自动驾驶商业化大考：谁来为无人驾驶买单？

文 | 产联社CLS，作者｜郑青春 自动驾驶行业的核心命题正在发生根本性切换。 当技术可行性不再是最大悬念，产业如何自我造血、谁来为持续高昂的研发投入买单，成为摆在所有玩家面前的生存考题。 2026年以来，中国乘用车L2级组合驾驶辅助功能渗透率达到70.5%，NOA功能渗透率达到34.2%；全国自动驾驶累计测试里程超过2.2亿公里，首批L3级有条件自动驾驶车型也开始在特定区域上路通行。 自动驾驶正在加速走出实验室。城市NOA率先进入规模化量产，而被视为终局形态的L4自动驾驶，也从测试走向有限的商业运营。 4月，工信部等部委批复26座城市允许L4全无人出租车商业化收费运营。 过去，资本愿意为技术愿景支付高昂成本；今天，当融资环境趋于理性、研发投入持续增加，收入、毛利率、现金流以及商业模式开始成为决定企业能否继续留在牌桌上的另一套标准。 自动驾驶行业正在进入一个新的阶段：技术路线的竞争仍在继续，但企业要面对的，已经不再只是“能不能实现无人驾驶”，而是“谁来为无人驾驶持续买单”。 三条路径，一道生存题 自动驾驶的高速发展，带着鲜明的资本底色。过去十年，一级市场资金源源不断涌入赛道，企业比拼的是测试里程、算法精度、车队规模，商业化落地节奏反而让位于技术迭代速度。 风向在资本寒冬中逐渐转向。融资周期拉长、估值回调，持续的高研发投入失去无限供血的支撑，企业被迫从 "技术优先" 转向 "生存优先"。国元证券研报显示，行业整体融资规模在2021至2023年间经历大幅收缩，此后资金进一步向头部成熟企业集中，中小玩家融资窗口快速收窄。 面对资金压力，L4原生企业率先探索出多元商业化路径。核心逻辑是， 将L4级底层算法能力向不同场景复用，通过携手商用车企、Tier1及出行平台，在Robotaxi、高阶辅助驾驶、无人小巴、干线物流、矿区、园区等多个方向同步推进，用多业务组合对冲单一赛道的商业化风险。 代表性企业中， 文远知行 通过与宇通、博世、Uber等合作，业务覆盖无人小巴、L2++高阶辅助驾驶及海外Robotaxi，目前其L2++方案已搭载超过30款车型，封闭场景无人配送业务也在国内多个二三线城市规模化运营。 小马智行 在Robotaxi和干线物流双线并进，已在国内一线城市实现单车运营盈利转正。 驭势科技 聚焦机场、厂区等半封闭场景，在机场L4级商用车自动驾驶市场中占据90%以上份额。这类企业的共同特征是以L4技术为原点，向下延伸量产场景，横向拓展多元自动驾驶版图，用量产项目换取现金流与供应链经验，用封闭场景的快速落地弥补开放道路商业化的时间差。 以 Momenta 为代表的第三方方案商走出第二条路径：以量产智驾为核心基座，靠向多家车企输出城市NOA全栈方案获得规模化收入，再用百万级量产车的路测数据反哺 L4 技术迭代。Momenta 创始人曹旭东曾公开表态，"量产不是退路，是自动驾驶技术迭代的必经之路"。这条路径的逻辑是，先通过成熟的 L2++ 市场活下来，再等待 L4 商业化的政策窗口。 背靠互联网大厂的百度，则走出第三条双轨并行的路径：旗下 萝卜快跑 自营 Robotaxi 车队积累运营经验，Apollo 业务线对外输出智驾方案供给车企，试图用内部协同平衡投入与产出。百度智能驾驶事业群公开表述称，双轮驱动是为了 "用运营验证技术，用技术放大运营价值"。截至2025年10月，萝卜快跑全球自动驾驶总里程突破2.4亿公里，累计完成订单超过1700万次。 三条路径对应三种不同的资源禀赋与生存策略，但亏损是行业共性问题。