news 2026/3/2 0:18:50

“28000台L4无人车抢滩登陆,谁是领头羊?”

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
“28000台L4无人车抢滩登陆,谁是领头羊?”

2025年,中国L4级无人车采购总量突破 2.8 万台,成为物流与城市配送领域的“新风口”。在这波规模化浪潮中,新石器(Neolix)凭借超过 1.5 万台的交付量,占据约 53% 的市场份额,稳坐行业第一宝座;紧随其后的是九识智能,交付近 1 万台,占比约 36% 。

一、采购规模与政策背景

2025年全国L4级无人车采购总量达到 2.8 万台,较2024年增长约 70% 。这一数字的背后,是国家层面持续加码的智能交通政策、地方路权逐步放开的监管红利,以及电商、快递企业对“降本增效”需求的强烈驱动。自2023年起,多个省市陆续发布无人车试点方案,允许在特定物流园区、城市配送线路上进行商业化运营,为大规模采购提供了制度保障。

二、领头企业:新石器的优势

新石器在2025年的交付量超过 1.5 万台,市场占有率高达 53% ,成为行业唯一突破万辆规模的L4车队。其领先优势主要体现在以下几个方面:

技术成熟度:新石器自研的感知‑决策‑执行全栈系统已实现车规级冗余,能够在复杂城市道路、雨雪天气下保持稳定运行。

产能规模:公司在华东、华北两大生产基地实现月产能 2 千台,配合模块化装配线,交付周期从订单到上路平均仅 30 天。

客户资源:新石器是顺丰、京东、中国邮政等头部快递企业的核心供应商,订单占比超过 90% ,在“三通一达”及极兔速递等平台的渗透率超过 70%。

三、第二梯队:九识智能的快速追赶

九识智能2025年交付约 1 万台,占比 36% ,紧随新石器之后。九识的增长动力主要来源于“低价+快递渗透”策略:通过在中邮速递7000台集采项目中抢占主供应商,实现了“中小客户规模化+头部标杆化”的双线布局。此外,九识推出的FSD订阅模式,使得客户以手机价位即可获得完整的自动驾驶功能,进一步降低了采购门槛。

四、行业格局:头部双寡头+多元分散

截至2025年底,前两大企业合计占据超过 80% 的市场份额,形成明显的“双寡头”格局。其余份额由白犀牛、中邮科技、佑驾创新等中小玩家在细分场景(如社区配送、短驳仓配)中分摊。行业集中度的提升有助于标准化、规模化成本下降,但也带来技术壁垒提升、竞争进入“质量‑服务”双轮驱动的新阶段。

五、市场驱动因素

成本优势:相较于传统面包车,无人车单票成本降低约 50% ,极大提升了快递企业的利润空间。

运营效率:无人车实现24 小时不间断配送,配合AI调度平台,可在高峰期自动规避拥堵,提升时效。

政策红利:多省市陆续放宽路权,邮政局等部门发布《十五五》无人车规模化推进方案,为企业提供了明确的监管预期。

规模继续扩大:预计2026年全行业采购量将突破 4 万台,头部企业的产能扩张和新进入者的技术突破将共同推动市场向更高水平迈进。

场景多元化:除快递末端配送外,城市物流、机场摆渡、社区零售等新场景正快速孵化,企业需要在软硬件一体化解决方案上持续创新。

标准化进程:随着行业规模化,统一的安全标准、数据接口和路权政策将逐步形成,为跨地区、跨行业的协同运营奠定基础。

结语

2025年L4级无人车的“2.8 万台”采购热潮,标志着中国物流自动化进入规模化商业化阶段。新石器凭借技术、产能与客户资源的综合优势,抢占了超过半数的市场份额,成为行业的领头羊;九识智能则通过灵活的商业模式实现快速追赶。双寡头格局的形成,为行业提供了规模效应和标准化的可能,也为后续的技术迭代和场景拓展奠定了坚实基础。随着政策持续利好和成本优势显现,L4无人车将在未来几年内深度渗透城市配送网络,推动物流行业迈向更高效、绿色的智能化新阶段。

版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/2/27 20:28:20

DiskInfo磁盘测速对比:挑选最适合PyTorch训练的SSD

DiskInfo磁盘测速对比:挑选最适合PyTorch训练的SSD 在深度学习实验室里,你是否遇到过这样的场景?GPU监控显示利用率长期徘徊在30%以下,而CPU却几乎满载运行。明明配备了顶级显卡,训练速度却迟迟提不上去——问题很可能…

作者头像 李华
网站建设 2026/3/2 4:57:20

Git cherry-pick精选提交:将关键PyTorch修复引入主干

Git cherry-pick精选提交:将关键PyTorch修复引入主干 在深度学习项目开发中,一个看似微小的代码缺陷,可能引发数小时训练任务的彻底失败。更糟的是,当你发现这个 bug 已经被某位同事在开发分支上修复时,却因为那条分支…

作者头像 李华
网站建设 2026/3/1 9:59:24

清华镜像源替换官方源:加速PyTorch及相关依赖安装

清华镜像源加速 PyTorch 安装与容器化开发实践 在深度学习项目启动阶段,最让人焦头烂额的往往不是模型设计,而是环境配置——尤其是当你面对一个体积超过 2GB 的 torch 包,在 pip 下载进度条以 KB/s 蜗行时。这种“卡顿”在国内开发者中极为…

作者头像 李华
网站建设 2026/3/2 2:29:09

GitHub Gist代码片段分享:传播PyTorch-CUDA使用技巧

GitHub Gist代码片段分享:传播PyTorch-CUDA使用技巧 在深度学习项目中,你有没有经历过这样的场景?刚拿到一台带GPU的服务器,兴致勃勃准备开始训练模型,结果花了整整半天时间还在和CUDA驱动、cuDNN版本、PyTorch兼容性“…

作者头像 李华
网站建设 2026/3/1 20:32:47

Docker容器持久化存储:保存PyTorch训练结果不丢失

Docker容器持久化存储:保存PyTorch训练结果不丢失 在深度学习项目中,一个常见的“噩梦”场景是:你花了一整天训练模型,终于快收敛了,结果因为一次误操作或系统崩溃,容器被删,所有训练成果瞬间蒸…

作者头像 李华