2025年智驾行业专题报告：Robotaxi有望在28年迎来商业化曙光，后发追赶者优势在于硬件降本，劣势在于研发投入和算法迭代时间

1. L4 技术逐步成熟推动 Robotaxi 发展，主要玩家技术路线各异

1.1. L4 技术成熟推动 Robotaxi 产业发展

Robotaxi 是自动驾驶技术的一种具体应用，L4 技术成熟推动产业快速发展。自动 驾驶出租车利用高级传感器、人工智能和高精地图等技术，实现安全可靠的自主驾驶。 无人驾驶技术（L4）的快速成熟，推动 Robotaxi 等应用快速发展。 智驾分为两类：ADAS（高级辅助驾驶）和 AD （高阶自动驾驶）。ADAS（高级辅 助驾驶）：主要为 L2 及以下，协助驾驶员完成各种驾驶任务的技术及功能。AD（高阶 自动驾驶）：主要为 L2+及以上，指与高级辅助驾驶相比自动化程度更高的技术及功能， 其最终目标是实现全自动驾驶，即车辆可以在没有人工干预的情况下运行。目前 L2 不 管在技术上还是商业化上已经较为成熟，而部分整车厂整合的智驾解决方案技术水平实 际上已经达到 L3 甚至 L4 级别，但是为了规避事故责任等，车企更倾向于对外宣传为 L2+。

1.2. 产业链和商业模式：中下游边界模糊化，铁三角模式和一体化模式并存

Robotaxi 产业链：Robotaxi 行业上游主要为自动驾驶汽车感知、定位、决策和执行 等层面所需的软硬件，感知层包括激光雷达、摄像头、毫米波雷达和超声波雷达等，定 位主要包括高精地图和定位，决策层主要包括自动驾驶芯片和域控制器，执行层主要包 括转向、制动、空悬和动力总成等。中游传统意义上主要为智驾解决方案供应商、整车 厂等，下游为出行平台等车队运营企业，在当下中游和下游边界模糊化，百度和谷歌等 互联网科技公司自行开发 robotaxi 平台，传统出行平台滴滴也开始参与到中游的技术集 成和优化。

当前 robotaxi 行业主要有两种模式：第一类是整车厂+自动驾驶企业+出行平台的 铁三角合作模式，代表性例子包括 Momenta+上汽+享道出行、文远知行+广汽+如祺出 行、小马智行+吉利+曹操出行等等；另外一类是负责超过 2 个角色甚至一体化，比如特 斯拉的一体化模式，以及百度/滴滴同时兼顾算法+运营平台再找主机厂合作的模式。

1.3. Robotaxi 产业主流采用多传感器融合+模块化结合端到端技术路线

从传感器的角度看，主要分为多传感器融合和纯视觉方案两种技术路线，在 robotaxi 等对安全性要求较高的应用中，多传感器融合模式为业界主流： 1）多传感器融合方案，除了特斯拉外，其他主要 robotaxi 玩家均采取该技术路线， 通过摄像头、激光雷达、毫米波雷达等多种传感器获取数据，每一种传感器都有各自的 优点和不足，多种传感器融合可以一定程度上保证运营安全冗余； 2）纯视觉方案，特斯拉是该方案的代表性企业，马斯克认为按照第一性原理，人只 需要使用视觉那么无人驾驶最终也只需要视觉，该方案仅用摄像头进行感知，虽然相比 多传感器融合有一定的硬件成本优势，但是对于软件算法的技术要求更高，当前算法仍 在逐步成熟过程中，因此纯视觉方案的安全性相比多传感器方案较低。

