Waymo：Robotaxi行业发展的重要风向标。深耕Robotaxi行业超16年的时间里，Waymo沿着“单个区域做深做透—更多区域—更多业态”的路径，近年商业化进程呈现加速趋势。在样板间旧金山湾区，Waymo的日单量、单均里程、空驶率等指标表现亮眼，收费享有溢价。从成熟区域出发，Waymo开拓新城市、创新商业模式和车型降本并举，支撑起1,260亿美元的估值。技术架构上，Waymo正越来越多地呈现出AI大模型赋能的色彩，同时多传感器融合、安全冗余、详细地图仍是重要组成部分。

特斯拉：Robotaxi行业新进入者和重要变量。特斯拉Robotaxi与FSD同源，是FSD发展到一定水平后向上突破的尝试，底层核心是Scaling Law。虽然特斯拉的Robotaxi尚处发展早期阶段，主要目标是纯无人驾驶场景下的商业拓展经验积累，但我们认为不可忽视成本和泛化性两大因素对整个行业的潜在影响。

Robotaxi：道路曲折，前途光明。跨越技术、监管和运营三大门槛，是企业大规模且商业可持续地落地Robotaxi的前提。虽然事故率仍差强人意，但基于前沿技术方向的诸多共识，Robotaxi性能正经历显著的提升。政策和企业的共同推动下，Robotaxi或将通过性价比的提升而对人类出行产生更大影响，同时单英里成本下降的红利有望被消费者和产业链参与者所共享。

政策进展不及预期；技术稳定性风险；行业竞争加剧。    

Waymo是海外Robotaxi行业发展的重要风向标。从2009年Google自动驾驶车辆项目启动算起，Waymo已在Robotaxi行业深耕超16年的时间。根据Yipit Data的数据[1]，2025年上半年Waymo在旧金山运行区域的市占率一度超过网约车平台Lyft，我们认为这是海外Robotaxi行业商业化的重要里程碑。

作为行业的开创者和先行者，Waymo的发展历程也是整个Robotaxi行业从无到有、商业化逐渐铺开的缩影。Waymo是Google在自动驾驶领域持续投入的结果，管理团队中不乏Google背景的高管，公司的发展也得到了Google各类资源的扶持。2017年，在成为一家独立公司的第二年，Waymo在凤凰城邀请居民测试其自动驾驶服务，而后陆续经历了“面向小部分目标乘客的商业化——面向所有乘客的商业化——扩大运营区域——拓展新城市”等步骤，使用的车型也从后装改造逐渐过渡为针对自动驾驶前装定制，这些流程后来也成为其他Robotaxi企业商业化落地的“模板”。

近年来，Waymo的商业化进程呈现加速趋势。以全无人驾驶订单量为例，2023年5月Waymo的每周订单量在1万单左右，2024年8月每周订单量达10万单，2025年初突破20万单，2025年底翻倍至约45万单，Waymo预计2026年底将进一步翻倍至每周约100万单[2]。而从年订单量的角度，2025年Waymo共完成约1,400万单全无人驾驶订单，同比增速超过200%[3]。

周订单量加速增长的背后，由多个因素所支撑：1）车队数量的增加。2016年，Waymo向克莱斯勒订购100台Pacifica混动车型[4]，而2025年底Waymo的Robotaxi车队数已经达到约3,000辆[5]。2）运营城市的增加。凤凰城是公司首站落地的城市，后来Waymo的车队又进入了旧金山、洛杉矶、奥斯汀、亚特兰大、迈阿密等新城市，且部分新城市的商业化速度显著加快。例如，Waymo在凤凰城8年的时间累积了约6,900万全无人驾驶里程数，而在洛杉矶仅2年的时间便累积了约3,800万全无人驾驶里程数。3）车队密度提升带来的单车经济模型的改善。

