2026年，在机器人开始批量进厂打工的当下，自动驾驶重卡早已经跑进了高速公路，运起了货物。
“自动驾驶已经跨越了单纯技术验证阶段，进入长期的、持续的商业化运营阶段，核心是经济性问题。”卡尔动力技术战略副总裁王珂用一句话概括了当前自动驾驶行业所处的阶段。
这番话出现在一个微妙的节点：2026年上半年，自动驾驶卡车递表潮让资本的目光聚焦到这个赛道，与此同时，干线物流正成为物理AI最先跑通商业闭环的场景之一。行业数据佐证了这一趋势：干线重卡自动驾驶渗透率有望在2030年突破30%。
要让这个数字不沦为空话，自动驾驶货运行业必须先回答几大问题：账能不能算平？安全与效率的“两难”如何变成“协同”？如何让L4公司跨越周期，经得起时间的检验？
49吨、时速100公里的成本账，安全是前提
在算任何一笔成本账之前，有一个更根本的问题横在所有人面前：安全。
王珂博士在WAIC上用一个直观的对比描述了自动驾驶货运与其它物理AI赛道的量级差异：“大家的机器人可能是一个几十公斤的东西，我们是一个49吨、在路上接近100公里每小时来运行的物理AI agent。”在这个量级上，任何模块的误判、任何一次通信延迟，都可能产生严重后果。容错率被压缩到几乎为零。
这不是一个可以被“技术迭代”轻轻带过的话题。
王珂将L4货运的核心挑战定义为一个“不可能三角”：安全性、效率和商业经济回报，每一个角度都需要达到超越人类的性能。三者必须同时成立，缺一不可。而安全，是另外两者的绝对前提。
卡尔动力采用智能混合编队解决方案，前车有人，后车无人。头车保留司机，端到端的货运模型负责核心驾驶，基于规则的“兜底”方案实时校验，相当于给自动驾驶编队做了三重安全兜底。但安全的核心不能只依靠编队，还需要让系统真正靠得住，真正可靠的系统是“跑”出来的。
场景、数据，无论是大热的具身智能领域，还是自动驾驶货运领域，都是绕不开的两座大山。行业有一个说法是：AI模型的上限，取决于它见过多少真实世界的复杂场景。
据了解，目前卡尔动力车队规模超过400台，累计完成4500万公里真实运营里程、14亿吨公里运载量。这些数字背后，意味着密集的长尾场景和应对能力的持续迭代。每一公里遇到的新问题，都变成了下一公里的训练题。这4500万公里，就构成了一个巨大的“货运AI训练场”。据王珂博士透露，新一代货运AI模型的安全性是人类驾驶安全性的10倍，随着运营里程的提升，安全性和效率也在同步上升。
再来拆解成本账。传统货运运费成本由四块构成：人力司机成本、能源消耗、过路过桥费、车辆折旧维保。客户核心诉求是货物准时履约送达和运输成本的优化。
通过“混合智能编队”模式，将人力成本降低83%，编队行驶及AI智能驾驶降低约10%的能耗，新车架构设计降低车辆折旧与维保费用。除过路费外，几乎每一项都在减负。车辆新增的自动驾驶硬件成本，被节省的人力成本完全覆盖，毛利率是传统货运的3~6倍。
这不是纸面推算。据透露，此前卡尔动力已在鄂尔多斯等地实现了单位经济模型的盈利。
安全、效率、商业回报——“不可能三角”在这条逻辑下，开始同时成立。
从“单车孤岛”到“多车群体智能”
当编队的“不可能三角”解决后，自动驾驶货运的问题还没有结束。
干线货运的成本黑洞是，40%的空载率和日均仅5-6小时的有效行驶时间。车找不到货、货找不到车、路况无法预判，这是系统层面的问题。单点节油、单段线路优化，能挤出的降本空间有限。
关于货运优化演进的逻辑，王珂给出了一个“三代进化”框架：第一代是模块化架构，各司其职；第二代是端到端大模型，统一驱动；第三代则是让单车的智能体拼成一张网络，以协同方式工作。“自动驾驶产业化的核心，是用真实运营替代实验室推演，用体系化能力替代单点技术突破。”
为此，卡尔动力的解法是“AI+Robot+Service”全栈架构。
AI层面，自研货运基础大模型，融合强化学习与WAM架构，目标是打造一个可自主进化的“虚拟司机”。
Robot层面则以Gen 5.0全冗余硬件平台为支撑，形成运输机器人与L4智能重卡的双产品矩阵，覆盖干线、矿区、场站、短驳等全场景。官方数据显示，该平台的控制器与线束复杂度降低40%至50%，稳定性提升50倍，量产一致性和可维护性已达到万台级标准。
Service层面，卡尔动力采取TaaS（运力即服务）与SaaS（虚拟驾驶订阅）双模式并行，配合自研的KargoCloud智能调度系统，动态匹配车、货、路、能资源，实现按需调用、按量计费。
三层打通后，每辆车不再是孤立的决策，而是作为网络中的一个节点响应、调度。可以说是用最适合的AI技术，让一吨货物都能自动匹配最优路线、最合适的运输机器人、最低的能耗方案。
单车的智能体拼成一张网络，以协同方式工作。“以一带多”的编队形式只是第一步。
“当我们同一个网络上所有的智能体以协同方式工作时，能做到很多单个智能体做不到的事、情。哪里堵车了，可以通过智能调度把车换到其他路上去；哪里修路了、哪里天气有问题，都可以动态调整。”
从这个角度来看，卡尔动力与Waymo的路径有某种相似性：不依赖改装车或渐进式路线，直切L4自动驾驶技术，将L4技术搭载在原生L4的产品上，通过自研调度系统等构建智能运力网络，用真实运营数据驱动迭代，加速规模化落地。2026年2月，Waymo宣布完成160亿美元融资，投后估值达1260亿美元。支撑这一估值的不是技术概念，而是25年底周均订单突破40万单的真实数据，是把L4做成了一门可以复制的运力生意。
规模化之后，更大的想象空间在“Agent to Agent”
车能跑了、经济账算得过来了，规模化正在发生。
L4货运的规模化，不是把同一套系统复制粘贴到每条路上，而是要让系统具备跨场景的泛化能力。当货车从地广人稀的区域，驶向京津冀、长三角的密集路网、匝道口、非机动车混行，面对成倍拉高的系统复杂度，是否可以适应？卡尔动力的策略是：先在一条条具体的线路上把账算清楚，再沿着大宗能源的运输走廊向外一寸一寸地渗透，从“一地多线路”再到“多地网络化”的渐进路径。
同时，另一个更深层的变量也正浮出水面，王珂在活动中提到，“以后装卸构成中，自动驾驶货车可能遇到的已经不是人，而是其他机器人或者智能体，如何实现这种跨公司、跨行业的Agent to Agent连接，这是接下来商业化里非常重要的一部分。”
当运输机器人、装卸机器人、分拣系统、道闸设备来自不同厂商、运行在不同协议、服务于不同业主，一套通用的交互标准一旦建立，整个链条的效率将迎来新一轮释放。这不是任何一家公司能单独完成的事情，但率先跑通运营闭环、积累最大规模真实场景数据的企业，最有资格定义这套规则。
从这个角度看，400台车、4500万公里、83%人力成本下降这些数字背后的意义，远不止于一家公司的商业模型被验证。它意味着自动驾驶货运已经从“能不能做”的回答，进入了“如何做得更大”的展开阶段：从“劳动密集型”到“AI驱动型”，从“单车运输”到“网络化运力”，从“人找货”到“货找人”。