从地图方案的角度，主要分为高精地图和轻量化地图两种技术路线，未来随着技术 成熟，轻量化地图方案可能会逐步向无图方案演进： 1）高精地图，是精度更高、数据维度更多的电子地图，精度更高体现在精确到厘米 级别，数据维度更多体现在其包括了除道路信息之外的与交通相关的周围静态信息，可 以说高精地图是一种具备“超视距”感知能力的传感器。主要优点包括：a 可弥补普通 传感器的性能边界、提供重要先验信息；b 很多静态信息可以预先存留在高精地图上， 极大减轻了感知实时检测的算力负担，使得感知有更多资源进行动态物体的识别与跟踪。 主要缺点包括：a 目前大部分图商只能做到 3 个月更新一次高精地图，而对于自动驾驶 理想状态是日更乃至小时级的更新。b 高精地图成本高昂，市场上分米级地图的测绘成 本约为每公里 10 元，厘米级地图的测绘成本高达每公里千元。 2）轻量化地图，是智能驾驶领域为降低对高精度地图（HD Map）依赖而提出的解 决方案，其核心在于“重感知、轻地图”，即通过摄像头、激光雷达等传感器实时感知环 境，结合导航地图或简化版高精地图。与传统方案相比，它不再完全依赖高精地图的厘 米级精度，而是利用算法和实时数据弥补地图信息的不足。主要优点包括：a 传统高精 地图仅覆盖部分高速和城市主干道，轻地图方案可扩展至全国 530 万公里公路。b 城市 道路变化频繁，轻地图通过实时感知应对临时施工、突发障碍等场景，泛化能力更强。 c 高精地图涉及测绘资质和国家安全审核，轻地图方案减少合规压力。主要缺点包括： a 轻量化地图缺乏这种长距离精确信息，主要依赖实时感知，可能导致紧急决策。b 在 恶劣天气（雨雪雾）、隧道、地下车库等传感器受限场景，轻量化地图依赖实时感知，在 这些场景风险更高。c 轻量化地图精度不足，在 GNSS 信号丢失时（高楼区、立交桥） 定位能力较弱。d 高精地图可作为独立于实时感知的安全冗余层，提供静态环境"真值"， 而轻量化地图方案缺乏这种冗余机制。

从算法架构角度看，主要有模块化、端到端以及模块化和端到端结合的路线，在当 下业界采取模块化和端到端结合并逐步向端到端架构迈进，特斯拉的一段式端到端相对 较为成熟： 1）端到端，设计理念为单一神经网络直接输出控制指令，技术特点为数据驱动、全 局优化。优点包括：a 全局优化能力强，通过单一神经网络直接从传感器数据映射到控 制指令，避免模块间信息损耗和误差累积，提升系统整体效率；b 计算效率高，共享特 征提取骨干网络（如 BEV+Transformer），减少冗余计算，响应速度更快；c 长尾问题处 理更优，数据驱动模式能学习复杂场景（如非规则道路、突发障碍），泛化能力显著优于 规则系统。缺点包括：a 黑盒特性导致可解释性差，决策过程难以追溯，调试困难（如 误判红绿灯时无法定位故障层）；b 数据与算力需求极高，需千万级视频片段训练；c 安 全冗余不足，极端场景（如传感器失效）依赖单一模型，缺乏预设规则兜底。 2）模块化，设计理念为分模块处理（感知→决策→控制），技术特点为规则驱动、 模块独立优化。优点包括：a 可解释性与易调试，模块独立（感知/决策/控制），故障可 快速定位（如感知错误则优化检测算法）；b 开发分工明确，团队可按模块并行开发，降 低协作复杂度；c 安全冗余完善，各模块可嵌入规则校验（如 AEB 紧急制动规则），提 升极端场景可靠性。缺点包括：a 信息传递损耗，模块间接口导致误差累积（如感知漏 检→规划路径碰撞风险提升）；b 规则难以穷尽场景，依赖人工编码规则，无法覆盖所有 Corner Case（如罕见交通标志误读）；c 计算冗余，各模块独立特征提取，算力利用率低 （端到端计算效率高 30%以上）。 3）端到端和模块化结合，设计理念，在常规场景下使用端到端模型快速响应（如车 道保持、跟车），而在极端场景下规则或次级模型介入（如施工路段切换模块化路径规 划）。技术特点为数据与规则协同。优点包括：a 平衡性能与安全，端到端提升效率，规 则系统提供兜底（如误识别行人时触发 AEB）；b 渐进式技术升级，可从模块化逐步迁 移（如特斯拉 FSD V9→V12 逐步端到端化）。缺点包括：a 系统复杂度高，需解决数据流协同问题（如端到端与规则引擎冲突时的仲裁机制）；b 开发成本双重叠加，需同时维 护神经网络训练和规则引擎迭代。

