自动驾驶产业观察：从技术竞赛走向规模商用

执行摘要：2024年以来，自动驾驶产业呈现多元落地格局：乘用车侧，高阶智驾硬件加速下沉，合资品牌开始在2万美元级电动车型标配激光雷达；商用车侧，矿区等封闭场景的L4方案进入规模化商业运营，沃尔沃车队累计无人运输300万吨物料。同时，世界模型成为技术演进热点，强化学习新范式对算力与数据提出新要求。本报告梳理产业现状与竞争格局，拆解上中游产业链与下游应用，分析数据与商业模式竞争，研判未来18个月落地趋势，为产业参与者提供决策参考。

产业现状：技术竞赛与格局演变

自动驾驶产业正处在从辅助驾驶向高阶自动驾驶过渡的关键阶段。从整体进程看，乘用车与商用车呈现出两条清晰不同的发展曲线：乘用车沿L2辅助驾驶向L2+、L3乃至更高级别逐步演进，核心驱动力是量产规模与成本下探；商用车则在矿区、港口等封闭场景率先实现L4级自动驾驶的商业化落地，核心驱动力是场景封闭、路线固定带来的技术可控性与经济性验证。

从市场格局看，乘用车高阶智驾的普及速度明显加快。以往激光雷达、高算力平台等智驾硬件主要集中在30万元以上高端车型，如今已快速向20万元以下的主力价格带渗透。以马自达EZ-60为例，这款上市仅一年的电动SUV，纯电与增程版本均新增了激光雷达支持的高阶辅助驾驶能力，起售价仍控制在2.2万美元以内。传统合资车企在主力走量车型上标配激光雷达智驾硬件，反映出中国市场竞争压力下，智能化正从差异化卖点转变为标配能力。高阶智驾从高端下沉至走量车型，意味着产业竞争的重心正从技术演示转向规模交付与成本控制。

商用车方面，封闭场景的商用化已进入实质性验证阶段。沃尔沃自动驾驶解决方案公司的矿用超重型自动驾驶卡车车队在无人类驾驶员的情况下，累计从矿区运出300万吨物料。这一数据表明其L4级自动驾驶矿用运输方案已进入规模化商业运营阶段，而非停留在测试示范。矿区场景封闭、路线固定，被普遍认为是自动驾驶最先落地且最具经济性的商业场景之一。类似的港口、干线物流等场景也在并行推进，商用车自动驾驶的商业逻辑——以替代人力与提升运营效率为核心——正逐步获得验证。

在技术层面，产业演进路径也在发生深层变化。从感知驱动走向认知驱动的趋势日益明显，世界模型等新范式正被引入自动驾驶领域，用于构建对物理世界的预测与模拟能力。尽管学界对世界模型的定义仍存争议，其背后反映的行业共识是：仅靠传感器与规则难以覆盖长尾场景，基于生成与仿真的方法被视为突破高阶自动驾驶瓶颈的重要方向。头部企业围绕技术路线的竞争，正从单一算法能力扩展至数据闭环、算力基础设施与仿真体系的体系化竞争。

总体而言，当前自动驾驶产业呈现三重并行格局：其一，乘用车高阶智驾加速普及，规模量产成为主战场；其二，商用车封闭场景率先商用化，为L4技术提供商业化验证；其三，技术路线持续迭代，产业从功能竞赛走向体系能力竞赛。下一阶段的竞争焦点，将从是否具备智驾能力，转向规模化交付质量、成本效率与商业化闭环能力。

产业链全景：上游感知与算力

自动驾驶产业正处在从技术验证走向规模商用的关键转折点。这一转折的直接标志，是感知硬件的成本曲线与整车价格带的历史性交汇：曾经搭载于数十万元高端车型的激光雷达，如今开始出现在2.2万美元级的主力走量车型上。与此同时，以强化学习为代表的新技术范式正在重塑上游算力需求结构。感知与算力两大上游环节的变动，构成了观察本轮产业变化的基础视角。

