<mark id="oztn4"></mark>
0
2017 年，自動駕駛迎來全面爆發，此時，崔迪瀟在西安交通大學擔任一名普通講師，雖然大學校園的教職安逸穩定，但難以平息他內心對自動駕駛的沖動。因為他明白自動駕駛落地的時機來了，擔心錯過這一波自動駕駛浪潮，崔迪瀟有了離開校園、自主創業的想法。
不久，從事重卡自動駕駛技術研發的初創公司“智加科技” CEO 劉萬千飛到西安，邀請崔迪瀟加入智加科技。兩人在西安大雁塔附近的威斯汀酒店，從下午三點聊到晚上八點，在那五個小時里，劉萬千向崔迪瀟介紹了他的創業過程、智加的優勢以及智加的夢想——智加想要從無人駕駛卡車切入，致力推進中國的干線物流實現 L4 級自動駕駛，而他們還需要一個自動駕駛技術負責人。
當時，如崔迪瀟這樣，兼具豐富理論與實踐經驗的高校博士、教授是當時自動駕駛行業瘋搶的人才。劉萬千之所以找崔迪瀟，不只是因為他在自動駕駛領域“根正苗紅”——他擁有西安交通大學控制科學與工程專業博士學位，師從中國自動駕駛泰斗鄭南寧院士，還是帕爾馬大學 VisLab 實驗室聯合培養博士。
最重要的是在此期間，崔迪瀟參與了多個無人車項目的研發：作為創始成員和車隊隊長，參與了歷代“夸父號”無人車的研發，帶領西安交大自動駕駛車隊在中國智能車未來挑戰賽上嶄露頭角；他還前往意大利帕爾馬大學 Vislab 實驗室聯培，參與了 BRiVE（全球最早于2013 年便完成了郊區、高速、城區混合道路公開直播的自動駕駛測試的車型）、Deeva（全球首個 360° 立體視覺感知的車型）等無人車的研發。
十天后，崔迪瀟答應了此次邀請，離開工作生活了 13 年的城市西安，加入總部位于蘇州相城的智加科技，擔任智加科技首席科學家，負責 L4 級無人駕駛重卡技術研發和落地應用。由此開啟了他近十年的自動駕駛從業生涯。
時間轉瞬即逝。七年后，2025 年，崔迪瀟正式宣布離開了智加科技。這七年里，中國的自動駕駛發生了翻天覆地的變化，春天、寒冬周而復始，智加科技也成長為自動駕駛領域的獨角獸企業。
在崔迪瀟擔任技術負責人期間，智加取得了不俗的技術突破和商業化進展：自 2021 年起，智加與多家主機廠合作實現了量產智能重卡交付，包括與一汽解放合作實現前裝量產智能重卡交付、聯合江淮汽車為快遞快運市場打造的智能重卡 K7+ 實現量產交付；搭載了智加全棧自研的“智加領航系統”的智能重卡在中國郵政、中通快運、安能物流等企業線路上投入商業運營；公司與中國重汽合作，實現了搭載智加領航系統的豪沃 TS7 高階輔助駕駛重卡的量產交付，并完成了國內首個“倉到倉”L4 級全無人重卡運營測試。
七年時間足以改變一個人甚至于一家公司，回憶當初那個懷揣雄心壯志、堅定地踏入“實現 L4 理想”浪潮的年輕人，崔迪瀟坦言當時“低估了自動駕駛的復雜度”。他認為，L4 的本質是冗余保障，但現在絕大多數人把客戶生命安全壓在自認為能無限高的算法系統上，靠單點系統賭概率，而非多種系統冗余手段確保系統安全，這是大家核心設計思路和思想的差異。
如果要總結智加科技這段旅程，崔迪瀟坦言“有遺憾”，而這種遺憾應該是當今還擁有自動駕駛理想的人所共有的。崔迪瀟還喜歡搖滾樂，有鮮艷的紋身。在和他訪談的過程中，能感受到其摻雜了搖滾人和技術從業者的特質，嚴謹不乏真實。
崔迪瀟的朋友圈背景是他最愛的樂手黃貫中，朋友圈簽名是“無人駕駛的搖滾重卡”，重卡跟搖滾的結合，摻雜著一絲浪漫和天真。如今，七年前的那個年輕人已近中年，搖滾樂隊也很久沒能組起來了，但他對自動駕駛的信仰依然堅韌，仍然還有夢想。
