L4商业模式率先在内蒙闭环！单车已盈利，年化营收5个亿

贾浩楠 发自 副驾寺
智能车参考 | 公众号 AI4Auto

L4商业闭环，已经达成了，时间点是今年二季度。

出乎意料？

更出乎意料的是，L4实现单车盈利、全生命周期经济效益超过人驾，不在北上广深这样的大城市，而在祖国西北地广人稀的内蒙古。

更更更意外的还有：L4商业模式率先跑通的，不是在赛道中10年持之以恒的先驱，而是一家起步仅4年的玩家——

卡尔动力，在鄂尔多斯不但搞定了L4无人干线货运，还打通了自动驾驶卡车从干线到园区甚至是野外的全流程无人化。

L4卡车，如何运营

无人智慧物流前几年被讨论最多的形式是“Hub To Hub”，从一个货物集散点到另外一个。根据各个玩家主攻场景、技术实力不同，落地方式有收费站到收费站、园区内A点到B点，或普通道路上的辅助驾驶NOA功能等等。

而卡尔动力在鄂尔多斯实现的L4级无人驾驶重卡，流程是全链条的，场景包含了园区、高速、城区、野外等等。

具体形式是L4编队，头车有人，队伍其他车辆都是完全无人的L4卡车。

头车作用一是提前感知环境并共享给整个车队，为后车提供行驶轨迹参考；二是在遇到临时停车检查、车辆爆胎等等情况，头车司机可以直接人工交涉、处理，解决L4“断点恢复运营”的问题。

编队L4最大的亮点，是头车始终没有后车的操作权限，除了遵循基本的跟车逻辑，路上实时发生的所有博弈交互，后车拥有完整的自主感知、规控能力。

以一个完整的煤炭运输链条来看，从矿场开始，整个L4车队首先要在矿区内进行自动装车、过磅。

整个过程的难点在于矿区内并不像港口，不同的功能区根本没有明显标识，全程必须靠车辆本身的感知能力。

地磅场景其实和ETC完全相同，通行空间狭窄，且同时还要识别抬杆状态

装好煤驶向发电厂的过程中，有城区道路

可以看到这个转弯场景中，“编队”被另外两辆大车恶意抢行导致中断，后车马上自主避让，然后尽快追上头车恢复编队。

整个编队最大通信距离有数十公里，后车如果被隔得太远，头车还会停靠在路边等候重新编队。

内蒙地区还有本地特色十分突出的corner case

普通道路甚至有时在高速上，都会出现牛羊过马路…

上高速匝道过收费站，分两种情况：如果是人工收费，头车司机直接给整个车队付好款，然后通过；如果是ETC，则是后车完全靠自身感知规控能力，自主通过收费站

高速上有两个场景很有挑战。首先是被借道超车的其他社会车辆加塞

同样是后车先自动鸣笛警示，自动避让后再尝试恢复编队。

高速路边临时隔出的养护带、地上的废轮胎、防水布等等障碍物，头车避让的同时，会把信号同步给整个车队，然后每个车视情况择机绕行避让。

如果某一台车变道机会不好，也不会强行变，而是先减速观察，必要时还会取消变道，等时机成熟再行动

到了发电厂，L4编队和有人驾驶的普通卡车完全混行，同样经历过磅、卸煤、指定地点自动装煤灰、再过磅驶出园区的过程。

煤灰会按要求拉到指定地点堆放，混合普通土壤垒成山，然后统一绿化

这也是整个流程最让人意外之处。

堆放煤灰的人造山，后期通常数十米高，需要盘旋上坡，单程超过半小时。道路早就被重卡压的坑坑洼洼，炮弹坑交叉轴密布，又因为环保要求需要定时喷水避免扬尘， 路面也是泥泞不堪。