感知层：激光雷达跨过规模化搭载门槛

激光雷达的降本是过去数年产业链最确定的趋势之一。随着国产供应链成熟、芯片化收发模块普及以及出货规模扩大，激光雷达单颗价格从早期的数千美元量级持续下探，逐步进入整车厂可大规模采购的成本区间。

马自达EZ-60的案例具有标志性意义。这款上市仅一年的电动SUV，在纯电与增程版本上均新增了激光雷达支持的高阶辅助驾驶能力，起售价仍控制在2.2万美元以内。这意味着两件事：其一，激光雷达不再是高端旗舰车型的差异化配置，而是开始向走量车型渗透；其二，马自达作为传统日系车企，主动在其电动化产品上补齐智能化短板，反映出中国市场竞争压力正向合资品牌传导。当2.2万美元级车型开始标配激光雷达，上游感知器件的市场空间将从“百万辆级高端车型选装”切换为“千万辆级主流车型搭载”的潜在格局，量的增长将反向继续摊薄成本，形成正循环。

算力层：强化学习范式推高需求结构

如果说感知层的主题是“降本”，算力层的主题则是“结构性升级”。2024年OpenAI o1发布后，行业普遍认识到以强化学习为核心的新范式正在接续预训练，成为模型能力提升的主引擎。在2024云栖大会上，阶跃星辰姜大昕、月之暗面杨植麟、生数科技朱军等头部创业者围绕这一趋势展开的讨论，被视为o1发布后国内关于大模型技术路径最有信息量的探讨之一。三人的共识性判断指向两点：强化学习范式对算力和数据提出了全新要求，推理阶段算力的权重显著上升；未来18个月，技术路径与应用形态仍将快速演进。

对自动驾驶而言，这一范式迁移的影响是双重的。一方面，端到端与强化学习结合的技术路线，使自动驾驶模型的训练从“模仿学习拟合人类驾驶数据”转向“通过大规模试错自主习得驾驶策略”，训练所需的车端仿真与云端算力呈量级增长；另一方面，上车推理算力也需要匹配更复杂的模型结构。算力需求从单点训练扩展为“云-边-端”全链条，上游供应格局随之变化：云端训练集群向头部AI芯片与算力服务商集中，车端推理芯片则呈现英伟达、高通与国产芯片厂商多线竞争态势，整车厂通过自研或深度绑定供应链来锁定算力资源，正在成为头部玩家的共同选择。

产业逻辑：两条曲线的交汇

感知降本与算力升级看似方向相反，实则共同指向规模商用这一终点。此外，上游能力的成熟正在向商用车场景外溢。沃尔沃自动驾驶解决方案的矿用超重型卡车车队已在无人类驾驶员的情况下累计运输300万吨物料，表明L4级方案在矿区这类封闭、路线固定场景中已进入规模化商业运营，而非测试示范。商用车先行落地形成的运营数据与工程经验，亦在反哺乘用车供应链。

小结

上游感知与算力环节正沿着不同逻辑收敛于同一目标：感知硬件靠规模摊薄成本，使高阶智驾进入主流价格带；算力供应因强化学习范式而需求扩张、格局重排。两者的叠加效应，决定了未来两年高阶智能驾驶从旗舰配置走向大众标配的速度，也决定了哪些上游供应商能够在这轮规模商用的窗口期中确立身位。

产业链全景：中游算法与整车

自动驾驶产业链的中游，正处在技术范式切换与竞争格局重塑的双重变奏之中。一方面，以端到端、世界模型为代表的新技术路线正在改写算法栈的组织方式；另一方面，合资品牌加速补齐智能化短板，正在压缩中游方案商曾经赖以生存的“技术代差”空间。

