华泰 | 解读Robotaxi争议焦点：自动驾驶的关键十问十答

摘要：本报告旨在剖析决定自动驾驶竞赛胜负的核心要素，包括技术路径、监管演进与竞争格局等。同时，我们梳理出当前投资者的关键争议焦点，帮助把握产业变革带来的机遇。若要脱颖而出，我们认为企业需构建完整生态体系，涵盖三大要素：1）成熟且可控的L4技术、2）稳定的出行平台或流

本报告旨在剖析决定自动驾驶竞赛胜负的核心要素，包括技术路径、监管演进与竞争格局等。同时，我们梳理出当前投资者的关键争议焦点，帮助把握产业变革带来的机遇。若要脱颖而出，我们认为企业需构建完整生态体系，涵盖三大要素：1）成熟且可控的L4技术、2）稳定的出行平台或流量入口，3）具有成本优势的量产车型。同时，能否应对复杂监管、建立公众信任并验证公司技术的安全性，以及可持续盈利能力，亦将决定成败。我们认为，技术优劣应以客观数据和性能指标评判，如事故率、故障可运行能力等。

自动驾驶：物理AI的前沿，我们准备好了吗？

自动驾驶是最具落地潜力的物理AI（Physical AI）应用之一，正加速从实验室走向现实。我们认为，尽管全面普及仍面临诸多挑战，但在传感器、高性能算力平台与算法加速融合的推动下，行业发展提速。本报告旨在剖析决定这场竞赛胜负的核心要素，包括技术路径、监管演进与竞争格局等。同时，我们梳理出当前投资者的关键争议焦点，帮助把握产业变革带来的机遇，解答行业中关注度及争议性最高的十个问题。首先，我们强调，对于迎接自动驾驶的到来，我们毋庸置疑，已做好准备！

技术鸿沟：从L2到L4，数据、传感器与AI算法需系统性升级

L2（驾驶辅助系统ADAS）向L4（完全无人自动驾驶）的跃迁，标志着自动驾驶在数据采集、传感器配置及AI算法上的范式转变。L2系统主要依赖真实驾驶数据，而L4则需大规模高质量的模拟数据集，重点覆盖罕见但对行车安全关键的“长尾场景”。领先Robotaxi运营商，如Waymo（谷歌）、小马智行（Pony.AI）、文远知行（WeRide）等，正结合生成式AI与强化学习，以模拟仿真提升系统安全边界。传感器方面，L4通常采用冗余且多样化的传感器组合（摄像头/毫米波雷达/激光雷达等），以提升系统的安全性；而L2主要依赖摄像头及少量冗余。当前市场分歧在于：特斯拉主导的“纯视觉方案”，能否在复杂与罕见场景中满足L4所需的严苛的安全标准。

商业逻辑：以ROI为核心的部署策略与人口和家庭结构变化下的打车需求

Robotaxi的商业可行性及长期发展将高度依赖于路径部署策略与人口和家庭结构的变化。目前Robotaxi的部署多集中于特定区域，核心在于ROI最大化考量，而非技术受限。监管支持度、基础设施完善度和人口密度均为关键因素。长期来看，城市化、年轻群体出行偏好及私家车拥有率下降，将助推Robotaxi快速落地。我们认为，Robotaxi商业模式或可缓解劳动力紧缺问题，并作为传统出行方式的高效、可监管的补充方案。

竞争格局：制胜之道在于生态主导权与可持续盈利能力

自动驾驶竞争格局多元且激烈，涵盖科技巨头（如Google /Waymo、百度、小米等）、技术提供商（如小马智行、文远知行等）以及车企（如特斯拉、小鹏等）。欲脱颖而出，我们认为企业需构建完整生态体系，涵盖三大要素：1）成熟且可控的L4技术、2）稳定的出行平台或流量入口，3）具有成本优势的量产车型。同时，能否应对复杂监管、建立公众信任并验证公司技术的安全性，以及可持续盈利能力，亦将决定成败。我们认为，技术优劣应以客观数据和性能指标评判，如事故率、故障可运行能力等。

风险提示：市场竞争加剧、监管挑战、技术落地能力不足。本报告所涉未上市或未覆盖公司，仅基于公开信息整理，不构成推荐或覆盖意见。

解读Robotaxi争议焦点：自动驾驶的关键十问十答

自动驾驶行业正处于发展的关键转折点。一方面，它有望重塑未来的交通出行方式；另一方面，也正面临一系列复杂的技术难题与战略博弈。在本报告中，我们聚焦当下业内最受关注的一些核心争议，包括：乘用车是否真正需要迈向L4自动驾驶，激光雷达与摄像头谁才是最优传感器配置，以及端到端方案是否足够安全等。

