訪談希迪智駕：重載具身智能，拼的是場景、數據與產業閉環

最近，芯流汽車與多家媒體一同受邀，參加了希迪智駕高管的媒體群訪。

過去一年，具身智能逐漸成為產業關注的焦點。但熱度之外，一個現實問題擺在整個行業面前：AI應該優先進入哪些場景，又依靠什么真正改變物理世界？聚焦重載賽道的希迪智駕，又能走出怎樣的落地路徑？

圍繞這些問題，希迪智駕CEO胡斯博博士在此次訪談中給出了一些看法。

文明的每一次質變，都發端于一件新工具的誕生。蒸汽機點燃工業之火，內燃機驅動全球產業血脈，計算機編織信息之網——從解放雙手到釋放動能，再到重構算力，人類始終在用工具拓展自身的能力疆域。如今，當數字智能與物理實體深度融合，什么將成為叩開物理世界下一扇大門的鑰匙？

胡斯博博士的回答是：重載具身智能。

按照這一思路，礦山、港口、重載物流等產業場景，并非只是自動駕駛技術的應用場景，更是物理AI走向規模化落地的重要起點。這里既擁有明確的安全與效率需求，也能夠持續產生高質量數據，并通過真實生產不斷驗證技術、完善產品、優化解決方案。

以下為對話實錄，祝讀者開卷有益：

01

場景與價值：重載具身智能，為什么從礦山開始？

【芯流注】在希迪智駕看來，礦山、港口、物流等重載場景擁有明確的安全需求、穩定的作業流程和持續產生產業數據的能力，比許多開放場景更容易形成商業閉環。運輸只是起點，真正的目標，是讓AI逐步進入資源開采、物流運輸、工程作業等更多生產環節，推動整個重載作業體系的智能化升級。重載具身智能，并不是自動駕駛的終點，而是自動駕駛向物理AI演進的一條產業路徑。

媒體：我想問胡博兩個問題。第一個，我了解到你具有金融交易和算法的雙重背景。當初你放棄海外金融賽道，投身到重載自動駕駛這個領域。在一般人看來，這是一個非常苦的硬科技賽道，可是你為什么這么堅定地帶領公司進入這個行業？第二個，現在行業里面都在做礦山自動駕駛，你提出的重載具身智能和全棧技術，與同行相比，最核心的差異化壁壘體現在哪些方面？

胡斯博（CEO）：您的第一個問題。很多工作本質上也是在做自動化系統開發。十多年前，那個時候整個技術生態不像現在這么成熟，但大家已經能夠看到AI的苗頭。在我的視角，自動駕駛就是AI皇冠上的鉆石，所以我非常興奮。李澤湘老師拉著我一起成立團隊，希望把這件事情做好。

八九年前創業初期，無論產業鏈、客戶需求還是產品，其實都不成熟。但我們當時已經看到了很多機會。畢竟新的技術會帶來更多想象空間，我們最興奮的，就是做一些新的產品、做一些新的技術。所以，當時更多還是基于對技術的熱愛。

其實物理世界的感知與控制數據，相比金融數據，要好采集、好處理得多。金融數據、經濟數據有很多不確定性，隨機因素很多，所以其實很難。但物理世界里的機械數據、感知數據，在某種程度上反而更干凈、更結構化。所以做模型訓練、推理，包括做一些應用，往往能夠比較快看到效果。

第二個問題，就是我們認為跟同行相比的壁壘。剛才也提到，機器人其實一直都是我們企業基因的一部分。李澤湘老師是機器人學科領域的權威，我們的研發總部設在長沙。大家也知道，長沙本身就是一個重型機械產業非常核心的城市，也聚集了很好的人才。我們認為自己無論是在理論還是實踐上，都有比較好的基礎。

另外，現在我們也有很好的產業資源。客戶已經看到，我們能真正落地無人化、自主作業的應用方案，所以他們愿意向我們開放更多生態內的作業場景與技術接口，跟我們一起打造新的產品。因為我們的定位，就是成為一個好的技術平臺。核心差異化壁壘主要就是這兩方面。

