幫車企賣好車，幫商家降本增效：拆解輕舟智航的商業閉環 | 智車星球

7 年磨一劍！輕舟智航 NOA 上車破百萬臺，乘風 Max + 無人物流雙落地，直指通用物理 AI 新賽道！

作者|王蕊

編輯|西子

“2019 年公司成立時我就說，無人駕駛這件事，至少要干 20 年。第一個 7 年我們走過來了，而我們要走的路，從來不止于做一個更好的自動駕駛方案。”

在北京車展發布會現場，輕舟智航聯合創始人、董事長兼 CEO 于騫宣布了公司成立以來最重要的一次使命升級：從“將無人駕駛帶進現實”，升級為“以安全和向善的智能，創造更加美好的生活”，全新愿景升級為“成為全球領先的通用物理 AI 公司”。

△輕舟智航聯合創始人、董事長兼 CEO 于騫

這次升級背后，是輕舟過去 7 年積累出的量產基本盤：截至目前，輕舟智航 NOA 量產上車量已突破 100 萬臺，已有 25 款車型實現量產，今年內還將新增超 50 款車型。

在這個基礎上，輕舟正式亮相以“世界模型 + 強化學習”為核心的物理 AI 技術基座，并同步落地乘風 Max 高階智駕方案和車規級 L4 無人物流車兩大產品。

前者指向高階智駕普惠，后者指向 L4 商業化落地，而兩者共同指向的，是數字世界 AGI 之后，一個更大的物理世界 AI 賽道。

換句話說，7 年后的輕舟，正在從“把無人駕駛帶進現實”，走向“把 AI 帶進物理世界”。

把高階智駕做成普惠品

NOA 實現大規模量產，是輕舟智航成立 7 周年交出的關鍵答卷，也說明智駕行業的競爭，正在從“算力和參數”，轉向“規模化落地和真實用戶價值”。

大規模量產帶來的，不只是裝機量，更是超過 35 億公里的高階智駕行駛里程，以及近 1 億次自動泊車數據。大量來自真實道路的使用數據，正在成為輕舟算法持續迭代的基礎。

能實現這樣的規模，核心在于輕舟的產品思路：不盲目堆砌硬件、拉高成本，而是在有限成本內，用算法和工程效率做出更好的體驗。

此次發布的乘風 Max 高階智駕方案，就是這套產品邏輯的最新落地。

它基于500TOPS+ 算力平臺，目標是實現接近千 TOPS 級別的體驗。在此之前，輕舟已經在 100TOPS+ 平臺上跑通高體驗城市 NOA。兩代產品一以貫之的思路，都是用算法優化釋放硬件潛力，把同等硬件條件下的智駕體驗做到更充分。

而要讓高階智駕真正普及，安全是前提。

乘風 Max 將AEB 誤觸率控制在 50 萬公里小于 1 次，優于行業 10 萬至 20 萬公里一次的平均水平；同時將AEB 極限剎停速度提升至 130km/h，僅這一項功能，每年預計就能幫助近 15 萬名車主規避潛在交通事故。

更重要的是，這些過去更多出現在 30 萬元以上車型的全場景安全能力，正在被輕舟下放到10 萬至 20 萬元的主流家用車型中。

就像于騫所說，“30 萬以上豪華車才有的安全功能，普通老百姓的 10 萬、20 萬家用車，一樣要把安全做到極致”。這也是輕舟所理解的高階智駕普惠：不是把功能做得更貴，而是讓更多用戶用得上、敢使用。

在體驗層面，輕舟也沒有把智駕做成一場接管率和跑分比賽。于騫在發布會上直言，行業里都在卷比分、卷接管率，但消費者真正關心的是實實在在的用戶價值。

比如五一長假將至的收費站擁堵跟車、年輕媽媽抱娃下車后的窄車位一鍵泊車、交警手勢優先于紅綠燈的路口通行、潮汐車道的靈活借道、夜間強光炫光下的穩定剎停……這些用戶日常出行中的高頻痛點，都被乘風 Max 方案覆蓋。

正如于騫所說，輕舟做智駕的核心，是幫主機廠賣好車，給消費者帶來真實價值。而百萬臺上車量，正是市場對這套“普惠智駕”產品邏輯最直接的認可。

從100萬臺量產到萬億物流賽道

在乘用車智駕完成百萬臺量產后，輕舟開始把 7 年積累的物理 AI 技術、車規級量產能力和工程經驗，復制到 L4 無人物流場景中。

于騫表示：“物流行業很簡單，你的產品得好，你得幫我省錢，也得幫我掙錢。講其他的沒用。”但無人物流要真正規模化，并不容易。

當前行業已經過了“讓車跑起來”的階段，卻仍卡在幾個問題上：安全能力不足，復雜場景不穩定；價格戰壓低成本，但質量和故障率問題反而推高綜合成本；無圖方案落地不徹底，單車利用率低；供應鏈、運營和監管體系也還沒有形成協同。

輕舟的解法，是用乘用車百萬臺量產驗證過的技術、供應鏈和質量體系，重新定義 L4 無人物流車。

此次發布的 L4 無人物流車，不再是傳統“測試車”形態。它沒有外露式機械激光雷達，整車采用簡潔方正的標準化結構，傳感器、計算單元和底盤全部采用車規級標準，從設計之初就面向量產和運營，車輛下線即可投入使用。

