未来两年robotaxi的增速会如何变化？
1、Robotaxi市场现状与发展
目前国内的Robotaxi市场主要由小马智行、AutoX和百度的萝卜快跑等公司主导，这些公司技术水平已
经相对稳定，但商业化落地进展缓慢。部分公司如远程启行和轻舟智行已经从L4转向L2到L3级别的自
动驾驶。国内Robotaxi的发展主要依赖于政策的放开，例如北京等地已经允许在特定区域内进行运
营，并通过云端安全员来降低成本。Robotaxi的商业化前景主要依赖于政策的放开和运营成本的降
低，目前来看，OEM厂商不太可能大规模进入这个市场，因为他们缺乏互联网运营的基因和能力。
2、技术与市场竞争
当前Robotaxi的技术主要依赖于激光雷达等重传感器，技术上并没有大的突破，主要是政策的放开推
动了商业化进程。国内的Robotaxi方案与特斯拉等国外方案相比，技术上仍有差距，特别是在端到端
方案的应用上。国内公司如小鹏、华为等在高级NOA和城市NOA方面有一定优势，但整体技术水平仍
需提升。特斯拉的端到端方案依赖于大量的数据和高算力的支持，这使得其在技术上具有明显优势。
国内公司在数据和算力方面仍需加强。
3、未来发展与投资机会
Robotaxi市场的扩展速度主要受政策和技术的限制，短期内不会有大规模的增长，主要是多点开花的
模式。政策的放开和技术的进步是关键因素。未来两年内，技术和政策的进步可能会带来市场的拐
点，特别是城市智能驾驶技术的发展将是关键。传感器技术的发展，如固态雷达的应用，将是未来投
资的一个重要方向。降低传感器成本和提高传感器性能将是关键。
4、感知算法与技术趋势
感知算法的发展经历了从2D感知到BEV感知的转变，特斯拉在这一领域处于领先地位。国内公司如小
鹏、华为、理想等在BEV感知方面也有较好的表现，但整体仍落后于特斯拉。BEV感知的发展趋势是
无图化和端到端，国内公司在这一领域的技术差距正在逐渐缩小，但仍需更多的数据和算力支持。小
鹏在感知算法方面的领先主要得益于其早期的大量投入和快速迭代能力，这使得其在数据和车辆方面
具有明显优势。
5、芯片与算力
当前自动驾驶芯片主要有GPU和ASIC两种，GPU具有通用计算能力，适合训练和部署，但在量化时会
有精度损失。ASIC则通过牺牲通用性来提升效率，但量化过程复杂。特斯拉的芯片设计采用了异构计
算的方式，通过增加浮点或DSP单元来保证通用性，这使得其在端到端方案的部署上具有优势。国内
芯片厂商如地平线、华为等也在积极布局高阶自动驾驶芯片，未来有望替代英伟达的芯片。
6、政策与社会因素
政策的放开是Robotaxi市场扩展的关键因素，安全性是政策放开的重要考量标准。未来政策的逐步放
开将带动市场的扩展。社会因素如就业问题也需要考虑，Robotaxi的渗透率过高可能会影响现有的就
业市场，这也是政策制定时需要考虑的因素。
Q&A
Q：当前参与到Robotaxi各个参与者的技术和核心优势是什么？A：最早参与Robotaxi布局的公司包括小马智行、AutoX和百度的萝卜快跑等。这些公司在技术上已经
达到了一个较为稳定的水平，但商业化落地一直是个挑战。部分公司如远程启行和轻舟智行已经从L4
转向L2到L3。坚持下来的主要是小马智行和萝卜快跑。
Q：在Robotaxi的发展中，主机厂和方案商分别扮演什么角色？
A：主机厂主要提供车辆，特斯拉则亲自下场开发技术方案。方案商如小马智行和萝卜快跑从主机厂购
买车辆后进行改造和技术开发。芯片提供商如英伟达提供高算力芯片，满足高阶自动驾驶的需求。
Q：当前Robotaxi的发展现状和未来发展路径如何？Robotaxi最终会沦为OEM的游戏吗？
A：Robotaxi的技术与一两年前相比并没有大的跳跃性发展，主要依赖激光雷达等重传感器。其出圈主
要是由于政策放开，例如云上安全员的引入降低了成本。Robotaxi更偏向平台运营和互联网打法，
OEM不太可能主导这个领域，除了特斯拉具备相应的互联网基因和技术能力。
Q：当前robot taxi的方案与国内主机厂商如小鹏、华为等的方案有什么区别？
A：当前robot taxi的方案与国内主机厂商如小鹏、华为等的方案在技术和运营场景上存在显著区别。小
鹏等主机厂商主要专注于高级NOA（高级辅助驾驶），其覆盖范围广泛，适用于所有城市。而robot
taxi则在有限区域内运行，要求智能化程度更高。技术难度方面，城市NOA的难度远大于robot taxi，因