近日，我們跟崔迪瀟聊了聊自從他多年前躬身入局自動駕駛江湖，致力推進中國的干線物流實現 L4 級自動駕駛，七年后，這個行業又是如何重塑他的認知，以及他未來的打算。
以下是雷峰網與崔迪瀟的對話實錄，經過不改變原意的編輯整理：
雷峰網：你為什么離開智加科技？
崔迪瀟：這是一個基于行業現狀與自身思考做出的自然選擇。
過去很多智駕公司選擇 L2 和 L4 雙線并行策略，這一模式在理念上較為理想：企業一方面押注最高階的 L4 級自動駕駛，另一方面希望通過 L2 輔助駕駛快速實現商業化、形成營收，反哺長期難以落地盈利的 L4 研發。
但在實際執行中，這一路徑面臨顯著的現實困境：企業普遍存在資源約束，雙線并行很難長期持續。同時，L2 輔助駕駛的商業化并不順利。
簡單來說，想用 L2 輔助駕駛的盈利支撐 L4 高階自動駕駛的研發，本質上如同 “用自行車產業的收益去支撐航天航空領域的投入”，很難持續。
我離開智加，正是因為在任職期間，針對上述行業共性難題，始終沒有找到清晰、可行的解決方案。離開后，我可以以更獨立的身份，與行業展開開放、透明的交流，反而更有可能探索出適合 L4 技術穩步落地、可持續發展的組織模式與發展路徑。
雷峰網：你想要的是什么樣的組織形式？
崔迪瀟：我所期待的，是一家能夠對 L4 自動駕駛進行穩定、持續的資源投入，并且將 L4 定位為公司最高乃至唯一核心戰略的組織。
過去行業很長一段時間里，大家大多從技術角度出發思考 L4，但 L4 其實并非單純的技術問題，而是一個道路、貨源、車輛本體、軟件算法、能源補給等多維度深度融合的系統性問題。
以重卡場景為例，L4 自動駕駛的核心價值首先是節省人力成本；在此基礎上，再通過持續優化軟硬件架構、運營調度體系，提升車輛整體周轉率，部分線路甚至可以實現 24 小時不間斷運營，進一步創造增量收益。
因此，我真正想要尋找的，是結合具體應用場景、路權、貨源以及補能體系，把 L4 當作一整套生態來落地運行，而不是僅僅停留在技術研發或 Demo 展示層面。
雷峰網：你未來打算創業還是加入一家公司？
崔迪瀟：我優先選擇創業，且仍從物流行業切入，核心基于三方面考慮：
第一，物流行業有剛性定價邏輯，會倒逼團隊在供應鏈、研發等環節持續做成本優化，行業參與者均嚴格核算投資回報率，這種嚴苛的商業環境能打磨出團隊最扎實的底層核心能力。
第二，從技術與工程落地來看，物流場景對時效、安全、貨物特性有明確要求，可直接轉化為清晰可量化的工程設計指標，如加速度、轉向變化率均有嚴格上限，能形成安全可控、可標準化的工程規范，對特定 B 端客戶可實現高程度標準化。
第三，物流是數萬億級超大市場，當前高度碎片化的場景未來有望通過技術打通，行業會出現物流機器人企業，以一套底層技術覆蓋不同運載噸位和速度區間，進而整合物流鏈路、收斂碎片化現狀。
此外，現有運輸流程中的末端配送、裝卸貨等非運輸環節，若能實現無人化，可在單一場景內實現場景與作業任務的深度垂直整合，這也是物流行業的核心瓶頸與機會。因此我計劃從軟件、硬件及交付形態布局，且始終認為：自動駕駛公司最終應成為運力服務公司。
雷峰網：聽起來是具身智能賽道，你不做自動駕駛卡車了？
崔迪瀟：我大概率不會直接從自動駕駛卡車切入，目前還沒有完全確定的結論，但最終會通過合適的路徑繞回來。好比換了一條新路前往羅馬，終點是一致的，最終還是會和行業在同一個目標上匯合。
雷峰網：你從智加出來后，有其他自動駕駛公司或其人員邀請你加入他們嗎？
