華泰 | 解讀Robotaxi爭議焦點：自動駕駛的關鍵十問十答

（來源：華泰證券科技研究）

本報告旨在剖析決定自動駕駛競賽勝負的核心要素，包括技術路徑、監管演進與競爭格局等。同時，我們梳理出當前投資者的關鍵爭議焦點，幫助把握產業變革帶來的機遇。若要脫穎而出，我們認為企業需構建完整生態體系，涵蓋三大要素：1）成熟且可控的L4技術、2）穩定的出行平臺或流量入口，3）具有成本優勢的量產車型。同時，能否應對複雜監管、建立公眾信任並驗證公司技術的安全性，以及可持續盈利能力，亦將決定成敗。我們認為，技術優劣應以客觀數據和性能指標評判，如事故率、故障可運行能力等。

自動駕駛：物理AI的前沿，我們準備好了嗎？

自動駕駛是最具落地潛力的物理AI（Physical AI）應用之一，正加速從實驗室走向現實。我們認為，儘管全面普及仍面臨諸多挑戰，但在傳感器、高性能算力平臺與算法加速融合的推動下，行業發展提速。本報告旨在剖析決定這場競賽勝負的核心要素，包括技術路徑、監管演進與競爭格局等。同時，我們梳理出當前投資者的關鍵爭議焦點，幫助把握產業變革帶來的機遇，解答行業中關注度及爭議性最高的十個問題。首先，我們強調，對於迎接自動駕駛的到來，我們毋庸置疑，已做好準備！

技術鴻溝：從L2到L4，數據、傳感器與AI算法需系統性升級

L2（駕駛輔助系統ADAS）向L4（完全無人自動駕駛）的躍遷，標誌着自動駕駛在數據採集、傳感器配置及AI算法上的範式轉變。L2系統主要依賴真實駕駛數據，而L4則需大規模高質量的模擬數據集，重點覆蓋罕見但對行車安全關鍵的「長尾場景」。領先Robotaxi運營商，如Waymo（谷歌）、小馬智行（Pony.AI）、文遠知行（WeRide）等，正結合生成式AI與強化學習，以模擬仿真提升系統安全邊界。傳感器方面，L4通常採用冗余且多樣化的傳感器組合（攝像頭/毫米波雷達/激光雷達等），以提升系統的安全性；而L2主要依賴攝像頭及少量冗余。當前市場分歧在於：特斯拉主導的「純視覺方案」，能否在複雜與罕見場景中滿足L4所需的嚴苛的安全標準。

商業邏輯：以ROI為核心的部署策略與人口和家庭結構變化下的打車需求

Robotaxi的商業可行性及長期發展將高度依賴於路徑部署策略與人口和家庭結構的變化。目前Robotaxi的部署多集中於特定區域，核心在於ROI最大化考量，而非技術受限。監管支持度、基礎設施完善度和人口密度均為關鍵因素。長期來看，城市化、年輕羣體出行偏好及私家車擁有率下降，將助推Robotaxi快速落地。我們認為，Robotaxi商業模式或可緩解勞動力緊缺問題，並作為傳統出行方式的高效、可監管的補充方案。

競爭格局：制勝之道在於生態主導權與可持續盈利能力

自動駕駛競爭格局多元且激烈，涵蓋科技巨頭（如Google /Waymo、百度、小米等）、技術提供商（如小馬智行、文遠知行等）以及車企（如特斯拉、小鵬等）。欲脫穎而出，我們認為企業需構建完整生態體系，涵蓋三大要素：1）成熟且可控的L4技術、2）穩定的出行平臺或流量入口，3）具有成本優勢的量產車型。同時，能否應對複雜監管、建立公眾信任並驗證公司技術的安全性，以及可持續盈利能力，亦將決定成敗。我們認為，技術優劣應以客觀數據和性能指標評判，如事故率、故障可運行能力等。