以下是当前自动驾驶领域最具争议性的十大核心问题：

1. L2与L4的根本区别？

2. 实现L4是否必须依赖激光雷达，还是摄像头（纯视觉方案）足以胜任？

3. 端到端方案是否足够安全？

4. Transformer架构（大语言模型，LLMs）是否正在取代深度学习？

5. 乘用车是否真的有必要发展到L4自动驾驶？

6. 车企是否具备实现L4的能力？

7. 为何Robotaxi至今仍主要局限在少数区域运营？关键阻碍是什么？

8. Robotaxi是否存在足够的需求去支撑其长期商业模式？

9. Robotaxi会否完全取代人类司机，还是将长期并存？

10. 谁将在这场自动驾驶竞赛中最终胜出？

问题一：L2与L4的根本区别？

答：我们认为L2辅助驾驶和L4自动驾驶在设计理念、安全性要求与运营挑战等领域存在显著差异。

设计理念：L2辅助驾驶以人类驾驶员为主要操作主体，其设计理念侧重于增强驾驶体验，以模仿人类驾驶员的行为为基本，从而提高驾驶的舒适度、安全性和便利性等用户体验。然而，L4自动驾驶为全无人自动驾驶，其系统的设计理念要求系统必须有一套规范且统一的“规章流程”，且对于传感器和计算平台等硬件的多样性和冗余性（Diversity and Redundancy）要求高，确保在任何情况下都能保证驾驶安全和效率，而不依赖于人为干预。

在安全性要求方面：L2辅助驾驶仍以人类驾驶员为主体，系统仅提供部分驾驶支持。在此背景下，一旦系统发生故障，驾驶员可随时接管，形成天然的安全冗余。而L4级自动驾驶则完全脱离人类操控，系统需在全程无人的前提下独立完成驾驶任务。因此，L4系统对于实际运营的安全性要求极高。L4系统必须不断迭代优化，以“零事故”为目标，这是其商用落地的前提。

在运营挑战方面：L2辅助驾驶系统的设计并不需要考虑到突发停车的运营问题，因为人类驾驶员会适时介入，防止这些情况发生。与依赖人类驾驶员随时接管的L2辅助驾驶不同，L4自动驾驶需在架构设计中预设完整的运营安全机制。若L4车辆在城市高密度场景下发生故障，缺乏有效应急策略将可能扰乱交通秩序，甚至引发安全风险。因此，L4还需要满足系统异常或极端工况下具备快速进入安全受控状态的能力，比如小马智行的紧急靠边停车和放置安全标识。

此外，近期小米汽车相关事故再次引发公众关注，并进一步凸显L2辅助驾驶与L4完全自动驾驶之间的本质差异。我们重申，L2本质上人类驾驶员仍承担主要驾驶责任，核心定位为“辅助驾驶”；而L4则为系统在限定场景下实现“完全无人化”的自动驾驶能力，两者在技术能力与安全责任边界上均存在显著不同。监管机构亦已就此作出明确回应，要求整车厂在市场宣传中严格区分L2与L4，避免混淆定义误导消费者。该事件也标志着监管层开始在政策层面更系统地厘清辅助驾驶与Robotaxi之间的界限，为后续行业规范奠定基础。

最后，责任归属也是关键考量因素之一。对于L3以下级别的车辆，驾驶员需对行车安全承担责任；而在L3及以上级别，责任则由运营方承担。

问题二：实现L4是否必须依赖激光雷达，还是摄像头（纯视觉方案）足以胜任？

答：我们认为实现L4必须配备激光雷达。

在传感器使用与环境感知方面，我们认为要实现L4自动驾驶所要求的高安全标准，“多样性与冗余性”是关键。Waymo、小马智行、文远知行等Robotaxi企业均采用多模态传感器融合方案，包括摄像头、毫米波雷达和激光雷达，且每类传感器均配置多个单元，充分体现“多样性与冗余性”的设计原理。比如小马智行第七代Robotaxi车型搭载六类量产传感器，包括9颗激光雷达、14颗摄像头、4颗毫米波雷达，以及4颗麦克风、2颗涉水传感器和1套碰撞传感器，实现车周360°无盲区，充分体现样性与冗余性的设计理念。