VLA 可能是下一代自动驾驶主流的算法架构。当前的(a)端到端模型缺乏可解释性； (b) VLM 模型以感知为中心，但语言输出和实际控制存在脱节；(c) VLA 模型整合了感 知、推理与行动，可能成为下一代主流的自动驾驶算法架构。

主流 robotaxi 玩家在技术路线上采取多传感器融合+高精地图+模块化和端到端融 合的算法架构，特斯拉采取纯视觉+无图+端到端的算法架构。百度、小马、文远和 waymo 等主流玩家均采取多传感器融合叠加高精地图的技术路线，且在算法架构方面逐步采取 模块化和端到端结合的技术方案。其中 waymo 虽然有端到端的技术但为了安全的商业 化运营仍然主要采用模块化的算法架构。由于高精地图较高的成本和较差的泛化性，部 分厂商正在逐步减轻对高精地图的依赖，转向轻量化地图。特斯拉传感器层面采取纯视觉的技术方案，算法架构采用端到端的技术路线，地图方面倾向于使用无图模式，利用 BEV+Occupancy 网络+NeRF 技术实现动态重建道路结构。 Waymo 和百度在商业化较为领先，小马、文远和 waymo 技术实力较为领先，文远 海外拓展能力较为突出。Waymo 和百度的累计订单都超过 1000 万次，运营车队规模也 均超过 1000 台，在商业化进程上走在世界前列。从技术实力上来看，小马、文远和 waymo 技术实力较为领先。文远在除了 robotaxi 外的各类无人场景都有较强的产品和技术储备， 且 25Q1 运营车队已经超过 1200 台，在海外拓展和获取海外运营牌照方面展现了较强 的竞争力和行动力。

2. Robotaxi 全球市场空间有望在 2030 年达 666 亿美元

全球 Robotaxi 市场空间有望在 2030 年达到 666 亿美元，2025-2030 年 CAGR 有望 达到 195.6%。全球 Robotaxi 市场规模有望在 2030 年达到 666 亿美元，在 2035 年达到 3526 亿美元，2025-2030 年和 2030-2035 年的 CAGR 分别有望达到 195.6%和 39.6%。 中国 Robotaxi 市场空间有望在 2030 年达到 390 亿美元，2025-2030 年 CAGR 有望 达到 199.6%。中国 Robotaxi 市场规模有望在 2030 年达到 390 亿美元，在 2035 年达到 1794 亿美元，2025-2030 年和 2030-2035 年的 CAGR 分别有望达到 199.6%和 35.7%。

Robotaxi 行业快速发展的主要驱动因素主要包括技术成熟、政策支持和成本下降： 1）技术逐步成熟，自动驾驶安全性提高：在事故发生的追因调研中，驾驶员的失 误操作是导致事故发生的主要因素，而 Robotaxi 技术逐步成熟，可以帮助规避由人为导 致的大部分事故风险，降低事故发生率，保障驾驶员和乘客安全。

2）robotaxi 成本端有望逐步下降：自动驾驶减少了对司机的依赖，从而节省人工成 本，当前的 Robotaxi 仍需要安全员，但随着技术的成熟，单个安全员逐步可以监管更多 台车辆，带来成本下降。此外，随着无人驾驶车队规模的增长，各类硬件也将因为规模 效应持续降本，带来车辆成本的下降。