一、技术路线之争：从模块化到端到端，再到世界模型

过去数年，自动驾驶算法经历了从模块化管线（感知—预测—规划—控制分立）向端到端大模型的跃迁。这一演进的底层逻辑，与大模型行业的范式变化同频。2024云栖大会上，阶跃星辰姜大昕、月之暗面杨植麟、生数科技朱军等头部创业者围绕OpenAI o1展开的讨论，折射出一个行业共识：强化学习驱动的新范式，对算力和数据提出了全新要求——模型不再主要依赖人类标注数据，而是通过与环境交互获得奖励信号自我进化。这一逻辑迁移到自动驾驶领域，即表现为端到端架构对海量行驶数据回传、云端仿真训练和大规模算力投入的依赖，行业门槛从“算法人才密度”转向“数据闭环+算力基建”的重资产竞争。

而“世界模型”概念在2026年迎来全盛期后，边界反而变得更加模糊。视频生成、机器人、游戏引擎、自动驾驶纷纷贴上这一标签。李飞飞明确指出，世界模型已成为AI领域最被过度使用的术语之一，当前各类系统实际在解决三个不同层次的问题：渲染世界、模拟世界、在世界中行动。这一区分对自动驾驶尤其具有澄清价值——

• 渲染世界：以视频生成为代表，追求视觉逼真度，主要价值在于合成训练数据；
• 模拟世界：构建可交互的物理仿真环境，用于闭环验证与强化学习训练，对应自动驾驶的仿真测试体系；
• 在世界中行动：即具备规划与决策能力的智能体，这才是自动驾驶的终极命题。

当前头部玩家的“世界模型”宣传，多数停留在前两个层次。行业的真实共识正在形成：世界模型短期内最大的商业价值是降本仿真与数据生成，而非直接替代端到端驾驶模型。真正“在世界中行动”的驾驶智能体，仍需解决长尾场景泛化与安全可验证性问题——这也解释了为何沃尔沃等L4玩家选择矿区这类封闭、路线固定的场景先跑通商业化，其自动驾驶矿卡已在无人干预下累计运送300万吨物料，进入规模化商业运营而非测试示范阶段。场景收敛+数据可闭环，是当前范式下商业化验证的可行路径。

二、合资品牌补课：中游竞争格局的挤压效应

如果说法本之争决定的是中游的“上限”，那么合资品牌的智能化补课，则直接压低了中游的“地板”。

马自达EZ-60是一个标志性案例：这款上市仅一年的电动SUV，纯电与增程版本均新增了激光雷达支持的高阶辅助驾驶能力，起售价仍控制在2.2万美元以内。这意味着一个传统日系合资品牌，在主力走量车型上完成了高阶智驾硬件的普及——激光雷达从豪华品牌的选装配置，下沉到20万元以下甚至更低价格带的走量车型。

这一变化对中游格局的冲击体现在三个层面：

其一，技术代差红利加速消失。 中游方案商过去的核心卖点是对合资品牌的“智能化代差”，当激光雷达+高阶辅助驾驶成为合资走量车的标配，方案议价能力随之下降，竞争重心转向成本与工程化交付能力。

其二，供应商选择窗口收窄。 合资品牌补齐短板的方式，要么自建团队，要么绑定头部供应商。中游“多强并存”的格局可能向“一超多专”收敛：头部方案商凭借数据规模与算力优势拿下主流定点，中小方案商被迫向细分场景（矿区、港口、干线物流等封闭场景）迁移——这正是沃尔沃矿卡模式所代表的赛道。

其三，智驾从差异化卖点变为入门门槛。 当2.2万美元级车型已搭载激光雷达智驾，消费者的心理预期被重新锚定，整车厂的智驾配置竞赛将进一步挤压成本，倒逼中游通过端到端架构削减传感器冗余、通过世界模型降低仿真与数据成本。

三、小结

中游算法与整车环节的竞争，正在从“技术路线验证”阶段进入“规模成本竞争”阶段。端到端确立了数据闭环与算力的门槛，世界模型划清了短期价值（仿真与数据生成）与长期愿景（行动智能体）的边界；而合资品牌的快速补课，则宣告智驾普惠时代的到来。对中游玩家而言，能否在乘用车走量市场守住成本曲线，或在封闭场景实现L4的规模化商业运营，将是决定其产业链地位的分水岭。

