社区

写到自动驾驶产业链时，我最初有一个很朴素的想法：既然汽车需要越来越多的摄像头、雷达、芯片和算力，那么生产这些东西的公司，应该都会受益。

这个逻辑听起来没有什么问题。

一辆车原来只有简单的倒车影像，现在可能需要十几个摄像头。过去汽车里的芯片主要负责车窗、空调和发动机控制，现在却要实时处理道路、车辆、行人以及各种复杂情况。

单车使用的零部件变多了，市场空间自然也变大了。

但当我继续往下看时，发现事情并没有这么简单。

自动驾驶带来的产业增量是真实的，但这些新增价值最终落在谁手里，并不是由市场空间这一个变量所决定的。

有些公司可能出货量翻了几倍，收入也增长得很快，但利润却没有同步增加。有些公司卖出的产品数量并不算多，却因为掌握了系统中难以替代的环节，获得了更高的利润和估值。

我慢慢意识到，研究自动驾驶产业链，真正需要回答的不是：哪个环节增长最快？

而是当整个产业开始增长以后，谁有能力把其中的价值留在自己手中？

这是两个完全不同的问题。

一、为什么需求增长，并不一定带来利润增长？

假设一辆汽车上的摄像头，从一颗增加到十颗。直觉上看，摄像头供应商的市场空间增长了十倍。

但如果整车厂借此机会推进了硬件规格标准化，引入了第二家和第三家供应商进行二供和三供竞争，同时在长周期合同里约定了严格的年降条款，摄像头的单价不断下降，那么这个市场最终能够留下多少利润，就很难只靠单车用量来判断了。

汽车产业有一个极其鲜明的商业规律：整车厂会持续向供应链要成本。

当一项新技术或高规格零部件刚刚出现时，能够稳定量产的企业极少，供应商拥有比较强的议价能力。

可一旦市场需求得到验证，工艺走向成熟，原来稀缺的技术就会变成行业的通用标准。

这时，哪怕行业里只有三五家顶级供应商，整车厂也足以通过引入二供和三供来平衡供应链风险，并让这几家头部企业为了争夺核心量产订单陷入价格博弈。

结果很可能是，市场总用量翻倍增长，供应商出货量节节高升，单件产品的毛利却被摊得越来越薄，出现增收不增利的情况。

所以，一个产业方向正确，并不代表里面的每一家公司都能获得同样的结果。有的企业得到的是更多的订单，有的企业得到的是更多的利润。

这之间的差距，往往藏在两个问题里：它是不是容易被替换？除了价格外，它还能不能建立其他壁垒？

二、感知硬件最先受益，也最容易变成普通零部件

汽车想要自己开，第一步是看见周围的世界。

摄像头、图像传感器、毫米波雷达和激光雷达，就像汽车的眼睛。

随着辅助驾驶能力不断提高，汽车不仅需要看得更远，还需要在夜晚、逆光、雨雪和遮挡环境下保持稳定。

所以，感知硬件往往是自动驾驶产业链中最先增长的部分。

一辆车安装的传感器更多，单个传感器的性能要求也更高。这些都是很直观的产业增量。

但感知硬件也最容易让人产生一种错觉：只要装车量持续提高，这个环节就一定能持续赚钱。

真正的问题在于，很多硬件都会经历一个相似的过程。

早期只有少数企业能够生产，产品价格高，利润也不错。等到市场得到验证，更多企业进入后，技术逐渐成熟，原本稀缺的产品也会慢慢变得标准化。

到了这个阶段，供应商可能出现一种很有迷惑性的繁荣：汽车上安装的传感器越来越多，公司的出货量和营收都在增长，但产品单价和毛利率却在下降。

所以，看一家感知企业时，我现在更关心的，不是它能卖出多少颗，而是它为什么不会被别人替代。

它掌握的是核心芯片、光学、工艺或者算法，还是一条竞争对手投入资金就能复制的组装产线？

它能不能参与整套感知系统的设计，还是只能按照整车厂已经确定的方案生产？

如果客户更换供应商，需要重新付出多少开发、测试和认证成本？

这些问题往往都比单车搭载量更重要。

真正有长期价值的感知企业，卖的可能从来不只是一颗摄像头或者雷达。

它真正提供的是一种能力：用合理的成本，持续向自动驾驶系统提供稳定、准确，而且能够被模型有效利用的信息。

硬件数量决定市场有多大。而技术差异和客户切换成本，才决定企业最终能够留下多少利润。

三、车上有多少算力，没有想象中那么重要

自动驾驶模型越来越复杂，汽车自然需要更强的计算能力。

车端芯片、内存、存储、车载网络、电源和散热，都会随着汽车智能化不断升级。

这也是一个很容易被数字吸引的领域。

不同车企会宣传自己的芯片拥有多少TOPS，似乎数字越大，汽车就越聪明。

但我后来越来越觉得，算力和智能之间，并不存在这么直接的关系。

算力更像是一种原材料。它必须经过模型、软件工具链和整套汽车系统的配合，才能变成真正的驾驶能力。

一家公司可以在车上安装一颗非常昂贵的芯片，但如果模型能力不足，或者软件无法充分利用芯片，这些算力就可能只是没有被真正使用起来的资源。

反过来，一家公司也可能拥有不错的算法，却因为芯片功耗过高、数据传输速度不够，或者工具链不好用，始终无法让模型稳定运行在车端。

除此之外，车企也不愿意把自己的软件和算法完全绑定在某一家芯片平台上。

如果一旦更换芯片，整套软件都需要重新开发，那么车企就会失去很大一部分主动权。

因此，越来越多的车企希望把上层算法与底层硬件尽可能分开，让芯片具备一定的可替换性。

这对芯片公司来说，是一个很现实的挑战。如果它只能提供一块算力不错的硬件，却无法通过工具链和软件生态提高客户的开发效率，那么它仍然可能被当作普通零部件反复比较价格。

