中國自動駕駛卡車領導者：AI 突破無法加快商用時程——原因在這

每隔幾個月，就有一款新的前沿 AI 模型以前一年難以想像的能力登上頭條。DeepSeek V4、Claude Opus 4.7、GPT-5.5——每款模型都將推理、程式設計和多模態理解推向新的高度。在大多數科技領域，這樣的技術進步會壓縮時程、加速部署。

但自動駕駛卡車不是。

中國自動駕駛卡車公司集體運營著全球規模最大的商用自動重型貨車車隊，這些公司表示，大型語言模型的進步對他們的商業化時程幾乎沒有任何影響。其中的原因，揭示了不同 AI 範式與物理世界互動方式的根本分歧——也展示了中國正在悄然建立一條資料護城河，讓美國競爭者難以追趕。

資料才是關鍵

初速度科技（Inceptio Technology）2018 年在上海創立，是中國自動駕駛卡車領域的龍頭企業。根據方舟投資（ARK Invest）2026 年「顛覆性創新大想法」報告，初速度在商用自動駕駛卡車里程的積累上，已超越全球所有競爭者，包括美國的 Aurora、Kodiak 和 Waymo Via。

截至 2026 年 4 月底，由初速度技術驅動的卡車已累積約 7 億公里的商業運營里程——相當於約 4.34 億英里。公司目標是年底前達到 10 億公里。但這些里程碑只是中間站。對於完全 L4 級部署——卡車在公共道路上完全自動駕駛、無需任何安全駕駛員——真正重要的數字是 50 億公里。

初速度預計在 2028 年第三或第四季度達到這個門檻。屆時，公司認為將擁有足夠的真實世界資料，以訓練完全自主公路行駛所需的世界模型。商業化時程——2028 年中期啟動初始 L4 卡車、此後逐步擴大規模——儘管過去 18 個月間 AI 領域重大突破不斷，卻始終未曾調整。

LLM 與世界模型是兩件事

大型語言模型的進步之所以無法推動自動駕駛卡車提前落地，在於自動駕駛車輛所倚賴的 AI 類型根本不同。大型語言模型以文字和多模態內容訓練——它們透過處理海量人類生成的資料，學習詞語、圖像和概念之間的關係。在推理、語言、程式設計，乃至多模態感知方面，這類模型能力卓越。

然而，自動駕駛需要的是研究人員所稱的「世界模型」（World Model）：這類 AI 系統的訓練資料不是人類的語言或文化，而是物理定律——物體如何移動、道路如何呈現、天氣如何影響路面、其他車輛和行人在各種情境下如何相互反應。世界模型從真實車輛在真實環境中行駛所收集的感測器資料學習——攝影機、光達、雷達。網路上的文字無法教會模型，一輛半掛式卡車在凌晨三點的濕滑高速公路上會如何表現。

這意味著現實相當直接：無論 LLM 取得多大的進步，都無法取代里程資料。為了讓重型卡車能在中國 G2 京滬高速上自動駕駛，世界模型必須用 G2 高速的真實資料訓練。合成資料有所幫助——初速度的方法是透過世界模型訓練，將 50 億公里的真實里程外插為約 500 億公里的模擬經驗——但這種外插本身仍需要真實世界的資料基礎。

這正是為什麼初速度的 2028 年時程，從 2023 年至今從未改變。

中國的規模優勢

在商業自動駕駛卡車領域，中美之間的資料積累差距已相當顯著。中國物流網絡密集、路線高度重複（主要製造業城市之間的高速公路走廊固定），且較美國更早出台政策，允許在公共道路上大規模進行有監督的自動駕駛商業運營。

初速度的車隊目前已在多家中國頭部物流企業執行商業運輸。中國最大快遞企業之一申通快遞（STO Express）向初速度訂購了 500 台自動駕駛卡車；另一大物流商中通快運（ZTO Express）一次性接收了 400 台由初速度技術驅動的卡車，創下全球最大單批自動駕駛卡車交付紀錄；中通快運另外還訂購了 200 台。目前，已有超過 2,000 台初速度技術驅動的卡車，部署在中國頭部物流企業的車隊中。

每一台卡車都是一個資料採集節點。根據 IDTechEx 資料，中國自動駕駛卡車車隊每日累積里程已超過 100 萬公里——這些里程直接饋入世界模型訓練。飛輪效應的動力不在模型架構，而在資料集本身。

為何 2028 年的時間表可信

自動駕駛行業有著屢屢預測失準的歷史，質疑者不乏其人。初速度團隊也承認，這個行業的前車之鑑確實值得謹慎。

但 2028 年目標有其具體的技術依據。50 億公里的門檻，代表初速度的世界模型達到無人監督公路運營所需「長尾覆蓋」的經驗規模：那些罕見但關鍵的場景——不尋常的障礙物配置、意外的路面狀況、邊緣情況下的駕駛行為——這些正是有監督系統與完全自主系統之間的決定性差異。

這個 50 億公里的數字並非拍腦袋估出來的。它源於初速度對世界模型性能如何隨資料規模提升的建模分析。以當前的資料積累速度，在 2028 年底達到這個門檻，與其說是技術問題，不如說是算術問題。

當然，中國公共高速公路網絡上真正 L4 商業運營所需的最終監管批准，仍存在不確定性。中國工業和信息化部一直在逐步擴大自動商用車測試的許可範圍，但從大規模有監督運營到完全無人監督商業部署，還需要初速度無法完全掌控的監管步驟。

對全球競賽的意義

競爭影響不止於中國境內。美國自動駕駛卡車公司——尤其是一直瞄準 L4 商業高速公路部署的 Aurora——也在美國道路上持續積累里程。但按目前的速度，中國車隊的資料優勢正在以比美國車隊追趕的速度更快的速度複利增長。

LLM 進步與自動駕駛進步之間的脫節，對一個普遍假設提出了有益的糾正：人們往往認為任何 AI 進步都能直接轉化為所有 AI 應用的能力提升。機器人、自動駕駛車輛、無人機系統等實體 AI，有其自身的資料動力學邏輯。語言和推理模型的進步令人印象深刻，但那些進步，並不是決定自動駕駛卡車何時能在中國高速公路上無人駕駛的進步。

初速度對這個問題的答案，和兩年前一樣：2028 年底，距今還有 50 億公里。