产业链全景：下游场景与商业化

自动驾驶产业正在经历从技术验证向规模商用的关键转折。在乘用车高阶智驾持续降本渗透的同时，以矿区为代表的封闭场景L4方案已率先跨过商业化门槛，成为产业链下游最先兑现价值的板块。

封闭场景率先闭环：矿区的验证意义

沃尔沃自动驾驶解决方案公司的矿用超重型自动驾驶卡车车队近期达成重要里程碑：在无人类驾驶员的情况下，累计从矿区运出300万吨物料。这一数据的意义不在于运输量本身，而在于其性质——它标志着L4级自动驾驶矿用运输已进入规模化商业运营阶段，而非停留在测试示范或小规模试点。

矿区之所以成为自动驾驶最先落地的商业场景，源于三重结构性优势。其一是环境可控：矿区封闭、路线固定、社会车辆混行少，长尾场景密度远低于开放道路；其二是经济逻辑清晰：矿用卡车司机招聘难、成本高、作业环境艰苦，自动驾驶替代的人力节约可直接量化；其三是安全与合规压力驱动：矿区安全事故成本极高，运营方有强动机为减少人员暴露支付溢价。沃尔沃的案例为商用车自动驾驶的商业模型提供了实质性验证——按运输量或服务费计费的模式，使技术方能够以运营服务商而非一次性设备供应商的身份参与价值分配，从而形成可持续的收入结构。

各下游场景的落地节奏分化

从产业链下游看，不同场景的落地节奏与商业模型差异显著，核心变量是场景开放度、安全冗余要求与付费主体的支付意愿。

封闭与半封闭场景（矿区、港口）的商业化确定性最高，因其付费主体明确、决策链条短，且人力替代收益可直接测算。开放道路场景则呈现另一条路径：乘用车侧，智驾硬件正在快速下沉。马自达EZ-60在中国市场为起售价2.2万美元以内的电动SUV新增激光雷达支持的高阶辅助驾驶，表明在中国智驾竞争推动下，合资品牌正加速在主力走量车型上普及激光雷达方案——智驾正从差异化卖点变为标配化能力，其商业模型也从软件订阅预期转向整车竞争力的一部分。

Robotaxi与干线物流仍处于投入期。前者的瓶颈在于车队规模化后的运营效率与单位经济模型尚待跑通；后者则更依赖监管对L3及以上责任的界定与放开节奏，商业化时间表存在不确定性。

产业链启示

上游技术能力的演进正在加速下游商业化。世界模型等新范式被广泛应用于机器人与自动驾驶领域，用于提升系统的环境理解与模拟能力，有望降低长尾场景的验证成本；激光雷达等传感器的大规模装车带动价格下行，反过来又降低了封闭场景方案的成本门槛。

综合来看，产业逻辑已经清晰：商业化不取决于技术等级的高低，而取决于场景的开放度与经济模型的可验证性。矿区300万吨的运输里程碑证明，在合适的场景中，L4自动驾驶已经可以独立支撑一个商业闭环。下一阶段的竞争焦点，将是从单点场景验证向跨场景复制能力迁移——包括运营体系的标准化、多业主交付能力和成本结构的持续优化。能在这一层面建立能力的企业，才有望在从技术竞赛走向规模商用的产业转折中占据主动。

数据与竞争：范式变革下的新要素

当自动驾驶从技术验证走向规模商用，产业竞争的重心正在发生结构性迁移：决定胜负的关键变量，不再仅仅是算法架构的一次性创新，而是以数据闭环和算力储备为核心的新型基础设施能力。数据与算力正在取代“算法亮点”，成为区分头部玩家与跟随者的核心壁垒。

一、数据闭环：从辅助工具到竞争主轴

大模型领域的发展经验正在向自动驾驶快速传导。2024年云栖大会上，杨植麟、姜大昕、朱军等头部创业者围绕o1代表的强化学习新范式展开讨论，一个共识逐渐清晰：新范式对数据和算力提出了完全不同于以往的要求——模型能力的提升越来越依赖高质量反馈数据和大规模训练算力的持续投入，而非单次性的架构突破。