3）中美两国政策端均大力支持 robotaxi 产业发展：美国在自动驾驶政策方面起步 较早，其政策环境相对宽松，鼓励创新。中国在自动驾驶领域的发展策略则更注重安全 稳定和渐进式推进。在中国运营 robotaxi，需要经过测试、示范和商业化三个阶段：测 试阶段需要接管里程等数据达标，以及车辆等硬件进行资质检测等；示范阶段需要积累 安全运营里程，准备安全相关的评估和保障方案；商业化阶段需要配备相关保险，并且接受监管定期的数据审查。

3. 2028 年 Robotaxi 有望迎商业化曙光，后发追赶具硬件成本优 势

3.1. 商业化进展：受益于人车成本下降，robotaxi 或最快在 2028 年迎来商 业化曙光

百度的萝卜快跑相对全球 robotaxi 玩家在商业化进程上更为领先，我们测算百度 萝卜快跑单车 UE Model 有望在 2028 年左右实现回正，一定程度上说明 robotaxi 产业 最快可能在 2028 年迎来商业化的曙光。我们根据相关上市公司财报和公开新闻，测算 百度萝卜快跑单车 UE model，我们认为公司 Robotaxi 业务有望在 2028 年开始实现 UE 回正，主要假设：运营数据逐步走升带来每日毛收入持续提升；云代驾人车比有望在未 来持续下降，从而大幅度降低人工成本；2025 年单车成本大约为 25 万元，随着未来产 业链的规模效应逐步降本，以及监管要求的 5 年折旧逐步放宽到 8 年，未来单车成本有 望逐年下降。

从单车成本看，安全员成本有望从 2025 年的 39600 元下降至 2028 年的 25469 元和 2030 年的 13249，分别变动-36%和-67%；单车成本有望从 2025 年的 50000 元下降至 2028 年的 40429 元和 2030 年的 29718 元，分别变动-19%和-41%；运营成本有望从 2025 年的 40599 元上升到 2028 年的 51695 元和 2030 年的 55442 元，分别上升 27%和 37%。 从单车收入看，日均单数有望从 2025 年的 16 单逐步提升至 2030 年的 20 单，单均 里程有望从 2025 年的 5.4 公里提升至 2030 年的大约 9 公里，折扣率有望从 2025 年的 5 折上升至 2030 年的大约 9 折，单车收入有望从 2025 年的 87600 元提升至 2028 年的 159158 元和 2030 年的 260172 元，分别上升 82%和 197%。

3.2. 后发者竞争：后发玩家具备硬件成本优势，追赶难点在于算法迭代和数 据积累

Robotaxi 行业的竞争壁垒较高，主要包括：1）用户流量壁垒，例如 uber 和滴滴天 然存在用户流量优势，一旦产品技术和商业化验证后，robotaxi 业务能够很快形成飞轮； 2）硬件能力，robotaxi 需要的车辆必须集成可靠的传感器方案、算力芯片、软件算法等， 研发和制造需要巨大资金投入，并且要满足严格的安全标准；3）软件能力，自动驾驶技 术是 Robotaxi 的核心，感知、决策、规划和控制等关键技术研发需要顶尖的人才和长期 的技术积累；4）资金壁垒，由于涉及到高额的研发成本、车辆制造成本以及运营成本， Robotaxi 行业对资金的要求非常高。

