蘿蔔快跑對傳統經濟的影響預計小於預期，與加密貨幣世界連接點眾多

2024-07-26 11:07:17

蘿蔔快跑無人出租車引發熱議，真的能取代傳統出租車嗎？政策限制和運營規模是否會阻礙其顛覆性影響？

分享至

一、蘿蔔快跑對傳統經濟的影響預計將小於一般預期

2024年7月初，由於蘿蔔快跑在武漢運營的無人出租車被媒體報導後登上微博熱搜，以百度、特斯拉等運營方為代表的自動駕駛無人出租車對於出行業態的結構性影響受到行業研究界和互聯網輿論的關注，相關討論熱度延伸到未來AI對於勞動力就業崗位替代和擠出的擔憂等話題。

2022年以來，蘿蔔快跑和pony無人自動駕駛出租車已在武漢、北京、上海等地開始小規模運營。截至2024年4月19日，蘿蔔快跑在開放道路提供的累計單量超過600萬，是全球最大的自動駕駛出行服務商。今年5月，百度在武漢發布第六代蘿蔔快跑無人駕駛汽車，車上搭載了全球首個支持L4級別無人駕駛應用的自動駕駛大模型，據百度披露，武漢Pilot項目有望在2025年底前實現財務breakeven。

蘿蔔快跑目前在國內12個城市的載人收費測試項目中，最受媒體和互聯網輿論關注的是武漢蘿蔔快跑的試部署運營。目前，蘿蔔快跑在武漢的試運營項目範圍已經較大，基本已覆蓋武漢主要城區和功能區，如下圖所示：

目前由於補貼和人工成本（無需司機，僅需每三台車配置一名遠程安全員）、規模效應（統一採購同一車型，隨著車隊規模擴大，採購和維護成本都會下降，scaling law也會在收集更多數據情況下非線性提升算法模型的運算效率）、供應鏈（國內新能源和智能網聯供應鏈一枝獨秀，電動整車、充電、激光雷達等傳感器和線控底盤、三電等產業鏈均較為完整且水平較高）等多種因素，部分體驗用戶反饋蘿蔔快跑的里程單價遠低於傳統網約車和出租車，且除價格外還具有以下優勢：

自動駕駛無人出租車規避了傳統網約車和巡遊出租車車內可能存在異味、女性不友好、部分司機為節約成本不願開空調等乘坐體驗差的問題，同時統一駕駛模式，避免部分司機傾向於急剎、猛按喇叭等問題，安全性、安靜性、舒適性提升；
自動駕駛無人出租車所有接單均為系統自動排序完成，規避了巡遊出租車行業拒載、半途上人、故意繞路、打表里程不實等痼疾。

上述robotaxi的優勢結合目前國內從中央到地方對於新能源、智能網聯汽車和自動駕駛行業的大力政策配套，對於已經十分飽和的網約車和傳統巡遊出租車市場構成一定挑戰。然而，由於蘿蔔快跑及Pony等其他運營方的無人駕駛自動出租車項目仍存在準入政策、運營地域、乘客上下車具體地點等種種限制，目前難以看到短期內robotaxi業態對網約車行業構成顛覆性的競爭的可能性。

技術層面，未來百度順應特斯拉引領的技術趨勢，可能也會通過將目前傳統的分模塊堆棧式模型升級為全局訓練的端到端模型，進一步增強自動駕駛大模型的性能，也即使大模型的駕駛行為更"類人"。但端到端模型存在可解釋性弱、錯誤歸因和調試困難、黑箱性強等問題，在國內強監管條件和自動駕駛行業失敗容忍性弱的背景下，端到端模型能否真正應用存在不確定性，也可能限制未來自動駕駛出租車的進一步發展。

筆者認為，由於上文所述蘿蔔快跑為代表的robotaxi業態的諸多限制（特別是城區上下車地點限制），可預見的未來蘿蔔快跑無法真正替代人類駕駛的網約車和巡遊出租車。

目前蘿蔔快跑在武漢部署的車輛數也僅為不足500輛，相比武漢1.6萬輛以上的傳統巡遊出租車存量而言，還難以對傳統出租車業態構成任何實質性威脅。目前看來，武漢出租車業界的抗議可能和他們對共享單車的過度反應一樣，只是百萬漕工一種習慣性的應激姿態。筆者在個人北京、武漢等城市的工作和生活經歷中，痛感當地傳統出租車服務態度差、開車習慣差等種種問題十分嚴重，在網約車落地後依然沒有太多改善，或許來自蘿蔔快跑為代表的L4自動駕駛出租車業態的外部衝擊可以促進傳統出租車業態改進，帶動當地旅遊、消費等第三產業結構性的提升。媒體和輿論對於AI自動駕駛對於人類駕駛員的潛在替代更為關注，但忽略了robotaxi業態對於服務業經濟結構的優化作用和經濟運行中交通基礎設施摩擦的平抑作用，可能過高的估計了robotaxi對於宏觀經濟的影響。筆者認為雄安新區、北京亦莊等傳統營運車輛缺失，且城區較新、路況簡單，適合自動化運營的地區為Robotaxi業態更有可能拓展業務的區域。

二、L4及以上自動駕駛未來已來，為加密貨幣鞏固和拓展DePin數據基礎設施賽道

蘿蔔快跑此次在國內熱度破圈，揭開了L4及以上級別自動駕駛商業化應用的序幕，而AI大模型支持的自動駕駛業態核心三要素（算力、算法、數據）中的數據概念與加密行業緊密相連，分佈式算力資源和數據為2023年以來加密行業最具增長性的概念和賽道之一，而區塊鏈分佈式技術和DePin項目為AI算力和算法的諸多問題提供了可能的解決方案，如Hivemapper解決模型訓練數據成本高企、難以獲取問題：無論是傳統分模塊車-雲堆棧還是最新的端到端技術，LLM都需要海量標記數據進行訓練才能滿足自動駕駛需求，其中尤以視頻標記數據要求更高，視頻數據通常在各類數據資源中擁有較高的單價。

Hivemapper向人工智能企業提供了包含視頻和地圖信息在內的數據服務。作為一個去中心化的全球地圖計劃，Hivemapper利用區塊鏈和社區參與來打造一個詳盡、實時且易於獲取的地圖平台。用戶通過車載攝像頭（dashcam）記錄地圖信息，並將其上傳至Hivemapper的開源網絡，作為回報，他們將獲得HONEY代幣作為獎勵。為了增強網絡的效率並減少交互成本，Hivemapper選擇在Solana區塊鏈上構建其平台，乘Solana生態東風，預計未來可以更好與自動駕駛和大模型敘事耦合。