風險提示：市場競爭加劇、監管挑戰、技術落地能力不足。本報告所涉未上市或未覆蓋公司，僅基於公開信息整理，不構成推薦或覆蓋意見。

解讀Robotaxi爭議焦點：自動駕駛的關鍵十問十答

自動駕駛行業正處於發展的關鍵轉折點。一方面，它有望重塑未來的交通出行方式；另一方面，也正面臨一系列複雜的技術難題與戰略博弈。在本報告中，我們聚焦當下業內最受關注的一些核心爭議，包括：乘用車是否真正需要邁向L4自動駕駛，激光雷達與攝像頭誰纔是最優傳感器配置，以及端到端方案是否足夠安全等。

以下是當前自動駕駛領域最具爭議性的十大核心問題：

1. L2與L4的根本區別？

2. 實現L4是否必須依賴激光雷達，還是攝像頭（純視覺方案）足以勝任？

3. 端到端方案是否足夠安全？

4. Transformer架構（大語言模型，LLMs）是否正在取代深度學習？

5. 乘用車是否真的有必要發展到L4自動駕駛？

6. 車企是否具備實現L4的能力？

7. 為何Robotaxi至今仍主要侷限在少數區域運營？關鍵阻礙是什麼？

8. Robotaxi是否存在足夠的需求去支撐其長期商業模式？

9. Robotaxi會否完全取代人類司機，還是將長期並存？

10. 誰將在這場自動駕駛競賽中最終勝出？

問題一：L2與L4的根本區別？

答：我們認為L2輔助駕駛和L4自動駕駛在設計理念、安全性要求與運營挑戰等領域存在顯著差異。

設計理念：L2輔助駕駛以人類駕駛員為主要操作主體，其設計理念側重於增強駕駛體驗，以模仿人類駕駛員的行為為基本，從而提高駕駛的舒適度、安全性和便利性等用户體驗。然而，L4自動駕駛為全無人自動駕駛，其系統的設計理念要求系統必須有一套規範且統一的「規章流程」，且對於傳感器和計算平臺等硬件的多樣性和冗余性（Diversity and Redundancy）要求高，確保在任何情況下都能保證駕駛安全和效率，而不依賴於人為干預。

在安全性要求方面：L2輔助駕駛仍以人類駕駛員為主體，系統僅提供部分駕駛支持。在此背景下，一旦系統發生故障，駕駛員可隨時接管，形成天然的安全冗余。而L4級自動駕駛則完全脱離人類操控，系統需在全程無人的前提下獨立完成駕駛任務。因此，L4系統對於實際運營的安全性要求極高。L4系統必須不斷迭代優化，以「零事故」為目標，這是其商用落地的前提。

在運營挑戰方面：L2輔助駕駛系統的設計並不需要考慮到突發停車的運營問題，因為人類駕駛員會適時介入，防止這些情況發生。與依賴人類駕駛員隨時接管的L2輔助駕駛不同，L4自動駕駛需在架構設計中預設完整的運營安全機制。若L4車輛在城市高密度場景下發生故障，缺乏有效應急策略將可能擾亂交通秩序，甚至引發安全風險。因此，L4還需要滿足系統異常或極端工況下具備快速進入安全受控狀態的能力，比如小馬智行的緊急靠邊停車和放置安全標識。

此外，近期小米汽車相關事故再次引發公眾關注，並進一步凸顯L2輔助駕駛與L4完全自動駕駛之間的本質差異。我們重申，L2本質上人類駕駛員仍承擔主要駕駛責任，核心定位為「輔助駕駛」；而L4則為系統在限定場景下實現「完全無人化」的自動駕駛能力，兩者在技術能力與安全責任邊界上均存在顯著不同。監管機構亦已就此作出明確迴應，要求整車廠在市場宣傳中嚴格區分L2與L4，避免混淆定義誤導消費者。該事件也標誌着監管層開始在政策層面更系統地釐清輔助駕駛與Robotaxi之間的界限，為后續行業規範奠定基礎。

