💡 站外导读:在烧钱动辄数十亿美元的自动驾驶重卡赛道,后来者如何不用重复造轮子就跑通商业闭环?瑞典电动无人货运公司Einride在11月公布的Q3业务更新给出了一个极其务实的工程答案:截至11月签约年化经常性收入(Contracted ARR)暴涨76%至1.67亿美元,同时彻底放弃从零训练私有大模型,直接把340亿参数版NVIDIA Alpamayo蒸馏成10亿参数塞进双Thor车载芯片。

一、 拒绝数十亿美元沉没成本:把 34B 版 NVIDIA Alpamayo 蒸馏至 1B 上车双 Thor
在自动驾驶行业早期,头部玩家往往被迫自建庞大的基础大模型团队,从零开始吞吐海量算力。Einride 首席技术官 Henrik Green 在接受 FreightWaves 专访时直言:“那些比我们更早起步的公司,为了把私有 AI 模型训练到今天的可用水平,实打实烧掉了数十亿美元(literally billions of dollars)。”
如今,随着通用物理 AI(Physical AI)基础模型的成熟,Einride 选择了一条“站在巨人肩膀上做领域蒸馏”的捷径:公司从 10 月起正式引入 NVIDIA Alpamayo 驾驶模型,以其中的 340 亿参数(34B)版本作为起点——Green 将其形容为“本质上已是一个高度成熟的 Robotaxi 基础模型,就像一座开箱即用的金矿”——随后再注入 Einride 自有货运网络数据,将其知识蒸馏压缩为约 10 亿参数(1B)的紧凑模型,直接部署在卡车端侧实时运行。
在硬件底座层面,Einride 自 9 月起将下一代自动驾驶系统 Einride Driver 全面迁移至 NVIDIA Hyperion 平台。这不仅让公司得以直接采购汽车 Tier 1 供应链已实现大批量生产的车规级激光雷达、摄像头和毫米波雷达(大幅压低 BOM 成本并为后续量产型式认证铺路),车载计算核心更配齐了两颗 NVIDIA Dual Thor 芯片,其端侧算力足以支撑 1B 参数驾驶模型在复杂高速干线上的低延迟推理。同赛道的 L4 级重卡软件开发商 PlusAI 也已在今年 3 月宣布基于 Hyperion 适配 Alpamayo。
二、 260 辆电动卡车充当“创收型数采车”:每小时吞吐 5TB 免费数据、覆盖 80% 路网
把 Robotaxi 模型迁移到几十吨重的商业重卡上,真正的难点在于重卡动力学特征、盲区视野以及货场上下游交互数据极度稀缺。Einride 的解法是利用现有盈利车队直接反哺模型进化:公司目前已拥有超过 260 辆电动卡车(外加 10 辆全自动驾驶卡车,欧、美各 5 辆,自动驾驶占当前车队比例约 4%)。
Einride 为这批日常由人类司机驾驶的商用电动卡车加装标准传感器套件,让它们摇身一变成为高密度路测数采车。据 Green 披露,每辆改装电动卡车每小时可采集约 5TB 的多模态道路数据(经筛选、标注与剔除冗余后入库),最关键的是——这些卡车在采集数据的同时,仍在正常承接托运客户订单并创造真金白银的货运收入,用 Green 的话说,“我们几乎相当于免费拿到了这批高价值数据”。
在合规安全架构上,Einride 并没有让端到端大模型直接“裸奔”上路,而是将已经跑通合规审批的现役确定性系统 “Einride 1.0” 保留为包裹在 AI 模型外层的安全护栏(Safety Wrapper)。这套安全包装层已经为 Einride 拿下了 4 个国家及美国 5 个州的无安全员公开道路运营许可(例如 9 月与德国零售巨头 Lidl 获德国联邦汽车运输管理局批准,在公共道路投入欧洲首批无驾驶室 SAE L4 日常货运卡车,并在俄亥俄州 Marysville 为 EASE Logistics 运营两辆无驾驶室卡车),截至 11 月 13 日累计商业合同无安全员运营时长已达约 8,500 小时(较 6 月的 5,400 小时大幅提升)。按照规划,Einride 将在 2027 年下半年启动 Alpamayo 实车道路测试,一旦完成卡车域训练即可覆盖当前高达 80% 的货运网络,目标在 2028 年上半年正式实现高速公路自动驾驶,并于 2027 年同步推进 DAF 电动卡车平台的软件集成。
| 核心业务与技术维度 | 当前进展 / 2026 Q3 实绩 | 2027–2028 阶段性目标 | 战略与财务含义解析 |
|---|---|---|---|
| 签约年化收入 (Contracted ARR) | 约 1.67 亿美元(截至 11 月,较 6 月底大涨 76%) | 2027 年末年化营收目标约 2.5 亿美元(超 65% 已签单) | 订单增速验证大客户留存(客户总数超 40 家),但受解约条款约束不直接等同GAAP营收 |
| 当季营收与年化运行率 | Q3 营收 1,830 万美元(环比 +27%);年末 ARR 指引 8,500 万–9,500 万 | 2030 年冲刺超 20 亿美元年化营收(含约 8 亿非约束性计划) | 电动货运先期造血稳固,上半年/下半年营收按指引 3,900 万–4,200 万稳步兑现 |
| AI 驾驶模型与端侧算力 | 以 34B 版 NVIDIA Alpamayo 起步,搭建 Hyperion + 双 Thor 芯片平台 | 蒸馏至约 1B 参数跑在车端;2027 下半年路测、2028 上半年跑高速 | 省去数十亿美元从零预训练沉没成本,复用 Tier 1 车规级量产传感器 |
