先说我常被问到的一个问题：自动驾驶现在到底发展到什么程度了？想回答清楚这个问题，光看某家公司发布的演示视频没用，得先把自动驾驶全产业链摊开看。这条链从最上游的激光雷达、毫米波雷达、算力芯片，到中游的感知算法、规控软件、系统集成，再到下游的Robotaxi、干线物流和封闭场景运营，每一层的玩法和盈利逻辑完全不同。很多人一听到“上游、中游、下游”就以为这是教科书里的名词，其实它就是一张活生生的产业分工图——谁在供零件，谁在组装能力，谁在靠运营赚钱，一目了然。

这篇我打算用做项目评审的视角，把三层拆开来讲，不写空洞的概念。会讲到每一层到底有什么核心环节、成本为什么这么高、数据流是怎么把三层串起来的，以及我在实际评估方案时踩过的一些坑。适合三类人看：准备入行自动驾驶的工程师、需要在供应链里做选型或采购的从业者，还有想从产业链角度判断投资机会的朋友。

1. 一张全景图看懂自动驾驶的钱、技术和数据流向

1.1 上游、中游、下游到底以什么为界

自动驾驶产业链的分层不是拍脑袋定的，它对应的是一个完整的“感知—决策—执行—运营”链条。上游是提供基础部件和能力的环节，包括传感器、芯片、域控制器、线控底盘、高精地图等；中游是把这些部件和数据加工成“可驾驶能力”的环节，主要是算法软件、方案集成、整车适配；下游是拿着已经具备自动驾驶能力的车辆或系统，去真实场景里跑业务并赚钱的环节，比如Robotaxi车队运营、干线物流、港口码头、矿区运输。

用手机产业链做个类比能很快理解：屏幕和芯片是上游，手机整机厂是中游，移动互联网App是下游。但自动驾驶有一条和手机产业链完全不同的逻辑——它的中游不只是“组装”，而是核心价值的集中地。手机整机厂也在做系统底层和供应链管理，但自动驾驶的算法软件更像一个持续进化的“大脑”，它会不断吃掉硬件参数带来的体验溢价，也会反过来要求上游硬件怎么设计、下游运营怎么配合。

还有一个隐藏的分界是生意模式。上游卖的是硬件，赚的是BOM成本减掉后的毛利，靠规模和良率过日子；中游卖的是软件授权、算法license和开发服务，赚的是NRE费用加单台上车费；下游卖的是里程、效率和场景服务，赚的是运营效率的钱。三层的评判标尺完全不一样，拿硬件毛利率去衡量算法公司，或者拿运营现金流去衡量芯片厂，都会得出错误结论。

1.2 价值流向和资金流向并不完全一致

如果只按“供应商—整车厂—用户”去理解，这张全景图还是平面的。真正让自动驾驶产业链区别于传统汽车产业链的，是一条横切三层的暗线：数据流。

上游传感器采集的是数据入口，中游算法把数据变成驾驶决策，下游运营把决策放进真实交通环境并持续产生更难的数据。这些数据会按条件回传、筛选、清洗、标注，再训练成新版模型，OTA更新到车队，最终体现在下游更低的接管率和更好的运营指标上。换句话说，下游不是产业链的终点，而是新一轮数据的起点。

这也是为什么近几年很多公司喜欢做“跨界”布局。做运营的往上游做算法，做算法的往车端做硬件，做硬件的又跑去自己运营车队。本质都是想掌握数据闭环的关键一环。所以完整看这张全景图谱，不能只盯“钱在哪”，还得盯“数据在哪、闭环闭合在谁手里”。一家公司就算暂时不赚钱，只要手里握着足够稀缺的场景数据和闭环能力，在资本市场上的想象空间就完全不一样。

2. 上游盘点：传感器、算力芯片与线控底盘的成本与选型

2.1 感知硬件：激光雷达、毫米波雷达和摄像头的组合逻辑

我自己在接触自动驾驶项目时，最先被问的永远是“车上到底装哪些传感器”。这个问题的答案其实已经相对清晰了：主流方案是摄像头为主、毫米波雷达兜底、激光雷达按需补盲，超声波雷达负责近距泊车。

