Robotaxi、L2 与 L4：从技术底座到规模化运营

概览

本期围绕 Robotaxi 展开，从听众容易混淆的辅助驾驶、智能驾驶、L2/L3/L4 等概念切入，重点解释 Robotaxi 不是“没有司机的网约车”这么简单，而是 L4 无人驾驶能力、责任体系、运营体系和商业模型共同构成的出行服务。

讨论的核心结论是：L2 与 L4 不是线性升级关系，而是责任边界、技术路线和商业模式都不同的两条赛道。L2 仍由人承担驾驶责任，L4 则要求系统承担驾驶任务和兜底责任；L3 处于混合状态，最大难点在于人机接管和事故责任不清。

节目后半段把技术落到现实运营：英伟达提供车载 SoC、CUDA/CUDA-X、仿真、训练和车端推理平台，小马之行则从车队调度、充电维保、成本摊销、生命周期运营、海外落地等角度说明 Robotaxi 的商业化不是 Demo，而是长期工程化和规模化运营。

分段落总结

[00:14] 从无人驾驶乘车体验引出 Robotaxi

[事实] 主持人以此前嘉宾在美国乘坐无人驾驶出租车的经历开场，描述乘客从最初不适应到逐渐信任车辆自动行驶的过程。 [事实] 主持人指出国内一些城市也已出现相关测试场景，普通人在道路上也能看到开启辅助驾驶或 NOA 状态的车辆。 [事实] 本期节目希望厘清 Robotaxi、辅助驾驶、智能驾驶、L2/L3/L4 等容易混淆的概念。 [推测] 节目的切入点是把普通用户的感性体验，转化为对技术分级、责任归属和商业落地的系统理解。

[02:12] 嘉宾与英伟达的汽车角色

[事实] 卓瑞来自 NVIDIA，主要负责无人驾驶、机器人和智慧城市等产品落地。 [事实] 卓瑞强调 NVIDIA 不只是卖显卡或硬件，而是软件公司、AI 公司和平台公司。 [事实] 他解释 CUDA 是访问 GPU 的底层软件，CUDA-X 则是在 CUDA 之上面向不同垂直行业提供 SDK 和解决方案。 [事实] 在汽车领域，NVIDIA 在芯片之上提供面向辅助驾驶、自动驾驶和 Robotaxi 的一系列软件能力。

[05:05] 小马之行与 Robotaxi 的业务范围

[事实] 张宁来自小马之行，介绍公司致力于无人驾驶，业务包括人类出行和物流无人化运输。 [事实] 小马之行覆盖 Robotaxi、干线物流无人卡车、港口卡车、西北地区大宗商品物流、末端配送和算力平台等方向。 [事实] 张宁指出 Robotaxi 主要解决城市内出行问题，因为普通市民的大多数出行发生在同一城市内。 [推测] 节目将 Robotaxi 放在城市道路、快速路和日常出行服务中讨论，而不是把它简化为高速自动驾驶能力。

[07:23] L0、L1、L2 与辅助驾驶边界

[事实] 张宁解释 L0 基本没有自动功能，L1 主要是纵向控制，例如早期定速巡航。 [事实] L2 同时具备横向和纵向控制，包括车道保持、跟车、LCC，以及后来更多高阶辅助驾驶能力。 [事实] 许多带加号的 L2 功能，本质上仍属于 L2，因为发生事故时责任仍由驾驶员承担。 [事实] 现有辅助驾驶系统并不是全场景、全天候、所有条件下都可以把生命完全交付给系统的第一责任人。

[09:47] L4、Robotaxi 与无人驾驶责任

[事实] L4 被描述为无人驾驶：上车的人都是乘客，系统承担驾驶任务。 [事实] 在 L4 场景下，事故责任需要由系统或产品责任来承担，而不是由车内乘客承担。 [事实] 张宁指出 L4 大规模落地需要道路交通法规和社会观念同步进步。 [事实] Robotaxi 是 L4 大家庭中的一种应用，特指以服务收费方式把人从 A 点送到 B 点的出行服务。

[12:24] Robotaxi 不只是车，还包括完整运营体系

[事实] 张宁强调 Robotaxi 业务还包括车辆养护、充电、维保、事故处理、抛锚拖车、应急事件处理等环节。 [事实] 他举例提到乘客在无人车里睡着、到站叫不醒，也是运营中需要处理的问题。 [事实] Robotaxi 比“无人驾驶车辆”多出一整套商业运营与服务管理问题。 [推测] Robotaxi 的难点不只在算法能不能开车，还在无人化之后原本由司机承担的隐性劳动如何被系统接管。

