今年，物理 AI 的聚光灯更多打在机器人身上，具身机器人吸引了物理 AI 赛道最多的融资、最多的报道，也占据了最热闹的展会。
但物理 AI 不止一种形态，如果说具身机器人解决的是「机器如何在物理世界里工作」，那么围绕货物的另一条路径：载物智能，解决的是一件更现实的事情：机器如何在物理世界里持续赚钱。
机器人的叙事火热，但最先跑出商业闭环的，是载物一侧。
尤其是在货运场景里，货物运输需求刚性、场景相对封闭、成本要精确核算，合规路径也更清晰。
一辆 L4 自动驾驶汽车能自己从 A 点开到 B 点，并不意味着一门货运生意已经成立。
真正决定商业化的，是一吨货从哪里出发，到哪里结束，需要多少人、多少车，多少时间，多少能源，最后每吨货到底赚多少钱。
卡尔动力正在尝试回答这道题。
从 2021 年提出「领航车有人、跟随车无人」的混合智能编队，到 2025 年在鄂尔多斯跑通物流路线级正经济性无人货运闭环，再到如今向六省核心物流通道扩张，卡尔动力走的，不是「造更多无人卡车」的单线逻辑。
先让一条线上的 AI 货运成立，再把这套能力变成可以复制的模块，最后把一个个模块连接成网络，从点到线、从线到网。
卡尔动力真正试图规模化的，不是一辆无人卡车，而是一套可以复制、迁移、联网的载物智能系统。
无人货运真正的规模化单位，可能不是一辆车，而是一条线路，而当线路开始互联，竞争单位才从车队变成网络。
一张自生长的载物智能网络，可能才是规模化之后，真正值得争夺的城池。
01、先算账，再谈无人
在物理 AI 的载物分支里，技术领先不等于商业领先。商业化的入场券，属于先算清一吨货运到终点要花多少钱的人，无人货运的第一性原理不是无人，而是单位运输成本。
自动驾驶行业很容易把「无人」当成终点。但货运客户不会为了 L4 本身付钱，最终要买的，是运输结果。
所以 Robotruck 要过的，不只是技术关，还有一笔运输经济账。
按照行业粗略拆分，传统货运成本大致是「33211」：30% 过路过桥、30% 能源、20% 人工、10% 维修、10% 折旧。
第一步，先算「人」。L4 能做到「无人」，看上去，砍掉人工成本就够了。
卡尔动力做了一个当时看起来「退了一步」的决定：没有让所有车一步跨入完全无人，选择做混合编队，一辆有人驾驶的领航车，带 1-5 辆 L4 跟随车。
实际上，混合编队解决了一个纯技术方案绕不开的现实问题：在真实的干线货运环境里，L4 汽车要面对的远不止驾驶本身。部分国道收费站没有 ETC，需要扫码缴费，交警会指挥车辆进称重站检查载重，矿区周边的路面上，水坑和土堆随时可能出现。
传统运输，是一辆车对应一个驾驶员。混合编队开始变成一个人管理一支车队。人车关系被重新定义，成本也变了：
算法把油门和刹车控得更平稳，减少急加速、急减速，满载工况下持续省油省电，调度优化减少了空驶与等待。与人类司机车队相比，运输利润空间能提升 10%-18%，同时带来 5%-10% 的能耗优化。
普通自动驾驶，是在传统卡车上加一套系统；载物智能，则把运输系统的成本重新算了一遍。
于是自动驾驶第一次真正进入运输公司的成本结构，无人驾驶是终局想象，这一步，是把司机这个生产要素从运输系统里重新配置，从 1 个人对应 1 辆车，变成 1 个人对应 N 辆车。
过去几年，新能源把能源成本压下来了，但人工成本在往上走。五年前在鄂尔多斯招驾驶员，在一万出头，还比较好招。现在招不到人、流失高，驾驶室几乎没有 95 后，夜班尤其缺人。一个人的一天的工作时间就是 8-10 小时。
卡尔动力选了一条更务实的路径：先把编队的经济性跑通，再逐步提高无人化率。除了混合编队，卡尔动力还有两条产品线，L4单车自动驾驶和运输机器人，在封闭、半封闭的场景推行，算账的对象也一层层往下深入。
第二步，再算车的驾驶成本。