更關鍵的是，這套方案針對行業痛點做了系統優化。

在部署上，輕舟復用乘用車領域成熟的無圖方案，無需提前采集高精地圖，最快 2 天即可上線運營；

在成本上，依托車規級供應鏈和流程優化，單線路運營成本可降低 50%，最高可降 80%；

在場景上，車輛支持3 至 12 方貨廂定制，可覆蓋快遞、冷鏈、工廠配送、園區巡邏等場景，并能在-30℃ 至 55℃環境下穩定運行；

在監管上，系統支持車輛狀態實時監控、后臺規則調整和事故數據追溯，適配 L4 無人車進入強監管階段后的要求。

同時，輕舟還配套了完整運營保障體系，包括了全天候遠程駕駛中心、平均小于 30 秒的接管時間、全國服務網絡、專屬保險理賠和事故處理流程，降低合作伙伴的運營風險。

目前，這套 L4 無人物流方案已在全國多個城市落地，覆蓋金華、蕪湖、寧波等城市。輕舟也已與浙江金郵達成戰略合作。

在國內規模化推進的同時，歐洲等海外市場需求也在上升，輕舟的出海布局已同步啟動。

從乘用車百萬臺量產，到無人物流 ，輕舟要驗證的是：物理 AI 不只服務乘用車智駕，也可以進入物流等更復雜的真實運營場景。

打通現實與虛擬的閉環

如果說乘風 Max 和 L4 無人物流車，是輕舟物理 AI 的兩個落地場景，那么“世界模型 + 強化學習”，就是這套能力背后的技術底座。

從自動駕駛方案商走向通用物理 AI 公司，對輕舟來說不是臨時跨界，而是 7 年技術路徑的自然延伸。

于騫在發布會上判斷，數字世界 AI 已經進入 AGI 甚至部分 ASI 階段，但物理世界 AI 還遠遠不夠成熟。圍棋 AI 可以擊敗人類最強大腦，但普通人都會的開車，卻始終難以實現大規模完全無人駕駛。核心原因在于，物理世界 AI 不能只靠虛擬環境訓練，必須理解真實環境、預測未來變化，并持續與現實世界交互。

輕舟給出的技術答案，就是“世界模型 + 強化學習”。

在輕舟的定義里，世界模型不是生成好看的視頻、圖像或點云，而是完成“觀察理解真實世界—預測未來變化—指導行為控制”的閉環。這也接近人類開車的邏輯：人在學車前，已經通過十幾年生活經驗建立了對規則和因果關系的理解，學車只是補充交通規則和手腳配合。

2019 年成立之初，輕舟就投入大量精力搭建大規模仿真系統；2024 年提出世界模型 + 安全可解釋的端到端方案；2025 年將 VLA 與強化學習融合，實現端側端到端落地；2026 年進一步打通云端與車端世界模型的統一訓練，形成完整的物理 AI 技術框架。

這套體系的關鍵，是云端和車端不再分開訓練。云端模型基于真實數據生成大量高風險、難復現的極端場景，像一座虛擬 AI 駕校；車端模型則負責預測未來 10—20 秒的環境變化，支撐實時駕駛決策。二者統一訓練，形成“真實數據—模型訓練—生成數據—模型迭代”的閉環。

而支撐這套閉環的，是輕舟大規模量產車和超過 35 億公里真實道路數據。對物理世界 AI 來說，數據規模、場景豐富度和長尾覆蓋，決定了模型能力上限。

這也是輕舟區別于純 L4 小規模測試玩家的底氣：它既有全國真實道路數據，也有可控的虛擬訓練環境。

物理 AI 是“星辰大海”

在于騫看來，無人駕駛至少是一個 20 年周期的事情。現在第一個 7 年走完，后面還有更長的路。

他的判斷很明確：只靠傳感器冗余、硬件堆料和功能補丁，無法實現真正的完全無人駕駛。無論是高冗余硬件路線，還是純視覺路線，最終都繞不開一個問題——必須構建一個能理解物理世界的通用大腦。

輕舟這次使命愿景升級，本質上就是對這個問題的回答：使命從“將無人駕駛帶進現實”，升級為“以安全和向善的智能，創造更加美好的生活”，愿景則指向“成為全球領先的通用物理 AI 公司”。

其中，“通用”強調的是能力遷移。就像大語言模型不只會聊天，也能寫作、做 PPT、編程，未來物理世界 AI 也不會只會開車。自動駕駛只是第一個大規模落地場景，未來同一套“世界模型 + 強化學習”能力，還可以延展到物流、工業生產、家庭服務等更多場景。

此次發布的 L4 無人物流車和末端無人物流機器人，就是這條路徑的早期驗證。它們不只是單一配送工具，而是通用物理 AI 進入更多現實任務的載體。

相比“通用”，“向善”則是輕舟給 AI 技術設定的邊界。于騫認為，人類的好奇心、同理心、彼此關懷和對生命的尊重，是 AI 無法替代的；做 AI 的目的，是讓技術更好服務人，讓人活得更有尊嚴。

因此，無論是乘用車智駕的安全普惠，還是無人物流對高強度勞動的替代，輕舟最終想落到的都是人本身：用技術提升效率、降低風險，而不是單純替代人。

從 2019 年到 2026 年，輕舟用第一個 7 年，完成了從自動駕駛公司到通用物理 AI 公司的跨越。

當行業仍在圍繞算力和硬件展開競爭時，輕舟已經把重心轉向更長期的能力構建。接下來，這套經過百萬臺量產車驗證的技術能力，將從出行場景延展到更廣闊的物理世界，并逐步形成可復制的商業閉環。

而正如于騫在發布會上所言，“實現通用物理 AI 將是我們未來的星辰大海”。

以此為新起點，輕舟的遠航，才剛剛開始。

最真誠的智能汽車報道