Robotaxi 产业先发不一定具备优势，技术复杂性、安全争议和高昂成本导致部分早 期入局企业折戟。我们回顾历史上的 robotaxi 玩家的失败案例和原因：1）Cruise（通用 汽车）。失败原因：多次严重事故（如 2023 年挡救护车致人死亡）引发公众信任危机， 技术落地进度滞后，成本过高。现状：2024 年通用停止投资，Cruise 退出 Robotaxi 业 务，团队并入通用。2）Argo AI（福特 / 大众）。失败原因：技术研发进展缓慢，商业化 路径不清晰，资金链断裂。现状：2022 年关闭，福特和大众转向 L2/L3 技术。3）Zoox （亚马逊）。失败原因：独立研发全无人驾驶车辆成本过高，融资受阻，估值大幅缩水。 现状：2020 年被亚马逊收购，业务转向物流配送。4）Uber 自动驾驶部门。失败原因： 2018 年致命事故后技术迭代放缓，商业化压力大，最终出售。现状：2020 年以 40 亿 美元出售给 Aurora，Uber 转型为技术应用方。5）苹果泰坦计划。失败原因：目标过于 激进（L5 自动驾驶），团队动荡，技术路线反复调整。现状：2024 年终止项目，退出自 动驾驶领域。

硬件成本随产业规模化逐步下降，后发者凭借该优势有望更快实现商业化。以百度 为例，robotaxi 所需的硬件主要包括 12 个超声波雷达、12 个摄像头、6 个毫米波雷达、4 个激光雷达以及 1 个域控制器，平均单价大约分别为 50、200、500、3000 和 35000 元， 合计总成本大约为 53000 元，占比整车 20.5 万的成本大约为 26%。其中激光雷达和域 控制器占比较高，近年来随着产业规模化，激光雷达和域控占比较高的芯片均有较显著 的降价趋势：以禾赛为例，激光雷达单台出货价格从 2022 年的 14317 元下降到 2024 年 的 3917 元；以常见的域控芯片供应商英伟达为例，其 Orin X 单价 500 美金且算力大约 为 254 TOPS，近期推出的平替 Orin Y 单价不到 400 美金且算力大约为 200TOPS，从单 位算力价格来看，Orin Y 相比 Orin X 的 13.78 元下降至 13.65 元。

后发者追赶难点 1：累计研发投入至少约 10 亿元，算法迭代追赶所需的时间至少 6 年。我们大概估算 L4 研发的算法迭代所需的时间，根据特斯拉算法迭代的速度，大约 是每 1-2 年会有一次大的算法迭代，对于当前的新入局者而言，将算法从基础开始迭代 到业内平均的 L4 水平至少需要大约 6 年的时间，这个时间也跟大部分高阶智驾核心玩 家历史研发时间接近。从研发投入看，假设新入局者只做软件算法研发，可能需要至少 300 人的算法工程师团队，根据线上招聘 app 数据，算法工程师人均年薪大约为 60 万元，团队一年研发人员工资就需要大约 1.8 个亿，按照 6 年的迭代总计需要超过 10 亿 元。

后发者追赶难点 2：数据的采集、处理和积累是算法迭代的基础，但数据采集和处 理费时费力。马斯克认为需要达到 1000 万个 Clips 以上的数据积累，才能使得训练效果 较为显著。我们测算得到，公司利用 200 台数据采集车和 5 万台用户车大约需要 155 天 才能采集到 1000 万个具备价值的 Clips，如果没有用户车，单靠 200 台采集车，需要大 约 2 年时间去采集够 1000 万个 Clips。此外，我们测算标注 1000 万个 Clips 所需的成本 和时间，得到半自动化需要人工标注的时间大概约需要 50 人团队工作 417 天，半自动 化标注成本大约为 2500 万元。

