萝卜快跑让 robotaxi 呈现为 AI-China 的运营问题

这是一张 2025 年 12 月在武汉和平大道拍摄的萝卜快跑 RT6 实景照片。它适合本文，因为萝卜快跑的 AI 系统并非只有模型层，而是一项带着车辆、路线、许可、乘客和运营区域进入街面的车队服务。[6]

截至 2026-05-27 UTC，百度萝卜快跑值得被放在比 robotaxi 头条更具体的位置上理解。它是 AI-China 中最清楚的具身智能体闭环案例之一：模型观察城市街景，在受限定的运营设计域内规划，通过车辆执行动作，把结果回传到车队运营，并接受完成订单数这一指标的检验，而回答 prompt 数在这里不是衡量核心。百度 2026 年第一季度业绩把规模标记写得很直接：Q1 完成 320 万次全无人运营订单，3 月周订单峰值超过 350,000，截至 4 月累计公开出行服务超过 2200 万次，截至 2026 年 5 月覆盖全球 27 个城市。[1]

这一点并没有把萝卜快跑变成“自动驾驶已经完成”的简单证明。它提供的是一个更适合判断“智能体 AI”含义的用例，因为行动界面昂贵、受监管，并且落在物理世界里。浏览器智能体提交表单失败后可以重试。robotaxi 要处理道路、乘客、城市规则、车辆清洁、天气、地图、远程运营、边缘计算、App 派单，以及堵住交通后带来的声誉成本。技术层面的重点在于，AI-China 的智能体竞赛已经走出聊天、办公文档、代码工作区和短视频生成这些场景。放到百度身上，它也以一项有车轮的城市服务显现出来。

图片说明：题图采用 Wikimedia Commons 上一张真实照片，画面是一辆萝卜快跑 Apollo RT6 于 2025 年 12 月 17 日行驶在武汉和平大道上。这里刻意使用街面摄影，避开图解、仪表盘或合成渲染，因为本文讨论的是公共空间里的运营型 AI。[6]

这个用例体现的是有边界的自治

理解萝卜快跑时，清晰的切入口是把自治能力主张与部署主张分开。百度在 2024 年 5 月发布 Apollo ADFM 时，把它描述为支持 L4 应用的自动驾驶大模型，具备多模态感知、多源规划能力，并沿着分阶段路径走向端到端自动驾驶。[2] 这是模型层叙事。它说明百度希望驾驶栈能够覆盖比脆弱规则系统更广的城市场景。

部署层叙事范围更窄，也更重要。L4 驾驶的含义，并非车辆可以在任何条件下驶向任何地点。它指的是系统能够在界定清楚的运营设计域内承担完整驾驶任务。因此，萝卜快跑的进展应按城市、区域和许可逐层阅读。百度 2022 年宣布在武汉和重庆获得商业化全无人驾驶许可时，对这一转变的表述十分谨慎：服务可以在车内没有人类驾驶员的情况下收费运营，但范围限定在指定区域和日间运营时段内，并且在此之前已经经历了安全员先坐驾驶位、再坐副驾驶位、随后车内无安全员的分阶段测试。[3]

这种边界正是本文论点所在。真正有用的 AI 产品，并非一辆自称具有通用智能的汽车，而是一套能够把城市中的限定片区、受监管服务区域、确定车队、基于 App 的需求通道，以及足够安全证据组织起来，并把自动驾驶转化为可重复交通产品的系统。

武汉为什么重要

武汉对于萝卜快跑而言不只是背景。它是车辆经济性、公众接受度和城市运营交会的试验场。Apollo ADFM 于 2024 年 5 月在武汉发布，而百度的许可历史也已经把武汉同 2022 年中国首个商业化全无人网约车许可联系在一起。[2][3] 到 2025 年末，RT6 在武汉街头已经足够常见，能够以普通交通摄影的形式出现，而不只停留在企业发布图像中。[6]

这一点重要，是因为 robotaxi 服务必须跨过许多 AI 演示回避的门槛：它要变得足够日常，才能接近基础设施。模型输出并非一段 polished paragraph，而是一条路线完成、一个上车点被找到、一个车道被处理、一个乘客被送达，以及一次车队状态更新。每一次成功订单给实验室基准测试带来的信息都有限，但订单累积会把系统放进大量平凡边界情形里，而这些情形决定自治能力究竟是一项服务，还是一场舞台演示。

百度 2026 年 Q1 数据显示，服务正在从新奇感走向运营规模，同时也说明门槛很高。超过 3.3 亿自动驾驶公里、超过 2.2 亿全无人自动驾驶公里，这些是车队规模主张，超出了模型卡主张的范围。[1] 它们指向车辆背后一整台运营机器：安全监控、地图更新、场站工作、充电、远程协助、天气策略、事故处理和地方监管接口。本文据此推断，如果萝卜快跑形成真正的护城河，它会同样落在这台运营机器里，而不只落在驾驶模型本身。

