商路线不同，中国还在推进车路云一体化。其逻辑是通过路侧感知、边缘计算、交通信号协同、云控平台和 C-V2X，把部分交通环境信息外部化，降低单车感知压力，并提升城市交通治理能力。
车路云一体化的价值在示范区、园区、港口、矿区、干线物流和复杂路口等场景更明显。它不一定替代车端智能，但可以作为安全冗余和交通效率工具。风险在于基础设施投资重、跨部门协调难、城市间标准不统一，以及商业回报周期长。因此，中国路线不是简单“车端 vs 路端”的二选一，而是车端模型能力、道路基础设施和城市治理平台的组合优化。
7. 海外路径：Waymo、Tesla 与平台化竞争
7.1 Waymo：L4 运营商路线
Waymo 的优势在于技术积累、真实无人运营经验、安全验证和城市扩张能力。其路线不是把功能卖给车主，而是运营一个自动驾驶出行网络。它更像 Uber + 车队 + 自动驾驶系统的组合。
Waymo 的挑战是资本开支重、车辆成本高、城市扩张需要逐城验证，且每个城市都涉及监管、地图、运营和服务网络。它的商业化速度可能比量产车智驾慢，但一旦运营效率跑通，护城河会非常强。
7.2 Tesla：量产车数据飞轮路线
Tesla 路线几乎相反：以消费者车辆为基础，用视觉为主的传感器方案、大规模数据和端到端模型迭代，试图把 FSD 从辅助驾驶推向无人驾驶。Tesla 的优势是车队规模和数据回流，劣势是监管争议、安全审查和从 L2 监督驾驶跨越到 L4 无人运营的难度。
Tesla 2025 年在 Austin 推出 Robotaxi 服务，但初期规模有限、区域受限，并受到安全和监管关注。它证明 Tesla 已开始从 FSD 功能进入出行运营，但距离 Waymo 式的大规模无人商业运营仍需更多验证。
7.3 Uber、Lyft 与平台分发
Robotaxi 并不一定由技术公司独立获客。Uber、Lyft 等平台可能成为自动驾驶车队的需求入口。Uber 与 Waymo、Baidu 等合作，说明未来出行平台可能从“管理人类司机”转向“调度多家自动驾驶车队”。这会改变 Robotaxi 的商业格局：技术公司负责车辆和自动驾驶系统，平台公司负责订单、定价和用户关系。
8. 产业链拆解
图4：端到端智驾的安全验证栈
8.1 车端硬件
车端硬件包括摄像头、毫米波雷达、激光雷达、超声波雷达、惯导、车规芯片、域控制器、线控制动、线控转向、冗余电源和车载以太网。端到端路线不意味着硬件不重要，相反，安全冗余和传感器成本会决定不同商业模式的可行性。
Tesla 代表视觉优先和规模化成本路线；Waymo 代表多传感器冗余和 L4 安全路线；中国车企则在激光雷达、视觉、毫米波雷达和高算力芯片之间快速试错。
8.2 软件与模型
软件层包括感知、预测、规划、控制、端到端模型、VLA、世界模型、仿真、数据闭环、地图和 OTA。未来价值会更多流向数据和模型能力，而不是单一功能模块。
端到端系统会重塑供应链。过去车企可以采购分模块方案，未来若模型和数据成为核心资产，车企会更倾向掌握自研能力，或者与拥有数据飞轮的供应商深度绑定。
8.3 云端训练与仿真
自动驾驶大模型需要大量训练算力、数据存储和仿真平台。真实道路数据无法覆盖所有危险场景，仿真和世界模型会越来越重要。高质量仿真系统不是游戏引擎，而是要支持交通参与者行为、传感器模拟、闭环控制、安全评估和法规测试。
8.4 运营与服务
Robotaxi 需要车辆调度、远程协助、清洁维护、充电、事故处理、客服、保险和城市合规。量产车智驾则需要用户教育、功能订阅、OTA 灰度发布、责任提示和售后服务。自动驾驶商业化越深入，运营能力越重要。
8.5 安全评测与合规基础设施
自动驾驶越接近 L3/L4，安全评测越会成为独立产业。它包括场景库、仿真平台、黑盒数据记录、事故复盘、网络安全、数据合规、OTA 审计、驾驶员监控和保险精算。过去行业更关注算法和硬件，未来监管部门、保险公司、第三方检测机构和城市运营平台会共同构成自动驾驶的“信任基础设施”。
这也是端到端路线必须补上的短板。模型越复杂，越需要外部可验证机制。否则，系统性能即使提升，也很难获得监管、保险和公众信任。
9. 商业模式与单位经济
9.1 Robotaxi 单车经济
Robotaxi 的单位经济可以简化为：单车收入 = 日均订单量 x 客单价 x 运营天数；单车成本 = 车辆折旧 + 传感器和计算硬件 + 能源 + 维护 + 清洁 + 远程协助 + 保险 + 平台佣金 + 许可成本。
关键变量是利用率和空驶率。Waymo 等研究显示，Robotaxi 在商业运营早期会存在较高空驶和等待时间，但随着运营密度提高，空驶率和等待时间有望下降。Robotaxi 一旦形成城市网络效应，单位经济会明显改善。