自动驾驶数据的采集、处理和积累情况介绍。1）数据采集。传感器采集：自动驾 驶车辆会搭载激光雷达、相机、毫米波雷达等多种传感器。车辆行驶时，这些传感器可 收集地图信息、行驶速度、坐标、姿态、物体识别和距离测量等数据。多种车辆采集： 除了专门的自动驾驶采集车，道路采集车、量产车也可用于数据收集。部分车企还鼓励 车主贡献数据，如特斯拉通过影子模式，在车辆行驶过程中利用传感器持续对决策算法 进行验证，当系统算法与驾驶员行为不一致的场景被判定为“极端工况”时，便触发数 据回传。2）数据处理。预处理：采集回来的原始数据通常是未加工的，格式可能复杂且 包含噪声等。需要进行预处理，如将原始数据从二进制文件格式转换为算法或人工标注 能识别的格式，还包括对数据进行时间戳对齐、插值等操作，使不同传感器的数据在时 间上保持同步，便于后续处理。数据标注：这是数据处理的关键环节，通过人工或自动 标注的方式，为数据添加标签。如在图像或点云数据中标注出障碍物、车道线、行人等 目标物体的位置和类别等信息，生成带有增值的数据集，为后续模型训练提供准确的输 入数据。模型训练：将标注好的数据输入到自动驾驶的算法模型中进行训练，如感知、 预测、定位、规控等算法模块。通常会使用 GPU 集群等高性能计算资源，通过大量数 据的学习，让模型掌握各种驾驶场景下的特征和规律，从而提升自动驾驶系统的性能。 3）数据积累。大量行驶里程积累：随着自动驾驶车辆或搭载相关功能量产车的行驶里 程增加，会不断产生新的数据。马斯克认为，对于端到端辅助驾驶，用 1000 万个 Clips 进行训练，系统会有惊人表现。数据筛选与迭代：通过制定一定的标准，对收集到的数 据进行筛选，如理想汽车智驾团队根据“老司机标准”对车主行驶表现打分，将分数高 于 90 分的优质数据（约占 3%）作为模型训练的素材数据库。

对于后发追赶的公司，数据采集到 1000 万个有价值的 Clips 需要消耗大量的时间。 根据马斯克认为的 1000 万个 Clips 数据用于训练效果会较为显著，我们测算用户车或者 数据采集车采集 1000 万个 Clips 所需时间。首先我们看用户单车采集情况，在用户每小时行驶中具备价值的 Clip 为 1 个大约 20 秒时长，用户平均行驶速度为 60 公里/时，我 们算出用户单车采集到 1000 万个有价值的 clips 大概需要 6 亿公里，用户单车每小时产 生有价值的 clips 占比仅为 0.56%。其次，我们假设后发追赶的公司拥有数据采集车 200 台，用户车规模大约 5 万台（对于没有用户车但是仿真技术较强的公司，可以看作仿真 数据生成来源），采集车每天行驶 8 小时，每小时获得大约 9 个有价值 Clips，我们测算 得到，公司利用 200 台数据采集车和 5 万台用户车大约需要 155 天才能采集到 1000 万 个具备价值的 Clips，如果没有用户车，单靠 200 台采集车，需要大约 2 年时间去采集 够 1000 万个 Clips。

数据处理同样费时费力，我们测算得到半自动化需要人工标注的时间大概约需要50 人团队工作 417 天。我们测算标注 1000 万个 Clips 所需的成本和时间，我们假设混合场 景标注速度大约为 5 分钟每个 20 秒的 Clip，使用半自动化标注，即 AI 进行预标注从而 覆盖 80%的工作量，人工覆盖 20%工作量来验核 AI 的标注结果，我们测算得到半自动 化需要人工标注的时间大概约需要50人团队工作417天，半自动化标注成本大约为2500 万元。除了费时费力之外，在数据标注和数据清洗过程中会出现多种问题，从而拖累处 理的效率和质量：比如不同标注员对“施工区域边界”、“紧急停车带”等模糊场景的理 解存在差异，导致标注结果不一致；再比如动态场景（如车辆半遮挡）的标注标准不统 一，也会影响模型训练效果。

4. 重点 Robotaxi 公司一览（百度集团、文远知行、小马智行）

4.1. 百度集团：萝卜快跑领跑全球 Robotaxi 行业，UE 模型有望于 2028 年 回正

百度萝卜快跑领跑全球 Robotaxi 行业，25Q1 订单同比增长 75%至 144 万次。百 度旗下萝卜快跑是自动驾驶出行服务平台，发挥百度自动驾驶技术积累优势，目前已于 全球 15 座、全国 13 座城市开放载人测试运营服务，实现国内超一线城市全覆盖，海外 初步实现布局，领跑全球 Robotaxi 行业。公司订单近些年按季度快速增长，25 年 Q1 订 单量同比增长 75%至 144 万次。全国全无人驾驶比例迅速提升，25Q1 已经提升至 100%， 而 24Q3 为 70%。