这一理念早在2017年由英伟达CEO黄仁勋提出。当时，现任华泰海外科技首席的何翩翩在GTC China做自动驾驶演讲时提及，将摄像头、毫米波雷达和激光雷达的功能类比为人类感官：摄像头对应视觉，雷达则类似听觉，可通过信号反射在黑暗或恶劣天气下探测障碍物，而激光雷达则融合多重感知能力，实现三维空间的精准重建。在此演讲后，黄仁勋即以“多样性和冗余性”的设计原理，作为回应。

相比之下，完全依赖摄像头采集数据的方式容易受到光照和天气变化的影响，导致感知失真。我们认为，在此基础上训练的端到端模型容易出现“Garbage in, Garbage out”的情况，最终造成系统“幻觉”，带来不可接受的安全风险。因此，我们认为，特斯拉所推崇的“纯视觉方案”更适用于 L2，而并不适合L4场景。更重要的是，基于大模型的黑盒式架构一旦出现问题，几乎无法追溯错误根因，进一步加剧系统风险。

问题三：端到端方案是否足够安全？

答：端到端方案在L2上可满足安全要求，但尚不足以支撑L4。

尽管端到端架构在L2中展现出一定潜力，我们认为其在当前阶段尚不适合单独用于 L4，关键原因在于安全性仍未达标。我们更倾向于采用结合可解释性的AI技术、多传感器融合和严谨验证机制的系统架构，以满足L4自动驾驶对安全性与鲁棒性的高标准要求。

端到端自动驾驶主要依靠传感器收集到的真实数据，并透过大模型实现从输出端（规划）到输入端（感知）的直接映射，目标是实现感知、决策和规划、控制层的自动驾驶算法的整合，最终实现以统一的模型完成所有自动驾驶任务。我们认为端到端技术路线或依然涉及安全问题：1）大模型与模块串联路线没有完全承接关系，通过模型统一规划决策，精度或较欠缺；2）系统稳定性较差：存在大模型的“幻觉”问题，但全自动驾驶需要保障系统百分百稳定性；3）可解释性较低：大模型的学习和推理过程本质是个“黑盒”，因此可解释性仍具有挑战。综上，目前的端到端自动驾驶或只能符合辅助驾驶所需要的安全性要求。

以特斯拉的FSD（Full Self-Driving）系统为例，其端到端方案在自动驾驶领域确实取得一定进展。但我们认为，受限于冗余机制缺失和可解释性不足，特斯拉的方案目前仍难以满足L4自动驾驶的安全标准。尽管如此，特斯拉的Robotaxi已获准部署，并已接近落地。原因在于其Cybercab（号称不带方向盘和踩踏等控制），有潜力获得近期NHTSA（美国国家公路交通安全管理局）更新的规则，联邦机动车辆安全标准（FMVSS）的豁免资格。其Cybercab（公司预计2026年量产）有望被归类为“商用部署的研究原型车（Research Prototypes）”。目前，特斯拉已获得德克萨斯州交通部许可，计划在奥斯汀限定区域内部署10至20台由Model Y改装的“Robotaxi”，可搭载乘客并收费。需要注意的是，这些车辆均由特斯拉工作人员进行实时监控，一旦车辆遇到突发情况，将由人工进行干预。

问题四：Transformer架构（大语言模型，LLMs）是否正在取代深度学习？

答：世界模型能增强深度学习，不是取代。二者在自动驾驶系统中承担不同角色，各有适用场景。

在Transformer和深度学习的选择上，目前市场的一个误解是，深度学习已过时，Transformer模型（或LLM）正全面取代。但我们认为，两者各具优势，适用于自动驾驶系统中的不同任务。

Transformer在需要上下文理解的高阶推理任务中表现出色，而深度学习在精准的目标识别方面仍具有优势。LLM可以基于上下文信息和自然语言输入生成高层次的驾驶策略，但最终仍需传统算法进一步细化。

深度学习擅长处理来自多种传感器的融合数据流（即Sensor Fusion），适合用于环境感知任务。相较于仅依赖轮廓检测或模糊推断，深度学习模型可实现对周边目标的高速、精确识别与分类，确保系统具备足够的环境感知精度。考虑到精准目标识别，以及感知模块对行车安全与系统稳定性的关键作用，我们认为，深度学习仍是当前自动驾驶感知系统的核心方案，短期内难以被Transformer所完全取代。