这一逻辑在自动驾驶领域同样成立。辅助驾驶系统的迭代遵循一条典型的飞轮路径：装车规模带来真实道路数据，数据回流驱动模型训练，训练成果通过OTA推送给用户，更好的体验进一步带动装车规模。这条数据闭环的效率，取决于三个环节的协同质量：数据采集的覆盖度与质量、数据回传与标注处理的工程能力、以及训练基础设施的算力规模。

值得注意的是，数据闭环的门槛正在被市场规模反向拉高。马自达EZ-60在2.2万美元以内的起售价上配置激光雷达高阶辅助驾驶，反映出的正是中国智驾市场的“内卷”逻辑：合资品牌必须快速补齐智能化短板才能参与竞争，而参与竞争的前提是有足够的装车量支撑数据回流。这意味着数据闭环竞争已经从头部新势力扩散到全行业，跟随者的窗口期正在收窄。

二、算力储备：闭环的“燃料成本”

数据闭环不是零成本的。强化学习范式下，模型需要在大量试错与仿真交互中学习，训练算力消耗呈量级上升。对于自动驾驶企业而言，算力储备因此具有双重属性：既是研发投入，也是竞争壁垒——拥有大规模稳定算力的企业可以更快完成数据到能力的转化周期，形成迭代速度上的复利优势。

矿区自动驾驶的案例佐证了这一逻辑的商业价值。沃尔沃自动驾驶卡车车队已实现无人类驾驶员状态累计运出300万吨物料，进入规模化商业运营。封闭矿区、固定路线的场景之所以最先跑通，除了环境可控外，也因为在限定场景内数据分布集中，模型可以更快完成收敛，算力与数据的投入产出比更高。这也提示了数据体系建设的场景经济学：不同场景的数据密度、采集成本和商业回报差异巨大，数据资产的配置策略本身就是竞争策略。

三、三类技术路径对数据体系的差异化要求

李飞飞曾指出，“世界模型”已成为AI领域被过度使用的术语，当前各类系统实际在解决三个不同问题：渲染世界、模拟世界、在世界中行动。这一框架对理解自动驾驶的技术竞争极具解释力——三类路径对数据体系的要求截然不同，也塑造了不同的竞争壁垒。

渲染世界路径强调对物理世界的高保真还原，竞争壁垒在于真实数据的采集规模与重建质量，天然有利于拥有大规模车队和传感器体系的企业。模拟世界路径则以生成式模型构造可交互环境，试图用合成数据降低对真实采集的依赖，壁垒在于模型对物理规律的理解深度。在世界中行动路径直接面向决策与执行，需要大量试错反馈数据和强化学习算力，沃尔沃在矿区的300万吨运营记录，本质上就是这一路径在限定场景下的数据资产积累——真实运营产生的长尾场景数据，是任何仿真手段难以完全替代的。

四、产业展望

数据闭环与算力储备的竞争，正在重塑自动驾驶的产业格局。其一，规模商用与数据积累互为因果，率先实现规模化运营的企业将获得数据飞轮的复利，后发者的追赶成本持续上升。其二，三类世界模型路径并非互斥，头部玩家大概率走“渲染+模拟+行动”的融合路线，但融合的前提是三类数据体系都达到临界规模，这进一步抬高了竞争门槛。其三，封闭场景的先行商业化（如矿区运输）将成为真实运营数据的重要来源，场景资源的争夺可能成为下一阶段竞争的隐性战场。

从技术竞赛到规模商用，自动驾驶的竞争逻辑已经从“谁的算法更聪明”演变为“谁的数据飞轮转得更快、算力储备更充足”。这一要素结构的变革，将决定未来18个月产业格局的分野。

趋势判断：未来18个月落地路径

综合当前产业动态与技术演进节奏，未来18个月自动驾驶产业将呈现三条清晰的落地主线：乘用车智驾平价化加速渗透、商用车在封闭场景完成复制扩张、世界模型从概念走向工程化应用。三者共同标志着产业正从技术竞赛阶段转入规模商用阶段。