典型区域研究：Waymo在美国加州旧金山湾区的爬坡路径

美国加州，尤其是旧金山湾区，是Waymo商业化较为成熟的区域。我们下面将其作为一个典型区域，梳理Waymo的落地路径、运营数据和用户反馈。

旧金山是继凤凰城之后Waymo落地的第二个城市，从落地路径来看，无论是面向的客户群体、还是服务的区域范围，Waymo在当地均经历了先小范围试点、后逐渐拓展的过程。2021年，Waymo在旧金山先后向内部员工和部分挑选的居民提供自动驾驶服务，并于次年初去掉车内安全员，实现全自动驾驶。2023年8月，即公司落地旧金山2年多以后，加州公用事业委员会（CPUC）正式允许Waymo在旧金山向乘客收费[6]，我们认为这是其在加州商业化的重要里程碑。2024年6月，经过超过3年的试点和运营，Waymo取消邀请名单的限制，向旧金山所有公众开放Robotaxi自动驾驶服务。

而从服务的区域范围上，Waymo也是从旧金山的部分区域起步，到2023年10月覆盖旧金山全城，而后向湾区其他区域拓展。2025年11月，Waymo在旧金山湾区实现高速公路行驶。2025年12月，Waymo的服务区域大幅拓展，覆盖从旧金山到圣何塞的湾区区域。2026年1月，Waymo进一步将触角延伸至旧金山国际机场，首先在机场租车中心向部分乘客开放，公司预期未来几个月内将向所有乘客开放并开放航站楼接送[7]。

经过多年的深耕，Waymo在旧金山的多项运营数据均有亮眼表现。根据CPUC的公开数据和The Driverless Digest的统计[8]，2025年9月Waymo在加州的月订单量约为102万单，平均每单里程约为6公里，这些订单由约1,300辆Robotaxi所支撑（截至2025年8月），平均单车日单量约为22单。

值得一提的是Waymo的空驶率指标。我们将“没有任何订单”和“接到订单，在前往接乘客的路上”两种空驶分为命名为空驶类型1和空驶类型2。对于Waymo而言，两类空驶的里程占比已经分别降低至2025年9月的30%和14%，总空驶里程占比44%，这一指标已接近Uber、Lyft等传统网约车平台的水平（36%-45%）[9]，印证了Waymo在旧金山的车队利用率水平已较为可观。

至于收费水平，Waymo的每单收费主要考虑1）起步价，2）每单里程，和3）每单耗时等因素。根据Obi的统计[10]，考虑上文提到的Waymo平均每单里程约为6公里，则Waymo的平均单公里收费约为3.5美元，相比Lyft Standard和UberX的单公里收费约有20%-35%的溢价。综上各项指标，我们测算截至2025年8月Waymo在加州的单车日收入或超过440美元，公司在加州的年化收入（仅考虑Robotaxi业务）或超过2亿美元。

作为商业化较为成熟的区域，Waymo在旧金山的客群画像和反馈也值得参考。首先，相较于Lyft等平台，Waymo用户的收入水平通常更高。其次，Waymo的安全、私密对于乘客而言是重要的价值，乘客倾向于在夜间出行和陌生城市出行等场景使用Waymo，使用过Waymo的乘客也更愿意用其接送小孩上学。此外，Waymo也正在越来越多地融入到旧金山居民的日常生活，根据Waymo官网的分享[11]，36%的Waymo用户将其用于接驳其他交通工具。

未来增长驱动：拓城、创新与降本并举

旧金山湾区这一商业化相对成熟的区域，实际上是对Waymo自动驾驶技术能力、运营能力和商业模式的验证。展望未来，我们认为Waymo有望以旧金山湾区为样板，多维度并举实现稳健增长。

► 进入新城市

截至2026年3月，Waymo在旧金山、凤凰城、洛杉矶、亚特兰大、奥斯汀、迈阿密、达拉斯、休斯顿、奥兰多和圣安东尼奥10个城市向乘客提供自动驾驶服务，其中亚特兰大、奥斯汀和迈阿密等均为最近1年开拓的新城市。根据公司官网[12]，Waymo计划在2026年新拓展20余个新城市，包括华盛顿、纳什维尔等。2025年11月，加州车辆管理局批准Waymo在加州更大区域内开展运营[13]。与此同时，Waymo也致力于国际化，2025年已在伦敦和东京开启自动驾驶测试或高精地图绘图工作。