[13:42] L3 的混合状态与接管困境

[事实] 张宁将 L3 描述为 L2 与 L4 的混合态，在限定区域和限定条件内由系统开车，超出条件后需要交还给驾驶员。 [事实] L3 的问题包括系统要求人接管时，人如果睡着或没有及时接管，责任和处理方式会变得复杂。 [事实] 他提到早期欧洲 L3 功能较弱，例如高速 60 公里以下拥堵跟车，且不能变道。 [事实] 行业中存在渐进式路线和跨越式路线两种思路，后者倾向跳过 L3，直接从 L2 走向 L4。

[17:01] L2 与 L4 不是简单升级关系

[事实] 张宁认为 L3 的混合态不是一个清晰的商业模式，因为人和系统的责任容易讲不清。 [事实] 他提到 Waymo 是跨越式 L4 路线的代表，小马之行等 L4 自动驾驶公司也采取类似思路。 [事实] 小马在测试中发现，当安全员很长时间不需要接管时，人会更难保持随时接管的状态。 [事实] 张宁总结 L2 与 L4 看上去相近，但实际是两个不同赛道。

[20:19] 英伟达车载芯片演进与端侧算力

[事实] 卓瑞介绍 NVIDIA 在汽车领域从 2017 年左右开始推出多代芯片，包括 Parker、Xavier、Orin 以及后续一代平台。 [事实] 早期 Xavier 的 30 TOPS 算力曾被认为过剩，但随着 CNN 替代传统 CV、功能复杂度增加，算力很快变得不够用。 [事实] Robotaxi 对算力需求很高，当前可能使用 2000 TOPS 或 4000 TOPS 级别方案。 [事实] 自动驾驶的感知和决策主要发生在车端本地，而不是依赖云端，因为网络连接和延迟无法在所有场景下保证。

[24:19] Hyperion 与 L4 系统架构

[事实] 卓瑞表示 SoC 是系统核心，但单有 SoC 车厂和开发者无法充分使用，因此 NVIDIA 还提供软件、传感器驱动和系统方案。 [事实] 他重点提到 Hyperion 平台，用于定义面向 L4/Robotaxi 的系统架构。 [事实] 该架构包括两个 SoC 通过 PCIe 互联，一个主、一个从，并定义摄像头、激光雷达、毫米波雷达、超声波雷达等传感器配置。 [事实] 主从冗余设计的目标是在一个 SoC 出问题时，车辆仍能继续安全行驶，而不是依赖人类接管。

[28:00] 三台计算机：训练、仿真与车端推理

[事实] 卓瑞将 NVIDIA 的能力概括为三类计算平台：DGX 做训练，OVX 做仿真，车端计算平台做推理。 [事实] 训练平台可帮助车厂和自动驾驶企业提升算法性能与安全性。 [事实] 仿真平台可生成合成数据，并模拟现实中很难采集到的小概率场景。 [事实] 这些能力共同服务于自动驾驶开发链路中的功能、性能和功能安全。

[31:00] 大模型、可解释性与开源模型

[事实] 卓瑞提到 NVIDIA 也提供面向行业趋势的模型，并讨论端到端、VLA/VLI、VLM 等路线。 [事实] 他认为具备推理能力的模型可以解释为什么做出某个驾驶决策，对开发者调优和乘客信任都有价值。 [事实] 节目中提到 NVIDIA 将相关模型、标注工具、数据、微调脚本和强化学习脚本开源，供更多人训练和定制。 [推测] 这里的重点不是让合作方直接照搬模型量产，而是用开放工具降低行业理解和迭代门槛。

[36:28] Robotaxi 运营区别于网约车个体户模式

[事实] 张宁指出传统网约车和出租车很大程度上仍是个体户模式，车辆购买、维修、出车时间、充电、停车和趴活都由司机个人决定。 [事实] Robotaxi 时代管理的是整个车队系统，需要统一调配不同时段供给、监控电量、安排充电、保养、清洁和事故处理。 [事实] 运营方需要管理车辆从出生到退役的全生命周期。 [事实] 对 Robotaxi 来说，商业化要算硬件成本、日常运维成本、无人化调度成本和车辆生命周期总账。

[40:22] 成本、60 万公里生命周期与毛利

[事实] 张宁提到营运车辆有 60 万公里里程上限，Robotaxi 需要在这一生命周期内把车辆成本和运营成本摊回来。 [事实] 他表示小马从去年开始已经能做到毛利转正。 [事实] 他强调中国市场客单价相对低，会倒逼企业采用更适合中国市场、更经济的方案。 [事实] 成本不仅包括一次性硬件成本，也包括车辆能否撑完整个 60 万公里生命周期的摊销成本。

