图片来源

文

赛博汽车

行为金融学中有一个名为“过度反应”的理论，其认为投资者在面对市场信息时常常被情绪所驱动，从而导致投资决策的过度反应。这样的投资行为如果大量出现在一级市场中，便很有可能导致泡沫的出现。

去年，以自动驾驶独角兽ArgoAI倒闭为代表的自动驾驶寒冬季，便是泡沫破裂最好的例子。

但上海辰韬资产管理有限公司执行总经理贺雄松给出了不一样的看法。

在贺雄松看来，这一轮寒冬除了印证情绪驱动投资往往导致的泡沫破裂以外，还意味着在自动驾驶领域，情绪驱动主导的投资行为已经和业务驱动主导的投资行为慢慢交替，“业务驱动的这一波（投资机会）才刚刚正式开始”。

塞翁失马焉知非福。去年寒冬的到来让许多主攻L4无人驾驶赛道的企业陷入了融资少、融资难的困境中，但也让这些企业可以不受资方影响，脚踏实地搞技术、做产品的时间。

于是，此前把无人驾驶各个细分赛道投了个遍的辰韬资本今年硕果累累：易控智驾接连签下自动驾驶矿用卡车大单、白犀牛在与商超和医药电商平台达成合作后又在今年推出了新车型、木蚁机器人也已经在多个货运仓库部署上百台无人叉车......

在自动驾驶大行业遇冷的当下，各细分场景实际上依然一直在往前推进。属于细分赛道的拐点似乎已经到来，大规模商业化落地近在眼前？

自动驾驶赛道的拐点已经到来的依据是什么？是技术的逐渐成熟和成果的商业化落地。

宏观来看，目前已经在具体场景中实现落地并开启小范围商业化常态运营的企业，遍布矿山、码头、仓库、干线物流和城市（园区）环卫等场景。

其中，以易控智驾旗下的无人驾驶矿卡业务最为突出。

易控智驾CEO蓝水生介绍称，目前易控智驾已经在中国单坑年产量最大的露天煤矿——新疆天池能源有限责任公司南露天矿已经部署了辆无人驾驶矿卡，平均一台车一年的产值大约在40万元。并且在今年年底之前，还将有70辆易控智驾的无人矿卡被部署到这一矿区之中。

值得注意的是，该矿区共计只有多辆卡车在运行之中，年总产值约为10亿元，这也意味着到今年年底易控智驾的无人矿卡在该矿区的渗透率及产值占比就已经接近40%。

这一数字背后的意义，是矿区方对于无人矿卡技术的信任。蓝水生表示，矿区一旦出现事故，一定会暂停运行甚至关闭，会导致上千万甚至上亿的损失，而在矿区内投入上百辆无人车也证明了自己无人矿卡的技术过硬。

技术被认可后考验企业的便是能否赚钱、能赚多少的问题。

蓝水生透露，目前公司业务在放弃柴油车型，转向基于增程式车型落地L4级别无人驾驶后，单车的毛利率已经从此前的14%上升到现在的8%，在未来载重10吨的新车型投入使用后毛利率将有望突破30%。

而公司现在也已经来到盈亏平衡的关键节点，蓝水生表示公司有信心将目前10万元以上的无人驾驶硬件成本降至5万元，“我们整个毛利提升的空间是非常大的”。

无独有偶，于万科技在无人环卫赛道的进展也十分迅猛。

据于万科技CEO刘煜博士介绍，于万科技已经推出高压冲洗车、小型冲洗车、小型扫路车、路面养护车等多种车型，遍布0.5吨到18吨的范围，种种车型都可以根据客户及场景的不同需求进行部署，“目前无人环卫车已经在上海、浙江、西安、北京、新疆、内蒙古等多个省市实现落地”。

丰富的产品矩阵不仅可以让于万科技深入城乡垃圾收集传运、城市管廊维护、城市道路清扫保洁以及各种小区道路的清扫等环节之中，还可以在纯无人工作和人车交互工作模式中切换。

针对盈利难题，刘煜表示于万科技采用了多方合作的商业模式。

首先是客户。虽然单个项目中，客户动辄便有几千万甚至上亿的支出，但与承包给传统环卫公司相比，于万科技给出的方案中可以在单车成本降低0%的同时，将效率提升50%以上。并且按照6年摊销计算，一辆吨重，成本为40万元左右的无人环卫车在交付使用后，客户的回报周期仅需年-.5年左右。

其次是于万科技自己。刘煜称，项目营收虽多，但回款周期普遍较长，给自家企业带来了较大现金流压力。但如果与第三方环卫公司洽谈合作，共同承担项目成本并划分利润，便可取得事半功倍的效果。

其表示，第三方环卫公司收获了项目业绩与部分营收，自家不用承担过多成本及回款周期过长的压力，客户收获了极具性价比环卫方案，可谓一举三赢。

除此之外，在货运仓库、末端物流、港口码头等场景中，木蚁机器人、白犀牛智达、斯年智驾等一众无人驾驶企业也都实现了无人叉车、末端物流配送车和无人集卡、无人平板车、无人拖车的商用落地。

L4初创企业在近些年取得累累硕果，不光是由于自己在无人驾驶车辆感知算法和车队运营方面的进步，也更是一辆辆无人车背后专注大模型、线控底盘、车辆制造和数据标注企业的功劳。

目前，越来越多的乘用车主机厂和L4自动驾驶初创企业，都在引入大模型技术训练来训练自己的自动驾驶算法。在专注大模型赛道的极佳科技CEO黄冠博士看来，以视觉为中心的自动驾驶赛道便是FoundationModel（大模型）最好的切入点和应用场景。

简单来说，便是在FoundationModel的加持下，用以训练算法的数据便可以呈现出多、快、好、省的优点，并且其通用性和泛化性可以让算法方案适用于不同的车型、场景、传感器、芯片，还能高效解决各种Cornercase，完成视觉数据的生成、理解、预测和执行步骤。

值得注意的是，特斯拉智能驾驶系统FSDV1版本所采用的技术路线，便是采用了FoundationModel来训练自己的系统。

曾有多位

转载请注明:http://www.aideyishus.com/lkcf/7507.html