崔迪瀟：有的，曹旭東之前找過我，邀請我去做無人卡車相關業務。
雷峰網：為什么沒去？
崔迪瀟：在我看來，人生本身是一場修行與體驗。在智加擔任高管、作為早期成員的經歷，已經給了我很完整的歷練。我更希望跳出原本偏技術的視角，重新審視整個行業，探索個人職業發展的新可能，所以我當前更傾向于自主創業。
雷峰網：在自動駕駛行業這么些年，你有哪些反共識嗎？
崔迪瀟：與其說是反共識，不如說是我們技術出身的人，對自身認知的一種批判與 “自我否定”—— 那就是要放棄 “算法溢價”“算法核心壁壘” 的執念。行業內不同團隊的算法或許有性能上的優劣之分，但很難構成絕對的競爭壁壘。
但同時，對于 L4 級自動駕駛來說，背后還有大量 “不打糧食”、看似看不到即時成果，卻不可或缺的工作。
雷峰網：比如哪些？
崔迪瀟：為什么到現在，我們還沒能真正去掉安全員。
雷峰網：是啊，為什么呢？
崔迪瀟：核心癥結在于，我們還沒能構建起真正安全、可靠的冗余系統。我以前在公司，就一直呼吁要加大對冗余設計的資源投入，也建議參考航空航天領域的成熟經驗 —— 比如三冗余、四冗余以及非相似性冗余設計。
雷峰網：足夠的冗余設計意味著什么？
崔迪瀟：這種冗余設計在航空領域有成熟的參考數據，核心邏輯其實很樸素，就像 “一個好漢三個幫”“三個臭皮匠頂個諸葛亮”—— 簡單來說，不同的、具備一定可靠性的獨立觀測源和決策源越多，整個系統的可靠性就越高，發生失效的概率也就越低。
但冗余設計也有現實困境：它會直接增加車輛的硬件成本，而且冗余做得越好，上層越難體現出它的價值 —— 因為車輛會一直保持平穩運行，大家感受不到冗余系統的作用，仿佛它是 “多余” 的。
雷峰網：低速 Robovan 需要冗余嗎？
崔迪瀟：判斷低速 Robovan 是否需要冗余，核心前提是：若沒有冗余，系統失控帶來的代價是否難以承受，即便該失控是極低概率事件。
因此專注低速 Robovan 的企業，核心是做成本權衡：對比加裝冗余的軟硬件研發成本，與系統失效可能造成的貨損、車損、人員傷亡等潛在損失，哪個更可控、成本更低。
當前行業對 L4 的思考，已從單純技術探索轉向商業成本測算：若有成熟軟硬件方案，且通過大規模運營攤薄軟件研發成本，當失效的預期損失遠低于加裝冗余的成本時，這件事在商業上便具備可行性。特斯拉目前走的，正是這條基于數學計算的商業化路徑。
雷峰網：你一直在強調冗余設計的重要性，從而做到真正的安全無人，過去你有做過哪些相關研究？
崔迪瀟：我在智加科技期間曾推進過一項相關研究，但最終并沒有做完。
我們當時做的事情，是論證商用車場景里的 “雙變單” 問題 ：在 800 公里及以上的長途干線運輸中，按照法規要求，單人駕駛 4 小時就必須休息，所以為了提升運輸效率，行業普遍會配備兩名司機輪換駕駛。我們想探討的是：在還無法完全去掉兩名司機的階段，能否先通過自動駕駛技術，把兩名司機減少為一名，我們內部把這個項目稱為 D2S（Double to Single）項目。
我當時系統研究了駕駛員疲勞的成因，最終將其歸納為兩類：身體疲勞（physical fatigued）與認知疲勞（cognitive fatigued）。基于此做了大量實驗：早期嘗試用腦電波監測，分析不同波段在駕駛過程中的變化規律；后來采用了更落地的方案 —— 通過眼動儀、生物電、皮膚電、呼吸、心率、呼吸深度、眨眼頻率等多維度數據，結合駕駛員對道路目標的關注度，綜合判斷在自動駕駛介入之后，駕駛員的認知負荷與身體疲勞能否被顯著降低。