趋势一：乘用车智驾平价化，硬件下探与合资补课并行

智驾能力向低价位车型下沉已成为明确的产业趋势。马自达EZ-60是典型案例：这款上市仅一年的电动SUV，在纯电与增程版本上均新增了激光雷达支持的高阶辅助驾驶能力，而起售价仍控制在2.2万美元以内。这意味着激光雷达智驾硬件已不再是高端车型的专属配置，而是开始进入主力走量车型。

这一趋势背后有两层产业逻辑。其一，中国智驾市场竞争白热化，迫使供应链成本快速下降，激光雷达等核心传感器价格持续下探，使“入门车型标配高阶智驾”在经济上变得可行。其二，智能化短板正在成为合资品牌电动产品的竞争劣势，马自达作为传统日系车企主动补齐智驾能力，预示着更多合资品牌将跟进，智驾平价化将从中国品牌内部的竞争扩散为全行业标配。

对消费者的直观影响是：高阶辅助驾驶的渗透率在未来18个月将显著提升，智驾体验的差异化竞争将从“有没有”转向“好不好用”。

趋势二：商用车封闭场景从验证走向复制扩张

与乘用车的渐进式渗透不同，商用车自动驾驶正在封闭场景中率先完成商业化闭环。沃尔沃自动驾驶解决方案公司的矿用超重型自动驾驶卡车车队已达成关键里程碑：在无人类驾驶员的情况下，累计从矿区运出300万吨物料。这一数据的意义在于，其L4级自动驾驶方案已进入规模化商业运营阶段，而非停留在测试示范层面。

矿区场景封闭、路线固定、速度受限、人力成本高且招工难，被普遍认为是自动驾驶最先实现商业落地的场景。沃尔沃的运营数据为这一判断提供了实质性验证。未来18个月，预计矿山、港口、干线物流专用场景等封闭或半封闭场景将进入复制扩张期：先在单一场景验证商业模型，再向同类场景横向复制，形成可复用的运营范式与降本路径。

趋势三：世界模型进入工程化应用阶段

2026年「世界模型」概念迎来全盛期，视频生成、机器人、游戏引擎、自动驾驶纷纷贴上该标签。但需要客观指出，该概念目前高度模糊，李飞飞已撰文指出世界模型成为AI领域最被过度使用的术语之一，并认为当前各类系统实际在解决三个不同问题：渲染世界、模拟世界、在世界中行动。

对自动驾驶产业而言，真正值得关注的是世界模型从概念炒作走向工程化应用的过程。从1990年奠基论文到当前机器人和自动驾驶的实际应用，世界模型的技术脉络逐渐清晰：通过学习对物理世界的预测与模拟能力，为自动驾驶系统提供更高效的仿真训练、长尾场景生成与端到端策略评估手段。未来18个月，头部企业将把世界模型嵌入研发管线——用于降低真实道路测试成本、加速corner case训练，其价值将体现在工程效率的提升，而非营销概念本身。

未来18个月落地路径示意

对产业参与者的风险与机会提示

机会方面： 供应链企业应关注激光雷达、域控制器等核心部件随平价化带来的出货量弹性；商用车方案商可优先锁定矿区、港口等已验证场景，快速复制商业模型；具备仿真与世界模型工程能力的企业，将获得显著研发效率优势，并可能形成对外输出的新业务线。

风险方面： 概念泛化是首要风险，世界模型标签的滥用可能导致资本与舆论预期偏差，参与者需区分真实工程能力与营销包装；平价化加速意味着智驾功能将快速同质化，缺乏持续迭代能力的车企与供应商可能陷入价格战；封闭场景运营虽然商业化清晰，但单场景市场规模有限，向开放道路扩张仍面临技术与监管的双重不确定性，相关法规与责任认定框架的演进节奏，是所有参与者需要持续跟踪的关键变量。

总体而言，未来18个月是自动驾驶从“技术叙事”转向“商业叙事”的关键窗口期，能在真实运营数据与规模化收入上建立验证的企业，将在下一阶段竞争中占据主动。