《智能驾驶拆解笔记:老周唠透车圈AI》第8篇
开篇小故事
前阵子接待做港口无人集卡的亲戚,闲聊起来人家码头早就全程不用司机,集装箱车自己来回转运,成本砍了一大半;反观市区的 Robotaxi,只划定一小块商圈才能跑,出了划定区域就得切人工。媳妇最近纠结要不要加钱选城市 NOA,总听销售说再过两年全城无限制无人驾驶,拿不准这笔钱值不值。
回老家和老爹唠起种地,老汉说想挣钱得循序渐进:先把自家小菜园打理稳当,再承包整片大田,一上来就啃大面积荒地,人力、本钱全扛不住,和自动驾驶落地一个道理。门店销售王哥周末来家里讨话术,说客户总问 L4 啥时候全面普及,自己讲不清商用和家用的发展差距。

我翻完整套产业链报表,笑着摆摆手:多大点事,接着奏乐接着舞。前面七篇咱们把感知、定位、决策、线控、大模型、物理 AI 全套技术底子扒干净,今天换个角度聊落地生意,捋清楚自动驾驶先赚 B 端钱、再做 C 端服务的完整路径,拆解上下游产业链,把矿区、港口、Robotaxi、家用 NOA 的发展阶段讲透亮。
行业
三类人群各自实打实的困扰,句句戳心:
新能源车主:分不清矿区无人车、Robotaxi、家用 NOA 不是一套技术水准,被 “全场景无人驾驶” 宣传误导;搞不懂为啥高速 NOA 遍地普及,城区 NO 分城市、分片区开放;纠结选装智驾包长期价值,不知道行业发展节奏。
底盘 / 算法研发:不同场景硬件、算法适配方案完全不同,矿区低速简化模型、Robotaxi 全套物理 AI,一套代码没法通用;上游传感器、芯片选型受场景成本约束,B 端重成本管控,C 端兼顾体验与定价,跨场景改模工作量巨大。
技术型销售:客户盲目期待全域 L4 无人驾驶,无法用通俗逻辑解释落地分层逻辑;分不清 B 端商用车和家用乘用车智驾硬件差异,没法根据客户通勤场景推荐合适智驾配置。
市面文章要么只讲车企乘用车,要么只讲港口矿区工程车,很少把全场景商业化路径打通,本篇三层解读,车主看懂购车取舍、研发理清分场景开发逻辑、销售直接复用讲解话术。
硬核专业拆解(车主通俗版 / 研发深度版 / 销售话术版)
一、自动驾驶落地固定规律:先封闭 B 端,再开放 C 端

车主通俗版
行业落地有一条不变顺序:矿区 / 港口 / 园区环卫→干线高速重卡→限定区域 Robotaxi→全域家用 NOA。
封闭场地人车少、路线固定,技术门槛低、回本快,企业愿意先砸钱规模化;城市道路人车混杂、突发情况多,成本高、法规限制多,只能一点点放开片区。
简单类比:就像学骑车,先在自家小院练,再走乡间小路,最后上城市主干道,一步一步拓宽范围。
研发深度版
ODD 约束决定落地先后:封闭场景 ODD 极度可控,交通参与者单一、无杂乱行人非机动车,轻量化感知、简化世界模型即可落地,硬件成本可控,商业化回收期短;
开放城市道路 ODD 复杂,人车混行、长尾场景海量,必须搭载全套激光雷达 + 物理 VLA 模型,硬件算力成本高,同时受地方运营许可、数据法规约束,落地周期拉长;
产品开发逻辑:B 端低速场景优先轻量化算法、低成本传感器;C 端乘用车需要全栈 AI 硬件,兼顾驾乘舒适与安全冗余。
销售话术版
“自动驾驶是循序渐进落地的,现在港口、矿区已经实现完全无人运营,城市 Robotaxi 仅限定商圈运营;咱们家用车的高速 NOA 技术成熟,全国高速基本都能用,城区 NOA 要看当地高精地图覆盖,现阶段不存在全城无限制无人驾驶,选智驾优先看你日常通勤道路。”
二、完整产业链:上游硬件、中游方案、下游运营
车主通俗版
整条产业链分三段,很好理解:
上游:造 “眼睛手脚大脑”—— 摄像头、激光雷达、车载芯片、线控底盘,是所有智能车的硬件底子;
中游:组装调试算法 —— 百度、华为这类方案商,把传感器、AI 模型整合,给车企、港口做整套自动驾驶系统;
下游:实际运营赚钱 —— 矿区运输、港口集卡、无人出租车、家用乘用车,靠运输、出行服务、车辆配置盈利。
上游造零件,中游拼系统,下游做生意,缺一不可。
研发深度版
上游核心硬件:感知传感器(激光雷达 / 4D 毫米波 / 摄像头)、车载算力域控、全线控执行器、高精地图与定位服务,是整套系统物理底座,硬件成本直接决定车型配置定价;
中游系统集成:Tier1、自动驾驶算法公司,完成多传感器融合、大模型 / 物理 AI 训练、整车动力学匹配,针对 B 端 / C 端做定制化模型裁剪;
下游运营赛道:
B 端封闭:矿区、港口、园区环卫、末端配送(低复杂度,当前盈利主力);
B 端干线:高速自动驾驶重卡(小规模试运营);
C 端:限定区域 Robotaxi、乘用车 NOA(营收来自车辆选装,暂难独立盈利)。
销售话术版
“一套智能驾驶车辆,上游提供雷达、芯片这些硬件,中游企业开发 AI 算法适配车辆,最后车企组装成家用车交付给您。矿区、园区专用无人车会简化部分硬件降低成本,家用乘用车为了城市复杂路况,会配齐全套感知与大模型硬件,二者配置标准不一样。”
三、四大主流商业化赛道优劣对比