从开城节奏上，市场部分观点担心公司的技术体系和商业模式或使得拓城速度较慢，而我们认为当前Waymo的开城速度实际上呈现出加速的态势。Waymo于2021年初在旧金山向Waymo员工提供自动驾驶服务，2024年6月取消邀请名单限制，两者时隔3年多；而在洛杉矶，从Waymo向居民提供体验券、到向洛杉矶所有公众开放服务，两者时隔仅1年多；在奥斯汀，Waymo经过约5个月的时间便向公众开放服务。另一个角度，Waymo在旧金山经过1年左右的时间推出不带安全员的自动驾驶服务，而公司在休斯顿和达拉斯分别仅耗时约7个月和5个月便启动全无人驾驶测试运营。我们认为，Waymo的开城并非是对“搜集数据——全无人测试——面向部分乘客的商业化——面向所有公众的商业化”这一流程的简单重复，公司在旧金山等成熟区域的运营既为自身积累了城市运营经验，也向新城市的监管机构提供了公司技术能力和安全性的佐证，因此Waymo的开城节奏有望呈现加速态势。

► 商业模式创新

在基础的网约车服务之外，Waymo也在探索商业模式的创新，例如为企业提供Waymo企业版、利用Robotaxi做外卖配送等。

► 车型降本

在利润端，Waymo车辆的降本是改善单车经济模型、推动利润水平改善的主要因素。早期Waymo车端的传感器和计算平台来自不同的供应商，性能有限且成本高昂，Waymo曾披露车顶机械式雷达的成本曾高于裸车成本[14]。因此，Waymo重视传感器套件从底层开始的自研设计。2024年，Waymo发布第六代硬件方案，包含13个摄像头、4个激光雷达、6个雷达及一系列外部音频接收器，公司表示新方案有望实现成本的进一步下探[15]（捷豹车型装载了29个摄像头[16]）。

经过算法体系的演进和迭代，Waymo的自动驾驶技术正越来越多地呈现出AI大模型赋能的色彩；但与此同时，多传感器融合、安全冗余、详细地图和远程辅助仍然是Waymo技术体系的重要组成部分，从多维度提升Robotaxi的安全性。

从整体框架来看，Waymo以基座模型为底座，致力于构建驾驶模型、仿真模型、评价模型等自动驾驶AI模型家族，各模型之间形成共同迭代的正向循环，体现基座模型、端到端、多模态推理、强化学习、快慢系统等自动驾驶算法领域的前沿思想。

Waymo基座模型是Waymo整个自动驾驶AI生态的重要基础，目标是沉淀多模态感知、世界知识和推理等全面的自动驾驶能力。Waymo基座模型借鉴端到端的思想，使用向量嵌入（Embeddings）作为模型组件之间的接口，训练时支持端到端反向传播，信息能够无损传递、完整表达。由于教师模型的参数量较大，难以直接部署车端或在云端高效推理，故Waymo进一步利用蒸馏技术，将具有较强能力的教师模型蒸馏为更紧凑、高效的学生模型，如车端驾驶模型、Waymo仿真器和评价软件。

上述框架之下，Waymo的自动驾驶AI生态处在持续迭代的过程中，具体包含两个机制：1）强化学习，即驾驶模型在仿真环境中持续获得其驾驶决策的反馈，习得更优策略；2）数据闭环，即评价软件在现实全无人驾驶场景中捕捉驾驶模型的问题，将收集的问题编为专门的训练集以训练更优模型，新模型在仿真环境中验证后部署至车端，开启新一轮迭代，形成数据闭环。根据Waymo的技术分享[17]，真实世界的全无人驾驶数据积累较为重要，这类经验难以被仿真数据、人类驾驶数据或带安全员的自动驾驶数据所替代。