百度的萝卜快跑相对全球 robotaxi 玩家在商业化进程上更为领先，我们测算百度 萝卜快跑单车 UE Model 有望在 2028 年左右实现回正。我们根据相关上市公司财报和 公开新闻，测算百度萝卜快跑单车 UE model，我们认为公司 Robotaxi 业务有望在 2028 年开始实现盈利，主要假设：运营数据逐步走升带来每日毛收入持续提升；云代驾人车 比有望在未来持续下降，从而大幅度降低人工成本；2025 年单车成本大约为 25w，随着 未来产业链的规模效应逐步降本，以及监管要求的 5 年折旧逐步放宽到 8 年，未来单车 成本有望逐年下降。

从单车成本看，安全员成本有望从 2025 年的 39600 元下降至 2028 年的 25469 元和 2030 年的 13249，分别变动-36%和-67%；单车成本有望从 2025 年的 50000 元下降至 2028 年的 40429 元和 2030 年的 29718 元，分别变动-19%和-41%；运营成本有望从 2025 年的 40599 元上升到 2028 年的 51695 元和 2030 年的 55442 元，分别上升 27%和 37%。 从单车收入看，日均单数有望从 2025 年的 16 单逐步提升至 2030 年的 20 单，单均 里程有望从 2025 年的 5.4 公里提升至 2030 年的大约 9 公里，折扣率有望从 2025 年的 5 折上升至 2030 年的大约 9 折，单车收入有望从 2025 年的 87600 元提升至 2028 年的 159158 元和 2030 年的 260172 元，分别上升 82%和 197%。

4.2. 小马智行：技术实力领先，Robotruck 和 Robotaxi 双业务线协同商业 化

小马智行的业务分为三个板块，分别为 Robotaxi，Robotruck，以及授权与应用（授 权及应用对应“小马识途”智能驾驶解决方案、“方载”自动驾驶域控制器 、“苍穹”自 动驾驶数据闭环工具链）。2024 年这三大业务的收入分别占总收入的 9.7%，53.9%和 36.4%. 公司从美国市场发家，但目前主要收入来自于中国，并且稳定增长。

小马智行无人驾驶技术实力领先。小马智行的 pony.ai 拥有成熟的商用 L4 技术，已 经实现 24/7 全天候的无人驾驶，拥有 730 万+累计无人驾驶公里和 3900 万+累计自动驾 驶公里数。公司率先推出了 PonyWorld，通过使自动驾驶系统在 AI 生成的场景中“边实 践边学”来训练自动驾驶系统，强化学习使公司的虚拟驾驶员能够通过分析每个结果来 理解原因，在复杂场景中做出更明智的决策，PonyWorld 生成的测试数据超过 100 亿公 里，其广度和复杂性远远超过人类驾驶员所能收集的数据。

Robotruck相比robotaxi技术难度较低，小马智行同时开展Robotruck和robotaxi， 长期实现双业务线协同商业化。在 robotruck 上，公司与中国外运深度合作，成立青骓 物流，管理着 160 辆 Robotruck，有效整合物流资源与运输需求；与三一重工等 OEM 合 作，提供自动驾驶技术，共同推动产品研发与生产。Robotaxi 和 robotruck 业务主要的协 同效应包括：1）技术复用：Robotruck 的传感器配置、底层算法与 Robotaxi 共享，缩短 研发周期。2）场景过渡：从规则简单的高速场景（Robotruck）向复杂城市场景（Robotaxi） 逐步进阶，降低技术落地风险。