我們采用定量對比的方式：以人工駕駛 4 小時后的疲勞指標作為基準，對比開啟輔助駕駛后，單人連續駕駛的疲勞程度變化。舉個例子：如果人工駕駛 4 小時的疲勞程度，和開啟輔助駕駛后連續駕駛 10 小時的疲勞程度相當，那就意味著車輛可以一次性行駛 10 小時，而不需要額外增加司機。
在整個研究過程中，我們還深入思考了一個關鍵問題：輔助駕駛的 MPI（人機交互 / 接管強度）是否要做得足夠高？我們最終得出的結論是：MPI 不能過高。
雷峰網：為什么？
崔迪瀟：輔助駕駛缺少對系統失效的完整處置機制，一旦出現失效，理論上需要駕駛員立即接管。但人本身是具有惰性的：如果系統長期穩定、極少觸發風險提示，駕駛員的安全意識和注意力會持續下降。可能行駛 1000 公里、2000 公里才會遇到一次需要接管的場景，而這類場景往往是極端罕見的 corner case，即便人工介入處置難度也極高。
這就意味著駕駛員很難從完全松懈、無駕駛意識的狀態，瞬間切入高復雜度場景，快速做出準確判斷并安全接管車輛。這也是我認為L2 階段不能盲目追求極高 MPI，并將其當作安全指標的原因 —— 本質上是在賭概率。
沿著這一思路，我們的研究重點還包括：如何讓駕駛員在輔助駕駛過程中，維持對道路環境的基本警覺性。
為此我們做了專門的認知實驗：在駕駛員身上安裝微型電極后，測試人員使用微弱電流進行刺激，要求駕駛員立刻做出指定動作，我們再精確測量其從接收到信號到執行動作的反應時延。如果反應速度顯著偏離正常區間，系統就會通過算法干預，把駕駛員的警覺性拉回到安全水平。
雷峰網：該領域此前有過相關研究嗎？
崔迪瀟：行業里絕大多數人其實并沒有真正深入思考這類問題，大家更多是在賭概率—— 把用戶的生命安全，寄托在自己認為可以無限提升的算法系統上，依靠單一系統去賭風險，而不是通過多系統冗余的方式從根源上保障安全，這是我們和行業主流思路在底層設計理念上的核心差異。
雷峰網：在你看來，現在國內 L4 處于什么狀態？
崔迪瀟：國內 L4 領域已經發展了很多年，但至今沒有任何一家企業實現常態化的主駕無人運營 Driver out，如今陷入了行業預期與資本信心不斷被透支的窘境。行業里所有人都逐漸意識到，自動駕駛的復雜度遠超最初的想象，而未來能走到哪一步，最考驗的就是企業的戰略定力。
但是，國內對長周期技術研發的容忍度太低。這并不是工程師不想做、不愿意做，而是資本方以及一、二級市場，在資金支持和周期包容上遠遠不夠，讓我們很難有足夠的耐心，去穿越這種長周期、高投入、慢產出的技術研發過程。
雷峰網：那么要如何解決這個問題呢？
崔迪瀟：未來如何解決這一問題，或許要靠國有資本介入，我不確定，目前還沒看到好的路徑和方法。跳出來看，Robotruck 領域那些選擇資源性運輸而非商業化運輸模式是大家比較認可的。
雷峰網：資源性運輸跟商業化運輸的無人化核心差異在哪里？
崔迪瀟：中國干線運輸分為資源性運輸和商業化運輸兩類，二者場景、需求不同，無人化的核心挑戰和實現難度也存在本質區別。
資源性運輸是生產資料從原產地到加工地的轉運，如有色金屬、煤炭等原材料的運輸，路線固定、運量充足，新疆、內蒙等資源集中片區年運輸產能可達幾千萬噸，穩定的場景為無人駕駛測試落地提供了良好基礎。且其對時效要求低，可適當降低車速，因此系統失效的風險和損失成本會呈指數級下降，能更好地保障大噸位車輛安全。
商業化運輸則截然不同，以 “三通一達” 等快遞運輸為代表，是商品從工廠到終端消費者的流轉，對時效要求高，強調次日達、當日達，車輛需保持高車速行駛在常規高速，技術難度大幅提升；且系統失效的風險極高，一旦發生安全事故，不僅會造成直接的人財損失，更可能引發行業性信任危機，導致行業發展停滯甚至部分企業關停。