摄像头的核心指标是分辨率、HDR动态范围、帧率和畸变标定。现在主流量产方案普遍走到800万像素，比过去200万像素的画面细节提升非常明显，尤其在远距离红绿灯识别和车道线判断上有本质差别。但摄像头有个天生的短板——它依赖光学，极端逆光、大雾、大雨、黑夜无照明的情况下会明显退化。所以厂家会在软件层面做HDR融合和ISP调教，但物理天花板上依旧需要别的传感器来承接。

毫米波雷达在这套组合里反而是最“皮实”的存在。传统前向雷达能直接测距和测速，不受光照和天气影响，成本很低。近几年4D毫米波成像雷达开始上位，它额外提供了俯仰角维度，能形成稀疏点云，在雨雪天里比摄像头和激光雷达都更可用。我见过不少项目在恶劣天气里靠毫米波反而比激光雷达更稳。

激光雷达则是这几年的“价格跳水冠军”。早期机械式激光雷达单价能到几十万元，车顶旋转机构在可靠性上也是老大难。后来半固态、纯固态方案把价格一路打到了千元级，点频、探测距离和视场角也在提升。目前主流的激光雷达测距做到150～200米并不难，关键要看的其实是点云密度、角分辨率、盲区大小和标定稳定性。选激光雷达不能只看“最远测多少米”，更要看它在水泥灰、雨雾和遮挡场景下的点云质量。

2.2 算力与域控制器：决定自动驾驶等级上限的底座

感知硬件负责“看得见”，算力平台则决定“想得动”。行业内讲算力常常只报TOPS，但实际做选型的人都知道，TOPS是峰值算力，真正决定系统表现的是有效算力利用率、内存带宽、工具链成熟度和软件迁移成本。

大算力推理芯片通常集成多个NPU核心，但模型能否切分、能否并行调度、是否支持稀疏化推理，都会显著影响实际帧率。我评估过两套标称算力接近的方案，一套在Transformer类模型上能跑到20帧以上，另一套只有个位数，差距就在编译器优化和底层算子库。所以看算力平台，最好是拿自己实际要跑的模型去验证，而不是只看纸面数据。

域控制器的架构也在变化之中。早期是“一个功能一个盒子”，感知、融合、规控各用各的ECU，线束复杂，升级困难。现在的主流趋势是中央计算加区域控制器，底层走SOA服务化架构，把摄像头数据、雷达点云、底盘信号统一汇聚到中央算力单元，再通过确定性调度保证关键任务的低延迟。

车规要求也是上游绕不开的门槛。大算力芯片一般要满足功能安全合规，规划设计时会包含“安全岛”冗余，ASIL-D这个级别几乎是可量产域控的默认底线。加上电源、通信、网络安全等要求，一套可量产的域控方案远远不是“把芯片焊上去”这么简单。

提示：评估算力平台时，别被“XX TOPS”冲昏头。用两个标准做判断——你的目标模型能不能流畅跑起来，以及出了问题之后供应商能不能提供完整的工具链支持。

2.3 线控底盘与冗余设计：执行端的可靠性细节

感知和决策做完，最终要落到方向盘、刹车和油门上。线控底盘就是把传统的机械连接改成电信号控制，包括线控转向、线控制动、线控驱动等。它和前两项同样重要，因为执行端的响应时延和故障冗余直接决定安全边界。

线控制动目前有两类路线：EHB（液压线控制动）保留了液压作为备份，量产成熟度高；EMB（电子机械制动）完全取消了液压管，响应更快、机械结构更简，但热稳定性和系统冗余的挑战更大。线控转向则要把方向盘手感、车辆稳定性控制和冗余电源都做进一个系统里，对安全等级要求极高。

做自动驾驶方案的人最需要盯住的一个指标是“系统从收到决策指令到产生实际制动力/转向角”的延迟。这个数值直接影响前向碰撞时间的预算和规控模块的参数标定。另一个容易被忽略的点是车辆动力学模型：算法要控制的是一个有质量、有惯量、有轮胎非线性特性的物理系统，底盘供应商提供的接口数据如果不到位，中游的规控算法再漂亮也发挥不出来。