模型只是智能体的一层

Apollo ADFM 给了百度一套自动驾驶基础模型词汇，但 robotaxi 这个“智能体”是一组堆叠系统。底层是传感器、车辆控制、定位、地图与车载计算。中间层是感知与规划。再往上，是车队调度、路径策略、网约车接入、客户支持、充电、清洁、维护和异常处理。最高层则是城市级约束：服务获准驶入哪些地方，何时可以收费，如何与其他道路使用者共享空间，以及监管者要求怎样的报告。

这也是萝卜快跑应当进入 AI-China 讨论的原因，虽然它并非一次 LLM 发布。它让“智能体”这个词变得更具体，也更难。系统必须在现实世界中行动，而行动并非一次模型调用。它是一条协同链路，包含模型推理、车辆执行、车队监督与业务流程路由。乘客不会关心这套堆叠究竟使用了基础模型、规则模块，还是远程协助回退。乘客关心的是车是否到达、行驶是否安全、上车点是否处理妥当，以及问题能否解决到不让一趟车变成客服工单。

因此，百度公开指标需要两层读法。乐观读法是，订单量、城市数量和全无人公里数显示出真实的运营曲线。[1] 谨慎读法是，这些指标没有披露单位经济性、接管率、远程协助负载、恶劣天气可用性、场站利用率，或按城市拆分的服务质量。决定 robotaxi 车队能否成为可规模化 AI 业务的，正是这些细节；否则它会停留为一项令人印象深刻但成本高昂的运营工程。

海外合作把车队变成平台测试

萝卜快跑的国际化推进增加了第二重测试：中国自动驾驶栈能否穿过非中国平台和监管体系。2025 年 7 月，百度与 Uber 宣布达成多年合作，将在美国和中国大陆以外市场，通过 Uber 平台部署数千辆萝卜快跑自动驾驶汽车，首批部署预计落在亚洲和中东。[4] 到 2026 年初，百度与 Uber 已经把迪拜定位为下一批运营界面之一；百度随后发布的消息称，萝卜快跑已联合 Dubai Taxi Company 在迪拜开启全无人商业化网约车服务，并把 Dubai 的 Apollo Go Park 描述为海外运营管理枢纽，用于支持未来几年超过 1,000 辆自动驾驶汽车的车队计划。[5]

这条序列具有战略意义。在中国，萝卜快跑可以依托百度自己的 App 界面、本地城市关系和国内自动驾驶历史。到了海外，这套栈需要接入其他需求渠道、其他交通主管部门和其他乘客预期。Uber 给百度带来需求聚合和乘客体验触达，同时也让萝卜快跑在一个更大的出行市场中更容易被理解为供应商。[4] 迪拜测试的是另一种接口：政府智慧出行目标、出租车公司运营，以及一个必须把车辆转化为托管服务、超越单纯交付产品的海外枢纽。[5]

由此展开，萝卜快跑正在成为 AI-China 出海的一项双面测试。一面是技术：模型和车辆栈能否适应新的道路与规则。另一面是运营：百度能否在本土市场之外复现支持、车队与监管闭环。

什么会证明或削弱这个论点

最强的确认信号会是日常化增长：更多全无人订单、更宽的运营时段、更少的脆弱区域边界、更清楚的服务质量、更低的介入负担，以及因为栈可复用而提速的城市上线。百度截至 2026 年 5 月关于 27 个城市覆盖范围的说法，为本文提供了一个具体基线；下一步要看的，是这些城市会深化为高可用服务，还是保持为不均衡的试点界面。[1]

第二个确认信号，是与平台伙伴之间出现可见整合。如果合格市场中的 Uber 乘客能够稳定选择或匹配到萝卜快跑车辆，并且这一体验能经受日常上车点复杂性的考验，中国 robotaxi 栈就会进入全球网约车供给体系，超出独立国家展示项目的范围。[4][5]

反证也很直接。如果订单增长依赖补贴、受限展示区、格外有利的天气、大量远程支持，或不透明的安全报告，那么萝卜快跑仍会是规模化托管演示，而不会成为耐久交通产品。海外部署如果长期停在公告层面，国内运营则拿出漂亮总量却缺少透明服务质量，同样会削弱这一论点。

就目前而言，萝卜快跑值得持续跟踪，因为它改变了 AI-China 分析的形状。问题从“哪个模型最强”转向“哪一个由模型支撑的系统能够在现实世界运营服务”。在 robotaxi 中，智能体并非只有神经网络。它是车辆、车队、App、城市许可、运营中心和异常处理闭环共同运转。这个基准比排行榜更难，也更有用。[1][2][3]

cronfeed.work