小马智行 Robotaxi 第七代车型成本降至约 28 万元。小马智行发布第七代 robotaxi， 与丰田、北汽和广汽合作，实现 BOM 价格约为 28 万，传感器阵列配备 9 颗激光雷达、 14颗摄像头、4颗毫米波雷达及4颗麦克风，使用4颗英伟达Orin X，算力达到1016TOPS。

小马单车日均接单量超过 15 单，累计注册用户超过 30 万。小马已实现北京、上海、 广州、深圳四大一线城市全无人驾驶服务全覆盖，运营总面积超 2000 平方公里，覆盖 中心城区、机场、高铁站等关键交通枢纽。2025 年第一季度 Robotaxi 业务收入达 1230 万元，同比增长 200%，其中乘客车费收入增幅达 800%，注册用户数量环比增长超 20%， 累计注册用户超过 30 万，单车日均订单量稳定在 15 单以上。

小马智行 robotaxi 单车毛利润有望在 2028 年附近回正。我们假设小马车辆成本约 为 28 万元，单车日均超过 15 单，单均里程由于布局更多机场车站等枢纽路线相比百度 和滴滴要更长，收费、单均收入和折扣情况我们参考网络上用户打车的情况，我们测算 公司单车毛利有望在 2028 年回正，其中安全员成本因为 2028 年左右无人驾驶技术成熟 人车比提高带来显著下降，此外整车成本有望随着规模化每年有些微的降本，并且随着 技术成熟，5 年的折旧监管要求有望逐步放开至 8 年。

4.3. 文远知行：Robotaxi 车队规模和中东等海外市场拓展进度领先行业

文远知行是自动驾驶行业的全球领导者和先行者，在智能、多功能、经济高效且适 应性强的 WeRide One 平台的支持下，WeRide 提供的自动驾驶产品和服务可满足开放道 路上各种用例中的绝大多数运输需求，包括移动、物流和环卫行业。文远知行已在全球 10 个国家的 30 多个城市部署了自动驾驶汽车进行运营和测试。 文远知行业务收入分为产品和服务，主要来源于服务收入，2025Q1 robotaxi 收入 占比超过 22%。从 2023 年开始，产品占比逐步减少，服务收入占比逐步提高至接近/超 过 80%。公司五大产品线主要包括：Robotaxi、Robobus、Robovan、Robosweeper 及高 阶智能驾驶方案，覆盖出行、物流、环卫等领域。2025Q1，公司 robotaxi 收入达 1610 万 元，占总收入比例提升至 22.3%，2024Q1 为 11.9%。

公司运营着全球最大的 robotaxi 车队之一，其在全球超过 7 个城市实际运营，车辆 总规模超过 1200 台，累计订单量达到 710 万单。2025 年 5 月 16 日，文远知行宣布在阿 布扎比开启没有安全员的纯无人驾驶 Robotaxi 试运营，打造了中东地区第一支纯无人 Robotaxi 车队。公司 GXR 算力超过 1300 TOPS，拥有 HPC2.0 高性能计算平台，成本虽 然未披露但是可以参考同业大约 30 万元的平均水平。

我们测算文远知行 UE model 有望 2029 年回正。首先根据已知的 25Q1 的 robotaxi 收入为 1610 万元，大约 1200 台车，行业平均情况大约为单车日均 15 单，实际单均收 入大约为 10 元，以广州的普通出租车打车收费标准（3km 内起步价 12 元，超出起步价 范围后每公里 2.6 元）来测算，并且根据打车界面的折扣情况大约为 7 折，推断名义单 均收入大约为 15 元，推算单均里程大约为 4.2 公里。我们假设随着中东布局深化，地广 人稀和高昂打车费用的特征会使得公司单均里程和单均收入快速增长。我们测算公司单 车毛利有望在 2029 年回正，其中安全员成本因人车比提高带来显著下降，此外整车成 本有望随着规模化每年有些微的降本，并且随着技术成熟，5 年的折旧监管要求有望逐 步放开至 8 年。

编辑：火腿肠