所以，计算平台真正的价值，不在于规格表上写了多少TOPS，而在于：每一单位成本和功耗，最终能够转化成多少安全、稳定，而且用户可以感受到的驾驶能力。

这也解释了为什么自动驾驶芯片从来不只是一门硬件生意。

芯片之外，软件工具链是否好用、模型部署是否顺畅、开发效率是否足够高，以及车企更换平台需要付出多大代价，共同决定了一家芯片公司的议价能力。

真正接近平台的公司，卖的不是一颗颗孤立的芯片。它卖的是一整套让汽车更容易获得智能的能力。

四、数据很多，可能什么也说明不了

自动驾驶公司很喜欢谈数据。

有多少辆车行驶在道路上，累计了多少公里，建设了多大的训练集群，这些数字听起来都很有说服力。

数据当然重要。但数据多，并不意味着模型一定更强。

一辆车在空旷道路上正常行驶一万小时，产生的数据可能非常庞大，但其中的大部分内容都是高度相似的重复数据。

相比之下，一个复杂路口里突然发生的人类接管，可能反而更有价值。

因为它暴露了系统真正不擅长的问题：系统在什么情况下会犹豫？面对什么样的车辆、行人或者障碍物时会判断错误？哪些天气、道路和交通行为会引发接管？

如果企业无法建立高效的数据筛选和反馈机制，海量数据不仅不会自动变成资产，反而会带来传输、存储、清洗、标注以及合规的成本。

所以，我现在理解的数据壁垒，并不是公司拥有多大的数据库。

而是它有没有能力，以足够低的成本，从海量数据中找到少数真正关键的场景，再快速把这些现实问题转化成模型能力。

整个过程可能包括：发现问题、筛选数据、重新训练、仿真评测，再把新模型部署回车辆。

这条链路越快，公司学习现实世界的速度也就越快。

数据和算力最容易迷惑人的地方，是它们非常容易被量化。

多少公里、多少PB数据、多少张芯片，都可以写在一页漂亮的PPT上。

但真正困难的是证明：这些数据和算力，究竟有没有让产品变得更好？人类接管是不是减少了？系统能够稳定工作的场景是不是更多了？用户是不是更愿意使用和付费了？每一轮模型迭代的成本是不是下降了？

如果这些结果都没有出现，那么再庞大的数据和算力储备，也还只是不断发生费用的投入，并不是能够持续产生回报的资产。

五、车能自己开，和这门生意能赚钱，是两回事

Robotaxi很容易让人产生巨大的想象空间。

如果汽车不再需要司机，一辆车就可以长时间运行，在整个生命周期中不断提供出行服务。这和传统卖车的商业模式完全不同。

过去，一辆汽车的主要收入在交付时一次性实现，而Robotaxi则可能在几年时间里不断产生现金流。

但这里同样存在一个容易被忽略的问题：司机成本的消失，并不意味着利润会自动出现。

去掉司机之后，运营成本并没有降到零。Robotaxi仍然需要承担车辆、日常运营和突发事件处理等一系列的成本。

如果车辆虽然没有司机，却需要大量后台人员随时处理异常情况，那么人力成本并没有真正消失，只是从车内转移到了后台。

如果汽车每天运行很长时间，却因为调度效率不高，大量时间都处于空驶状态，那么看起来很高的行驶里程，反而可能在持续消耗利润。

所以，判断Robotaxi能否真正成立，最后还是要回到几个很朴素的经济问题。

车辆和自动驾驶系统的成本，能不能降到足以大规模运营的水平？

每天有多少时间真正载着付费乘客？

每行驶一公里能够获得多少收入，又需要付出多少综合成本？

一辆车从投入运营到最终报废，究竟能不能产生正向现金流？

自动驾驶技术回答的是：车能不能自己开？而Robotaxi商业模式回答的则是：自动驾驶开的车，到底能不能持续赚钱？

从前一个技术问题走到后一个商业问题，中间隔着的不仅是算法，还有一套复杂而琐碎的线下运营体系。

六、为什么越靠近系统和用户，价值越容易集中？

把感知、计算、模型和运营放在一起看，会发现它们之间存在一条很自然的递进关系。

感知硬件解决的是汽车能不能获得信息。计算平台解决的是汽车能不能及时处理信息。数据和模型解决的是系统能不能不断学习。最终的运营解决的则是，这些技术能不能真正产生收入。

越靠近前端硬件，产品往往越具体，订单和收入也越容易在短期内看到，但同时也更容易被标准化、比价和替代。

越靠近系统、模型和用户，事情会变得更加复杂，技术和合规风险也更高。但一旦形成闭环，企业也更有机会获得长期的定价权和平台价值。

这并不意味着硬件公司一定没有价值，也不意味着所有软件和运营公司都能成功。

真正的区别仍然是：企业有没有掌握一个别人很难替代的环节？

有的公司通过核心硬件技术和配套软件形成壁垒。

有的公司通过数据闭环，不断提高学习和迭代速度。

还有的公司直接掌握用户、订单和出行调度入口，能够把技术能力转化成现金流。

产业链中价值最高的位置，并不是固定不变的。

但高价值企业通常都有一个共同点：它们不只是参与了系统，而是掌握了系统中的某种关键控制权。

七、三个问题看一家自动驾驶公司

研究到最后，我发现很多复杂的产业分析，可以收敛成三个简单的问题。