作为在L4自动驾驶领域拥有丰富运营经验的企业，Waymo的技术体系确实体现出AI大模型赋能的色彩，但是对于安全性的严格把控也是其不可忽视的部分。事实上，在感知、预测和决策等环节，Waymo此前已经有诸多AI化的尝试，例如关键点和姿态估计（Key point and pose estimation）[18]、图神经网络VectorNet[19]和驾驶模型ChauffeurNet[20]等，但这些尝试都建立在把控安全性的基础之上。在多传感器融合、冗余备份、详细地图、远程辅助和安全框架多个维度，都体现出Waymo对安全性的严格把控。

特斯拉是Robotaxi行业的新进入者，也是行业的一个重要变量。特斯拉Robotaxi与其智能驾驶产品FSD技术同源，是FSD发展到一定水平后向上突破的尝试。从FSD v12开始，特斯拉采用新的端到端神经网络架构，后续又经历多次大的版本迭代，模型参数规模扩大、训练数据增加、训练算力拓展、车端计算单元强化，至FSD v14版本已具备较高的拟人性、舒适性和通行效率，处理紧急车辆、无保护转弯、人类指挥和车辆加塞等复杂场景的能力增强。

2024年10月，特斯拉正式发布Robotaxi和Robovan产品，其Robotaxi服务次年6月在奥斯汀正式上线，随后服务区域逐渐扩大并进入加州；2026年1月，特斯拉开始在奥斯汀提供全无人驾驶的Robotaxi服务。

根据Robotaxi Tracker的跟踪，截至2026年3月27日，特斯拉在湾区和奥斯汀部署的车队数量已经超过500台；而根据Business Insider的报道[21]，特斯拉已经在湾区向CPUC注册了超过1,600辆Robotaxi和超过790名驾驶员。特斯拉Robotaxi初期以Model Y车型为主，运营时间为早上6点至次日凌晨2点，后续车型会逐步过渡至专为Robotaxi打造的双座Cybercab车型。

在第一性原理和垂直整合的思路下，特斯拉采用纯视觉方案，从车端到云端、从软件到硬件基本全栈自研。具体到软件层面，特斯拉具有领先的真实世界AI模型能力，其演进体现出诸多AI大模型的前沿思想。2023年8月FSD v12首秀，标志着特斯拉智能驾驶模型进入端到端时代 。虽然特斯拉后来没有召开过专门分享端到端技术的AI Day，但是从特斯拉高管在Scaled ML 2026等活动的演讲中，我们依然能够管窥特斯拉端到端模型的设计思路和演进方向。

虽然优势凸出，但是端到端模型的开发却具有较高门槛，根据特斯拉在Scaled ML 2026的分享，其中比较棘手的挑战包括：1）数据维度问题，2）可解释性和安全问题，和3）验证评估问题。妥善应对这些挑战，既是端到端模型的前沿演进方向，同时也是特斯拉的差异化能力优势。

► 数据维度问题

针对数据维度问题，特斯拉解题思路的核心是训练数据。一方面，特斯拉积累大量的训练数据，其车队每天能产生相当于一个人连续驾驶500年的数据[22]。另一方面，除了数据的“量”，特斯拉也重视数据的“质”，专门设计了复杂的触发器和各种小型神经网络来捕捉长尾场景数据，此外公司也会在预测和现实不一致、用户接管以及状态空间显著变化时重点收集数据。这些复杂的数据引擎流程筛选出的有价值、多样化、高质量的数据能够产生足够多的有效梯度，使端到端模型习得正确的因果逻辑，并获得较强大的泛化能力。