但在实际应用中，越来越多的自动驾驶系统已采用混合式架构：深度学习负责实时、低层级的感知任务（如目标检测），而大语言模型则用于高层级推理，例如根据交通环境预测单车骑行者的行为意图。

关于LLM是否适用于路径规划，LLM虽具备一定潜力，但目前仍处于研究与探索阶段，存在广泛争议。我们认为，短期内LLM不太可能完全替代传统路径规划算法。但考虑到其在推理与上下文理解方面的能力，LLM有望与现有系统结合，作为辅助模块提升路径规划系统的整体表现。

然而，路径规划本质上是一项需要实时决策的任务，而LLM，尤其是参数量较大的模型，在计算资源消耗上较为显著，可能会影响其对动态环境变化的反应速度。此外，路径规划属于安全关键型任务，而LLM存在“幻觉”问题，即生成错误或无效输出的可能性。若完全依赖LLM，或将导致实际驾驶中的严重后果。归根结底，LLM本质上仍是“黑盒”系统，缺乏可解释性，单独使用或会给安全认证带来障碍，也可能会增加故障调试的难度。

若我们将自动驾驶所面临的挑战类比为一个正态分布（高斯分布）。前95%的问题已基本被攻克，而真正的难点集中在剩余5%的“长尾场景”，即那些罕见但对行车安全至关重要的极端场景。要实现L4自动驾驶，系统必须具备对这些异常场景稳定的处理能力。为此，Robotaxi运营商如Waymo和小马智行等，正在借助生成式AI与强化学习技术生成和模拟长尾场景，并结合基础世界模型（Foundation World Models）模拟真实道路环境，进而生成大规模、高质量的数据集用于模型训练，显著提升系统的准确性与泛化能力。

与之相比，大多数车企仍主要依赖真实道路数据的采集方式，本质上是模仿人类驾驶行为。这一路径类似于早期的AlphaGo，通过学习人类棋谱来复现专业棋手的水平。而 Robotaxi运营商所采用的数据生成、模拟仿真与强化学习的技术路径，则更接近AlphaZero，通过与自身对弈生成训练数据，并借助强化学习不断迭代优化。这种“自我进化”的学习机制，正是AlphaZero能超越人类棋手的关键，也是自动驾驶实现超越人类驾驶能力的重要路径。

问题五：乘用车是否真的有必要发展到L4自动驾驶？

答：乘用车是否需要配备L4自动驾驶，核心在于车企的商业模式：是单纯卖车，还是计划运营Robotaxi车队。

尽管目前不少车企宣称正在研发L4技术，但是否有这个必要，在于他们的最终目标是销售车辆，还是构建并运营一套完整的出行服务体系。AI的使用取决于成本效益。只有当AI能显著降本增效时，才具备商业化的合理性，因此：

若车企仅以销售车辆为最终目标，而不准备进行Robotaxi的商业化运营，我们认为部署L4的必要性不强。因为，乘用车的驾驶员本身不存在成本的说法，但商用车的运营需承担驾驶员的成本，因此前者缺乏实现L4自动驾驶的经济动因。或许有观点会认为，部分有较强支付能力的消费者愿意为“全无人驾驶”功能买单，或出于自己不想开车、避免雇佣专职司机，又或满足彰显社会地位或追求驾驶乐趣的需求。不过我们认为，对于该部分群体，更实际的方式是直接打一辆Robotaxi。而若是为彰显身份或追求驾驶乐趣，一辆高性能跑车（如法拉利）或许才是其更合适的选择。

当然，AI在提升乘用车安全性方面依然具备明确价值。但在现阶段，驾驶员仍需保持对车辆的控制，即“手在盘上、目视前方”，并对乘客安全负有最终责任。在这一前提下，配备L2/L2++（ADAS）系统已足以在关键场景中提供必要的辅助和预警。

反过来，如果车企计划运营Robotaxi车队，情况则完全不同。在这一模式下，我们认为车企必须具备L4自动驾驶能力，并需构建涵盖低成本车型、自研L4技术与出行平台的完整生态体系。例如，Robotaxi运营商小马智行拥有完整的生态体系：不仅自研L4技术，还与高德、腾讯微信合作获得流量入口，与北汽、广汽等车企联合开发具备成本优势的车型。

