鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

领跑干线无人货运,卡尔动力KargoBot完成超1亿美元B轮融资|融资速递

编程导航
编程导航
2026-03-02 12:31
阅读 158
编程导航
2026-03-02 12:31
阅读 158

1

钛媒体获悉,全球L4自动驾驶干线货运公司卡尔动力完成超1亿美元B轮融资,由地平线与高榕创投联合领投,红旗创投、峰尚资本、东方嘉富等重磅联合投资,部分老股东超额跟投。

自2021年2月成立以来,这家公司已连续完成5轮融资,累计融资额突破20亿人民币,投资方名单涵盖了深创投、中集车辆、鄂尔多斯创投、策源资本、中金资本等战略及产业资本。

在自动驾驶融资环境整体趋紧的当下,这笔融资的意义远超资金本身。它标志着干线无人货运赛道正从"技术验证期"迈向"规模化商用期",而卡尔动力已经卡住了身位。

数据显示,卡尔动力已运营自动驾驶卡车规模超400辆,累计运行里程超3500万公里,在10余个省市开展自动驾驶货运测试和运营,稳步迈入“规模化商业落地”新阶段。通过与多家头部车企深化合作,卡尔动力已发布并投入运营7款量产车型,赋能超过20个客户开展智慧物流业务;同时,与30余家行业伙伴建立创新合作联盟,共同推进无人货运技术的场景拓展与模式进化,持续构建覆盖全域的智能物流网络。

据悉,本轮融资将主要用于加速干线物流货运的无人规模化拓展,通过打造运输机器人+物流操作系统的智能货运体系,构建覆盖全域的智能运力网络。同时,预计在今年内实现千台自动驾驶卡车的赋能与部署,在未来几年实现万台Robotruck的智慧赋能。

后来者如何"卷"出来?

这要从卡尔动力创始人韦峻青的履历说起。

韦峻青本科毕业于清华大学自动化系,后在美国卡内基梅隆大学获得电子与计算机工程博士学位,研究方向聚焦车辆驾驶行为学与轨迹规划,有着近20年自动驾驶行业经历。

2008年,他在清华期间接触到DARPA Grand Challenge自动驾驶长距离竞赛,随后加入卡内基梅隆大学无人驾驶实验室,开启了长达十余年的L4自动驾驶研究。

2013年,韦峻青创立Ottomatika——全球最早的Robotaxi创业公司之一,也是第一家被收购的Robotaxi公司。Ottomatika被德尔福收购后,后者更名为安波福,韦峻青出任安波福自动驾驶全球工程副总裁。在此期间,他曾与Lyft合作主导组建100辆车的L4无人驾驶出租车运营和测试平台。

这段经历让韦峻青看清了一个现实:Robotaxi的规模化落地远比想象中漫长,而干线物流场景更离散化(以高速为主)、商业化回报更快、市场空间更大。干线货运承担了全国70%以上的跨区域商品流通量,是自动驾驶领域最具规模的万亿级赛道。

2021年,他转身创立卡尔动力,All in L4级自动驾驶重卡。

技术层面,卡尔动力的核心解法是一套"混合智能编队系统"。每辆车具备独立的感知、决策与控制能力,通过V2V网络协同作业,每秒进行超过50次状态同步,在极限跟车模式下,车与车之间的间距可压缩至10米。这种"1带多"的协同模式,不仅大幅提升通行效率、降低能耗,更实现了人力成本的断崖式下降——最多可节省83%人力,每车每年减少20万元运营成本,能耗进一步下降10%。

前车的路径与控制指令实时共享给后车,后车结合自身感知数据自主决策;遇到插队、变道等突发情况,后车还能反向传递风险信息,形成真正的"多车协同智能体"。每多跑一公里,系统就获得一次实战训练的机会,这些数据最终用于强化学习模型的持续进化。

硬件层面,卡尔动力自研的控制器算力达1000TOPS,支持端到端控制与世界模型推理,适配地平线征程6P与Orin芯片,训练效率提升3倍,算力消耗减半。基于"端到端+强化学习"的技术平台,公司已构建起覆盖短中长途场景的干线无人货运全系列解决方案KargoOmni,实现人力效率提升83%~300%,综合运营效率提升50%以上,能源利用效率提升30%以上。