► 可解释性和安全问题

端到端模型的可解释性问题、幻觉问题和出现Bug后的归因调试问题向来是讨论的热点。特斯拉的方案是让模型输出全景分割、3D占用网络等中间标记，并视情况进一步把其用作推理标记，将推理能力纳入到整个技术栈当中。但是，特斯拉在技术栈中纳入推理能力，并不等同于显示推理，考虑到时延等因素，隐式推理或是更优的方案。公司会在训练阶段纳入推理能力，但在实车部署阶段会考虑隐式推理，仅将显示推理用于debug；或者在离线模型中使用推理能力，而后蒸馏出车端模型。

► 验证评估问题

针对验证评估的需求，特斯拉开发了世界模型解决方案。给定当前状态和下一动作，世界模型能生成未来的场景状态。世界模型用大量采集成本较低的“状态—动作”数据训练得到，符合物理世界的因果律，可以被用作神经网络闭环仿真器。进而，特斯拉把世界模型和智能体/策略模型连接起来，世界模型实时响应智能体/策略模型的指令，以闭环方式评估智能体/策略模型的性能。由于世界模型模拟器是单独训练得到的，拥有更多的信息，因而在验证评估的过程中能够扮演“考试试卷”的角色。

综上，虽然端到端模型已渐成主流方案，但是如果想要充分发挥端到端模型的潜力、以至于达到Robotaxi的性能，我们认为其间仍需要大量的创新、资源投入（数据、算力等）和工程落地细节，而这些也正是特斯拉的核心竞争力。在后文，我们还将重点讨论做好Robotaxi技术栈的门槛。

此外，特斯拉在智能驾驶技术栈上的竞争优势，还能被关联公司进一步赋能和放大，产生较强的协同效应，Grok就是典型案例。Grok是由马斯克旗下的人工智能公司 xAI 开发的AI大模型，Grok语音助手与特斯拉的智能驾驶模型结合后，能够为用户（乘客）带来出众的语义理解能力，可以处理用户的模糊指令并智能规划行程，使得车内的语音交互体验实现显著的提升[23]。同时，根据2025年四季度业绩会，特斯拉预期在Robotaxi车队数量扩展之后，Grok将在车队管理等过程中起到重要作用。

首先看市场规模。作为一种出行服务，Robotaxi的市场规模本质上根植于人们的出行需求。我们认为，当Robotaxi的收费水平相较传统人类驾驶体现出更高的性价比，那么现有的出行需求中或将有更大比例转向由Robotaxi来满足。我们把乘用车年总里程作为出行需求的代替指标，把每英里单价定在传统人类驾驶模式的成本水平，粗略估算得到Robotaxi的潜在市场规模或超5万亿美元。

上述测算逻辑中，有以下正向影响因素未纳入考量：

► 成本下探，释放更多出行需求。随着降本的持续进行，当Robotaxi模式下的出行成本下探到一定水平，我们认为有望释放出更多当前尚未被满足的出行需求，并推动部分原本由其他出行方式所服务的出行需求转向Robotaxi。根据ARK Invest的预测[24]，当出行成本达到0.25美元/英里，Robotaxi的潜在市场规模有望超过10万亿美元。

► Robotaxi满足运货等其他运输需求。如前文提及，Waymo与DoorDash合作，有望让公司进军无人外卖配送市场，进一步拓展Robotaxi的市场空间。

► 除成本外，消费者亦关注其他因素。Robotaxi具有私密性好、安全性高等优势，若将这些因素纳入考量，消费者或有望接受Robotaxi更高的定价水平。事实上，我们认为这也是Waymo在旧金山相比Lyft Standard和UberX能够收取溢价的重要原因。

► L4私家车模式。上面我们仅把Robotaxi作为共享出行的一种方式，而部分消费者可能更倾向于使用私家车出行，我们认为L4私家车的模式或将仍然存在。由于行驶里程较共享出行模式更少，L4私家车实际上会抬升单公里的出行成本，从而使得L4自动驾驶的潜在市场规模更大。