更严格地看，Robotaxi 需要同时满足三个条件才算跑通：第一，单车日均订单足够高，能摊薄车辆折旧和固定运营成本；第二，远程协助和现场运维人车比持续下降，否则“无人驾驶”只是把司机成本转移到后台；第三，保险和事故成本可预测。如果事故率低但单次事故成本极高，商业模型仍会承压。
9.2 量产车智驾收入
量产车智驾的收入包括一次性买断、订阅、车型溢价和品牌转化。Tesla FSD 证明消费者愿意为软件能力付费，但定价、功能可用性、安全争议和监管限制会影响转化率。中国车企更倾向把智驾作为整车竞争力和销售卖点，而不一定完全依赖订阅收入。
9.3 数据价值与平台价值
自动驾驶的长期价值在数据飞轮。拥有更多真实道路数据、更多长尾场景、更多闭环仿真和更快 OTA 的公司，模型会更快进步。数据飞轮一旦形成，后来者很难仅靠算法追赶。
10. 投资机会图谱
10.1 短期确定性较高
车规 AI 芯片、摄像头、激光雷达、毫米波雷达、域控制器、线控底盘、车载网络和仿真工具，是短期较明确的受益环节。
10.2 中期弹性较高
自动驾驶软件平台、端到端模型供应商、Robotaxi 运营商、车企自研智驾团队、地图和数据闭环平台，会随城市 NOA、L3 和 Robotaxi 扩张而受益。
10.3 长期空间最大
长期空间在自动驾驶出行网络和具身智能平台。如果自动驾驶系统能从汽车扩展到配送车、卡车、无人清扫、港口、矿山和机器人，汽车将成为物理 AI 的数据入口和工程基础。
10.4 需要规避的投资误区
第一，不应把“端到端”作为单独投资标签。端到端是行业趋势，但真正有价值的是数据、算力、模型、验证和量产交付能力的组合。
第二，不应只看 Robotaxi 订单量。低价补贴、示范运营和政策试点都可能推高订单，但不等于单车盈利。更应关注单车日均收入、空驶率、远程协助成本和城市复制速度。
第三，不应把 L2 装车量等同于自动驾驶领先。高装车量只有在活跃使用率、低接管率、用户信任和付费转化同时成立时，才会转化为商业价值。
11. 风险因素
第一，安全风险。自动驾驶是安全关键系统，任何严重事故都可能影响监管和用户信任。
第二，监管风险。L3/L4 商业化需要清晰责任边界、黑盒记录、保险和事故处理机制。不同国家和城市监管差异大。
第三，技术泛化风险。端到端模型在开放道路中的长尾场景仍需验证，尤其是极端天气、施工、非标准交通行为和人类驾驶员博弈。
第四，商业化风险。Robotaxi 可能订单增长很快，但盈利仍受车辆成本、运维成本和空驶率限制；量产车智驾可能功能强，但消费者付费率不一定高。
第五，宣传与误用风险。若车企过度宣传“自动驾驶”，用户可能误以为系统无需监督，导致安全事故和监管处罚。
第六，供应链风险。高算力芯片、激光雷达、车规芯片、云训练算力和数据合规都可能影响系统迭代。
第七，数据与隐私风险。自动驾驶数据包含道路、行人、车牌、地理位置和驾驶行为，跨境训练、城市级数据采集和云端回传都可能受到监管限制。
第八，系统性运营风险。Robotaxi 车队如果出现云端调度、地图、通信或远程协助系统故障，可能不是单车事故，而是城市级运营中断。自动驾驶越平台化，越需要考虑系统韧性。
12. 关键跟踪指标
技术指标：
• 端到端模型接管率
• 每千公里人工接管次数
• ODD 内事故率与脱离率
• 长尾场景通过率
• 闭环仿真通过率
• 雨雪夜间等复杂场景表现
• OTA 迭代频率
• 安全壳触发频率
商业指标：
• Robotaxi 周订单量
• 单车日均订单量
• 空驶率
• 远程协助人车比
• 单车运营成本
• 城市扩张速度
• 智驾订阅率或买断率
• 城市 NOA 用户活跃率
• 智驾功能付费转化率
监管指标：
• L3/L4 准入城市数量
• 事故报告数量
• 黑盒记录标准
• 责任和保险规则
• OTA 审查要求
中国专项指标：
• L2/L2+ 渗透率
• 城市 NOA 开通城市数量
• L3 试点车型和区域
• Robotaxi 累计订单量
• 国产车规 AI 芯片装车量
• 车路云一体化试点进展
• 智驾功能实际活跃率
• 智驾事故和投诉监管披露
13. 未来 3-5 年趋势判断
2026-2027 年，端到端和 VLA 会成为智能驾驶主流叙事，但真正落地仍以 L2+/L3 试点和城市 NOA 为主。Robotaxi 会继续扩张，但主要集中在政策友好、道路结构清晰、运营密度足够的城市。行业会从“有没有端到端”转向“端到端系统是否可验证、可解释、可监管”。
2027-2028 年，中国 L3 试点可能扩大，车企智驾能力进入分化期。仅靠“有城市 NOA”不再足够，用户会更关注稳定性、接管率、责任提示和真实可用范围。
2028-2030 年，Robotaxi 可能在少数城市跑通更清晰的单位经济，量产车智驾可能成为中高端车型标配。自动驾驶系统会从“车辆功能”变成“出行、物流、保险和城市交通治理”的基础设施。这个阶段最重要的不是单点技术突破，而是安全标准、运营网络、责任制度和数据闭环同步成熟。