卡尔动力的L4编队依然能在后车无人、后端无远程操控的情况下自主完成路线并自动卸货。

事实上，卡尔动力已经搞定了非铺装越野道路的自动驾驶，背后的技术，既有VLA大模型的整个场景的认知理解能力，也有对车辆动态反馈、扭矩控制的精准把控能力。

建议卡尔动力联系一下长城比亚迪，两家不是在争夺“智能越野”一哥的宝座吗？

好像除了悬挂预瞄调节，从来没有任何乘用车玩家研发过真正的野外自动驾驶。非铺装路面，也是大部分自动驾驶公司不会去关注的。

商用车技术下放，何尝不是一种降维打击。

“跑通”从何说起

“跑通”有两个含义，首先是商业模式上跑通，背后是技术体系上跑通。

商业层面来看，卡尔动力CEO韦峻青告诉智能车参考，今年二季度首次实现单车越过盈亏平衡线，换句话说，卡尔动力的L4卡车已经开始赚钱了。

对应着卡尔动力今年可以实现年化营收5亿元。

这里的“盈亏平衡线”是指一辆L4卡车的全生命周期（约100万公里），TOC（全周期成本）已经比传统重卡更低

最主要的方式就是编队，一个1托4的车队，5辆卡车实际只有一个司机，司机成本立减80%。

再加上车队智能节油算法、后车尾流效应节油，整个车队的毛利，已经实现从传统的4%左右，直接猛涨4倍，达到16%。

到了这一步，意味着卡尔动力已经初步具备了自我造血的能力，L4卡车落地，不再是投放一辆亏损一辆，整体经营盈利只是个时间问题。

现阶段的重要任务，是提高车队的毛利率，加快驶向转折点。

2026年卡尔动力计划量产完全无驾驶舱的纯无人电动重卡（可换电），预计整体毛利率能提升到25%：

技术层面，卡车AI司机怎么训？卡尔动力提出了六阶段训练流程。

这是一个层层递进、由通用到专用的技术范式，其核心思想是通过“预训练+迁移学习”来克服自动驾驶领域，尤其是商用车特定场景下的数据稀缺难题。

像一个金字塔，底层是广泛的通用数据奠基，顶端是精准的专项任务优化：

第一阶段：互联网公开数据预训练（Internet-Scale Pre-training）。

这是模型的“启蒙教育”。利用互联网上公开的海量文本、图像、视频等多模态数据，训练一个基础的大型视觉-语言模型（VLM）。目标是让模型初步建立起对世界的基本认知、常识和逻辑推理能力，例如理解物体、空间关系、基本物理规律和人类意图。这为后续的驾驶任务提供了至关重要的先验知识基础。

第二阶段：网约车与乘用车数据场景泛化（Generalization with Ride-hailing Data）。

在基础模型之上，引入滴滴集团丰富的网约车和乘用车自动驾驶数据。这些数据包含了大量复杂的城市道路场景（如无保护左转、行人穿梭、车辆加塞等）。此阶段的目标是让模型初步适应动态交通环境，学习人类司机在乘用车场景下的决策模式和交互行为，其任务与先进的乘用车智能驾驶系统（如Waymo、Cruise的方案）相似。

第三阶段：卡车私有数据领域适配（Domain Adaptation with Truck Data）。

这是模型从“乘用”转向“商用”的关键一步，使用卡尔动力自身积累的卡车驾驶数据训练。卡车的尺寸、重量、动力学特性、驾驶视野和业务场景（如干线物流）与乘用车截然不同。此阶段让模型深度掌握卡车的独有特性，例如更长的制动距离、更大的转弯半径、对侧风敏感等，使其行为模式更贴合重型车辆的驾驶逻辑与需求。

第四至六阶段：特定任务精细化调优（Task-Specific Fine-tuning），针对不同商业化落地的具体需求，进行专门的精细化训练，数据量虽逐级减少，但针对性极强。

• 第四阶段（开环规划 - Open-loop Planning）： 使用真实驾驶记录数据，训练模型根据历史环境信息，预测出本车应有的轨迹，并与人类司机的真实轨迹进行对比优化。