其次看产业链玩家能够从Robotaxi市场中获得的经济效益，核心是单车经济（UE）模型。在Robotaxi产业链中，主机厂、芯片厂商、传感器厂商、网约车平台、车队管理者、保险公司和软件解决方案提供商等均扮演着重要角色。受益于更高的每英里单价水平，在理想状况下，我们认为在阿联酋、英国和美国等市场的单车经济模型中，Robotaxi软件解决方案提供商的毛利率或有望超过50%[25]。

Waymo模式采取典型的“跨越式”路径，使用精心设计、专为无人化场景打造的算法，叠加传感器、算力、高精度地图等层面的冗余，着力提升自动驾驶的安全性，在此基础上跑通Robotaxi的运营闭环。

作为行业的先行者，我们认为当前时点Waymo在商业化进展（如开城数量）、监管关系、运营经验等方面具有一定优势；伴随行业技术的迭代，Waymo在技术栈上确实也经历了从“小模型 规则”向基座模型的路线演变，但公司此前积累的模型迭代基建仍有价值，且Google本身强大的多模态能力有望赋能Waymo的技术栈演进。根据Waymo官网的安全报告[26]，公司的Robotaxi已经具有较高的安全性水平，截至2025年12月每百万英里的造成伤亡的碰撞事故约为0.71次。而根据加州机动车管理局数据[27]，我们估算Waymo在加州的MPI或已达到万英里的水平。

Waymo的单车经济（UE）模型或已具备一定的吸引力。参考Waymo在加州的运营情况，我们假设Waymo能够稳定做到每日22单、每单里程3.75英里、每英里单价4.8美元，基于15万美元的单车成本和1:3的远程安全员比例，那么我们估算Waymo在成熟运营的区域或能达到单车毛利的盈亏平衡线。

特斯拉模式采取典型的“渐进式”路径，底层核心是Scaling Law，使用更丰富的数据、更庞大的算力基建，训练更大参数量的智能驾驶模型，让模型更充分地学习现实世界的特征维度，从而实现辅助驾驶到自动驾驶的模型能力突破。特斯拉模式有两个潜在的重要优势，1）成本和2）泛化性，这两点或将对整个Robotaxi行业产生重要影响。

► 成本：假设模型能力的提升使得无图纯视觉方案足以实现L4，叠加特斯拉垂直整合和大规模量产带来的节省，我们认为成本或将成为特斯拉模式的关键优势之一。在25,000美元的单车成本和1:30的安全员比例等条件假设下，特斯拉模式有望将单英里成本压缩至0.51美元，显著低于普通乘用车的单英里成本。在该场景下，假设每英里实际收费单价定为1.4美元/英里，单车年毛利率或仍将超过30%。单英里成本下降带来的红利，届时将视行业格局和企业战略，通过收费定价策略的方式在消费者和Robotaxi企业之间分配。

► 泛化性：一方面，特斯拉庞大的量产车保有量，本身就拥有更丰富的场景数据，见过更多的极端案例；另一方面，智能驾驶模型充分习得真实世界特征，也能拥有更强大的应对陌生场景和长尾场景的能力。这让Robotaxi可以更快、更低成本地向新区域拓展，使行业渗透率实现更陡峭的拉升。2025年12月，特斯拉车主使用FSD v14.2从西海岸到东海岸完成美国横穿，数千公里的里程内全程零人工干预[28]，我们认为这体现出特斯拉智能驾驶模型已具备较强的泛化性。

虽然Waymo模式和特斯拉模式各有一套技术和商业化逻辑，但是从落地现状来看，仍存在不尽如人意的地方。

首先看Waymo。根据NHTSA的数据[29]，截至2026年2月17日，Waymo共发生1,710起碰撞事故，其中2025年6月至2026年2月发生的碰撞事故约为600起；按照年无人驾驶里程1.2亿英里来估算，则Waymo平均15万英里发生一起碰撞事故。在新闻报道中，Waymo不乏在铁轨[30]、校车[31]等场景中应对失利的案例。2025年12月，旧金山发生大面积停电，而Waymo Robotaxi难以应对这种突发情况、造成交通拥堵[32]，Waymo事后归因为算法设计中将熄灭的交通信号灯视为四向停车标志、请求远程人工检查，而请求量激增导致人工处理的延迟[33]，我们认为这一定程度上说明了Waymo模型的泛化性仍有待进一步提升。此外，2026年1月加州的事故也说明在鬼探头等场景下，Waymo的Robotaxi仍难以做到完全安全[34]。