卡尔动力 L4 单车智能方案，用单车 L4 能力完成无人运输，利润空间可提升至 20% 以上。
第三步，重新设计车辆本身。
无驾驶舱运输机器人方案，KargoBot Space 2.0 去掉驾驶舱，载货空间多了约 25%，有效载重提升约 10%，支持 7×24 小时不间断运行，单车经济效益增加约 30%。重卡空调向来是耗电大户，无人之后，这一大能耗支出也省下了。
卡尔动力真正改变的，是货运成本结构本身。从一人多车到单车无人，再到取消驾驶舱，先算人，再算车，最后算整个运输系统的成本。
但同一条线路，也可能是一门完全不同的生意。车型不同、能源不同、自动驾驶可用路段比例差十个百分点，最优方案组合就不同，单位经济效益也随之不同。
卡尔动力在长期交付中逐渐内化了一套 TCO 计算工具。把车队规模、车型、能源类型、自动驾驶可用路段比例、单车行驶里程、障碍场景，以及折旧、人工、维保、能源等全部纳入测算。
这意味着，自动驾驶公司真正交付给客户的，开始从一套技术变成一套在特定场景下成立的运输方案。
卡尔动力在鄂尔多斯跑通正经济性无人货运闭环，实现路线级 UE （Unit Economics，单位经济模型）转正，并完成规模化无人货运门到门运营。
而一条线能赚钱，就不只是「赚到了钱」，还是网络效应成立的前提。没有单点正经济性，一切关于网络效应的叙事都是空中楼阁。
02、第一条线赚钱，第二条线才能复制
一条正 UE 线路，能证明商业模式成立。但形成规模是另一套规则，Robotruck 的第二关，是让下一条线路，不必再从零开始。一条线真正有价值的，不只是它自己赚钱，还要让企业知道「下一条线怎么赚钱」。
这时候，数据开始变得重要。但这里的数据，不只是通常理解的自动驾驶数据。重卡面对的世界，比乘用车更复杂。
一方面，几十吨的载荷、十几米的挂车，一整套物理约束，让空载和满载几乎就是两辆车。满载时惯性成倍放大，同样时速下，制动距离明显拉长。
另一方面，单车和高速编队，是两种系统。编队最极端的物理难题，在秒级车距下才会暴露：前车一个很小的轨迹变化，都可能被后车逐级放大，形成「风琴效应」。一旦远端轨迹预测出现偏差，再进行强行修正，极端情况下还可能引发甩尾或挂车折叠。
因此，会跑一条路和会跑所有路之间，隔着海量的物理场景。仿真和乘用车数据替代不了这些真实物理样本。载物智能的数据，只能在真实干线、重载工况里长出来。
卡尔动力之所以从鄂尔多斯开始，既有场景的考虑，也有数据上的必然。
北方能源带的运输场景，与内蒙高度同构，高速、国道、省道、村道、土路、矿区道路，几乎在每一个新省份都会重新出现一遍。换句话说，鄂尔多斯不是一个孤立的样板间，而是整个中国北方干线物流的场景缩影。
卡尔动力L4编队识别牛羊群
卡尔动力在这里把复杂路况、非结构化环境和真实货运运营全部打磨过一遍之后，向外扩张，就有了可以参照复制的场景库。
更重要的是，货运的运营频率足够高，AI 才有机会持续遇到问题。从广州到苏州一条路线，最头部物流公司每年只发 2-3 车，一条路线上一共 6 台车。而在内蒙，从一个煤矿到一个电厂，每天 400 车，有些路线甚至是每天 4000 车，量级完全不同。
卡尔动力涵盖场景描述、目标感知和驾驶决策三大类信息的结构化基准数据集 NuScenes-S
每一趟货物运输，都把真实数据留下。目前，卡尔动力百台级的 L4 自动驾驶车队、千万公里级的编队自动驾驶里程，积累了道路遗洒、牛羊穿行、强横风、长坡道、变化的路面附着条件等超过 400 万个干线货运的边缘场景。
场景库再大，也只是静态资产。真正让「下一条线」边际成本降下来的，是一条循环起来的数据生产链：真实运输暴露问题，问题变成场景数据，数据训练模型，模型回到车上，再进入下一趟真实运输。
数据的起点是技术，终点是经济账本。
