乌鲁木齐天山国际机场的机坪上，52 台无人驾驶牵引车正在穿行。它们承担着机场 90% 以上国内与国际货站至机坪的货邮转运任务，单日峰值作业量可达 800 拖斗。另外 20 台无人巴士布设了 13 个接驳站点，覆盖办公区、道口、机坪机位、贵宾厅，这支车队在天山机场累计运营里程已突破 160 万公里。

这是中国内地规模最大的机坪无人驾驶运营车队。背后的驭势科技，根据弗若斯特沙利文数据，按 2025 年收入计算，驭势科技在大中华区机场场景 L4 级商用车自动驾驶市场的市占率达到 90.5%。然而，整个机场场景的无人化渗透率，还不到 1%。

高市占率与低渗透率并存，指向一个被自动驾驶行业长期忽视的判断：机场这个市场，值得被重新审视。

过去十年，大家的目光都盯在开放道路上。Robotaxi、干线物流、末端配送，每一个都被写成万亿空间。行业默认谁能在开放道路先跑通，谁就是最后的赢家。

但现实进度远不及预期。几条主流赛道至今未跑通清晰的商业闭环：Robotaxi 仍受长尾场景、事故归责、成本结构制约，头部企业持续处于高投入期；干线物流受跨区域法规、编队标准、权责划分限制，规模化尚需时日；末端配送与城市清洁则面临订单碎片化、路权复杂、单车经济模型偏弱的问题，难以形成统一平台。

换句话说，技术跑得比商业快，但商业始终追不上预期。

行业需要修正一个认知：商业化确定性，可能比市场规模上限更重要。而机场，恰好提供了一个被严重低估的答案。

被忽略的机场：自动驾驶的 " 全场景沙盘 "

把机场放在自动驾驶的坐标系里重新审视，会发现它的独特性：一个物理空间内，同时包含无人小巴、无人牵引车、无人清扫车、无人巡逻车等多种功能。一个空间，同时具备载人、载货、清洁、特种作业等多种能力。

驭势科技成立于 2016 年，2017 年就进入民航场景，一做八九年。CEO 吴甘沙这样解释公司的选择：" 民航是物理 AI 最好的场景，因为安全要求最严苛，让 AI 的价值被最清晰地量化验证。"

机场不是难度低，而是评价标准更明确，价值可量化。

机场的场景复杂度体现在多个维度：机坪没有标准车道线，依赖车道线的视觉定位方案直接失效；飞机起降会对卫星定位产生强干扰，轻微的定位漂移就可能导致车辆闯入滑行道；环境工况跨度极大，从零下二十多度的暴雪到夏季六七十度的地表高温，从沙尘暴到暴雨大雾，传感器与算法都要经受极限考验。

更核心的风险来自路权共享。无人车在机坪作业，需要与滑行中的航空器、地勤人员、各类特种车辆同场运行。从风险最低的机头路，到需要识别滑行飞机的穿越滑行道，再到要同步识别指示灯、地勤信号的机尾路，每向前推进一个场景，安全要求都呈指数级上升。

"99.9 分的安全等于 0 分 "，这是民航业的铁则。这样的标准下，技术打磨的周期被拉得很长。比如雪天算法，极端大雪场景一年只有一次数据采集窗口，错过就要等一整年；激光雷达的雪花噪点处理，只能在有限的窗口期里反复调优。类似的极端工况适配，构成了机场场景最扎实的技术壁垒。

市场空间：不到 1% 渗透率背后的 " 金矿 "

整个市场有多大？前面提到驭势科技在国内机场无人驾驶的市场份额是 90.5%。但吴甘沙提醒这个数字容易产生错觉：" 今天 100 辆机场的车当中，可能还只有 1 到 2 辆是无人车。所以它离天花板还很远。"

高市占率与低渗透率同时存在，恰恰说明机场 L4 仍处于商业化早期。渗透率从低个位数到 10% 的过程需要时间，但一旦跨过 10%，行业将进入加速期——这就是曲棍球杆效应。

据弗若斯特沙利文报告，全球机场场景商用车 L4 自动驾驶解决方案市场规模，预计 2030 年将达到约 75 亿元人民币，2025-2030 年复合增长率超过 88%。

尽管这一数字与开放道路动辄万亿级的市场想象相比微不足道，但机场赛道的特殊之处在于客户付费意愿明确、场景边界清晰。并且全球几千个商用机场，绝大多数还没开始用无人驾驶。

香港机场每天要从珠海拉几千名司机过去开车，晚上再送回去。中东、欧洲人力成本更高，司机缺口更大。无人驾驶的本质，正是将这部分人力成本转化为 "AI 司机 " 的订阅服务。

而更大的想象空间在于：未来机场可以完全依据自动驾驶能力来设计机坪，从机坪布局、道路规划到接驳点设置，全部围绕 AI 司机的运行逻辑展开。这是一种 "N+1" 式的迭代：N 是对现有流程的持续优化，1 是对机坪运行规则的颠覆式重新设计。