1. 封闭 B 端:矿区、港口、环卫、末端配送
车主通俗版
场地封闭,没有社会行人乱窜,车速慢,不用高端激光雷达和复杂物理 AI,成本低,企业已经常年赚钱,是目前唯一稳定盈利的自动驾驶赛道。
研发深度版
ODD 严格受限,路线固定、车流单一,可删减远距离感知模块,采用轻量化世界模型,算力需求低;无需完整人车交互推演,开发、测试成本极低,运维体系成熟。
销售话术
“矿区、园区无人车属于低速封闭专用设备,和咱们家用乘用车智驾配置差异很大,不能等同于城市无人驾驶。”
2. 干线高速自动驾驶重卡
车主通俗版
只跑高速,路况简单,车流规整,现在处于小规模试运营,能减少长途司机疲劳,但不能下城市道路,暂时没法全面铺开。
研发深度版
结构化道路,无横向非机动车干扰,仅需长距离感知与纵向控制,物理 AI 模型侧重高速跟车、长下坡制动,城市复杂交互模块可裁剪。
销售话术
“高速无人重卡只适用于货运高速,城市路口、乡村道路无法自主行驶,和家用城区 NOA 不是一套技术体系。”
3. Robotaxi 无人出租车
车主通俗版
仅限城市划定商圈运营,有人车混行,必须全套高端硬件 + 物理 AI,运营成本极高,现在大多靠补贴,还没实现大规模盈利,短期没法普及到所有街道。
研发深度版
ODD 覆盖城市人车混行道路,长尾场景海量,必须搭载多激光雷达、高算力域控、完整 VLA + 世界模型,合规运营门槛高,片区高精地图持续更新成本高。
销售话术
“Robotaxi 仅在部分城市指定商圈开放运营,受地图、法规、硬件成本限制,短时间内不会全面普及,不能指望几年内全城随便打无人车。”
4. 乘用车 NOA(家用车主赛道)
车主通俗版
高速 NOA 技术完全成熟,全国通用;城市 NOA 依靠高精地图覆盖,分城市逐步开放,是现在车企最核心的营收增长点,也是普通人能接触到最普及的自动驾驶功能。
研发深度版
分高低配方案:低配纯视觉 + 通用大模型,仅支持高速;高配多传感器 + 物理 AI,支持城区全域,车企根据车型定位分级搭载,OTA 持续迭代优化。
销售话术
“家用车高速 NOA 目前所有高速路段都能稳定使用,城区 NOA 要看当地高精地图有没有测绘覆盖,买车如果常年跑高速,基础智驾配置完全够用,经常市区通勤再考虑高阶城市智驾选装包。”
一线实操避坑专栏

车主用车避坑 3 条
不要听信销售 “两年全城 L4 无人驾驶” 宣传,行业落地遵循封闭到开放的节奏,城市全域无人短期无法实现;
区分园区无人车、Robotaxi 和家用 NOA 的技术边界,不要拿矿区无人标准衡量家用车;
通勤只跑高速,无需高价选装全套城市物理 AI 智驾包,性价比偏低。
底盘 / 算法研发踩坑 3 条
直接把城市 Robotaxi 全套模型移植到矿区低速车,算力硬件过剩,大幅抬高客户成本;
B 端场景开发照搬 C 端乘用车动力学参数,低速载重工况匹配错位,行驶抖动、轨迹跑偏;
忽视不同地区高精地图采购、数据合规成本,项目后期预算超标。
销售讲解避坑 2 条
禁止向客户夸大 L4 落地时间,客观说明分层落地节奏,降低客户心理预期;
不混淆商用无人设备和家用乘用车智驾硬件配置,避免客户产生 “家用车完全无人” 错误期待。
双向维度总结
技术核心要点复盘
自动驾驶商业化固定路径:封闭低速 B 端→高速干线→限定区域 Robotaxi→全域家用城市 NOA,场景复杂度、硬件成本同步递增;
产业链三层架构:上游硬件零部件、中游算法集成方案、下游运营服务,各环节成本、盈利模式差异巨大;
当前只有矿区、港口、环卫等封闭 B 端场景实现稳定商业化盈利,城市 Robotaxi 仍处于补贴试运营阶段,家用 NOA 依靠车辆选装创造营收。
生活市井感悟
老爹说种地得先守好小菜园再拓大田,自动驾驶落地也是同一个道理。简单可控的封闭场景先打磨成熟、收回成本,再慢慢攻克人车混杂的城市道路,一口吃不成胖子。
很多车主被广告里的无人出租车、港口无人车误导,以为很快出门就能全程不用接管,忽略场景边界、成本、法规三重限制。不管做产业还是过日子,凡事都要循序渐进,急着一步到位反而容易踩坑。多大点事,接着奏乐接着舞。
互动引导(三类定向提问)
车主:你日常通勤主要跑高速还是市区,有没有为城市 NOA 额外加钱选装?
底盘 / 算法研发:你做过矿区 / 重卡 / 乘用车哪类场景适配,跨场景改模最大难点是什么?
销售:客户问 “啥时候全城能不用人开车”,你有什么通俗落地解释话术?
下集预告 + 系列合集引导
下一篇《第 9 篇:法规、挑战与未来展望|自动驾驶离完全无人驾驶还有多远?》,汇总全行业技术、成本、法规瓶颈,梳理短期、中期、长期行业发展路线,整套系列收尾总结。
本系列全套 9 篇完整连载,关注专栏一次性看完全套智能驾驶拆解笔记。