这一层的供应链关系也比较特殊，上游硬件厂商通常会对标Tier1客户，把转向、制动、域控打包供应。现在越来越多的中游算法公司和车厂在做“联合开发”，而不是简单采购，就是因为底盘参数和车辆动力学模型深度耦合。只看供应商参数表选底盘的方案，到了实车调试阶段很容易来回扯皮。

3. 中游实战：算法栈、数据闭环与Tier1角色的变形

3.1 感知/预测/规控/定位的软件分层

到了中游，自动驾驶从“零件”变成了“能力”。一个完整可用的软件栈，从下往上大致是传感器驱动、感知、预测、规划控制、定位和高精地图这几层。

感知层的任务是把传感器数据变成结构化表达。现在的技术主流已经过渡到BEV视角加Transformer，用多相机、多传感器的特征统一映射到鸟瞰空间，再做目标检测、车道线识别和可行驶区域分割。占用网络则是更进一步的尝试，它不依赖物体框类别，而是直接判断栅格空间里“哪里被占了”，对异形障碍物和小物体的泛化能力更强。不过这些模型对算力和数据量的胃口都很大，不是所有量产硬件都扛得住。

预测层要回答“其他交通参与者接下来会怎么动”。行人会不会横穿、邻车会不会并线，这些都是概率问题，优秀的预测模块要输出多模态轨迹假设，给规划控制留出容错空间。规划控制层则做最终的决策和轨迹生成，横向纵向控制要同时兼顾乘坐舒适性、安全边界和规则约束。这里有一个工程上持续存在的难点——模型在训练集上效果再好，真实路测里还是会出现无数个没见过的情况，所以需要场景库和仿真回归不断补充。

定位层负责回答“车到底在哪”。常用方案是高精地图加激光/视觉点云匹配，再融合GNSS RTK和惯性导航。高精地图本身需要持续维护，地图新鲜度不够、道路施工、交通设施变化，都会导致定位偏差，所以很多团队也在往“众包建图”和“重定位鲁棒性”上投入。

3.2 数据闭环才是中游最值钱的隐性资产

如果说软件栈是看得见的部分，数据闭环就是那台藏在幕后的“发动机”。它的完整链条是：车端触发条件，比如遇到了概率很低的场景、模型置信度不足，或人工接管，这时把对应的传感器数据脱敏回传到云端；云端做自动标注和场景挖掘，把有价值的片段抽出来形成一个高质量的数据集；然后在这个数据集上做模型训练和评估，通过仿真回归验证不会引入新的退化；最终通过OTA把新模型推回车端。

听起来很线性，实际操作中每一环都是成本大头。车端回传要消耗流量带宽，回传的数据不是越多越好，而是要设计聪明的触发逻辑；自动标注现在越来越依赖大模型辅助，但人工质检环节仍然省不掉；训练算力更是持续烧钱，一个量产级感知模型每次训练跑几十卡是常态。仿真能补充一部分视觉渲染和逻辑场景，但真实传感器数据里的噪声、光学伪影和罕见交互，仿真永远替代不了。

这也是为什么中游被称为“赢者通吃”最明显的环节。数据闭环一旦跑起来，新场景被吸收进数据集的成本会越来越低，模型能力越来越强，后来者想追齐就非常困难。反过来，如果一家算法公司只是演示做得好看，但车端数据积累不稳定、标注流程混乱、迭代速度很慢，那它很难在量产里真正立住脚。

公司类型 | 核心优势 | 现实挑战 算法创业公司 | 迭代快、人才密度高、软件基因强 | 量产工程能力、供应链议价权 传统Tier1转型 | 车规量产经验、客户关系深 | 软件人才密度、组织敏捷性 科技巨头跨界 | 资金充裕、数据基建强 | 与车厂博弈复杂、节奏差异 整车厂自研 | 掌握车辆定义权和用户数据 | 软件人才组织、历史包袱

3.3 方案商与车厂的边界正在被重画

中游最精彩的部分，其实是参与者的身份越来越模糊。过去整车厂找Tier1买零部件，Tier1只管把符合要求的盒子交出去就行；现在出现了更强的“Tier 0.5”模式，方案商不仅供软硬件，还直接参与到整车架构定义里，甚至绑定车型平台一起成长。