今天不到 1% 的渗透率，只是冰山露出水面的一角。

三重壁垒：为什么这座 " 金矿 " 难攻破

第一重：场景与数据壁垒。

无车道线、定位干扰、极端天气、航空器动态路权，这些专属场景特性无法在公开道路复现；空侧禁区的作业数据属于专有数据，外部企业无法获取。大雪场景一年仅有一次数据采集窗口，类似的极端工况打磨，只能靠一个个项目实打实积累，没有捷径。

第二重：时间代差。

2019 年底，驭势科技在香港机场拿到全球首张机场民用 L4 无人驾驶营运牌照，但真正实现大规模上量已是 2023 年 5 月，中间间隔了三年半。从牌照到运营，中间隔着安全体系、效率体系、运维体系的漫长打磨。一套系统要在机头路、穿越滑行道、机尾路三类道路上全部跑通，才能实现全机坪覆盖。

吴甘沙的判断更直接：" 行业整体还停在我们 2019 年的阶段，想要做到我们今天的程度至少要到 2032 年。"

第三重：竞争格局。

用吴甘沙的话说就是：" 大公司看不起，中等公司赌不起，小公司投不起 "。 大公司资源集中在乘用车与 Robotaxi 赛道，看不上机场的细分体量；中等公司不愿投入巨资做一个 5 年才能起量的业务，机会成本太高；小公司更无力支撑，驭势科技仅机场一条赛道的研发投入就达十几亿元。

这三重壁垒叠加，让驭势科技在机场场景几乎处于 " 全球唯一大规模商业运营 L4" 的位置。但问题也随之而来：这种壁垒，能持续多久？

驭势科技的答卷与暗礁

驭势早期的逻辑是 " 黄金铲子挖富矿 "：卖整车加收维保费，客单价高但属于重资产模式，规模化天花板清晰。于是转向 AI 司机订阅服务：驭势不造车、不运营，把 L4 能力以标准后装套件部署到客户现有车辆，按单台 AI 司机、里程或时长收费。对客户而言，无需批量换车，就能把资产性支出转为经营性支出，准入门槛大幅降低。

这套模式被定义为 " π " 商业模型：一横是驭势的技术底座，两侧分别对接主机厂与各行业集成商、运营商，车型完成认证即可交付，交付后即可开启订阅。目前公司已与 6 家头部商用车企深度绑定，能力延伸至养殖转运、矿山运输、电力巡检等多个场景。

全球化场景复制速度也在指数级提升，香港机场用了 7 年落地，新加坡樟宜用了 1.5 年，天山机场仅用 1 年。吴甘沙算了一笔更长期的账：未来 5 到 10 年部署 100 万个 AI 司机，每个每年 1 万美元订阅费，就是 100 亿美元经常性收入。

但这并不意味着前路坦荡。

首先是客户付费逻辑的转换阻力。机场、厂区等 B 端客户长期遵循 " 采购固定资产 " 的预算体制，从一次性资本开支转向逐年支付的经营性订阅费用，涉及内部预算审批、考核口径的多重调整。尤其对国企背景的机场集团而言，订阅模式的算账逻辑虽清晰，但落地决策链条远比采购整车更复杂，客户教育周期远比想象中长。

定制化与标准化的矛盾同样待解。每个机场的机坪布局、车辆类型、作业流程都有差异，项目定制化程度高。新机场部署周期已从早期的数年压缩至 1 年，但从 21 家机场到 200 家，能否进一步压缩定制化成本和时间，是规模化盈利的关键。

财务层面，2023 年至 2025 年，驭势科技营收从 1.61 亿元增至 3.28 亿元，年复合增长率 42.7%，毛利率从 48.8% 提升至 51.1%，但研发也在高速投入期，订阅服务对应车辆 10 年全生命周期的运营支撑，意味着企业要持续承担算法升级、硬件维护、故障脱困、预测性运维的长期成本。

这是驭势科技的挑战也是机遇。因为困难是面向所有人的，市场门槛帮它提前筛选了一部分潜在竞争对手，而驭势作为头部玩家，更有机会率先吃到市场红利。

过去十年，自动驾驶行业一直在寻找一个足够难的场景来证明技术的价值。机场给出了答案，它用 "99.9 分等于 0 分 " 的严苛标准，倒逼出了一套可迁移、可订阅、可规模化复制的 AI 司机能力。

而机场本身，只是物理 AI 时代的第一个入口。当 AI 司机从机坪驶向工厂、矿山、港口、城市道路，它服务的将不再是某一个场景，而是整个实体经济最底层的运力需求。吴甘沙把这件事定义为 " 新劳动力 " ——不是替代司机，而是创造一种全新的、可无限供给的运力形态。

这才是机场这个 " 金矿 " 背后，更大的叙事。99.9 分之上，驭势想赌这个更大的可能性。