同時，時效壓力讓行業常見的編隊行駛模式在商業化運輸中幾乎不可能實現。因為車輛沒有多余時間去組隊調整，無人駕駛只能依靠單車自主運行，進一步提升了技術難度。
雷峰網(公眾號：雷峰網)：除了編隊，還有其他可行性嗎？
崔迪瀟：之前國家層面其實提出過一些我認為很有可行性的方案，只是沒有完全推行開來 —— 就是專門為自動駕駛重卡設立專用道路，將有人駕駛車輛和無人駕駛車輛實現物理分流。從社會層面來看，這種分流模式，或許是破解當前無人重卡落地困境的可行路徑。
雷峰網：如果大面積開放路權，會極大推動無人卡車規模化嗎？
崔迪瀟：不能簡單認為開放路權就能實現無人卡車規模化，因為規模化需要多維度生態協調，路權只是其中一環。路權問題的核心是政策不明朗，而根源是企業未實現常態化無人運營，無法為政府提供足夠的運營證明、安全證據和真實數據，支撐其擴大試點范圍，最終形成路權開放與企業落地的相互等待僵局。
卡爾動力的做法，其實給行業提供了一個很好的參考范本。《完成超 1 億美元融資，卡爾動力韋峻青：讓無人重卡穿越大漠戈壁丨 L4 十人談》其與政府深度綁定，在技術可行范圍內穩步探索，不盲目炒作商業化運輸，而是聚焦更易落地的資源性運輸場景，通過切分場景降低技術難度和失效風險，讓政府愿意開放路權、支持試點。企業主動后退一步，不追求一步到位，反而能推動行業穩步發展。
雷峰網：今天，如何評價一家 L4 公司的技術能力？
崔迪瀟：評價 L4 公司的技術能力，沒有任何一個單一指標能做到，它本質上是一個復合性的復雜評價體系。
以前行業里大家常提 MPI（每干預里程，Miles per intervention），但我現在和一些號稱做 L4 的公司聊天，如果他們還在拿 MPI 作為核心指標，我就覺得這家公司已經走偏了，甚至可以說 “完蛋了”。
因為 MPI 根本不是評價 L4 系統的指標。“intervention（干預）” 的核心是需要人介入，而 L4 的核心是無人化系統，用 “需要人介入” 的指標來評價 “無人化系統”，本身就很矛盾、很奇怪。人在事故發生后接管車輛，這是一個事后指標，意味著此時已經出現了系統無法處理的不可控場景，只能靠人來補救，這才是 MPI 的本質。
之前大家討論的部分頭部特斯拉、小鵬、理想這些車企，說它們的車輛在離障礙物還有 0.3 秒、1 秒甚至 3 秒時，突然退出自動駕駛，強制讓人接管，所以即便發生撞車，表面上看是人在操作。但從 L4 追求絕對安全的終局視角來看，這種 L2 極限場景下的責任交接機制，其實就是 “耍流氓”。
真正的 L4，應該是前置性的風險判斷 —— 在系統即將失效、風險出現之前，就察覺異常并及時制止，而不是等到事故發生后再補救。打個比方，我要做的是拉響防空警報，提前防范風險，而不是等飛機轟炸結束后，才通知大家發生了什么。
這背后是一種核心的思想轉變。過去很多人其實是自欺欺人，總覺得只要把 MPI 做得無限高，就離 L4 不遠了，但這其實是對 L4 的誤解。
雷峰網：過去幾年里，很多公司選擇 L2 和 L4 兩條腿走路，走得怎么樣？
崔迪瀟：整體來看，L2、L4 雙線并行的路并不好走，這本質上是行業的無奈之舉，如同用自行車產業的收益支撐航天航空級研究，難度極大。核心原因是多數公司低估了自動駕駛問題的復雜性。