然后看特斯拉。虽然特斯拉Robotaxi运营时间尚短，但截至2026年2月17日在奥斯汀仍已经发生15起碰撞事故，按照60万英里的里程数粗略估算，则平均4万英里发生一起碰撞事故。整体上来看，特斯拉Robotaxi体现出较高的拟人性和丝滑度，但是错误决策和幻觉问题仍然存在；我们认为，如何为智能驾驶模型加上安全边界，仍是特斯拉在向L4突破时需要着重应对的课题。

我们可以将发展Robotaxi业务的门槛总结为技术、监管和运营三个方面，只有跨越这些门槛，企业才能大规模且商业上可持续地推进Robotaxi业务的落地。

技术层面：核心是提升Robotaxi认知世界的能力，合理应对复杂长尾场景，保证驾驶的安全、舒适和高效。Waymo和特斯拉的技术路径不完全一致，但是我们认为两者正呈现出趋近的态势，在部分前沿判断上具有共识：1）数据上，都认可大规模、高质量数据的价值；2）模型架构上，都应用基座模型路线，拓展模型参数和上下文长度，引入语言或其他形式的推理能力；3）模型训练上，强化学习成为重要的一环；4）模型验证上，均探索世界模型的路线，使用生成式的仿真技术来验证和迭代模型。基于这些共识，我们不难推演Robotaxi企业在技术层面需要具备的核心竞争力：

► 数据闭环：不仅在于数据量，更在于筛选高质量数据、形成自动化闭环的能力。数据闭环的构造是一个综合性的复杂工程，涉及车端数据回流、数据构造、数据存储、数据清晰、数据挖掘、可视化、仿真等多个环节，开发和接口对齐的过程对统筹规划和人力的要求较高。不过，在AI Agent的浪潮下，我们认为数据闭环的构建和完善或能得到赋能，从而加速整个自动驾驶行业的技术迭代。

► 芯片算力：更大参数量的带推理能力的车端模型，将对车端芯片提出更高的要求，如更高的算力以支持推理、更高的内存以存储更大参数的模型和更长的上下文、更高的带宽以支持模型的吞吐等。同时，考虑到车端算力毕竟有限，软硬紧耦合是充分挖掘芯片性能的重要手段。特斯拉最新一代自研芯片AI5，算力或达2,000T，内存容量是上一代的9倍、推理性能是上一代的40倍，预计将于2027年开始大规模量产[35]。我们认为，获得并用好高算力芯片，或将成为下一阶段Robotaxi技术竞争的关键点。

► 资金投入：我们认为，对人才和算力等方面的投入需求，均将使得行业份额逐渐向拥有充足资本实力的头部企业集中。

► 组织能力和研发体系：Robotaxi的技术并不是一个单点，而是一整套的体系，因此我们认为相关企业的技术竞争更为核心的还是在组织能力和研发体系上面的竞争，例如如何保证在关键技术转折点判断正确且不掉队、如何建立适应AI时代的组织架构和激励机制、是否能高效地将前沿技术理论落地为工程成果、如何将训练得到的模型妥善部署到车端并满足算力和时延约束体系化等等，都是一系列重要的软实力层面的竞争。