媒體：今天感覺物理AI是一個非常重要的話題，我們準備怎么做物理AI？目前已經做到什么程度，還有哪些沒有做到？

胡斯博：這顯然是有不同的環節，運輸是第一個環節，因為落地場景最大，車輛數量也最多。其實商用車，無論礦卡還是重卡，使用強度都非常高，單日運行時長普遍可達16至 20 小時，使用強度遠高于乘用車。但運輸只是客戶整個業務鏈中的一個環節。客戶還需要倉庫、港口、工地、礦山等場景的多元自主作業能力。

無論哪個環節，本質上都是在解決安全和效率的問題。現在整個產業鏈、整個行業，包括資本，都比過去更有信心去完成這些事情。過去很多場景設想還停留在科幻概念層面，行業早年就有相關暢想，但產業鏈、產品、技術和資本都還沒有能力實現。

今天，我們終于看到了實現它們的希望，我認為這是最重要的一點。我一直覺得，這類技術的發展往往比大家想象得慢，但真正到來的時候，又會比大家想象得快。因為很多技術都不是線性增長，而是指數級增長。比如精確機械臂控制，無論是裝藥機器人、無人挖掘機，我們認為這些能力都已經開始具備。

無人車首先解決的是導航問題。前幾天我們也跟做人形機器人的公司交流，他們認為，人形機器人最大的瓶頸之一，其實還是導航能力沒有做到像無人駕駛汽車這么成熟。現在你讓它去哪兒、怎么走，這些能力依然存在很多限制。而我們由于車輛體積更大，可以部署更多傳感器，對環境的ODD（ODD是自動駕駛領域的標準術語，全稱Operational Design Domain） 定義也更加明確，因此在露天場景下，這方面優勢比較明顯。

第二是精確控制能力。對具身大模型而言，能否實現厘米級的精準控制，是衡量其落地能力的核心標準之一。像礦山排土場邊緣停車，就是一個隨機性很強、又要求極高精度的任務，必須做到非常精準，才能保證安全。正因為我們能夠做到這一點，所以才有能力繼續擴展到爆破裝藥、無人挖掘、鑿巖等更多重載機器人場景。不同形態的機器人適配不同作業場景，也會面臨各自的技術約束與落地瓶頸。但至少目前，我們已經具備完成很多高精度作業的能力。

另外，重載機器人還有一個和其他機器人最大的區別，就是它必須長期工作在非常惡劣的環境里。比如防爆環境、落石環境，對整機防護都有非常高的要求。從機電設計到傳感器布局，我們在自動駕駛業務中積累了大量成熟經驗，能夠很好地遷移到各類重載具身智能產品上。

媒體：您提到一個數據，就是礦山無人駕駛目前的滲透率大概在10%左右。能不能結合您的經驗分享一下，目前這個行業的痛點和卡點在哪里？另外，未來要進一步擴大市場份額、擴大行業規模，還有哪些方向的布局？

胡斯博：首先，10%的滲透率，和其他很多新賽道相比，其實已經是一個進展非常快的數字。即便是發展多年的開放道路乘用車高階自動駕駛，當前落地滲透率也未達到這一水平。它能夠發展這么快，核心驅動力來自兩方面：一是安全需求的強力推動，礦山企業對生產安全與運營效率都有迫切的升級訴求；二是政策端的明確支持。 當然行業落地也存在現實卡點：新技術普及存在一定的采納慣性，資產歸屬、權益劃分、模式適配等問題，都需要客戶與廠商共同探索解決方案。

整個行業目前基本都是按照這樣的節奏在發展。當然，它的優勢在于，資源開采與運輸場景不僅政策層面限制少，反而有明確的正向引導與推動，而且本身就是剛需。我們認為，它整體的發展速度還會保持。甚至在一些細分賽道，未來幾年滲透率很快就可能突破30%、40%。我們目前看到發展最快的是煤礦。因為煤礦規模大，需要運輸車輛非常多，車輛利用率也很高，所以未來幾年煤礦場景的無人駕駛滲透率會持續快速提升。