最后，責任歸屬也是關鍵考量因素之一。對於L3以下級別的車輛，駕駛員需對行車安全承擔責任；而在L3及以上級別，責任則由運營方承擔。

問題二：實現L4是否必須依賴激光雷達，還是攝像頭（純視覺方案）足以勝任？

答：我們認為實現L4必須配備激光雷達。

在傳感器使用與環境感知方面，我們認為要實現L4自動駕駛所要求的高安全標準，「多樣性與冗余性」是關鍵。Waymo、小馬智行、文遠知行等Robotaxi企業均採用多模態傳感器融合方案，包括攝像頭、毫米波雷達和激光雷達，且每類傳感器均配置多個單元，充分體現「多樣性與冗余性」的設計原理。比如小馬智行第七代Robotaxi車型搭載六類量產傳感器，包括9顆激光雷達、14顆攝像頭、4顆毫米波雷達，以及4顆麥克風、2顆涉水傳感器和1套碰撞傳感器，實現車周360°無盲區，充分體現樣性與冗余性的設計理念。

這一理念早在2017年由英偉達CEO黃仁勛提出。當時，現任華泰海外科技首席的何翩翩在GTC China做自動駕駛演講時提及，將攝像頭、毫米波雷達和激光雷達的功能類比為人類感官：攝像頭對應視覺，雷達則類似聽覺，可通過信號反射在黑暗或惡劣天氣下探測障礙物，而激光雷達則融合多重感知能力，實現三維空間的精準重建。在此演講后，黃仁勛即以「多樣性和冗余性」的設計原理，作為迴應。

相比之下，完全依賴攝像頭採集數據的方式容易受到光照和天氣變化的影響，導致感知失真。我們認為，在此基礎上訓練的端到端模型容易出現「Garbage in, Garbage out」的情況，最終造成系統「幻覺」，帶來不可接受的安全風險。因此，我們認為，特斯拉所推崇的「純視覺方案」更適用於 L2，而並不適合L4場景。更重要的是，基於大模型的黑盒式架構一旦出現問題，幾乎無法追溯錯誤根因，進一步加劇系統風險。

問題三：端到端方案是否足夠安全？

答：端到端方案在L2上可滿足安全要求，但尚不足以支撐L4。

儘管端到端架構在L2中展現出一定潛力，我們認為其在當前階段尚不適合單獨用於 L4，關鍵原因在於安全性仍未達標。我們更傾向於採用結合可解釋性的AI技術、多傳感器融合和嚴謹驗證機制的系統架構，以滿足L4自動駕駛對安全性與魯棒性的高標準要求。

端到端自動駕駛主要依靠傳感器收集到的真實數據，並透過大模型實現從輸出端（規劃）到輸入端（感知）的直接映射，目標是實現感知、決策和規劃、控制層的自動駕駛算法的整合，最終實現以統一的模型完成所有自動駕駛任務。我們認為端到端技術路線或依然涉及安全問題：1）大模型與模塊串聯路線沒有完全承接關係，通過模型統一規劃決策，精度或較欠缺；2）系統穩定性較差：存在大模型的「幻覺」問題，但全自動駕駛需要保障系統百分百穩定性；3）可解釋性較低：大模型的學習和推理過程本質是個「黑盒」，因此可解釋性仍具有挑戰。綜上，目前的端到端自動駕駛或只能符合輔助駕駛所需要的安全性要求。

以特斯拉的FSD（Full Self-Driving）系統為例，其端到端方案在自動駕駛領域確實取得一定進展。但我們認為，受限於冗余機制缺失和可解釋性不足，特斯拉的方案目前仍難以滿足L4自動駕駛的安全標準。儘管如此，特斯拉的Robotaxi已獲准部署，並已接近落地。原因在於其Cybercab（號稱不帶方向盤和踩踏等控制），有潛力獲得近期NHTSA（美國國家公路交通安全管理局）更新的規則，聯邦機動車輛安全標準（FMVSS）的豁免資格。其Cybercab（公司預計2026年量產）有望被歸類為「商用部署的研究原型車（Research Prototypes）」。目前，特斯拉已獲得德克薩斯州交通部許可，計劃在奧斯汀限定區域內部署10至20台由Model Y改裝的「Robotaxi」，可搭載乘客並收費。需要注意的是，這些車輛均由特斯拉工作人員進行實時監控，一旦車輛遇到突發情況，將由人工進行干預。