第五阶段（闭环仿真 - Closed-loop Simulation）： 将模型置于高保真的仿真环境中进行测试和训练，让其决策会带来一连串的环境反馈（如其他车会如何反应），从而学习更长远、更安全的策略。第六阶段（强化学习 - Reinforcement Learning）： 这是突破性能上限的关键。利用自研的世界模型（Event Model） 生成大量在真实世界中罕见的高风险、长尾场景（如“鬼探头”），让模型在这些虚拟的极限环境中进行“试错”和“奖励”，从而学习到超越人类平均水平的、安全性更优的驾驶策略。

所谓技术体系的“跑通”，是底层模型吸收人类常识和乘用车经验，中层注入卡车领域知识，顶层则通过仿真和强化学习“创造”数据。

这样一来，眼下落地的L4卡车编队，不用针对特定园区、路线用规则优化，具备完整的模型化、数据闭环能力，具备多地、多场景部署的泛化性。

后续，配合无驾驶舱的纯电重卡，可以训练出既安全又拟人、且适用于多种物流场景的通用运输智能体（Transport AGI）。

L4超级黑马，从何而来

N年前自动驾驶各个赛道都还方兴未艾之时，就已经有投资人、从业者断言商用车场景的无人化，一定比乘用车更快。

但自动驾驶卡车赛道玩家很多，反而后发的卡尔动力率先打通L4全场景能力，甚至实现商业模式的“跑通”，其实和落地的地点有密不可分的关系。

大家熟知的鄂尔多斯标签是“羊毛衫”，但大家很少了解的是鄂尔多斯拥有全中国已探明煤炭储量的1/5，以及还有丰富的稀土资源。

畜牧、煤矿、稀土，哪一项都是大宗商品运输强需求。

2024年底，全国重卡保有量约700万台，单单鄂尔多斯市一地，就有超过130万辆重卡。

同时鄂尔多斯又地广人稀，8.7万平方千米相当于一个沿海省份大小，高速、国道路况优良。

如此场景、如此需求、如此条件，但几乎所有自动驾驶卡车玩家过去10年都“无动于衷”，只把目光放在东南沿海经济发达地区，但面对的是货运路线短而碎、客户类型繁多要求不一、路线难度更高…

只有卡尔动力抓住了这个机会，引入鄂尔多斯国资和鄂尔多斯集团投资，一举拿下自动驾驶卡车落地的“理想国”。

卡尔动力自己也坦诚：

自动驾驶公司的惯性，往往是给技术找落地场景。

但卡尔动力是先找钉子再早锤子，比较各个赛道之后选了“大宗长途货运”，因为这个才决定走“编队”这条路，才去主动联系了鄂尔多斯。

卡尔动力在2025年年中的最新进展，其实把自动驾驶卡车赛道的“疑问”，一一解答完毕了。

首先L2、L4的争论在卡车赛道不存在，因为成本高度敏感的特性，货运赛道最理想的落地是“去人”而不是“减人”。

在这个基础上，L2、L4通过“编队”模式共存，完美实现法规、成本、技术的不可能三角。

其次，通过VLA+世界模型+强化学习的技术范式，港口园区、干线、矿区、中短途等等不同场景，现在被证明完全可以拉通。

一个技术体系、一个供应商，“一车到底”，背后一定是更加有竞争力的成本优势，自动驾驶卡车的诸多“赛道”可能要开始收敛了。

最后，现阶段L4卡车落地的最佳场景，是大宗长途货运。这意味着后续的竞速除了技术之外，找场景、找客户的能力比任何时候都重要——

对于Robotaxi来说，需要不断开城拓展规模，单地千台以上才有可能实现单车盈利，并且每个城市的部署都是一场技术和监管双重折磨。

这可能是为何面对“多少个鄂尔多斯能支撑起Robotruck公司”这样的问题时，卡尔动力的高层竟有些错愕：

卡尔动力单车盈利的节点，是部署车队规模300辆左右，而仅鄂尔多斯就有130万辆重卡等待替换……

如今的技术、产业链条件下，L4超级黑马，“地利”反而更重要。

【智能车参考】原创内容，未经账号授权，禁止随意转载。