凭借首创的智能混合编队模式,卡尔动力2021年底,卡尔动力在鄂尔多斯工业园区完成首次无人化测试。2024年成为国内首家在华北、西北多地获准开展自动驾驶公开道路测试的企业,并率先实现L4级“1拖3”编队的公开道路测试与商业应用。2025年,率先获颁全国首批编队全无人商业化试点资质,获得超 50 张无人商业化运营资质与牌照。

更深远的布局在于运输形态的创新。卡尔动力正自主研发无驾驶舱设计的运输机器人,通过模块化结构进一步提升物流全链路的自动化程度。其终极目标不是取代某一个司机,而是让整个货运网络以机器人为节点、按需调度、自主运行。
1

中国干线货运市场规模超过6万亿元,是交通行业中体量最大、结构最清晰,却又最不数字化的一块。司机平均年龄49岁,年轻人不愿入行,运价持续上升、服务稳定性下降,"空驶"和中间环节带来的浪费压得企业喘不过气。这些痛点让干线货运场景对L4自动驾驶产生了远比其他场景更迫切的需求。

卡尔动力的融资热潮,只是这股产业共识的冰山一角。

在国内,斯年智驾已在新疆、内蒙古等能源干线部署L4编队运营,强调"车队智能体+平台闭环"的大规模调度能力;Momenta正将城市场景中积累的数据和算法能力迁移至干线与园区场景,探索更快落地、更快盈利的路径;小马智行车队规模已突破170辆,计划全面升级为"跟车全无人"。

国际市场的竞速同样激烈。Aurora于2025年5月正式开启德州达拉斯至休斯敦等线路的"无安全员"跨城运营,计划持续扩展更多长线;Kodiak AI通过SPAC上市,加快在德州等工业物流枢纽的无人运力部署;Einride则以无人电动卡车为核心,结合5G和编队技术,在欧洲探索零排放干线与跨境运输协同。

技术成熟、成本下探、运营走通这三个条件的逐渐满足,让干线自动驾驶从"未来的想象"变成了"现在的战争"。

行业分析显示,干线自动驾驶正迎来商业化拐点,预计在未来1~2年内进入规模化爆发期。作为大通道货车智能驾驶的主动脉,干线货运承担了全国70%以上的跨区域商品流通量,是自动驾驶领域最具规模的万亿级赛道。卡尔动力凭借其已验证的技术路径、清晰的商业模式和领先的运营规模,已建立起覆盖干线全场景的显著先发优势。

地平线投资团队表示:“我们坚定看好自动驾驶在重塑干线物流万亿级市场中的长期价值。卡尔动力凭借先进的技术架构和创新商业模式,完成了技术可行性与商业可行性的双重验证。此次投资,是产业生态的强强联合,我们将继续支持卡尔动力,加速干线物流自动驾驶规模化的进程。”

高榕创投合伙人辛旺表示:“Robotruck是不亚于Robotaxi的万亿级大赛道,过往玩家多数在封闭低速场景运营,卡尔动力成立伊始就致力于解决开放道路卡车自动驾驶问题,依托战略股东和研发团队在算法和数据上的深厚积累,以创新的编队模式在内蒙完成闭环验证,进入规模化发展的新阶段。卡尔动力的团队专业、务实、开放合作,聚集了技术、场景、产业链的多方合作伙伴携手共进。我们坚信,Robotruck的商业化落地已进入快速发展阶段,我们高度认可卡尔动力团队的技术实力与战略眼光,期待公司持续引领行业变革。”

本次融资完成后,卡尔动力将继续加大在L4自动驾驶干线货运领域的投入,加速人工智能+物流场景的规模化商业应用,致力于打造更安全、更高效、更经济的下一代物流运力体系,持续引领行业变革。(作者|郭虹妘,编辑|陶天宇)

原文链接: 领跑干线无人货运,卡尔动力KargoBot完成超1亿美元B轮融资|融资速递
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
墨得问题墨得问题
🔥 热门文章
1
离谱,DeepSeek 崩了 5 小时,大家却喊:梁圣恩情还不完??
450
2
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
410
3
DeepSeek 全新模型发布,性价比最高的一集!
400
4
自己学习ai,直接买cursor 的套餐,还是买gpt 或者claude 的套餐?
370
5
又一个国产版 Codex 神器,也来卷办公了!
340
6
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
330
7
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
320
8
我的第一个出海产品!7 天 2 万
310
9
WorkBuddy 本地 API 桥 + dsh 插件:把你的 WorkBuddy 额度,变成手边随手可用的模型
310
10
什么是LLM
300
11
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
260
12
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
260