問題四：Transformer架構（大語言模型，LLMs）是否正在取代深度學習？

答：世界模型能增強深度學習，不是取代。二者在自動駕駛系統中承擔不同角色，各有適用場景。

在Transformer和深度學習的選擇上，目前市場的一個誤解是，深度學習已過時，Transformer模型（或LLM）正全面取代。但我們認為，兩者各具優勢，適用於自動駕駛系統中的不同任務。

Transformer在需要上下文理解的高階推理任務中表現出色，而深度學習在精準的目標識別方面仍具有優勢。LLM可以基於上下文信息和自然語言輸入生成高層次的駕駛策略，但最終仍需傳統算法進一步細化。

深度學習擅長處理來自多種傳感器的融合數據流（即Sensor Fusion），適合用於環境感知任務。相較於僅依賴輪廓檢測或模糊推斷，深度學習模型可實現對周邊目標的高速、精確識別與分類，確保系統具備足夠的環境感知精度。考慮到精準目標識別，以及感知模塊對行車安全與系統穩定性的關鍵作用，我們認為，深度學習仍是當前自動駕駛感知系統的核心方案，短期內難以被Transformer所完全取代。

但在實際應用中，越來越多的自動駕駛系統已採用混合式架構：深度學習負責實時、低層級的感知任務（如目標檢測），而大語言模型則用於高層級推理，例如根據交通環境預測單車騎行者的行為意圖。

關於LLM是否適用於路徑規劃，LLM雖具備一定潛力，但目前仍處於研究與探索階段，存在廣泛爭議。我們認為，短期內LLM不太可能完全替代傳統路徑規劃算法。但考慮到其在推理與上下文理解方面的能力，LLM有望與現有系統結合，作為輔助模塊提升路徑規劃系統的整體表現。

然而，路徑規劃本質上是一項需要實時決策的任務，而LLM，尤其是參數量較大的模型，在計算資源消耗上較為顯著，可能會影響其對動態環境變化的反應速度。此外，路徑規劃屬於安全關鍵型任務，而LLM存在「幻覺」問題，即生成錯誤或無效輸出的可能性。若完全依賴LLM，或將導致實際駕駛中的嚴重后果。歸根結底，LLM本質上仍是「黑盒」系統，缺乏可解釋性，單獨使用或會給安全認證帶來障礙，也可能會增加故障調試的難度。

若我們將自動駕駛所面臨的挑戰類比為一個正態分佈（高斯分佈）。前95%的問題已基本被攻克，而真正的難點集中在剩余5%的「長尾場景」，即那些罕見但對行車安全至關重要的極端場景。要實現L4自動駕駛，系統必須具備對這些異常場景穩定的處理能力。為此，Robotaxi運營商如Waymo和小馬智行等，正在藉助生成式AI與強化學習技術生成和模擬長尾場景，並結合基礎世界模型（Foundation World Models）模擬真實道路環境，進而生成大規模、高質量的數據集用於模型訓練，顯著提升系統的準確性與泛化能力。

與之相比，大多數車企仍主要依賴真實道路數據的採集方式，本質上是模仿人類駕駛行為。這一路徑類似於早期的AlphaGo，通過學習人類棋譜來複現專業棋手的水平。而 Robotaxi運營商所採用的數據生成、模擬仿真與強化學習的技術路徑，則更接近AlphaZero，通過與自身對弈生成訓練數據，並藉助強化學習不斷迭代優化。這種「自我進化」的學習機制，正是AlphaZero能超越人類棋手的關鍵，也是自動駕駛實現超越人類駕駛能力的重要路徑。

