自动驾驶技术的规模化，最终要看运营能力。

近日现身世界智能网联汽车大会，卡尔动力CEO韦峻青说了很多设想：

“未来的卡车将不再是传统意义上的卡车，而是转变为无驾驶舱、无驾驶员的物流机器人。它们以最紧凑的形态完成运输任务，并能在路上自由编组成货运队列，就像可以随时拆分组合的积木火车一样灵活。”

“所有达到L4级别的自动驾驶卡车将通过全国统一的调度系统进行指挥，它们在到达目的地后将自动充电并重返城市道路，装卸货物时则由专人负责，就像机场的地勤人员一样高效。”

今年，卡尔动力已经在内蒙古初步实现了这一技术愿景，一支由2至6辆车组成的车队，仅需领头车内有一名驾驶员。韦峻青为客户算了一笔账，这种前装车量产后，虽然比普通车多出约15万的成本，但每台车每年能省下的人力成本高达20万。

截至2024年10月，卡尔动力的自动驾驶编队车队规模已达300辆，年化收入规模3亿元，平均每辆车每年收入100万，回报率颇为可观。韦峻青表示，卡尔动力自己运营很多车辆，就是为了证明这种模式能够回本。

“我们去找客户推销无人驾驶技术时，他们会问，如果这技术真能挣钱，你们自己怎么不做？所以我们就自己运营了一个要赚钱的大车队。”

实际上，这非常考验一个公司的运营能力，但有滴滴这一背景，使运营反而成为卡尔动力强项。

2023年，卡尔动力从滴滴自动驾驶公司独立出来，成为了一家独立的公司。但其技术、人才和运营经验上仍然受益于滴滴的支持，尤其是其基础计算平台、自动驾驶技术中台、以及用于派单、充电、驾驶监控的统一调度平台，均直接受益于滴滴。

与此同时，卡尔动力实现了核心研发团队的相对精简与稳定。

韦峻青介绍，公司共有员工250多人，其中200人为研发团队，这一数字远少于其他公司的2000人。多位核心技术负责人从滴滴转任，包括韦峻青本人和CFO黄舟，以及项目总监王晶，几乎都在2019年加入滴滴自动驾驶，2023年到卡尔动力转任后，后二人延续着向韦峻青汇报的关系。一定程度上，这种团队稳定性成为了卡尔动力的核心优势。

在后续的媒体沟通会上，韦峻青分享了卡尔动力近一年来的运营感受，以及对无人驾驶货运商业化的预期，以下是卡尔动力CEO韦峻青接受雷峰网《新智驾》等媒体的问答实录。

没有数据，都是空谈

问：卡尔动力在车路云一体化这个概念里有什么特别的计划？这对自动驾驶汽车的发展和真正用起来有什么好处？

韦峻青：卡尔动力的车路云一体化框架的核心在于车辆间的通信技术，这与传统在道路上部署大量传感器的方法不同，能降低车辆成本。我们的优势在于，通过车辆间的通信，无需额外设备就能实现与智慧道路的通信，这有助于形成闭环商业模式。

我们与车路云一体化的缔造者李克强院士深入交流，认为在特定场景下，如在一些只有一条车道的国道上，超车是个技术活。如果车队很长，可能前半部分的车已经超车成功了，但后半部分的车还在排队等机会。这时候，如果对面车道有其他车辆过来，我们的车就得先让路，等这些车过去了，才能重新排好队继续超车。这个过程可能会因为等待而降低效率。所以针对国道上的车队编队，智慧道路能提前告知几百米外有无来车，极大提高运营效率。

此外，卡车超车时加速慢，需要更长的超车距离，但目前没有任何传感器能提供如此远距离的视距，智慧道路技术对此有实际帮助。也就是说，如果道路设施的部署能够真正提高自动驾驶的落地效率，我们愿意为此支付合理的商业成本。

在货运场景中，道路上车辆多，安装摄像头的投入产出比高。

而且我们的货运路线上车辆很多，所以安装摄像头很划算。比如，在一个繁忙的货运道路上装20个摄像头，就能监控到1000辆车，但在城市里，为了监控100辆车，你可能得在每个路口都装摄像头。这样算下来，我们的成本效益比很高。