这才是无人货运真正意义上的规模效应：每新开一条线，需要重新趟的坑更少。
数据的价值，也从训练模型，进一步变成降低复制成本。
它更大的意义，在于让第二条线不用再从零开始。规模化，从这里开始。
03、「织线成网」，车队之外，开始拼网络
规模化，不能简单理解成车队规模，这里需要区分两个概念。
100 辆无人卡车，可以是一支很大的车队，但彼此独立、各跑各的，只是 100 份固定资产，车队的规模效应，是线性的，是加法。
而网络是乘法，定义更加苛刻：新增一个节点，可以提高其他节点的价值，节点之间共享资源，撬动整个网络杠杆。
一个客户的货运场景，可以训练整个模型，所有车一起变聪明；一个车企接入，带来更多运力；一套安全体系，复用到更多区域，标准被推广到每一公里。100 辆汽车进入同一张网络，新增的每一个节点，都可能提高已有节点的利用率、数据量和调度效率。
一条路线对应的可能是一个客户、一个项目。当路线变成网络，就变成「一个成熟样板 + 一套标准能力 + 一个新的场景」。
卡尔动力把这条路径概括为「1+N+X」。
「1」不是简单的一条样板线路，验证的是一个完整运输闭环，技术、客户、车辆、能源、场站、运营和经济性。
「N」，是跨区域，把成熟方案复制到更多地区和线路。卡尔动力正在将网络延伸至内蒙古、宁夏、甘肃、新疆、陕西及山西等核心物流通道。
「X」，在已经形成的节点上继续增加货种和场景。从大宗商品延伸至快递、工业制成品、零部件、农畜产品，以及港口、铁路多式联运枢纽、物流园区，服务更多运输任务。
这其实是两种不同方向的增长：N 是横向扩张，把网络铺开，X 是纵向复用，把网络织密。
据悉，卡尔动力新路线平均部署周期，已经从 8 个月压缩到 3-4 个月。真正让各个路线彼此连接的能力，来自三个层面。
一是硬件标准化。
载物智能的物理载体开始平台化。KargoPlatform Gen5.0 支持多个 OEM，中央计算+区域控制器把电气复杂度降低 50%，不用每换一个车厂，就重新开发一套自动驾驶系统。
二是软件平台化。
KargoCloud 把车辆、货物、运力、能源、场站全部纳入同一套调度体系，当一辆车进入网络即被接管，单点能力就转化为系统能力。
卡尔动力自研的KargoCloud调度平台
三是运营模板化。
真正难复制的，往往是那些藏在项目里的经验，安全体系、运维流程、能源方案、TCO 工具，以标准模块的形式整体转移，就是把这些隐性能力显性化。
这时候，卡尔动力真正复制的，已经从无人卡车驾驶技术，扩展为一套无人货运的解决方案。
当新增一条线路越来越像复制而不是重新创业，载物智能才真正从「项目制」走向「网络化」。而网络真正有价值的地方，在于节点之间的连接。
只做自动驾驶技术公司，掌握算法就够了。但载物智能网络是另一回事：车、货、能源、场站、订单和 AI，必须被连接起来。
卡尔动力选择和车企、能源、客户和物流伙伴一起进入这套体系。车企出车，能源企业拥有换电系统，物流企业有货源，客户有场景。
卡尔动力的 ARS 战略（AI-ROBOT-SOLUTION），串联起自动驾驶、调度和运营能力。最终握住的，是车辆入网、调度、数据产出以及数据反哺全网效率的一整套网络规则。
过去几年，自动驾驶卡车经历过 L2 与 L4、编队与单车之争的「诸子百家」时代。当技术从场景演示走向规模化阶段，决定规模的不是谁拥有更多孤立的无人卡车，而是谁能让一条条运输线路形成协同。
从单车，到车队，再到线路，最终是网络，用更低的成本，把更多线路连接起来。
新增的客户、新的货种、新的线路、新接入的车辆，都成为这张网络新的节点。
当一条线能够赚钱，第二条线能够复制，一张网络才真正开始生长。
行业正在进入成王败寇的阶段，比的不是更大的车队，是一张会自生长的运输网络，未来竞争的是载物智能网络的基础设施效率。