問題五：乘用車是否真的有必要發展到L4自動駕駛？

答：乘用車是否需要配備L4自動駕駛，核心在於車企的商業模式：是單純賣車，還是計劃運營Robotaxi車隊。

儘管目前不少車企宣稱正在研發L4技術，但是否有這個必要，在於他們的最終目標是銷售車輛，還是構建並運營一套完整的出行服務體系。AI的使用取決於成本效益。只有當AI能顯著降本增效時，才具備商業化的合理性，因此：

若車企僅以銷售車輛為最終目標，而不準備進行Robotaxi的商業化運營，我們認為部署L4的必要性不強。因為，乘用車的駕駛員本身不存在成本的説法，但商用車的運營需承擔駕駛員的成本，因此前者缺乏實現L4自動駕駛的經濟動因。或許有觀點會認為，部分有較強支付能力的消費者願意為「全無人駕駛」功能買單，或出於自己不想開車、避免僱傭專職司機，又或滿足彰顯社會地位或追求駕駛樂趣的需求。不過我們認為，對於該部分羣體，更實際的方式是直接打一輛Robotaxi。而若是為彰顯身份或追求駕駛樂趣，一輛高性能跑車（如法拉利）或許纔是其更合適的選擇。

當然，AI在提升乘用車安全性方面依然具備明確價值。但在現階段，駕駛員仍需保持對車輛的控制，即「手在盤上、目視前方」，並對乘客安全負有最終責任。在這一前提下，配備L2/L2++（ADAS）系統已足以在關鍵場景中提供必要的輔助和預警。

反過來，如果車企計劃運營Robotaxi車隊，情況則完全不同。在這一模式下，我們認為車企必須具備L4自動駕駛能力，並需構建涵蓋低成本車型、自研L4技術與出行平臺的完整生態體系。例如，Robotaxi運營商小馬智行擁有完整的生態體系：不僅自研L4技術，還與高德、騰訊微信合作獲得流量入口，與北汽、廣汽等車企聯合開發具備成本優勢的車型。

問題六：車企是否具備實現L4的能力？

答：在特定條件滿足的前提下，具備可能性。

車企若希望從L2（ADAS）邁向L4，這並非一個漸進式技術升級，而是一場涉及架構重塑與組織體系再造的深層次轉型，涵蓋技術路線、安全機制、測試驗證體系及合規要求等多個維度。L2與L4在數據獲取方式、傳感器組合、感知策略、模型訓練方法及責任劃分等方面也存在本質差異。

許多車企傾向於強調其擁有龐大的車端（行車）數據，認為「數據越多、模型越強」。但我們認為，數據的質量遠比數量更為關鍵。例如，一位司機在同一路線持續通勤十年，儘管積累了大量駕駛數據，但場景高度重複，難以涵蓋那些極少發生卻至關重要的「長尾場景」（Corner Cases），如前方卡車貨物掉落等。而我們認為，缺乏此類多樣性且複雜的訓練數據，將難以支撐L4系統在極端場景下的安全表現。

我們認為，目前更應核心關注如何跨越從L2到L4的技術鴻溝，以及能否在可接受的時間窗口內完成這一轉型。目前一些觀點認為，諸如DeepSeek等新一代模型在工程上的突破有望顯著提升訓練效率。然而，我們必須指出，DeepSeek一定程度上乃是智能助手，其偶發性「幻覺」在此類應用中不會導致嚴重后果；反過來，自動駕駛則屬於安全關鍵型任務，對系統穩定性、可靠性和容錯能力的要求遠高於智能助手。因此，L4系統必須實現「零失誤」的運行表現，因為在關鍵場景下已無人類駕駛員接管。從這一角度來看，我們認為，目前的「DeepSeek式」降本增效訓練路徑（通過較低浮點精度、稀疏專家模MoE及MLA算法等來降低算力與內存需求）或尚不足以支撐L4所需的安全性與魯棒性。簡而言之，L2向L4的追趕，或不會像市場樂觀預期中那樣迅速。