总体而言，我们的车路云一体化项目整体投入产出比高，希望在卡车编队场景中率先实现概念的落地。

问：你们的数据是如何收集和处理的？

韦峻青：自动驾驶算法的优化可以从两个方面进行，首先是利用数据闭环来提升系统性能。这已经成为大多数自动驾驶公司的主流方案。

传统上，我们遇到一个问题，比如感知方面的问题，需要人类工程师先分析这是什么问题，然后归纳总结，形成项目组，再开发解决方案。

但现在，如果自动驾驶车辆在路上遇到和人类驾驶不一样的行为，系统会自动标记这些情况。包括周围的环境和人类司机的反应，都会自动标注，然后直接用来更新模型，这样模型就能更快地学习和改进。

这样做的好处是，数据处理的效率大大提高了。以前，工程师一周可能只能处理几百个问题。但现在，如果有10万个问题，我们可以用模型驱动的方法，把所有问题都考虑进去，一次性更新模型。相当于将原本需要由擅长归纳总结的聪明工程师完成的工作，转交给了 AI 工程师。

问：与乘用车相比，自动驾驶卡车的数据收集难度是否更大？

韦峻青：自动驾驶技术是用大量数据来训练的，这些数据包括我们卡车模型的数据，比如识别行人、自行车、摩托车，以及对这些对象进行未来轨迹的预测。这些场景和数据基础跟滴滴的自动驾驶小汽车是很像的。

就像如果你会开小汽车，有了C级驾照，再学一学，也能开卡车，拿到B级驾照。这些开车的经验和可能遇到的问题，两者之间是相通的。甚至一个优秀的小汽车司机，将来学开卡车也会更容易。

这个逻辑在自动驾驶上也是一样的，但卡车确实有一些特别的地方。

比如，卡车的车头和挂车是分开的，中间还有个转角，这就需要特别的适配。我们在这块做了很多工作，但我们的数据基础和技术平台，还是得益于滴滴的自动驾驶技术。在这一点上，我们对于只专注于卡车的公司的泛化性要强得多。

问：卡尔动力模型和算法上有哪些新招？对提升自动驾驶的安全性和效率，作用多大？

韦峻青：现在端到端的大模型大家都在讲，滴滴是研究比较早的。

在我担任滴滴自动驾驶CTO期间，我们就已经积累数据和场景。后来卡尔动力成立，我们一开始就用了量产的传感器和数据驱动的算法，跳过了规则驱动的阶段。

也就是说，传统的算法可能只是识别出行人并标记，然后交给下一个算法决定是否停车。而端到端的算法省去了这些中间步骤，可以直接传递更多信息给决策系统，更像人类的决策方式。

此外，我们也感受到了数据驱动的大模型带来的好处。比如过去我们可以识别和标记行人、自行车、摩托车、卡车等多达20种类别，但现实中总有一些未被标注的小障碍物、垃圾、动物等。传统的算法可能把这些都看作通用障碍物，无法确定具体是什么。但大模型因为在网上见过更多数据，即使是塑料袋或飞鸟，也能识别并评估这些物体是否构成风险。

所以总的来说，端到端模型和大模型不完全一样，但都能实现自动驾驶技术的安全性，比如让系统在行驶10亿公里后还不发生严重事故。

值得注意的是，谷歌的技术在两三年前就已经实现了突破，而那时他们还没有使用大模型技术。因此，我认为大模型并非必要条件，而是我们实现技术超越的一种手段。

比如美国的Waymo，他们已经研究了十五年，前十年都在摸索。而我们虽然规模小，只有几百人，但因为避免了他们走过的弯路，加上最新的技术路线，我们的追赶速度却非常快。

问：卡尔领航是你们在自动驾驶领域的一个重点项目，现在市场上的表现怎么样？它对实现卡车NOA（辅助驾驶系统）有多大帮助？

韦峻青：卡尔领航是我们推出的一套自动驾驶运输方案（全球首个端到端自动驾驶编队货运解决方案）。它的核心在于将混合智能、数据驱动和量产能力相结合，形成了一个完整的解决方案。也就是说，它整合了实现无人化部署所需的关键要素，并将其适配到了前装量产的卡车上，这是卡尔领航的一个显著特点。现在，我们所有的车都用上了卡尔领航。

说到NOA，我们的目标是达到L4级别的完全自动驾驶。