长期看，汽车很可能是具身智能最早大规模商业化的场景。它不会直接证明通用机器人已经成熟，但会证明 AI 可以在真实物理世界中通过数据闭环、仿真、安全制度和商业模式持续进化。
14. 最终判断
自动驾驶大模型不是简单把 ChatGPT 装进汽车，而是把感知、预测、规划、控制、语言理解、世界模型和安全验证融合成一个物理世界行动系统。它的难度远高于数字应用，也因此更有产业含金量。
未来几年，行业最重要的不是谁最早喊出“全自动驾驶”，而是谁能在真实道路上持续降低接管率、提升安全性、扩大运行设计域，并找到可持续商业模式。端到端会提升自动驾驶上限，但安全制度和工程能力决定下限。
如果前两篇报告讨论的是 AI 如何进入机器人和能源基础设施，那么这篇报告的核心结论是：汽车可能是 AI 进入物理世界最现实、最大规模、最具商业闭环的第一块试验场。
15. 参考资料
[1] ArXiv, "A Survey for Foundation Models in Autonomous Driving", https://arxiv.org/abs/2402.01105
[2] ArXiv, "OpenDriveVLA: Towards End-to-end Autonomous Driving with Large Vision Language Action Model", https://arxiv.org/abs/2503.23463
[3] ArXiv, "Learning Vision-Language-Action World Models for Autonomous Driving", https://arxiv.org/abs/2604.09059
[4] ArXiv, "WorldRFT: Latent World Model Planning with Reinforcement Fine-Tuning for Autonomous Driving", https://arxiv.org/abs/2512.19133
[5] ArXiv, "FutureX: Enhance End-to-End Autonomous Driving via Latent Chain-of-Thought World Model", https://arxiv.org/abs/2512.11226
[6] ArXiv, "Epona: Autoregressive Diffusion World Model for Autonomous Driving", https://arxiv.org/abs/2506.24113
[7] Hugging Face Papers, "CoReVLA: A Dual-Stage End-to-End Autonomous Driving Framework for Long-Tail Scenarios via Collect-and-Refine", https://huggingface.co/papers/2509.15968
[8] Baidu, "Baidu Announces First Quarter 2026 Results", https://ir.baidu.com/news-releases/news-release-details/baidu-announces-first-quarter-2026-results
[9] PR Newswire, "Baidu's Apollo Go and K2's AutoGo Commence Fully Autonomous Ride-Hailing Service on Yas Island", https://www.prnewswire.com/news-releases/baidus-apollo-go-and-k2s-autogo-commence-fully-autonomous-ride-hailing-service-on-yas-island-announce-phased-expansion-across-abu-dhabi-302663468.html
[10] Uber, "Baidu and Uber Join Forces to Accelerate Autonomous Vehicle Deployment", https://investor.uber.com/news-events/news/press-release-details/2025/Baidu-and-Uber-Join-Forces-to-Accelerate-Autonomous-Vehicle-Deployment-2025-OfJR8lmv7m/default.aspx