问题六：车企是否具备实现L4的能力？

答：在特定条件满足的前提下，具备可能性。

车企若希望从L2（ADAS）迈向L4，这并非一个渐进式技术升级，而是一场涉及架构重塑与组织体系再造的深层次转型，涵盖技术路线、安全机制、测试验证体系及合规要求等多个维度。L2与L4在数据获取方式、传感器组合、感知策略、模型训练方法及责任划分等方面也存在本质差异。

许多车企倾向于强调其拥有庞大的车端（行车）数据，认为“数据越多、模型越强”。但我们认为，数据的质量远比数量更为关键。例如，一位司机在同一路线持续通勤十年，尽管积累了大量驾驶数据，但场景高度重复，难以涵盖那些极少发生却至关重要的“长尾场景”（Corner Cases），如前方卡车货物掉落等。而我们认为，缺乏此类多样性且复杂的训练数据，将难以支撑L4系统在极端场景下的安全表现。

我们认为，目前更应核心关注如何跨越从L2到L4的技术鸿沟，以及能否在可接受的时间窗口内完成这一转型。目前一些观点认为，诸如DeepSeek等新一代模型在工程上的突破有望显著提升训练效率。然而，我们必须指出，DeepSeek一定程度上乃是智能助手，其偶发性“幻觉”在此类应用中不会导致严重后果；反过来，自动驾驶则属于安全关键型任务，对系统稳定性、可靠性和容错能力的要求远高于智能助手。因此，L4系统必须实现“零失误”的运行表现，因为在关键场景下已无人类驾驶员接管。从这一角度来看，我们认为，目前的“DeepSeek式”降本增效训练路径（通过较低浮点精度、稀疏专家模MoE及MLA算法等来降低算力与内存需求）或尚不足以支撑L4所需的安全性与鲁棒性。简而言之，L2向L4的追赶，或不会像市场乐观预期中那样迅速。

我们认为，各公司自动驾驶技术的客观横向对比较为困难，因此需参考关键运营数据。我们建议通过一个统一的测试机制，即在实际道路运行中，无安全员介入的前提下完成10万公里的实地运行，对其事故率进行统计，观察百度、小马智行、文远知行、Waymo、小鹏、小米、比亚迪、理想等厂商的“自动驾驶”运营表现，以此作为衡量其是否真正具备L4能力的最可靠标准。此外，L4系统必须具备“故障可运行”（Fail-operational）的能力，即在系统故障发生时，车辆仍能安全运行，或自动执行“最小风险操作”（Minimal Risk Maneuver），例如无需人工干预能安全地靠边停车。同时，强有力的网络安全防护措施也至关重要，以防止系统遭受恶意攻击或未经授权的访问。最后，责任归属问题也不容忽视。在L3以下级别，驾驶员需对行车安全承担全部责任；而一旦进入L3及以上，责任主体则转移至系统运营方或车企。

问题七：为何Robotaxi至今仍主要局限在少数区域运营？关键阻碍是什么？

答：问题的核心不在技术，而是回报率（ROI）的考量

一种常见的观点认为，搭载ADAS系统的乘用车能在复杂城市道路中行驶，而Robotaxi则仅在低密度区域或轻交通的固定线路内运营。我们认为这一说法存在误解。Robotaxi选择特定区域和线路，主要是出于投资回报率（ROI）最大化的商业考量，而非技术能力受限。以小马智行为例，其在广州已实现从市中心至广州南站和白云机场的Robotaxi服务，覆盖了城市道路与高速场景，充分证明其具备复杂情况下的运行能力。在北京，小马智行也已实现亦庄至北京南站、大兴机场等高需求路线的Robotaxi运营。在深圳，其Robotaxi业务覆盖南山、前海、宝安等核心城区。而Waymo在旧金山的运营范围也相当广泛，并已扩展至奥斯汀、洛杉矶、硅谷等多个美国城市，甚至开始在以交通复杂著称的东京进行测试。

需要强调的是，当前车企展示的辅助驾驶功能仍有驾驶员坐在方向盘后，需“手在盘上，目视前方”，与Robotaxi的无人驾驶并不在同一层级，两者在安全冗余和系统自主性上的能力不可等视。Robotaxi聚焦特定区域部署，更多是基于商业化效率与资源优化的战略选择，而非技术能力的妥协。其选定的运营区域，往往是ROI最高、回报最具确定性的地段。