| 车队规模与盈亏平衡点 | 260+ 电动卡车 + 10 辆 L4 无人卡车(累计 8,500 小时合同无人运营) | 引入 500 辆 Tesla Semi(资产抵押融资),2028 年达 1,500–2,000 辆并盈亏平衡 | 单车每小时 5TB “边赚钱边采数”飞轮;现金降至 5,300 万美元仍需严控烧钱节奏 |
三、 1.67 亿美元签约 ARR 与“现金流钢丝”:5,300 万美元账面现金下的扩编算盘
从商业成长性来看,Einride 的订单与营收转化正在明显加速:2026 年第三季度营收按固定汇率计算环比大增 27%,达到 1.859 亿瑞典克朗(约 1,830 万美元);自 6 月以来新增 8 家客户,总客户群突破 40 家。公司重申 2026 下半年营收指引为 3,900 万至 4,200 万美元,并预计 12 月末年化营收运行率将攀升至 8,500 万至 9,500 万美元(相比 9 月末的约 7,600 万美元和 2025 年底的 4,900 万美元逐季抬升)。
不过,高增长的背面依然是自动驾驶行业难以回避的资本消耗战。未经审计的初步 Q3 数据显示,尽管公司账面录得 9,530 万美元净利润,但其中包含 1.338 亿美元金融工具公允价值变动收益;剔除该项后的经调整 EBITDA 亏损达 2,030 万美元,下半年经调整 EBITDA 亏损预期也从此前的 3,500 万–3,700 万美元小幅扩大至 3,900 万–4,100 万美元。与此同时,公司账面现金从 6 月 30 日的 7,700 万美元(7.48 亿瑞典克朗)消耗至 9 月 30 日的 5,300 万美元(5.33 亿瑞典克朗)。
面对仅有五千余万美元现金储备却要接装今年 8 月订购的 500 辆 Tesla Semi 电动半挂卡车的资金压力,Einride CFO Anubhav Verma 给出了明确的资产隔离方案:借助第三方资产抵押融资(asset-backed financing)来支付重资产车队的扩编费用,将宝贵的自有股权资金集中锁死在算法研发与运营调度中,争取在 2028 年运营车队扩至 1,500–2,000 辆时跨过现金流盈亏平衡线。
四、 从单车智能化到“商业运力即数据平台”:重写物理 AI 的投资回报公式
Einride 这一轮战略披露的真正示范效应,在于它戳破了过去十年自动驾驶行业“必须全栈自研基础模型”的估值神话。当 NVIDIA 通过 Hyperion 与 Alpamayo 34B 把高维多模态驾驶先验变成半标准化的供应链底座后,垂直场景运营方不再需要拿投资人的钱去和通用大模型公司拼千卡集群预训练,而是可以把核心壁垒浓缩到两件事:第一,持续产生正现金流和真实长尾场景数据的商用车队;第二,能合法跑在公共道路上的确定性安全护栏与客户契约。
这也解释了为何 Einride 敢于在现金仅剩 5,300 万美元的节点上,一边用资产抵押撬动 500 辆 Tesla Semi,一边把研发重心押注在 1B 蒸馏模型与 DAF 等多品牌底盘泛化上——只要电动卡车本身的货运合同能覆盖资产折旧与日常运转,Alpamayo 的每一次迭代几乎都是在做零边际数据成本的增量套利。2027 年下半年的实车干线路测,将成为检验“基础模型蒸馏 + 商业车队反哺”能否真正击穿自动驾驶高成本魔咒的试金石。
📝 站长洞察 (Editor’s Insight)
Einride 这份 Q3 成绩单堪称 Physical AI 走出“烧钱死胡同”的务实范本。过去自动驾驶公司最致命的悖论在于:没跑通 L4 前缺乏商业造血,只能靠融资烧车队刷里程;而 Einride 证明了“先靠电动货运拿下 1.67 亿美元签约 ARR,再让 260 多辆创收电卡顺便每小时采回 5TB 数据反哺蒸馏 NVIDIA Alpamayo”才是健康的冷启动飞轮。更值得具身智能架构师借鉴的是其双层架构:底层拥抱 34B 商用驾驶基座蒸馏至 1B 上双 Thor 芯片,外层死守已获多国牌照的 1.0 确定性安全护栏,用工程确定性兜住 AI 概率边界。
Einride为什么不从零训练自动驾驶大模型?
因为从零训练私有模型需要极高算力和资金投入,行业里往往要烧掉数十亿美元。Einride选择直接基于NVIDIA Alpamayo做领域蒸馏,把通用物理AI能力压缩到适合重卡端侧运行的1B模型,以更低成本推进落地。
Einride的1B模型是怎么上车运行的?
它以NVIDIA Alpamayo 34B为起点,再结合自有货运网络数据蒸馏成约1B参数模型,并部署到双Thor车载芯片上。这样既能满足端侧低延迟推理,也便于在高速干线场景中运行。
260辆电动卡车如何帮助Einride训练自动驾驶?
这些电动卡车在正常承接货运订单的同时,加装传感器采集多模态道路数据,每小时可产生约5TB数据。经过筛选、标注和去冗余后入库,用于反哺模型训练,相当于边赚钱边做高价值数采。
1B蒸馏模型上车最难卡点是什么?
最难的不是模型体积,而是车端时延、长尾场景和安全冗余同时达标。实操上要先做分层蒸馏:保留感知与规划关键能力,再用闭环路测数据做场景回放和失败样本重训,最后在双芯片上做故障降级验证。
260辆路测数据怎样转成可复用资产?
关键是把原始路测流变成结构化场景库:按天气、载重、道路类型、接管原因打标签,再建立高价值片段自动挖掘和回放机制。这样数据不仅能训模型,还能持续做回归测试、版本对比和安全审计。