监管层面：监管部门对Robotaxi行业的监管逻辑，使得头部企业具有一定的先发优势。通常而言，监管部门采取“试验—考察效果—进一步放开”的政策逻辑，例如部分城市会将辖地划分为不同区域、设置Robotaxi落地的不同阶段（测试、去安全员、商业化），Robotaxi在单个区域的每个阶段的运行均需要达到一定的里程和安全性要求，达标后方能进入下一个阶段，而后从该区域拓展到其他区域、直至覆盖全城。部分城市还会要求Robotaxi企业在开放区域建立一定密度的地勤人员网络，网络的搭建和打磨（地勤人员招聘、培训和效率提升等）需要时间。此外，部分地区当前尚缺乏成型的Robotaxi立法或落地规则，往往需要Robotaxi企业与监管部门共建、向监管部门提供其他成熟地区的监管经验。这些特点使得，Robotaxi的落地其实会涉及较长时间的企业自我证明、体系框架打磨和监管信任建立，这让先发的头部企业具有一定优势。

运营层面：包含大量的细节工作，这些细节既关系到用户体验和单车收入，又涉及各类“隐形成本”的优化。对于前者，接乘客和送达点位的设定、车内交互按钮的布设、平台入口的逻辑层级等，都将影响用户体验[36]。至于后者，目前市场讨论较多的隐形成本包括乘客下车后忘记关车门、清洁成本、充电成本、事故后的监管沟通成本等[37]，这些细节不仅会让Robotaxi退出服务，可能还会占用道路并拖累周转效率、最终影响单车经济模型；此外，我们认为还有部分隐形成本将在Robotaxi更大规模落地后涌现。

我们认为，Robotaxi企业跨越技术、监管和运营三大门槛的最终成果证明，便是实现大规模的Robotaxi无人化商业运营。这既能说明该企业的Robotaxi技术已经能做到足够低的事故率/接管率、获得了监管的认可，也能说明在各项优化下其Robotaxi业务可以做到足够的商业吸引力。

基于上文拆解的单车经济模型，我们可以清晰地看到在当前阶段网约车平台对Robotaxi的价值。

► 订单量：网约车平台对订单量的影响较为直观。在头部网约车平台和出行入口的流量支持下，Robotaxi有望实现更高的单车日单量，从而推动单车收入的提升。以奥斯汀为例，Waymo Robotaxi在奥斯汀只能通过Uber打到，受益于Uber的流量赋能，Waymo在奥斯汀的订单起量速度显著快于其他城市[38]。根据Uber的数据[39]，在奥斯汀和亚特兰大，Uber平均能为Robotaxi企业带来30%的单车日单量的提升。另一方面，Waymo落地首月也贡献了Uber在奥斯汀20%的订单[40]，呈现出相互促进的关系。

► 空载率：单车利用率是一个较容易被忽视的指标，网约车平台对Robotaxi利用率的影响主要体现在两个方面：首先，网约车平台基于数据积累，能够形成预判乘客需求的算法，从而让Robotaxi互相协调、形成更优的动态区域车辆部署和做单习惯轨迹。这种车辆部署规划的能力在订单集中度相对较低的区域尤为重要。其次，网约车平台当前采用人类驾驶车辆和Robotaxi结合的混合派单网络。在同一城市的不同区域、不同时点，乘客需求波动较大；网约车平台将Robotaxi作为稳定和固定的运载服务提供方，而用人类驾驶车辆填补需求的波峰，这样乘客等车时间缩短，Robotaxi企业也无需为了满足需求波峰在现阶段便部署过多的车辆，已部署车辆的利用率也能得到保证。

► 成本端：网约车平台的车队管理能力、充电基础设施、融资能力、远程协助系统、主机厂关系等方面的禀赋，有望带来单车经济模型中各项运营、财务乃至隐形成本的优化。

值得注意的是，上述探讨都是建立在中短期Robotaxi在网约车市场的渗透率尚低的前提假设之上。从更长远的时间维度，对两者关系的判断还需要综合考量Robotaxi的终局渗透率和Robotaxi行业的竞争格局。我们认为，当Robotaxi的渗透率足够大，以至于整个人类出行和运输方式发生变革，届时各产业链角色之间的关系或还将出现变化。