为其需要应对更复杂的环境和交通规则差异。此外，robot taxi依赖于高精地图和点云地图，而城市
NOA则逐渐向无图化方案发展，减少对高精地图的依赖。
Q：为什么国内的robot taxi方案没有全面拥抱端到端技术？
A：端到端技术确实是未来的趋势，但其实现依赖于几个关键条件。首先，需要大量的数据，这对于拥
有大量车辆数据的OEM厂商如新势力和传统主机厂商来说是优势。其次，端到端方案需要大量快速测
试，而主机厂商拥有大量车辆，可以快速迭代和验证方案。最后，端到端方案对AI算力要求较高，需
要巨额投资建设超算中心。目前，国内robot taxi方案主要依赖激光雷达和冗余感知技术，虽然成本较
高，但在降成本阶段后，可能会逐渐转向端到端方案。
Q：robot taxi方案在未来中长期是否有规模化和量产的前景？
A：是的，robot taxi方案在未来中长期具有规模化和量产的前景。虽然当前方案依赖高成本的激光雷达
和冗余感知技术，但如果能够有效降低成本，并且在安全员的兜底保障下，其技术方案与端到端方案
的差异并不大。未来在降成本阶段，可能会逐渐转向纯视觉方案，从而提升算法要求和降低硬件成
本。
Q：从中长期来看，纯视觉的端到端方案是否会在top line上有更多的优势？
A：肯定会有优势。自动驾驶需要解决三个要素：安全、舒适和高效。现有的基于规则的方法（如
robot taxi）只能解决其中两个问题，无法完全解决所有问题。端到端方案可以更好地解决这些问题，
因为它通过自然学习人的驾驶行为，上限更高。但挑战在于如何从大量驾驶数据中挑选出好的驾驶行
为。尽管不需要人工写规则，但需要人工挑选数据。因此，端到端是未来的趋势。
Q：在robotaxi产业链上，智能驾驶方案商会扮演什么角色？主机厂商是否有更强的优势？
A：我不太赞同主机厂商有更强的优势。百度作为一个互联网公司，已经成功运营了robotaxi，这表明
互联网公司在这方面更有优势。技术上，雷达技术门槛并不高，方案商都能做，甚至滴滴或高德也能
做。最终，这还是一个互联网运营的事情，需要互联网运营商的合作。
Q：您觉得未来几年robotaxi的数量会有怎样的增速？A：robotaxi的数量增速主要受政策和技术两方面的影响。政策方面，如果某些地方放开运营，数量可
能会增加，但目前放开的区域并不多。技术方面，现有技术方案限制了其扩展速度，特别是高精地图
和传感器的依赖性。因此，未来一两年内robotaxi的数量不会有大幅增长，只会在现有基础上逐步复
制。
Q：政策和技术上有哪些关键点影响robotaxi的扩展速度？
A：政策上，安全性是核心因素。人们对机器事故的容忍度低，一旦发生事故会被聚焦。如果现有运营
区域如武汉等地的安全性高，其他地方的政策可能会逐步放开。技术上，现有方案依赖重传感器和高
精地图，限制了扩展性。未来需要降低成本，提高技术的可扩展性，特别是端到端的解决方案和云端
安全员的配合，预计需要两年左右的时间技术才会成熟。
Q：未来两年robotaxi的增速会如何变化？
A：未来两年robotaxi的增速会维持稳步增长，技术成熟后可能迎来加速拐点。如果智能驾驶技术达到
一定水准，如大部分区域的接管里程超过100公里，robotaxi将具备大规模推广的条件。
Q：您如何判断特斯拉的robotaxi未来的体量？
A：由于没有直接从事智能驾驶运营业务，我不便对特斯拉的robotaxi体量做出判断。国内外市场情况
不同，具体数据难以预测。
Q：纯视觉方案在测距方面比激光雷达差，这个问题是如何解决的？
A：纯视觉在测距上确实不如激光雷达准确，但在近距离（如10米或20-30米范围内），其精度可以媲
美激光雷达。此外，纯视觉方案会结合毫米波雷达等传感器，这些传感器在测距测速方面较为准确，
通过融合可以保证对动态物体的捕捉准确，不影响最终的安全性。随着技术的进步，未来端到端的方
案将更接近人类的认知过程，通过视频和导航信息直接输出控制信号轨迹，使得纯视觉方案的驾驶性
能接近带激光雷达的方案。
Q：FSD 12.4版本在分叉路口出现延迟的原因是什么？未来会有新的解决方案吗？
A：特斯拉目前有两套并行的网络，一套是实时感知网络，另一套是规划轨迹网络。延迟可能是因为在
分叉路口校验过程中发现问题，短时间内找不到最合适的路径，导致计算量大而出现延迟。未来的提
升主要依赖于大数据，通过收集大量分叉路口的数据和准确的驾驶行为数据，放入网络中进行训练，
从而提升性能。
Q：地平线的J5和J6芯片能否替代英伟达的芯片？