我們認為，各公司自動駕駛技術的客觀橫向對比較為困難，因此需參考關鍵運營數據。我們建議通過一個統一的測試機制，即在實際道路運行中，無安全員介入的前提下完成10萬公里的實地運行，對其事故率進行統計，觀察百度、小馬智行、文遠知行、Waymo、小鵬、小米、比亞迪、理想等廠商的「自動駕駛」運營表現，以此作為衡量其是否真正具備L4能力的最可靠標準。此外，L4系統必須具備「故障可運行」（Fail-operational）的能力，即在系統故障發生時，車輛仍能安全運行，或自動執行「最小風險操作」（Minimal Risk Maneuver），例如無需人工干預能安全地靠邊停車。同時，強有力的網絡安全防護措施也至關重要，以防止系統遭受惡意攻擊或未經授權的訪問。最后，責任歸屬問題也不容忽視。在L3以下級別，駕駛員需對行車安全承擔全部責任；而一旦進入L3及以上，責任主體則轉移至系統運營方或車企。

問題七：為何Robotaxi至今仍主要侷限在少數區域運營？關鍵阻礙是什麼？

答：問題的核心不在技術，而是回報率（ROI）的考量

一種常見的觀點認為，搭載ADAS系統的乘用車能在複雜城市道路中行駛，而Robotaxi則僅在低密度區域或輕交通的固定線路內運營。我們認為這一説法存在誤解。Robotaxi選擇特定區域和線路，主要是出於投資回報率（ROI）最大化的商業考量，而非技術能力受限。 以小馬智行為例，其在廣州已實現從市中心至廣州南站和白雲機場的Robotaxi服務，覆蓋了城市道路與高速場景，充分證明其具備複雜情況下的運行能力。在北京，小馬智行也已實現亦莊至北京南站、大興機場等高需求路線的Robotaxi運營。在深圳，其Robotaxi業務覆蓋南山、前海、寶安等核心城區。而Waymo在舊金山的運營範圍也相當廣泛，並已擴展至奧斯汀、洛杉磯、硅谷等多個美國城市，甚至開始在以交通複雜著稱的東京進行測試。

需要強調的是，當前車企展示的輔助駕駛功能仍有駕駛員坐在方向盤后，需「手在盤上，目視前方」，與Robotaxi的無人駕駛並不在同一層級，兩者在安全冗余和系統自主性上的能力不可等視。Robotaxi聚焦特定區域部署，更多是基於商業化效率與資源優化的戰略選擇，而非技術能力的妥協。其選定的運營區域，往往是ROI最高、回報最具確定性的地段。

問題八：Robotaxi是否有足夠的市場需求，能支撐其長期商業模式？

答：我們認為答案是肯定的，核心在於人口和家庭結構的變化。

我們正見證人口和家庭結構的深刻轉變，這一趨勢在西方國家已較為成熟，在中國亦日益顯現。傳統上，中國文化更傾向於多代同堂的大家庭結構，周末出行一般會包括父母、祖父母、兩個孩子及一位家政人員。這類出行偏好讓大型乘用車（如理想的SUV）大行其道。但年輕一代日益重視自主生活方式，或讓未來中國將逐步走向小家庭的模式，從而降低對私家車的需求。我們認為，這一結構性變化正是推動網約車需求增長之一，且Robotaxi有望精準填補這一空缺。年輕一代對新技術接受度更高，天然具備擁抱Robotaxi的基礎，更傾向於將其視為便捷、高效的出行解決方案。

問題九：Robotaxi會否完全取代人類司機，還是將長期並存？

答：我們認為，Robotaxi的核心價值在於緩解勞動力短缺，並在一定程度上彌補人類司機缺口，而非完全替代。

需要明確的是，Robotaxi的目標並非完全取代人類出租車司機，而是為應對交通運輸行業日益加劇的勞動力短缺問題提供解決方案。隨着大量出租車司機逐步老齡化並退出市場，年輕一代對該職業的興趣普遍下降，Robotaxi可作為有效彌補。此外，Robotaxi亦有望逐步取代非法或無牌運營的「黑車」司機，推動出行服務更加規範與可靠。展望未來，我們認為以小馬智行為代表的企業預計在2030年之前可將Robotaxi車隊滲透率提升至10%以上，體現出其在保障運力、完善出行生態方面的戰略部署，以及對市場需求變化的積極響應。