我有個消極的猜測：部分公司在有限的資本窗口期，借雙線并行做投機性布局 —— 通過 L2 輔助駕駛獲取訂單、積累數據實現短期增長，再用 L2 的高毛利收入、可觀數據量，搭配小范圍的 L4 Demo 演示和試運營，包裝 “技術領先、未來可期” 的故事獲取資本溢價，最終目標是登陸二級市場。
但現實中，L2 持續盈利、L4 落地突破這兩個核心目標，在 5 到 10 年的周期里均未有效實現。當資本看清真相后，這些公司再想從一級市場拿到融資，就變得難上加難了。
很多公司因此陷入了兩難困境：既想通過 L2 的營收證明自身商業化能力，逐步實現盈利；又不愿放棄 L4 這個 “高估值抓手”，擔心失去資本關注。最典型的例子就是小馬智行，有一段時間他們也嘗試切入輔助駕駛領域，但最終還是放棄了，這也證明了雙線并行的難度有多高。現在整個行業里，真正能同時把 L2 和 L4 都做好、做深的公司，真的是鳳毛麟角。
雷峰網：那為什么大家還在堅持做 L4 ？
崔迪瀟：現在行業里還有人敢相信 L4 能落地、愿意堅持做下去，核心原因其實是馬斯克 ，他給整個行業建立了信心。
但我對特斯拉 Robotaxi 背后的核心設計思路并不了解，所以一直有個擔心：他或許也是在靠 “賭概率” 的方式做 L4。具體來說，就是通過技術優化，讓整個系統的失效概率盡可能降低，在不額外增加過多冗余設計的前提下，無限逼近具備完整冗余的 L4 系統。
這種思路從商業角度來看，其實沒有問題，能最大程度控制成本、追求商業化效率，但它絕對不是科學定義上的 L4 系統 —— 因為科學意義上的 L4，核心是冗余保障，而這種 “賭概率” 的模式，很可能存在冗余不足的問題。不過這只是我的猜測，我目前還無法做出確切判斷。
雷峰網：現在很多智駕公司例如 Momenta、輕舟也開始布局無人卡車，乘用車到商用車，兩者的技術復制性高嗎？
崔迪瀟：如果只看純算法、模型這類技術層面，我認為乘用車到商用車的復制性其實不低，坦白說，這中間并不存在絕對不可逾越的壁壘。小馬智行、Aurora 都是典型例子，他們同時做乘用車與卡車，也印證了技術本身具備遷移性。
但商用車團隊真正的核心優勢，在于對物流作業場景與實際運營環境的深度理解。比如和不同物流公司溝通你就會發現，有的企業優先追求節油，有的更看重運輸效率，需求差異非常明顯。這些對場景、運營、客戶訴求的深刻理解，最終會直接體現在工程化實現與產品定義上。
這個領域真正的核心，還是體系化的落地能力。甚至說得更直白一點：能否和物流企業建立深度信任、維護好客戶關系、在行業里掌握更多話語權，本身也會成為非常關鍵的競爭壁壘。
05
“可能無法實現全國范圍的 L4 無人重卡，最終以區域性玩家為主。”
雷峰網：為什么去年下半年開始無人卡車賽道涌入一堆新玩家？
崔迪瀟：無人卡車賽道涌入新玩家，背后存在積極和消極兩方面核心原因。積極層面，部分團隊主營業務扎實，積累了充足的資源和技術儲備，有富余能力拓展新賽道、探索新可能；消極層面，當前乘用車市場基本盤存在不確定性，部分企業布局無人卡車，本質是為自己 “買保險”，尋找新的業務增長點和退路，這兩種情況同時存在。
雷峰網：你跳出智加，站在更客觀、全面的角度來看，自動駕駛卡車賽道哪幾家能率先跑出來？
崔迪瀟：我目前缺乏足夠的核心數據，沒法給出絕對準確的判斷。畢竟，車輛在正常運行、表現良好的時候，我無法確定它是否真正達到了 L4 的標準 —— 我們看不到它在失效、失控等 “跑得不好” 的狀態下，到底能表現如何。
所以，與其糾結于技術層面的判斷，不如跳出來看：哪家企業在商業上，具備更長周期的穿越能力，能扛過行業的低谷期。