问题八：Robotaxi是否有足够的市场需求，能支撑其长期商业模式？

答：我们认为答案是肯定的，核心在于人口和家庭结构的变化。

我们正见证人口和家庭结构的深刻转变，这一趋势在西方国家已较为成熟，在中国亦日益显现。传统上，中国文化更倾向于多代同堂的大家庭结构，周末出行一般会包括父母、祖父母、两个孩子及一位家政人员。这类出行偏好让大型乘用车（如理想的SUV）大行其道。但年轻一代日益重视自主生活方式，或让未来中国将逐步走向小家庭的模式，从而降低对私家车的需求。我们认为，这一结构性变化正是推动网约车需求增长之一，且Robotaxi有望精准填补这一空缺。年轻一代对新技术接受度更高，天然具备拥抱Robotaxi的基础，更倾向于将其视为便捷、高效的出行解决方案。

问题九：Robotaxi会否完全取代人类司机，还是将长期并存？

答：我们认为，Robotaxi的核心价值在于缓解劳动力短缺，并在一定程度上弥补人类司机缺口，而非完全替代。

需要明确的是，Robotaxi的目标并非完全取代人类出租车司机，而是为应对交通运输行业日益加剧的劳动力短缺问题提供解决方案。随着大量出租车司机逐步老龄化并退出市场，年轻一代对该职业的兴趣普遍下降，Robotaxi可作为有效弥补。此外，Robotaxi亦有望逐步取代非法或无牌运营的“黑车”司机，推动出行服务更加规范与可靠。展望未来，我们认为以小马智行为代表的企业预计在2030年之前可将Robotaxi车队渗透率提升至10%以上，体现出其在保障运力、完善出行生态方面的战略部署，以及对市场需求变化的积极响应。

问题十：谁将在这场自动驾驶竞赛中最终胜出？

答：我们认为，技术提供商> 出行平台 > 车企。

在全球视角下的竞争格局中，技术优势主导，但生态整合能力将决定终局胜负。长期胜出的关键在于，谁能率先打通全栈技术能力、稳定流量入口与低成本量产车三者之间的壁垒，实现真正可持续的商业闭环与规模化盈利路径。

目前在全球范围内，Waymo（Google）在Robotaxi领域占据主导地位，而特斯拉（Tesla）则有望成为下一位重要玩家。在中国市场，我们观察到四类主要竞争者：1）自动驾驶技术提供商（如小马智行、文远知行）； 2）成熟的出行平台（如百度、滴滴）；3）车企（如小鹏、小米）；4）其他潜在入局者。

我们认为，构建涵盖“L4核心技术 + 出行平台 + 低成本量产车型”的完整生态系统，是赢得市场的关键前提。目前车企普遍已具备L2能力，但仍需加速突破L4技术。车企优势在于掌握整车制造能力，部分如小米、特斯拉还控制有自有出行平台。

Waymo：具备强大的自研L4能力与自营出行平台优势，但其硬件成本较高，仍使用价格昂贵的机械旋转式激光雷达（单价达数万美元）。虽然低成本车型合作伙伴相对易找，但其整体系统BOM成本仍为大规模商业化的制约因素。

小马智行：拥有自研L4系统，并采用成本更低的车规级传感器与芯片，且已与高德、腾讯微信等平台合作获得流量入口，同时联合广汽、北汽等车企获取量产车型资源，具备完整的生态闭环能力。

文远知行：公司依托自研的WeRide One技术平台，打造具协同效应的L4产品线，采取轻资产+分成模式，加速Robotaxi全球商业化。其业务聚焦单位经济模型较优的海外市场，已获五国自动驾驶牌照，车队与产品覆盖全球10国30城，持续推动L4商业化落地。

百度：兼具技术与平台，类似于Waymo/Google模式。但在用户体验方面，部分用户更倾向于小马智行与文远知行的驾驶风格。

滴滴：拥有中国最大出行平台，并已启动L4研发，且同时与多家车企建立合作，补齐整车资源。

特斯拉：计划2025年6月在奥斯汀推出其Robotaxi，采用Model Y作为基础平台。我们认为，作为车企，特斯拉具备强大且稳定的量产能力，且可依托自有品牌和影响力打造出行平台。在路测数据、技术人才及算力资源方面，特斯拉也具备明显优势。然而，其坚持采用纯视觉技术路线，在应对复杂场景与高阶算法处理时，可能面临缺乏3D深度信息与高质量结构化数据支撑的挑战。此外，Waymo、小马等技术服务商通过仿真系统和强化学习，处理“长尾场景”能力更强，有望能做到超越人类司机的驾驶能力。