TuSimple · 重建方案

An AI-native autonomous trucking platform targeting the 'last 100 miles' of freight—the short-haul, predictable routes between distribution centers and retail stores that represent 40% of trucking costs but are ignored by long-haul competitors. Instead of building trucks, license a vision-transformer-based 'autonomy stack' to fleet operators (Schneider, JB Hunt) as a SaaS product, charging per autonomous mile. The wedge is depot-to-depot routes in Sun Belt states (Texas, Arizona, Florida) with favorable regulations, sunny weather, and high freight density. Differentiation: end-to-end learning model trained on 100M+ simulated miles (Nvidia Omniverse) before real-world deployment, eliminating the brittle modular pipelines that caused TuSimple's perception failures. The business model is capital-light (no truck ownership), fast time-to-revenue (12-18 months vs. 5 years), and defensible (data flywheel from fleet learning). 退出策略：被物流巨头（UPS、联邦快递）或 OEM（戴姆勒、沃尔沃）收购，寻求垂直整合自主权。

2024 年的自动驾驶卡车行业将涉及两个市场：在美国，Waymo Via 和 Aurora 经过残酷的洗牌后成为双寡头领导者；在中国，政府支持的企业（Plus.ai、Inceptio）在监管的推动下占据主导地位。 图森未来的资产被吸收到这个分裂的格局中——美国业务关闭，中国知识产权转移到智加科技，该公司继续在受控货运走廊运营 200 多辆自动卡车。

在美国，获胜者有共同的特征：（1）财力雄厚的父母（Alphabet、亚马逊/Aurora），（2）保守的时间表（2025-2027年商业化与图森未来的2023年），（3）楔形策略（Waymo专注于德克萨斯三角，Aurora专注于达拉斯-休斯顿），（4）传感器融合（激光雷达+摄像头+雷达）。 市场已经整合，因为资本要求（商业化需要 3-5B 美元）和监管复杂性（各州批准、FMCSA 豁免）为初创企业带来了难以克服的障碍。 Tesla Semi 是通配符——垂直整合（自有卡车、软件、充电）和 Elon 的风险承受能力可以实现更快的部署，但 FSD 进展却比承诺的要慢。

总市场仍然巨大：到 2035 年，美国 TAM 为 $150B，中国为 $200B，全球为 $400B。但是，现在很明显，这是 2028-2030 年的故事，而不是 2023-2025 年的故事。 该技术适用于受限环境（阳光明媚的高速公路、交通流量低、绘制路线），但难以应对边缘情况（雪、建筑、激进的驾驶员）。 监管部门的批准要求证明其安全性比人类驾驶员高 10 倍，这需要数十亿英里的里程——一个 5-7 年的过程。

人工智能原生重建只有采用完全不同的方法才可行：(1) 使用视觉转换器和世界模型进行端到端学习（如英国的 Wayve.ai），消除困扰图森未来的脆弱模块化管道（感知 → 规划 → 控制），(2) 使用 Nvidia Omniverse 进行仿真优先开发，在实际测试之前生成 1 亿多英里的合成里程，(3) 进入邻近市场（自主堆场卡车、港口拖运、 (4) 合作伙伴模式（向戴姆勒、沃尔沃等原始设备制造商授予软件许可）而不是运营车队，从而降低了资本密集度。 关键见解：图森未来失败了，因为他们试图建立一家碰巧使用人工智能的货运公司。 重建的应该是一家恰好服务于卡车运输的AI公司。

1. Wedge（第 1-6 个月）：与单一车队运营商（例如 Schneider）合作，在固定路线（从菲尼克斯配送中心到图森沃尔玛，120 英里，I-10 高速公路）上的 10 辆卡车上安装仪器。 部署传感器套件（每辆卡车 5 万美元：摄像头、雷达、GPS、计算）并收集 10 万英里的人类驱动数据。 同时，使用 1,000 个场景变化（天气、交通、施工）构建路线的 Omniverse 模拟。 在合成+真实数据上训练初始视觉变换器模型。 目标：在测试路线上实现 95% 的自动驾驶（每 20 英里由人类接管）。