[11] MIIT, "我国首批 L3 级自动驾驶车型，获得准入许可", https://www.miit.gov.cn/xwfb/mtbd/wzbd/art/2025/art_385be4a6a3da435cb94fdc83f23dff1c.html
[12] SCIO, "China grants first Level-3 autonomous driving vehicle permits", https://english.scio.gov.cn/m/pressroom/2025-12/16/content_118230480.html
[13] Government of China, "China establishes full industrial chain for key intelligent connected vehicle technologies", https://english.www.gov.cn/news/202509/24/content_WS68d3df0cc6d00ca5f9a0666f.html
[14] Tesla, "Full Self-Driving (Supervised)", https://www.tesla.com/support/fsd
[15] Tesla, "Full Self-Driving (Supervised) Vehicle Safety Report", https://www.tesla.com/fsd/safety
[16] CNBC, "Waymo says it reached 10 million robotaxi trips, doubling in five months", https://www.cnbc.com/2025/05/20/waymo-ceo-tekedra-mawakana-10-million.html
[17] TechCrunch, "Waymo’s skyrocketing ridership in one chart", https://techcrunch.com/2026/03/27/waymo-skyrocketing-ridership-in-one-chart/
[18] Axios, "Mobility's new Big Three: Tesla, Waymo and Uber", https://www.axios.com/2026/04/15/big-three-tesla-waymo-uber-av
[19] Le Monde, "The global surge of robotaxis, led by US and Chinese operators", https://www.lemonde.fr/en/economy/article/2025/12/06/robot-taxis-led-by-us-and-chinese-operators-spark-global-surge_6748209_19.html
[20] Findings, "Millions of Trips, Waymo Empty Miles: California's First Thousand Days of Commercial Robotaxi Service", https://findingspress.org/article/161870-millions-of-trips-waymo-empty-miles-california-s-first-thousand-days-of-commercial-robotaxi-service
[21] TechCrunch, "Tesla launches robotaxi rides in Austin with big promises and unanswered questions", https://techcrunch.com/2025/06/22/tesla-launches-robotaxi-rides-in-austin-with-big-promises-and-unanswered-questions/
[22] CNBC, "What we saw at Tesla's supervised, invite-only robotaxi launch", https://www.cnbc.com/2025/06/27/what-we-saw-at-teslas-supervised-invite-only-robotaxi-launch.html
[23] ArXiv, "Embodied AI in Action: Insights from SAE World Congress 2026", https://arxiv.org/abs/2605.10653