深向科技或許有機會。它本身就有整車銷售業務，至少能擁有相對穩定的營收支撐。如果深向能進一步整合供應鏈資源，打通國內外的銷售渠道，形成持續的自我造血能力，那么它就具備了穿越行業周期的基礎。
再從 “貨源穩定性” 和 “場景落地性” 這兩個關鍵維度來看：小馬智行背后有中國外運提供穩定貨源，卡爾動力有鄂爾多斯當地的場景和資源支撐，智加科技則有滿幫的資源加持。這幾家企業，都掌握了不止一個影響行業落地的關鍵性要素，因此也都有機會率先跑出來。
這里有個核心邏輯：無人卡車本質上是一種生產工具，它的落地離不開兩個核心條件 —— 穩定的貨源和開放的路權。而這兩個因素，本質上都是區域性的，會天然把業務分割成不同的區域板塊。
所以我的判斷是：L2 + 級別的輔助駕駛重卡，未來有可能出現全國性的玩家；但 L4 級別的無人重卡，由于受貨源、路權等區域性因素的限制，很可能會形成 “區域性玩家林立” 的格局，很難出現一家獨大的全國性企業。
雷峰網：你想尋找能將 L4 系統 driver out 的理想化組織，當前有公司接近這一理想狀態嗎？
崔迪瀟：在 Robotaxi 領域，小馬智行和百度做得相對不錯，但我對他們的核心技術內核并不了解，所有判斷都基于外圍的運營情況和車輛試乘體驗。
雷峰網：我比較好奇蘿卜快跑后臺是否有安全員操作？
崔迪瀟：后臺大概率是有安全員的，但我沒法給出確切答案。這其實涉及到 L4 自動駕駛的核心環節 —— 包含失效安全（fail safe）和失效運行（fail operational）兩種模式，其中失效安全指車輛失控時，可請求人員現場接管或通過遠端操控處置。
說到這里，又要回到重卡的問題上：如果重卡想要通過遠程監管系統實現完全無人運營，核心是要在系統層面做冗余，而不是只在單車上做冗余。但遠程操控系統的搭建難度極大，因為重卡的運輸路線往往很長，比如從珠三角開到新疆、內蒙。假設未來實現長途無人運營，如何保證車輛在全程范圍內都能被遠程接管？這是一個關鍵難題。至少我目前還沒想出可行的解決辦法。
因此，這就會出現一個很大的悖論：以前干線無人卡車公司都宣稱自己面對的是萬億級的中國市場，但如果最終只能做區域型公司，那么企業的估值就必須大幅下調，這和最初的市場預期相去甚遠。
雷峰網：你對你新公司有怎樣的愿景？
崔迪瀟：我的愿景很明確，隨著自動駕駛技術的不斷迭代成熟，未來一定會出現具備 “基模” 能力的自動駕駛公司，我也希望自己的新公司，能成為這樣的企業 —— 通過基模的方式，將移動能力打造成一種基礎服務，就像現在的水、電、氣、網絡一樣，成為人類生活不可或缺的 “第五要素”。
其實我一直認為，移動能力的本質從未改變，核心就是把貨物或者特定的作業任務，從 A 點安全、高效地運送到 B 點，這是自動駕駛行業的核心邏輯，無論技術如何升級，這個本質都不會變。
現在行業里有個很有意思的現象，很多自動駕駛公司，比如文遠知行、小馬智行，均同時布局物流和出行兩大領域。既然物流（運貨）和 Robotaxi（運人），本質上都是 “點對點的運輸”，只是運輸的載體（貨物 / 人）不同，那么兩者的技術是否有可能實現打通、復用？這是否也意味著，未來一些深耕物流領域的公司，也有機會跨界進入 Robotaxi 市場？這些都還不確定，讓我們拭目以待。
本文作者關注自動駕駛、AI。歡迎各位跟作者（vx：IFLOW2025）建聯。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
