小马智行亏损收窄背后：Tesla式AI商业化为何更赚钱

2026-02-03，小马智行在港交所公告：预计截至2025-12-31年度录得亏损净额约6900万至8600万美元，相比2024年度2.75亿美元的亏损明显收窄。数字本身不复杂，但它把自动驾驶行业最现实的一面摆在台面上：AI越“像未来”，越容易先亏钱。

我一直觉得，讨论自动驾驶不能只盯“技术路线谁更先进”，更要盯“谁能把AI变成可持续的现金流”。这也是本系列《自动驾驶 AI：Tesla 与中国车企的发展路径对比》反复想回答的问题：端到端模型、数据闭环、软件收费这些词，最终都要落到利润表上。

小马智行的亏损收窄，是一个很好的切口。它让我们能把“Robotaxi/自动驾驶公司”的财务逻辑，和Tesla这类“整车 + AI软件”的盈利性运营放在一起对照——你会发现，双方都在砸AI，但砸钱的方式、回收的路径、现金流的节奏完全不同。

亏损收窄不等于商业化成功：先看钱花在哪、怎么回

结论先说：小马智行亏损变小，更多是成本与节奏优化的信号，不代表自动驾驶商业化已经被证明。

从公告信息看，小马智行对2025年的亏损给出了区间（6900万至8600万美元），而上一年度亏损净额为2.75亿美元。出现这种变化通常有几类原因：

• 研发投入节奏调整：从“铺面式”研发转向“关键模块优先”，比如感知、规划、仿真平台与安全验证的投入结构变化。
• 运营规模与补贴结构变化：Robotaxi试点常与地方政策、合作方共同承担部分成本；当模式从“扩张”转向“稳态运营”，亏损会短期变好看。
• 一次性费用减少：例如股权激励、公允价值变动、某些项目减值等会显著影响净亏损。

但关键在于：**Robotaxi/自动驾驶公司最难的不是把车跑起来，而是把“每公里”跑成正毛利。**你要支付的不是单一成本，而是“叠罗汉式”成本组合：

1. 车辆与传感器成本（硬件折旧）
2. 安全员/远程接管与调度（人力）
3. 算力训练与仿真（云与机房）
4. 运营合规与保险（长期费用）
5. 城市拓展与场景适配（规模化摩擦）

当这些成本还没被规模摊薄时，亏损是常态。小马智行的公告反而提醒市场：自动驾驶“技术投入很大”这件事没有变，只是财务结果变得更可控了。

Tesla更“赚钱”的核心：把AI塞进可复制的商业系统里

结论先说：Tesla的AI战略更像一台“可复制的印钞机”，因为它把AI收益绑定在整车规模和软件定价上。

在自动驾驶 AI 的讨论里，很多人把焦点放在“传感器路线”（纯视觉 vs 多传感器）或“模型形态”（端到端 vs 模块化）。但从商业化角度，Tesla真正领先的是三件事：

1）数据闭环的成本结构更“规模经济”

Tesla把海量量产车当作数据采集网络，数据回流、训练迭代、OTA分发形成闭环。这套闭环的边际成本更低：卖得越多，数据越多，模型迭代越快；而迭代后的体验提升，又反过来促进销量与软件付费。

对比Robotaxi公司：车辆规模相对有限，数据分布更集中在少数城市、少数线路；每进一座新城市，数据与规则的“补课成本”都很高。

2）软件优先的定价能力：把AI从“成本”变成“SKU”

Tesla把辅助驾驶能力包装成可付费的软件产品（按买断或订阅），这让AI不只是研发费用，而是可以在财务上被定义为：

• 可定价的功能
• 可持续的服务收入
• 可复用的产品资产

Robotaxi公司则更像“运营商”：收入往往与订单量直接相关，短期上限受制于运营半径、合规进度、车队规模。

3）工程与供应链一体化，减少“协同税”

Tesla在软硬件协同上更垂直，减少多供应商协作带来的集成成本与迭代延迟。很多中国路线（尤其是传统车企）在智能驾驶上常见“多传感器 + 多供应商 + 多域控制器”的组合，技术上未必不好，但会带来现实问题：

