引言

　　上个月在广州，朋友王君体验了一把自动驾驶 RoboTaxi——起步时比老司机还稳，过路口遇到闯红灯的电动车，刹车果断得像踩了急刹的外卖小哥。但下车时，安全员从副驾探过身来帮着开车门，王君心里有些不爽——原来这不是全无人驾驶，是“有人盯着的无人车”。

　　这场景恰好戳中了当下 RoboTaxi 的现状：2025 年，从百度、小马智行、文远知行到特斯拉、Waymo，全球玩家都在喊“商业化元年”，但真正能让你闭着眼坐完全程的纯无人车，依然像暴雨天的网约车一样难等。

　　行业里藏着个公开的秘密：RoboTaxi 要想跑通，得先闯过五座“鬼门关”，而破局的关键，可能就藏在“有人+无人”这种看似矛盾的“混合运营”里。

　　今天，无人车来也和大伙儿聊聊这个事！

　　

　　第一关：技术门派混战，纯视觉和多传感器谁能笑到最后？

　　自动驾驶圈的“路线之争”比奶茶圈的“甜咸党”还激烈。

　　一边是特斯拉死守的“纯视觉派”，靠摄像头+算法当“火眼金睛”；

　　另一边是百度、小马智行们坚持的“多传感器派”，激光雷达、摄像头、毫米波雷达全装上，像给车戴了“老花镜+显微镜+望远镜”。

　　2025 年，这场混战突然变了天。

　　6 月未来汽车先行者大会上，何小鹏拍着桌子宣布“小鹏全押纯视觉”；

　　7 月李彦宏更绝，直接说考虑让百度萝卜快跑“拆了激光雷达”，说这样能降本 40%；

　　连一直喊“多传感器才安全”的华为，也悄悄给问界 M7 Pro 装了纯视觉方案。

　　但切换路线没那么简单。

　　特斯拉的纯视觉能玩得转，靠的是全球 600 万辆车当“数据矿工”，每天跑出来的数亿公里路况，像给 AI 喂“经验包”，慢慢填补暴雨、大雾这些“技术盲区”。

　　而百度、小鹏们切换路线时，手里的车队规模还不到特斯拉的零头——李大佬自己都承认，2026 年前凑不齐 10 万辆车队，就得被特斯拉甩开代际差。

　　更热闹的是新技术“军备竞赛”。

　　今年小鹏 G7 和理想 i8 装上了 VLA 模型，这东西能让车像人一样“读懂场景”——看到红灯会停，看到行人横穿马路也会停，还能听懂你说“下个路口掉头”。

　　而阿里巴巴达摩院的 WorldVLA 更狠，直接在虚拟世界里“模拟车祸”，让车在电脑里练“急刹防追尾”，不用真撞一次就能积累经验。

　　但这些新技术眼下还是“实验室选手”。

　　小马智行的 CTO 楼天城说“世界模型是唯一解”，但实际用起来，虚拟场景里练得再溜，到了现实中遇到“外卖小哥突然从货车后窜出来”这种奇葩情况，AI 该懵还是会懵。

　　第二关：用户心里的“安全红线”，比技术难题更难跨

　　去年特斯拉在旧金山的一场事故，至今让行业后怕：大雾天里，一辆 RoboTaxi 把停在路边的消防车当成了“会移动的障碍物”，径直怼了上去。

　　这事登上新闻后，当地用户对 RoboTaxi 的信任度暴跌 40%，有网友调侃“还不如请个喝酒的代驾靠谱”。

　　公众对 RoboTaxi 的安全要求，从来不是“比人强”，而是“零失误”。

　　数据上，特斯拉 FSD 每 700 万英里才出一次事故，比人类司机安全 10 倍；Waymo 在特定区域的事故率比人类低 64%。

　　但架不住“幸存者偏差”——一次事故的曝光度，能盖过 1000 次安全行驶的宣传。

　　汽车之家的调研显示，72%的用户担心“无人车遇突发情况会懵圈”，68%的人说“哪怕比人安全 10 倍，也不敢坐”。

　　

　　这种“零容忍”心态，让 RoboTaxi 的推广像“走钢丝”：百度萝卜快跑在重庆试点时，特意选了 100 名“种子用户”，免费接送一个月，才慢慢攒起口碑。

　　更微妙的是“体验落差”。

　　有人坐完 Waymo 后吐槽：“过路口磨磨蹭蹭，绿灯亮了 3 秒才动，后面的车按喇叭都没用。”