2. 验证（第 7-12 个月）：扩展到 3 条路线（菲尼克斯-图森、达拉斯-沃斯堡、坦帕-奥兰多）的 50 辆卡车。 实施车队学习管道：自动标记边缘情况 → 由 Scale AI 标记 → 每周重新训练 → 部署 OTA。 为车队运营商推出 SaaS 仪表板，显示成本节省、安全指标和利用率。 每自动驾驶英里收费 0.50 美元（相对于人类驾驶员每英里 1.50 美元）。 目标：50 万英里的自动驾驶里程、99% 的正常运行时间、50 万美元的 ARR，并实现“每 50 英里人工干预”的安全阈值。

3. 增长（第 13-24 个月）：在德克萨斯州和亚利桑那州获得无人驾驶操作的监管批准（删除了安全驱动器）。 扩展到 10 个车队合作伙伴和 500 辆卡车。 建立“自主市场”，车队可以购买针对特定路线的预训练模型（例如，经过 100 万英里训练的“I-10 Phoenix-LA 模型”）。 引入分级定价：驾驶辅助服务为 0.30 美元/英里，完全自动驾驶为 0.70 美元/英里。 与保险公司（慕尼黑再保险、瑞士再保险）合作，为自动驾驶车队提供 20% 的保费折扣。 目标：500 万英里的自动驾驶里程、1000 万美元的 ARR，并证明比人类驾驶员安全 2 倍（使用 NHTSA 碰撞率基准）。

4. 护城河（第 25-36 个月）：垂直整合到相邻市场：(1) 仓库自动堆场卡车（问题更简单，50 亿美元市场），(2) 港口拖运（受控环境，高密度），(3) 采矿运输道路（无监管障碍）。 推出“Convoy AI Studio”，允许原始设备制造商（戴姆勒、沃尔沃）为其卡车添加白标堆栈。 构建数据护城河：跨越 100 多条路线的 5000 万英里以上创建了业界最大的边缘案例库，使模型无与伦比。 引入“车队间学习”，客户可以选择共享匿名数据以获得更好的模型（网络效应）。 目标：5000 万英里的自动驾驶里程、1 亿美元的 ARR，并成为“自动驾驶卡车运输带”——默认的基础设施层。 退出：被物流巨头（UPS，$2B+）或 OEM（戴姆勒，$3B+）收购或以 $5B+ 估值进行 IPO。

• PyTorch + Hugging Face Transformers（用于感知的视觉变压器，用于预测的世界模型）
• Nvidia Omniverse + Isaac Sim（合成数据生成的真实感模拟）
• ROS2 + Autoware（开源自动驾驶中间件）
• AWS RoboMaker + S3（用于数据湖和分布式训练的云基础设施）
• 扩展人工智能（数据标签和边缘案例管理）
• 权重和偏差（实验跟踪和模型版本控制）
• Kubernetes + Ray（分布式训练和推理）
• Rust（用于车辆控制的安全关键嵌入式系统）
• Grafana + Prometheus（车队监控和遥测）
• Stripe（每自动驾驶英里基于使用情况计费）

基于使用情况的 SaaS 模式按自动驾驶里程收费，并根据自动驾驶水平进行分级定价： (1) 驾驶员辅助模式 (L2)：0.30 美元/英里——车道保持、自适应巡航控制、自动制动； 目标 100 万辆卡车，$15B TAM，(2) 监督自动驾驶 (L3)：0.50 美元/英里——配备安全驾驶员的完全高速公路自动驾驶； 目标 50 万辆卡车，$25B TAM，(3) 无人驾驶 (L4)：$0.70/英里——无需人类驾驶员； 目标 20 万辆卡车，$20B TAM。 收入分成：70% 来自每英里费用，20% 来自向 OEM 提供的“Convoy AI Studio”白标许可（500 万至 1000 万美元的年度合同），10% 来自数据产品（向研究人员、保险公司、监管机构出售匿名边缘案例数据集）。 单位经济效益：5万美元的前期硬件成本（5年摊销= 1万美元/年），每年2万美元的云/计算成本，每辆卡车每年10万英里的毛利率为3万美元。 每卡车行驶 5 万英里即可实现收支平衡，毛利率为 60%。 通过直接销售给排名前 50 的车队（占市场的 40%）和 OEM 合作伙伴关系（与新卡车销售捆绑在一起）来获取客户。 通过交叉销售相邻产品（堆场卡车、港口拖运）和国际市场（欧盟、澳大利亚）扩大收入。 退出估值：3-5B 美元，基于 10 倍收入倍数的 1 亿美元 ARR（相当于 Aurora 的 13B 美元估值）或 1.5 倍收入（1.5 亿美元）的战略收购。