Robotaxi产业进展及潜在挑战在哪？

我国Robotaxi实践处于全球第一梯队，2024年本土发展提速。

一、产业进展：我国 Robotaxi 实践处于全球第一梯队，目前已实现去 车内安全员

从全球比较来看，中美处于全球Robotaxi第一梯队。根据如祺出行、罗兰贝格梳理 统计信息来看，目前中美处于全球Robotaxi产业化推进的第一梯队。 中国对于Robotaxi的商业化落地严格遵循“循序渐进、稳扎稳打”的发展态度，在技 术可靠性得到验证后，监管酌情放开给予技术发展的空间，反哺技术迭代，持续“螺 旋式”前进路径取得成功。 美国则对于Robotaxi的商业化采取了更加开放的发展态度和“跨越式、快节奏”的发 展方式。为了实现技术领先、快速迭代，部分城市的监管层面大胆放开、一路绿灯给 予Robotaxi最大的发展空间。

Robotaxi产业推进主要涉及三类政策牌照。 （1）测试牌照：2018年后国内多地开始了Robotaxi道路测试，所需即是此类牌照， 门槛较低，主要应用于无人驾驶技术验证； （2）有安全员示范运营牌照：允许自动驾驶车辆接待乘客，但车辆驾驶位仍然需要 配备人类安全员； （3）全无人牌照：完全不需要安全员就可以进行运营。

以北京为例，已实现有安全员示范运营，正迈向完全去安全员阶段。截至2023年中， 北京无人化测试车辆共计116台，测试总里程近200万公里，分阶段来看：（1）2021 年，在国内率先开放车内有安全员的自动驾驶无人化道路测试；（2）实现落地副驾 有人示范应用；（3）2023年3月，进入“车内无人”载人示范应用阶段，7月开放车内无人商业化试点。

从全国总体进展来看： （1）应用普及方面：截至2023年中，全国Robotaxi运营规模超过2000辆； （2）整车集成方面：2022年，我国Robotaxi产业已实现车辆前装、后装与总装下线 改装三种模式并存； （3）基础设施支撑方面：截至2022年底，全国已有3500多公里道路实现智能化升 级，部署RSU超过6000套，且北京、上海、南京等地积极开展云控平台试点建设； （4）人员需求方面：截至 2022年底，北京、上海、武汉、重庆等地区已允许车内 安全员从主驾到副驾，再到后排的示范运营，重庆和武汉部分区域已率先试行 Robotaxi无安全员化。2023年北京进入“车内无人”载人示范应用阶段。

Robotaxi产业2025-2030年有望迎来商业化/规模化运营阶段。展望2023-2025年来 看，全国范围内，Robotaxi试点有望逐渐全面取消车内安全员。同时，自动驾驶车 辆有望按照国家标准进行正向车辆设计，并实现前装量产，车辆可具备 L4 级车路 协同自动驾驶能力。根据盖世汽车、如祺出行等产业参与者预判分析来看，随着技 术进步、政策推动及成本降低等驱动，Robotaxi有望数年实现规模化运营。

二、潜在挑战

（一）社会层面：C 端认知度偏低，对就业替代效应存有疑虑

社会公众对Robotaxi认知度较低，对Robotaxi安全性与社会效益仍存在担忧。根据 每日经济新闻、腾讯汽车2022年调研数据，在共计229名受访者中，近半数受访者表 示不了解Robotaxi，89.4%的受访者对Robotaxi的安全性产生担忧，认为只有当运营 公司加大对安全性的宣传力度时才会考虑体验。

网约车司机人数不断上升，Robotaxi发展拟产生就业替代效应。网约车司机是城镇 灵活用工体系下的重要工种之一。近年来，持证网约车司机数量持续上升，根据数 据GO、交通运输部等披露数据，2023年底已有登记的网约车驾驶员657.2万人，网 约车279.2万辆，同时出租车数量近几年稳定在137万辆左右水平。科技替代人力是 Robotaxi的底层逻辑之一，在Robotaxi加大投放背景下，传统巡游出租车/网约车司 机群体有一定担忧。 人工智能技术带来的就业岗位替代效应与创造效应之平衡存在挑战。Robotaxi最终 旨在实现无人驾驶，技术成熟后出租车/网约车驾驶员下岗或成定局，替代效应不可 避免。值得期待的是，人工智能在出行领域的应用也会创造新的职业岗位并带来生 产效率的提升，形成创造效应。目前社会公众对创造效应认知仍较浅，Robotaxi技术 发展及相关政策对二者的平衡作用仍待观察。

（二）技术层面：智驾技术仍有迭代空间，成本仍需进一步下行

BEV+Transformer 大模型应用为 Robotaxi 产业链条带来重大技术升级 ； Transformer架构发展背景下，自动驾驶系统模块不断融合。截至2023年，特斯拉、 理想、蔚来、小马智行、百度等公司正逐步完善感知融合BEV+Transformer方案。该 方案能够实现行车架构感知融合，未来有望实现行泊统一架构感知融合。在感知模 块，BEV+Transformer方案极大推动自动驾驶通用感知网络的发展速度，其广泛应 用预示着数据驱动的深度学习神经网络正日趋成熟。 端到端路线为自动驾驶进一步突破提供新的可能性。在原先的模块化架构中，传感 器感知的数据须依次经感知/定位单元、预测单元、规划单元、控制单元，而后才将 数据传递至执行器。数据传递过程中也伴随累积误差、信息损耗与信号延迟。在端 到端架构中，传感器采集的数据经端到端大模型直接向执行器输出车辆驾驶动作， 保证了信息的无损传递。

现有技术条件下，人工接管率仍较高。在现有的模块化架构中，仍会出现信息延迟、 行动缓慢等问题，需要一定的人工介入与接管。因此，目前自动驾驶汽车仍需人工 监视（比如远程安全员），暂不能实现真正意义上的“无人”驾驶，一般情况下，安 全接管人员成本高也于出租车司机成本，故安全运营成本仍有下行空间。 未来期望通过转变为端到端架构的方式减少信息延时与人工干预，从而降低安全接 管人员投入，从而有效降低成本并实现真正意义上的“无人”驾驶。

（三）运维层面：运维体量普遍偏小，远期风险仍然存在

现有车企Robotaxi运维体量均较小。根据中国汽研统计数据，国内外车企的 Robotaxi车队规模大多不及千台，在美国，Waymo车队规模不足千台，在中国，百 度Apollo作为最大Robotaxi车企，其车队规模目前也仅千余台量级。 Robotaxi的规模效应尚未达成，大规模运维后的真实风险暴露不够。

大数据训练模型下，可能产生数据权限与隐私风险。在汽车模型训练过程中，大量 用户驾驶行程、驾驶习惯相关数据被传感器接收后会被用于模拟学习、强化学习、 预测规划、控制决策等；尤其在端到端架构下，对数据的依赖会更显著。在数据传输 过程中，车企将得到大量驾驶人行为数据。由于其背后有极大挖掘价值，可能会造 成居民隐私泄露与数据滥用的风险。 系统安全性也会成为Robotaxi面临的重要挑战。与手机与电脑互联网原理相同，黑 客会通过互联网漏洞侵入软件，从而攻击自动驾驶汽车，通过禁用或过度使用功能 的方式影响驾驶决策，为乘客带来危险；还会通过植入后门程序的方式，爬取行程 数据，通过盗窃模型内容的方式形成不正当的商业竞争，或窃取乘客相关情报，破 坏整体汽车生态系统。在车联网下，汽车有更多的网络通信接口可能成为黑客攻击 的点位，因此其被黑客攻击的风险也随之增大。