　　为了安全，RoboTaxi 的算法普遍偏“保守”，但这种“老好人”性格，恰恰戳中了用户对“效率”的敏感点——毕竟没人愿意为了“绝对安全”，在早高峰迟到半小时。

　　第三关：监管的“紧箍咒”，松一点怕出事，紧一点怕停滞

　　2023 年通用自动驾驶Cruise 的“拖行行人”事故，至今是监管层的“警钟”。

　　当时一辆 Cruise RoboTaxi 撞了人，非但没停车，还拖着人跑了 6 米，应急团队又迟迟不到。

　　加州车管所当天就吊销了它的运营执照，连全美业务都停了——几年积累的路权，一夜回到解放前。

　　现在全球监管都卡在“既要又要”的两难里。

　　中国科协主席万钢说“政策得让子弹再飞一会儿”，意思是既想给技术试错空间，又怕出安全事故；

　　美国更分裂，联邦政府喊着“给 L4 松绑”，但德州却规定“RoboTaxi 必须配安全员”，特斯拉为了合规，只能让“安全员”坐在副驾玩手机，硬生生把运营成本拉高 30%。

　　最头疼的是“责任认定”。

　　去年深圳一辆 RoboTaxi 和闯红灯的电动车剐蹭，交警来了也犯难：是车的算法没识别到？还是电动车违规在先？

　　最后定责时，平台、车企、安全员三方扯了半个月——这种“模糊地带”不解决，没人敢大规模铺开。

　　第四关：运营成本是座“大山”，赚钱比登天还难

　　小马智行的财报里藏着个残酷数字：每辆车每年的运营维护成本高达 10 万元。

　　这钱花在哪了？远程监控员得盯着屏幕，每趟车收 0.8 美元“看护费”；

　　Waymo 专门雇了拖车队，年投入超 2000 万美元，就为了拖那些“在路口死机”的 RoboTaxi；还有充电、清洁、软件升级……

　　算下来，一辆车跑一天，光成本就得 300 块。

　　

　　特斯拉CyberCab

　　为了降本，玩家们开始“魔改车型”。

　　特斯拉正在搞的 CyberCab，简直是“为赚钱而生”：双门两座，砍掉副驾省空间；电池只装 50 度电，刚好跑 500 公里，每天充一次就够；

　　连清洁都自动化，车能自己感知“脏了”，开到充电站就有机器人过来擦玻璃、扫座位。

　　但这些“省钱招”眼下还在图纸上。

　　现在的 RoboTaxi，更像“烧钱机器”：

　　小马智行累计亏损超 42 亿，文远知行亏了 61 亿，就算喊着“单车盈亏平衡”，把研发成本摊进去，还是血亏。

　　有行业人算过账，一辆 RoboTaxi 要每天跑 16 小时，连续跑 5 年，才可能回本——这难度，堪比让出租车司机不接私活。

　　第五关：商业回报的“死亡谷”，规模和体验是对死敌

　　小马智行的张宁说过一句大实话：“一线城市投 1000 辆车，就能跑通盈利模型。”

　　但问题是，1000 辆车在北上广深这种大城市，连牙缝都不够塞——北京光出租车就有 6 万辆，1000 辆 RoboTaxi 撒进去，用户叫车时大概率“等半小时还没人接单”。

　　这就陷入了“死循环”：规模小了，用户等得久，体验差，没人用；没人用，就赚不到钱，更难扩大规模。文远知行在广州试点时，就遇到过这种尴尬：刚开始用户觉得新鲜，订单不少，但半个月后，因为“接单慢”，复购率掉了一半。破局的钥匙，藏在“混合运营”里。今年 5 月，小马智行和 Uber 合作，把自己的 RoboTaxi 接入 Uber 平台——用户打开 Uber 叫车，系统会自动匹配：晴天非高峰，派 RoboTaxi；暴雨天或早晚高峰，派有人驾驶的网约车。这样既保证了用户“随叫随到”，又能让 RoboTaxi 在适合的场景里多跑单。

　　Waymo 和 Uber 的合作更绝。在奥斯汀，Uber 帮 Waymo 管充电、清洁，还共享用户数据——Waymo 的车在晴天跑主干道，Uber 的司机在雨天接郊区单，成本分摊，收入分成。这种“互补”让 Waymo 的空驶率从 35%降到了 18%，离赚钱又近了一步。结语：不完美的“混合运营”，才是最靠谱的答案

　　现在的 RoboTaxi，像个“刚学会走路的孩子”：晴天走直线很稳，遇到坑坑洼洼就容易摔跤。

　　但没人会等孩子学会跑了才让他出门——先在晴天的平路上多练练，慢慢再学走泥路、夜路，才是更聪明的选择。

　　“混合运营”就是这个道理：不用等 RoboTaxi 搞定所有场景，先让它在擅长的地方发光，有人驾驶的网约车补位兜底。对用户来说，叫车时不用切换 APP，系统自动匹配最适合的车；对玩家来说，既能靠 RoboTaxi 降成本，又能靠有人车保体验。总之，无人车来也（公众号：无人车来也）认为：或许未来某一天，我们会忘了“安全员”的存在，坐上真正的纯无人车。但现在，承认“不完美”，接受“有人+无人”的过渡，恰恰是 RoboTaxi 从实验室跑到马路上的最快路径。毕竟，能安全、便宜、随叫随到的车，才是用户真正需要的——至于是人开还是 AI 开，没那么重要。