[42:45] 车规级 SoC 与工程化落地

[事实] 张宁称小马将英伟达 Orin 系列车规级 SoC 应用于 Robotaxi 主算力平台，并做到 L4 无人化运营。 [事实] 他提到小马通过模型压缩和算法极致优化，把 L4 能力放到可量产的车规级算力平台上。 [事实] 卓瑞补充，许多 Robotaxi 公司早期使用 x86 加独立 GPU 方案，但其成本、功耗和稳定性在车载环境中有挑战。 [事实] 张宁指出车辆需要面对颠簸、高温、暴晒、潮湿、冷热变化等复杂工况，车规级芯片是运营角度上的必然答案。

[46:06] 规模、密度与国内外运营进展

[事实] 张宁表示 Robotaxi 需要一定车辆量级和密度，才能让用户在较短等待时间内打到车。 [事实] 他称小马去年已投放一千多台车辆，并会随着新城市和海外业务扩展继续增加。 [事实] 国内运营以北上广深等一线城市为主，北京亦庄、深圳南山和宝安、广州南沙到珠江新城等区域被提及。 [事实] 海外落地提到韩国首尔、新加坡、卢森堡、中东迪拜、沙特、克罗地亚等地区或城市。

[49:25] 从技术输出到运营体系输出

[事实] 张宁表示小马出海输出的不仅是技术和产品，也包括落地商业模式、监管协同方式和运营体系。 [事实] 他认为未来小马不一定所有车辆都自己重资产运营，也可能把系统和运营方案提供给合作伙伴。 [事实] 主持人总结小马造的不是单台车，而是一套可交付、可运营的系统。 [推测] 这说明 Robotaxi 企业的核心能力会从“能造无人车”扩展为“能让合作伙伴持续运营无人车”。

[51:48] 从 x86+GPU 迁移到 SoC 的优化挑战

[事实] 卓瑞指出 x86 加独立 GPU 方案内存大、算力高，开发者更容易“可劲造”，但迁移到 SoC 后内存和算力更受约束。 [事实] NVIDIA 会与合作伙伴一起优化算法架构、减少不必要的内存拷贝，并利用 SoC 的 INT8、FP8、FP4 等能力。 [事实] 他提到 CUDA 和相关 SDK 的 API 兼容性有助于把旧平台算法迁移到新平台。 [事实] 双方开放合作中的性能优化 know-how 是 SoC 落地的重要价值。

[54:37] 降低系统成本与传感器架构变化

[事实] 卓瑞提到内存成本很高，NVIDIA 已与一些厂商把单颗芯片内存从 64GB 优化到 32GB。 [事实] 他还提到雷达、激光雷达等传感器过去会先在模组端处理数据，再通过网络传到 SoC。 [事实] 新趋势是将更多原始数据直接送到 SoC，由车端主芯片统一处理，以减少传感器模组成本并保留更多信息。 [事实] 这种架构变化依赖 SoC 足够强的算力，也有助于更复杂的传感器融合。

[57:39] 长期可维护性、软件兼容与 OTA

[事实] 主持人提出个人电车几年后停止维护的经历，追问 Robotaxi 如何保持长期升级能力。 [事实] 卓瑞表示 GPU 架构的可编程性让芯片能够支持从 CNN 到 Transformer、BEV、VLM/VLI 等不断演进的算法。 [事实] 软件 API 和框架兼容性可以降低合作伙伴升级成本。 [事实] NVIDIA 还提供 OTA 升级方案，使客户能够从旧版本平滑升级到新版本。

[60:44] 复杂长尾场景与世界模型

[事实] 主持人把听众关注点引向安全，询问 L4 在复杂情境下如何处理意外情况。 [事实] 张宁认为 L4 要处理复杂车流中的博弈，难度高于单纯感知问题。 [事实] 他提出需要构建世界模型，回答“如果我这样做，世界会怎样变化”的 what if 问题。 [事实] 长尾场景不只是稀有物体本身，还包括车辆行为对其他交通参与者行为的影响。

[64:18] 仿真不是回放，而要能推演世界变化

[事实] 张宁强调仿真不能只是固定世界线的 replay，而要能反映不同动作下世界如何变化。 [事实] 小马从 2020 年左右开始强调开发体系、仿真体系和指标体系，用于理解场景分布和不同结果走向。 [事实] 公司希望打造自进化世界模型，让 Sim2Real gap 随数据闭环持续缩小。 [事实] 当仿真与真实世界差距足够小时，可以通过种子场景生成大量变化场景，用于 corner case 训练和验证。

[67:24] 端侧大模型与算法演进

[事实] 主持人询问端侧是否能跑世界模型和大模型。 [事实] 卓瑞回答现在 Orin 已能跑 GB 级大模型，后续平台性能更好。 [事实] NVIDIA 不限定客户使用某个固定算法，而是强调平台要足够灵活，支持行业主流算法持续演进。 [推测] 车端平台的价值在于给未来算法变化预留空间，而不是只适配当前某一种技术路线。