• 需求变更后，多方对齐周期长
• 责任边界复杂，安全背书困难
• 数据与工具链难统一，迭代慢

一句话：AI不怕难，怕的是系统不统一。

为什么中国路线更容易“先亏钱”：不是不努力，是路径更重

结论先说：国内自动驾驶更容易亏，是因为商业化链条更长、合规更细、工程更重。

把小马智行放在中国语境里看，你会发现亏损并不意外。它背后是三层结构性原因：

1）Robotaxi的“许可密度”决定扩张速度

中国城市道路场景复杂、监管审慎，Robotaxi扩张依赖路测许可、载人许可、收费许可等阶段性放开。合规速度决定收入爬坡速度。在这种情况下，企业为了维持技术领先与安全冗余，必须长期投入，但收入增长常常滞后。

2）多传感器更“稳”，但也更贵、更难规模化降本

国内很多方案强调激光雷达、毫米波雷达、摄像头等多传感器融合，优势是冗余更强、某些极端工况下更“稳”。代价是：

• BOM成本更高
• 标定与维护更复杂
• 传感器与算法的供应链迭代要一起对齐

这会直接影响“每公里成本”与车队运维成本，从而拖慢盈利拐点。

3）从“技术公司”走向“运营公司”，组织能力是第二战场

很多人低估了Robotaxi的运营难度：调度、充电、清洁、维保、事故处理、客服与保险理赔……这些都不是论文能解决的。自动驾驶公司越往后走，越像一家重运营的城市基础设施企业。

这也解释了为什么小马智行亏损收窄是积极信号：它说明企业可能正在把“技术投入”转化为“可运营的流程”，而不是只做demo。

把亏损看成信号：如何判断一家自动驾驶公司的AI战略是否靠谱

结论先说：别只看模型参数和路测视频，优先看“单位经济模型”和“数据工程能力”。

如果你是产业从业者、投资人，或车企的智能驾驶负责人，我建议用下面这张“检查清单”来判断AI战略是否有商业化胜算：

1. 单位经济模型是否可解释：每车每月成本、每公里毛利、去安全员后的利润弹性有没有测算。
2. 数据闭环是否自洽：数据采集—清洗—标注—训练—仿真—回归测试是否形成工具链，而不是靠人堆。
3. 可复制性来自哪里：是“换城市重新做一遍”，还是“通用能力 + 少量适配”。
4. 软硬件架构是否统一：计算平台、传感器组合、域控与中间件是否足够稳定，能支撑高频迭代。
5. 安全论证是否可规模化：安全不是口号，而是能否形成可审计、可复现、可对外沟通的证据体系。

我更愿意把自动驾驶的竞争看成三句话： 技术决定能不能上路，工程决定能不能扩张，商业决定能不能活下来。

写在系列脉络里：Tesla与中国玩家，终会在同一张利润表相遇

小马智行预计2025年亏损净额6900万至8600万美元，这条快讯的价值不在“亏了多少”，而在于它提供了一个现实坐标：自动驾驶的AI投入依然昂贵，但行业正在从无序烧钱走向精细化经营。

而把它与Tesla对照，你会更清楚两种路线的本质差异：

• Robotaxi公司（以小马智行为代表）更像“先建基础设施再收过路费”，前期注定重投入、长回收；
• Tesla式路线更像“把AI卖进每一辆车、每一次OTA”，靠规模与软件定价更早兑现收益。

如果你正在规划智能驾驶路线，或评估自动驾驶项目是否值得押注，建议从一个问题开始：**你的AI能力，最终是要变成“更高的车辆毛利/软件收入”，还是变成“更低的每公里运营成本”？**路径不同，组织、数据与财务打法都会完全不同。

下一篇我会继续沿着本系列的主线聊：当端到端与多传感器融合都走到深水区，真正拉开差距的，往往是“数据治理”和“安全证明”的体系化能力。