萝卜快跑对传统经济的影响预计小于预期，与加密货币世界连接点众多

4Alpha Research ｜2024-07-25 12:33

萝卜快跑无人出租车引发热议，真的能取代传统出租车吗？政策限制和运营规模是否会阻碍其颠覆性影响？

一、萝卜快跑对传统经济的影响预计将小于一般预期

2024年7月初，由于萝卜快跑在武汉运营的无人出租车被媒体报道后登上微博热搜，以百度、特斯拉等运营方为代表的自动驾驶无人出租车对于出行业态的结构性影响受到行业研究界和互联网舆论的关注，相关讨论热度延伸到未来AI对于劳动力就业岗位替代和挤出的担忧等话题。

2022年以来，萝卜快跑和pony无人自动驾驶出租车已在武汉、北京、上海等地开始小规模运营。截至2024年4月19日，萝卜快跑在开放道路提供的累计单量超过600万，是全球最大的自动驾驶出行服务商。今年5月，百度在武汉发布第六代萝卜快跑无人驾驶汽车，车上搭载了全球首个支持L4级别无人驾驶应用的自动驾驶大模型，据百度披露，武汉Pilot项目有望在2025年底前实现财务breakeven。

萝卜快跑目前在国内12个城市的载人收费测试项目中，最受媒体和互联网舆论关注的是武汉萝卜快跑的试部署运营。目前，萝卜快跑在武汉的试运营项目范围已经较大，基本已覆盖武汉主要城区和功能区，如下图所示：

萝卜快跑对传统经济的影响预计小于预期，与加密货币世界连接点众多

目前由于补贴和人工成本（无需司机，仅需每三台车配置一名远程安全员）、规模效应（统一采购同一车型，随着车队规模扩大，采购和维护成本都会下降，scaling law也会在收集更多数据情况下非线性的提升算法模型的运算效率）、供应链（国内新能源和智能网联供应链一枝独秀，电动整车、充电、激光雷达等传感器和线控底盘、三电等产业链均较为完整且水平较高）等多种因素，部分体验用户反馈萝卜快跑的里程单价远低于传统网约车和出租车，且除价格外还具有以下优势：

自动驾驶无人出租车规避了传统网约车和巡游出租车车内可能存在异味、女性不友好、部分司机为节约成本不愿开空调等乘坐体验差的问题，同时统一驾驶模式，避免部分司机倾向于急刹、猛按喇叭等问题，安全性、安静性、舒适性提升；
自动驾驶无人出租车所有接单均为系统自动排序完成，规避了巡游出租车行业拒载、半途上人、故意绕路、打表里程不实等痼疾。

上述robotaxi的优势结合目前国内从中央到地方对于新能源、智能网联汽车和自动驾驶行业的大力政策配套，对于已经十分饱和的网约车和传统巡游出租车市场构成一定挑战。然而，由于萝卜快跑及Pony等其他运营方的无人驾驶自动出租车项目仍存在准入政策、运营地域、乘客上下车具体地点等种种限制，目前难以看到短期内robotaxi业态对网约车行业构成颠覆性的竞争的可能性。

技术层面，未来百度顺应特斯拉引领的技术趋势，可能也会通过将目前传统的分模块堆栈式模型升级为全局训练的端到端模型，进一步增强自动驾驶大模型的性能，也即使大模型的驾驶行为更“类人”。但端到端模型存在可解释性弱、错误归因和调试困难、黑箱性强等问题，在国内强监管条件和自动驾驶行业失败容忍性弱的背景下，端到端模型能否真正应用存在不确定性，也可能限制未来自动驾驶出租车的进一步发展。

笔者认为，由于上文所述萝卜快跑为代表的robotaxi业态的诸多限制（特别是城区上下车地点限制），可预见的未来萝卜快跑无法真正替代人类驾驶的网约车和巡游出租车。

目前萝卜快跑在武汉部署的车辆数也仅为不足500辆，相比武汉1.6万辆以上的传统巡游出租车存量而言，还难以对传统出租车业态构成任何实质性威胁。目前看来，武汉出租车业界的抗议可能和他们对共享单车的过度反应一样，只是百万漕工一种习惯性的应激姿态。笔者在个人北京、武汉等城市的工作和生活经历中，痛感当地传统出租车服务态度差、开车习惯差等种种问题十分严重，在网约车落地后依然没有太多改善，或许来自萝卜快跑为代表的L4自动驾驶出租车业态的外部冲击可以促进传统出租车业态改进，带动当地旅游、消费等第三产业结构性的提升。媒体和舆论对于AI自动驾驶对于人类驾驶员的潜在替代更为关注，但忽略了robotaxi业态对于服务业经济结构的优化作用和经济运行中交通基础设施摩擦的平抑作用，可能过高的估计了robotaxi对于宏观经济的影响。笔者认为雄安新区、北京亦庄等传统营运车辆缺失，且城区较新、路况简单，适合自动化运营的地区为Robotaxi业态更有可能拓展业务的区域。

二、L4及以上自动驾驶未来已来，为加密货币巩固和拓展DePin数据基础设施赛道

萝卜快跑此次在国内热度破圈，揭开了L4及以上级别自动驾驶商业化应用的序幕，而AI大模型支持的自动驾驶业态核心三要素（算力、算法、数据）中的数据概念与加密行业紧密相连，分布式算力资源和数据为2023年以来加密行业最具增长性的概念和赛道之一，而区块链分布式技术和DePin项目为AI算力和算法的诸多问题提供了可能的解决方案，如Hivemapper解决模型训练数据成本高企、难以获取问题：无论是传统分模块车-云堆栈还是最新的端到端技术，LLM都需要海量标记数据进行训练才能满足自动驾驶需求，其中尤以视频标记数据要求更高，视频数据通常在各类数据资源中拥有较高的单价。

Hivemapper向人工智能企业提供了包含视频和地图信息在内的数据服务。作为一个去中心化的全球地图计划，Hivemapper利用区块链和社区参与来打造一个详尽、实时且易于获取的地图平台。用户通过车载摄像头（dashcam）记录地图信息，并将其上传至Hivemapper的开源网络，作为回报，他们将获得HONEY代币作为奖励。为了增强网络的效率并减少交互成本，Hivemapper选择在Solana区块链上构建其平台，乘Solana生态东风，预计未来可以更好与自动驾驶和大模型叙事耦合。