市场上也能看到几种路径并行：有的车厂坚持全栈自研，把感知、规控、数据平台都握在自己手里，换取长期定义能力；有的车厂愿意外购成熟方案，用速度换时间，先在激烈竞争中活下来；还有一些方案商和车厂会成立合资团队，把数据和芯片绑在一起做深度定制。没有一条路是绝对正确的，差别只在于手里的资源和想追求的目标。

商务合同也变得越来越复杂。传统模式是给一笔开发费NRE，供应商交付后按单车摊销；现在的合同里还会出现按年收license、按车型销量阶梯分成、数据共享和使用权约定等条款。我不止一次在合同评审里看到，数据权归属不清导致后期算法迭代受限，这比硬件价格谈亏了还麻烦。中游的商业谈判，本质上谈的是五年后谁还有资格继续进化。

4. 下游落地账本：Robotaxi、干线物流和封闭场景的盈利差异

4.1 Robotaxi的商业账：安全员、单车里程和成本模型

Robotaxi是最有话题度的下游场景，也是目前最难做出正向收益的。把账拆开算就明白为什么了：一辆Robotaxi的全套成本包含传感器、算力平台、车辆改装和原创车型折旧，即便激光雷达价格已经降了一大截，一个可运营车队的初期投入仍然非常可观。

运营端的大头是安全员。在真正实现全无人之前，一辆车通常要配一两个安全员，如果两班倒还得配更多人。安全员的工资、管理、培训，摊到单车上几乎能到运营成本的一半。之后是车辆维保、充电补能、保险、VDC调度和地勤处理。收入端则取决于每公里定价、订单密度、空驶率和车辆利用率。一单几公里跑下来，客单价不高，车辆能“跑满”才是关键。

我把常规测算模型简化给大家参考：如果目标是一台车日均运营300～400公里，每公里运营成本需要压到几块钱以内，再叠加去掉安全员，才有可能打平收入。这也是为什么行业都在拼“全无人”的落地，全无人不是噱头，它直接关系到一个车队能不能从“战略性亏损”走向“可运营的商业模型”。某示范区里的一个项目组当时用了固定路线的小范围车队起步，先把安全和调度跑顺，再逐步扩大运营区域，这个节奏本身就是比较务实的选择。

4.2 干线物流：成本敏感、干线场景与编队增益

干线物流是另一个被反复看好的场景，因为它的成本痛点非常直接。司机薪资和疲劳驾驶带来的安全风险是运输公司绕不开的账；长途高速场景路况相对结构化，ODD明确，这给自动驾驶提供了比城区更宽松的操作条件。

目前L2+级辅助驾驶在干线物流上已经能产生实际收益。感知系统可以做自适应巡航、车道居中、交通拥堵跟车，把最耗精力的高速巡航环节接管过来，让司机从“全程手脚并用”变成“监督为主”，疲劳度明显下降，油耗因为在更稳定的轨迹下也有优化空间。这些收益不需要做到完全无人，只要能让车辆平稳巡航，靠油耗节省和安全事故率下降就能很快收回硬件投入。

L4级别无人干线物流则要解决更多边界问题：高速公路匝道、收费站、临时施工区域、极端天气，还有长距离运输中“接管距离太长”带来的安全责任问题。编队行驶是常有讨论的方向，两台车前后跟随，后车处于前车尾流里，风阻下降能带来显著油耗节省，配合车队管理系统和编队控制，理论上的商业弹性比单车智能更大。我见过团队做编队时把重点放在后车纵向控制的鲁棒性上，因为通讯稍有延迟，追尾风险就会急剧放大。

干线物流的规模化瓶颈不在技术上，而在运营链路上。它涉及的路线、装卸、结算、保险节点比城市Robotaxi更多，想要无人化跑通一整条链路，需要把所有环节的信息化一起做上去，这比单独提升算法能力更考验项目整体统筹。

4.3 封闭场景先规模化：港口、矿区、园区

要论自动驾驶最先规模赚钱的地方，答案其实是封闭的半封闭场景。港口、矿区、园区、机场、环卫这些地方，听上去不如Robotaxi炫酷，但商业账反而更健康。

核心原因是ODD边界非常清晰。港口码头水平运输路线固定，龙门吊、岸桥的交互对象明确，基本是低速专用区域，没有随意横穿的行人；矿区的矿卡在固定采掘区作业，道路封闭，粉尘重、路况差，反而更适合无人化；园区里的配送车和清扫车速度很慢，运营半径小，责任主体清晰，出问题的可控性高。这些场景的共同特点是把“长尾问题”砍掉了一大半，留给算法的不确定性大幅减少。