問題十：誰將在這場自動駕駛競賽中最終勝出？

答：我們認為，技術提供商> 出行平臺 > 車企。

在全球視角下的競爭格局中，技術優勢主導，但生態整合能力將決定終局勝負。長期勝出的關鍵在於，誰能率先打通全棧技術能力、穩定流量入口與低成本量產車三者之間的壁壘，實現真正可持續的商業閉環與規模化盈利路徑。

目前在全球範圍內，Waymo（Google）在Robotaxi領域佔據主導地位，而特斯拉（Tesla）則有望成為下一位重要玩家。在中國市場，我們觀察到四類主要競爭者：1）自動駕駛技術提供商（如小馬智行、文遠知行）； 2）成熟的出行平臺（如百度、滴滴）；3）車企（如小鵬、小米）；4）其他潛在入局者。

我們認為，構建涵蓋「L4核心技術 + 出行平臺 + 低成本量產車型」的完整生態系統，是贏得市場的關鍵前提。目前車企普遍已具備L2能力，但仍需加速突破L4技術。車企優勢在於掌握整車製造能力，部分如小米、特斯拉還控制有自有出行平臺。

Waymo：具備強大的自研L4能力與自營出行平臺優勢，但其硬件成本較高，仍使用價格昂貴的機械旋轉式激光雷達（單價達數萬美元）。雖然低成本車型合作伙伴相對易找，但其整體系統BOM成本仍為大規模商業化的制約因素。

小馬智行：擁有自研L4系統，並採用成本更低的車規級傳感器與芯片，且已與高德、騰訊微信等平臺合作獲得流量入口，同時聯合廣汽、北汽等車企獲取量產車型資源，具備完整的生態閉環能力。

文遠知行：公司依託自研的WeRide One技術平臺，打造具協同效應的L4產品線，採取輕資產+分成模式，加速Robotaxi全球商業化。其業務聚焦單位經濟模型較優的海外市場，已獲五國自動駕駛牌照，車隊與產品覆蓋全球10國30城，持續推動L4商業化落地。

百度：兼具技術與平臺，類似於Waymo/Google模式。但在用户體驗方面，部分用户更傾向於小馬智行與文遠知行的駕駛風格。

滴滴：擁有中國最大出行平臺，並已啟動L4研發，且同時與多家車企建立合作，補齊整車資源。

特斯拉：計劃2025年6月在奧斯汀推出其Robotaxi，採用Model Y作為基礎平臺。我們認為，作為車企，特斯拉具備強大且穩定的量產能力，且可依託自有品牌和影響力打造出行平臺。在路測數據、技術人才及算力資源方面，特斯拉也具備明顯優勢。然而，其堅持採用純視覺技術路線，在應對複雜場景與高階算法處理時，可能面臨缺乏3D深度信息與高質量結構化數據支撐的挑戰。此外，Waymo、小馬等技術服務商通過仿真系統和強化學習，處理「長尾場景」能力更強，有望能做到超越人類司機的駕駛能力。

市場競爭風險：在Robotaxi業務領域，市場競爭日趨激烈。行業中小馬智行、文遠知行、百度Apollo Go、Waymo、特斯拉等新興企業和行業巨頭將產生直接競爭。

監管挑戰風險：自動駕駛出行和貨運服務的法律法規目前尚未完善，Robotaxi在全球範圍內的業務佈局因此面臨來自中外多地的監管挑戰。

技術落地能力不足：自動駕駛技術的發展依賴於硬件、軟件、計算能力等方面的技術進步及其整合效果。隨着自動駕駛向更高自動化水平發展，將對小馬智行的長期研發能力提出新的挑戰。

本研報中涉及到未上市公司或未覆蓋個股內容，均系對其客觀公開信息的整理，並不代表本研究團隊對該公司、該股票的推薦或覆蓋。