2025 年，文远知行全年营收 6.85 亿元，同比增长 89.6%，净亏损仍达 17 亿元；Momenta 营收 24.13 亿元，同比增长 82.1%，净亏损高达 34.58 亿元。头部互联网大厂的智能驾驶业务年亏损规模也达数十亿元级别。 乐观的一面是，亏损正在收窄。文远知行净亏损同比收窄 34.2%，Momenta 经调整亏损从 9.59 亿元收窄至 3.03 亿元。这意味着量产市场的规模化正在成为支撑高阶技术研发的重要底盘。 技术可复用，落地仍须差异化 技术复用被自动驾驶行业公认为摊薄研发成本的核心解药，"一套通用技术底座适配多场景" 成为多数头部企业的标准叙事。但技术复用的实际效果，普遍被资本市场高估。 底层技术虽有复用率，但不同场景的差异客观存在，集中在三点： 一是驾乘体验标准不同，载人场景追求平稳加减速，货运车辆对乘坐舒适性没有硬性要求；二是路径规划逻辑不同，出租车优先保障时效与路线确定性，货运车辆可以主动绕行拥堵路段；三是商业模式决定技术取舍，L2++ 辅助驾驶面向消费市场，需要平衡成本与性能，系统无法处理场景时，提示驾驶员接管即可。 这三点差异本质上是产品定义层面的不同，更深层的鸿沟在工程落地环节。行业内常说的 "技术复用"，更多指底层感知、预测算法框架的同源性 —— 比如识别行人、车辆、红绿灯的基础模型，可以在不同场景下迁移训练。但一旦落到工程落地，传感器布局调整、车控系统适配、场景标定、合规认证、故障降级策略，每个场景、每个车型、每座城市几乎都要重新做一遍，工作量并不会因为底层算法同源而大幅减少。 深耕行业数十年的资深独立分析师、中国汽车流通协会专家委员会专家钟师认为，底层算法框架的复用确实能降低从零到一的研发成本，但自动驾驶真正的成本大头在规模化工程落地阶段，每个车型、每个城市都要重新投入，这部分成本很难通过技术复用大幅摊薄。 最核心的壁垒来自安全冗余的层级差异。 L2++ 城市 NOA 的定位是辅助驾驶，驾驶员全程负有监督责任，系统遇到边界场景可以请求接管；但 L4 级自动驾驶必须在定义的运行设计域内独立完成全部驾驶任务，缺乏实时人工干预支持，对感知冗余、决策容错、故障降级的要求呈指数级上升。对应的传感器配置、算力冗余、车控系统成本，也完全不在一个量级。 据市场调研机构灼识咨询的报告， 相较于高速 NOA，城市 NOA任务复杂度、交通参与者多样性已显著提升，而 L4 的安全冗余要求又比城市 NOA 高出一个层级，两者几乎是两套体系，而非同一个技术的高低配。 即便是同属 L4 范畴，不同场景的技术取舍也差异显著。封闭港口的无人重卡，线路固定、场景可控，可以靠高精度地图与车路协同大幅降低单车感知要求；而开放道路的 Robotaxi，要应对随机的行人、非机动车、临时施工，对模型泛化能力要求极高。无人小巴时速低、运行路线固定，和高速场景的 Robotruck，在感知距离、决策逻辑上几乎是两套体系。 行业逐渐形成共识：通用技术底座确实能降低从零到一的研发成本，但从一到 N 的规模化落地，依然要为每个场景、每个车型、每座城市付出对应的工程成本。 从单点转正到整体盈利 随着试点推进，不断有企业传出“单城盈利”“线路现金流转正”的消息。小马智行在广州实现城市级单车盈利转正，文远知行部分业务进入盈亏平衡，百度萝卜快跑武汉运营接近盈亏平衡点。 但这些都局限在特定城市、特定车队规模下，一旦扩大运营区域、增加车队数量，成本结构就会立刻变化。截至2026年中，国内尚无自动驾驶企业实现全公司口径、连续季度的盈利。行业普遍认为，盈利的窗口正在打开，但实现全面盈利仍需时日。 据灼识咨询测算， 传统出租