A：J5芯片主要面向中高速的MV方案，限制较大，适合做高速的NOA。J6芯片则是为了替代英伟达的
芯片，固定P大约在200左右，适用于更高端的方案。特斯拉的高端方案也能够跑起这些网络。
Q：特斯拉未来会将BEV和规控两张网络合并吗？
A：目前没有明确回答特斯拉是否会将BEV和规控两张网络合并。
Q：感知算法领域的整体情况，以及国内主机厂在感知模型和数据闭环系统的发展水平？A：感知算法领域的发展可以以2019年为分水岭。2019年之前，主要是2D感知，支持ADAS功能。
2019年后，开始出现360度感知方案，如地平线的方案。2024年起，特斯拉公布了DV方案，感知趋势
发生变化，各家开始采用BEV感知。BEV感知的好处是感知结果直接在3D空间中，减少了后处理步
骤。2020年后，感知能力逐渐增强，逐步实现无图化和端到端的发展。国内在BEV感知方面做得较好
的有小鹏、Momenta、华为等。小鹏和Momenta在无图化方案上也有较好表现。总体上，国内的感知
算法仍在追赶特斯拉。
Q：国内的BEV感知模型与特斯拉相比有多大差距？
A：如果将特斯拉视为第一梯队，国内的华为、理想、小鹏和地平线属于第二梯队。总体上，这些国内
厂商的感知方案差异性不大，但仍落后于特斯拉。国内厂商在动态感知和静态感知方面逐步缩小差
距，有些已经去掉了众包地图，直接使用导航地图和视觉感知出静态结果。
Q：小鹏在感知算法方面的领先优势是什么？
A：小鹏在感知算法方面的领先优势主要体现在其较早布局和持续的研发投入。小鹏在BEV感知和无图
化方案上表现突出，研发投入较大，致力于提升感知能力。
Q：在低微量产中，模型的量化和部署有哪些难点？
A：低微量产中的模型量化和部署涉及异构计算硬件的问题。目前市面上常用的是GPU，它具有通用计
算能力，适合各种模型的训练和部署。然而，即使是GPU，在部署Transformer模型时也会遇到问题。
例如，使用FP16进行量化时可能会导致精度损失，需要进行算子替换。此外，还有ASIC芯片，如
Mobileye、地平线和华为MBC等，它们通过牺牲通用性来提升效率，但量化过程复杂，需要专门设计
网络。为了保证通用性，有些芯片设计会在ASIC基础上增加浮点或DSP单元，以处理不支持的算子。
Q：在无人驾驶领域，投资者应重点关注哪些方向？
A：投资者应重点关注硬件方面，特别是传感器技术。例如，固态雷达在替换机械雷达方面具有潜力。
此外，还应关注传感器的成本和大规模应用的可行性。国内一些公司在这方面有较大进展，值得关
注。
Q：如果特斯拉的FSD进入中国市场，国内的RoboTaxi市场会受到怎样的影响？
A：特斯拉在中国市场的竞争优势非常明显，因为它拥有完整的方案、芯片和车辆制造能力。国内的
OEM厂商虽然有车，但芯片和方案不具备优势，新势力的量也不大，成本难以下降。而像比亚迪和传
统主机厂，目前的方案和芯片也不具备竞争力。运营厂商如滴滴和百度则没有车和方案，只能改造车
辆并使用别人的芯片。因此，特斯拉进入后会在运营上具有明显竞争优势。
Q：国内RoboTaxi市场在政策方面有哪些需要关注的地方？未来会是一个牌照生意吗？
A：目前L3或L4级别的无人驾驶示范区已经开始出现，这些地区的政策放开表明可以进行运营。牌照
并不是主要问题，关键在于运营的安全性和责任划分。技术上没有垄断性，运营的安全性将决定资
质。此外，责任划分问题也是一个风险因素，特别是在事故发生后的责任归属上。
Q：CUDA在自动驾驶中的算子效率如何？在不同芯片平台上的迁移工作量如何？
A：大语言模型主要在云端运行，不涉及量化问题。模型转换时使用ONNX格式，英伟达的芯片支持度
较高，迁移难度较低。CUDA在训练时基本上都在GPU上进行，部署到英伟达芯片上的难度较小，通
常几个小时就能完成。但在其他芯片上可能会遇到支持和精度问题，复杂模型的迁移可能需要一两个
月的时间。总体来说，CUDA在自动驾驶中的算子效率较高，迁移工作量相对较少。Q：推理端的迁移是否比训练端容易？
A：推理端的迁移并不一定比训练端容易。云端训练通常使用32位或64位浮点数，而端上部署一般使
用16位或int 8，以提高推理效率和减少模型大小。虽然效率逐渐提升，但灵活性会降低，因为很多算
子不支持int 8，需要使用16位。因此，推理端的迁移在效率和灵活性之间需要权衡。
Q：Orin平台支持的位数是多少？
A：Orin平台支持FP16（16位浮点数）。
财醒来
暂无介绍....