[69:03] 座舱 AI 与乘客信任

[事实] 主持人提出 Robotaxi 不只需要开车 AI，也需要座舱 AI 与乘客沟通。 [事实] 张宁认为辅助驾驶座舱 AI 是协助司机，而 L4 座舱 AI 是让乘客忘掉驾驶。 [事实] 他提到很多乘客第一次上车前有很多疑问，但真实体验后态度会明显改变。 [事实] 小马的统计显示，大部分乘客前 5 分钟会紧张，过了路口、避让行人等场景后会逐渐放松。

[71:45] Robotaxi 作为移动第三空间

[事实] 张宁说很多乘客在约 5 分钟后会忘记车是自己在开，把 Robotaxi 当成移动的第三空间。 [事实] 一些乘客上车后睡觉或刷手机，也有人会在车内唱歌。 [事实] 小马不希望 Robotaxi 只是有人驾驶出行的便宜替代，而是提供近乎专车的驾乘舒适性和独享空间。 [事实] 无司机空间能减少与陌生司机共处、沟通空调音乐、担心司机疲劳或分心等体验问题。

[75:31] 座舱想象空间与公众安全基础

[事实] 张宁认为当公众不再质疑车辆能否安全完成 A 点到 B 点的任务后，座舱体验的想象空间会释放出来。 [事实] 卓瑞从公众安全角度补充，NVIDIA 的 SoC 过了 TÜV 功能安全认证，达到 ASIL-D 功能安全等级。 [事实] 他表示软件开发流程遵循 ASPICE 和 ISO 26262 标准，软件也可达到 TÜV 认证的 ASIL-D 等级。 [事实] 对用户不可见的底层能力包括错误监测、错误恢复、错误忽略和必要时的冗余切换。

[78:46] 让用户看见系统的判断理由

[事实] 卓瑞表示自动驾驶系统可以把决策信息输出给座舱，让乘客理解车辆为什么左转、避让或绕行。 [事实] 这种可解释信息有助于用户逐步建立信任。 [事实] 他认为随着 Robotaxi 做得更好，用户会获得更多可自由支配的时间，可以睡觉，也可以与座舱 AI 做更多交互。 [推测] 乘客信任来自两层机制：底层安全体系不可见地兜底，座舱交互可见地解释车辆行为。

[80:22] 未来三年的判断标准

[事实] 主持人请两位嘉宾判断未来三年哪些自动驾驶进展是真进展，哪些可能只是营销话术。 [事实] 张宁认为 L4 赛道最简单的判断标准，是看有多少台真正无人驾驶车辆在公开道路上、普通用户能打到的场景中运行。 [事实] 他强调车辆需要在 7×24 小时、白天黑夜、刮风下雨甚至冰雹等条件下持续提供服务，并达到一定规模。 [事实] 他判断未来三年 L2 会更普及，但 L4 不太会爆发到十万台规模，可能是几万台量级。

[82:30] 安全、放心、普及是最终指标

[事实] 卓瑞补充，判断进展要看车辆支持的场景范围，例如城市快速路和复杂城区道路差异很大。 [事实] 他还强调用户体验：乘客能否像坐老司機开的车一样放心，甚至放心闭眼睡觉。 [事实] 车辆面对前方停车等场景时，应能等待后判断绕行，而不是一直停在那里。 [事实] 主持人总结 Robotaxi 成功不仅是车会开，还要现实世界稳定运行、让人放心、能规模化并具备赚钱能力。

播客点评/总结

[推测] 本期的价值在于把 Robotaxi 从“炫技 Demo”拉回到完整产业系统：技术分级、责任归属、芯片平台、仿真训练、车端推理、车队运营、成本摊销和法规协同都被串了起来，适合想系统理解无人驾驶商业化的人。

[推测] 节目亮点是嘉宾没有只谈模型或算力，而是反复强调 L2 与 L4 的责任边界、L3 接管困境、Robotaxi 全生命周期运营，以及真实车队规模和公开可用服务才是判断进展的关键指标。

[推测] 局限在于讨论主要来自 NVIDIA 与小马之行视角，对其他 Robotaxi 公司、监管方、乘客投诉数据、事故数据和成本明细没有展开对比，因此关于行业格局和商业可持续性的判断仍带有嘉宾立场。

[推测] 这期适合关注智能驾驶、自动驾驶投资、汽车产业链、AI 芯片和城市出行服务的听众；如果只是想了解某款量产车辅助驾驶功能的购买建议，本期会偏宏观和产业化。