这类项目的第二个好处是可以用7x24连续作业来体现无人化的价值。司机需要休息、会疲劳，无人矿卡可以连续运行更长时间；港口的水平运输车辆三班倒的人力成本极高，无人车在中控系统调度下能无缝衔接。安全性、经济性和用工缺口三个因素叠加，封闭场景的付费意愿在真实产业里比大众想象中强得多。

5. 从产业链视角做判断：从业者更该盯住哪一环

5.1 判断一个环节会不会“被软件吃掉”

做产业链分析久了，我习惯用一句话问自己：这个环节赚的钱，是靠硬件稀缺产生的溢价，还是靠软件和数据能力积累的复利？

激光雷达就是最典型的案例。它的核心元器件从稀缺到标准化，价格从几十万降到几千块，这就是硬件被逐步“吃掉”的过程——当制造成本随规模快速下降，硬件环节的毛利空间会不断收窄，价值会向上迁移到算法、数据和应用创新。同样的事正在域控芯片、底盘执行器、传感器模组里反复发生，上游要想保住利润，只能往更高集成度、更高安全冗余和更深的软硬协同里走。

对中游方案商来说，护城河不在于“我有一个模型”，而在于“我有一条每天都在转动、能不停吸收真实长尾场景的数据管道”。对下游运营而言，先跑通一个场景、攒下别人没有的运营数据，再横向复制到相邻场景，往往比一开始就铺一个大而全的版图更靠谱。

5.2 我用过的一套供应商筛选框架

这个行业信息不对称非常严重，PPT里跑通的Demo和真实量产之间隔着的可能是好几年的车规迭代。我筛选上游和中游供应商时，基本只看四个维度。

第一是“量产上车记录”，看方案是否已经在真实量产车型上稳定运行了多少公里，而不是只存在于实验室或测试车队里。第二是“车规合规状态”，核心零部件要有明确的功能安全认证等级，芯片要能提供配套的自研工具链和底软支持，这套东西补起来非常耗时。第三是“真实接管与故障数据”，我会要求对方给出分场景的接管频率和故障模式统计，拿不出来或者含糊其辞的一律存疑。第四是“商务契约里的数据归属”，合同里写清楚模型和数据的权利边界，避免后期被绑定。

按照这个框架筛下来，确实帮我们避过几个看起来很有吸引力的坑。有一家激光雷达厂商点云指标很惊艳，价格也低，但在高低温循环测试里点云质量衰减严重，后来才追问到对方没有做过完整车规验证。另一个方案商报出的价格和迭代速度都很有竞争力，深入了解后发现它把感知和规控拆成了两套没有统一调度框架的工程，实车联调时频繁出现系统级冲突，返工成本完全吞掉了当初的报价优势。

5.3 给工程师、创业者和研究者的三条实际建议

如果说给不同角色的人各说一句实在的，我的体会是这样。

工程师入行，不要只盯着模型刷榜单，多去碰车端部署、确定性调度、数据链路上的脏活累活。能解决“模型在车机上跑不动”的人，比能发新模型论文的人更稀缺。做产品或者创业，先挑一个边界清晰、愿意为无人化付钱的场景，港口、矿区、固定线路物流都比“我要做一个通用的城市自动驾驶平台”靠谱得多。做研究或投资判断，要持续跟踪每个环节的毛利变化和装机量曲线，某一天你发现一个硬件环节的毛利在快速下滑，硬件的巅峰就已经过去了，该把注意力转向它下游的数据闭环和运营效率了。

我个人这几年最深的感受是，自动驾驶产业链的机会窗口是动态的，今天值钱的环节，三五年后可能就变成红海。与其琢磨怎么把所有环节都看懂，不如先选定一个节点，把那个节点的真实成本、真实数据和真实瓶颈摸到一手的程度。当你手里掌握了一个环节的信息差，产业链这张全景图谱才算真正对你有用。