盛維天（希迪智駕無人重卡事業部總經理）：我補充一下。礦山領域現在能夠快速發展，除了剛才講到的剛需之外，還有一個非常重要的原因，就是政策不僅沒有阻礙，而且是強力推動。有些地方甚至明確要求，礦山必須在哪一年之前，實現多少比例的無人駕駛。這一點和城市道路Robotaxi等行業是不一樣的，這也是未來礦山無人駕駛能夠快速發展的另外一個重要原因。

我覺得，具身智能本身也提供了更多、更綜合的技術手段。因為運輸只是客戶整個生產流程中的一個環節。最近我們和一些大型礦業公司交流，采礦運輸僅占礦山全生產流程工作量的20%-30%，其余60%以上集中在采掘、裝卸等核心生產作業環節。這些環節同樣存在很多無人化、安全、效率方面的瓶頸。新的技術，也能夠提供更多綜合性的解決方案。

楊賽鑫（希迪智駕副總裁）：再補充一些數據和案例。國家明確要求采礦作業面實現無人化、少人化。到了核心礦區所在地的地方政府，比如新疆淮東經開區，也已經明確提出，到2027年，無人礦卡投用率要達到80%。所以，我們對此還是比較樂觀。未來核心礦區，到2030年前后，我們預計可能會進一步要求實現全面無人化。

02

數據與智能：算法可以復制，場景閉環不能復制

【芯流注】大模型快速發展之后，算法正在以前所未有的速度迭代。從端到端，到強化學習，再到世界模型，新的技術路線不斷出現，也不斷趨于開放。相比模型本身，真正難以復制的，是企業長期深入真實場景形成的數據積累、工程經驗以及持續迭代能力。對于重載具身智能而言，這種來自產業現場的閉環，正在成為比算法更加重要的競爭壁壘。

芯流：我這邊有一個關于智駕算法的問題。我剛才聽下來，現在做重卡自動駕駛，是不是還是以兩段式為主？還是說，其實已經開始采用一些乘用車智駕正在推進的新方案，比如一段式、強化學習、世界模型等等？因為現在大家也都在講具身智能，對于世界模型的研究非常多。所以我想了解一下，目前重卡自動駕駛在算法技術上，是不是已經呈現出多種技術路線并存的狀態？以及，你們是如何平衡不同算法路線之間關系的？

盛維天：我先回答一下。像我剛才介紹的，重卡在不同區域，對算法的要求其實是不一樣的。比如一輛重卡，從工廠發貨倉庫出發，經過公開道路，再進入物流園區倉庫，完成整個運輸流程。兩端更多是定制化裝卸需求。裝卸的時候，需要對接各種不同的設備，比如挖掘機、裝載機、吊車、環吊、正面吊等。而公開道路，則要面對復雜交通流。所以，這兩個環境，對車輛技術要求是不一樣的。針對這兩種環境，我們采用的是雙工作流模式。

在封閉場景里面，因為定制化需求多，而且數據比較分散、數據量比較少，所以更多采用兩段式網絡，加上規則選擇器，讓車輛能夠快速適應封閉區域里的各種定制化需求。而在公開道路，由于重點是處理復雜交通流，所以更需要采用一段式模型，把感知、決策整個串聯起來，處理更多復雜場景和corner case。所以目前我們的現狀，就是這兩套方案并行。

胡斯博：我再補充幾個看法。第一，現在重卡在公開道路上的運輸數據，我認為還沒有任何一家真正積累到足夠大的規模。因為它的數據形態和乘用車還是不太一樣。首先，大車視角比乘用車高，需要看到的內容也更多。乘用車很多結構化數據可以直接利用，但感知數據還是需要大車自己去采集。希迪的一個優勢，就是我們很多產品本身就在公交車、大型車輛上部署，所以能夠持續采集、分析城市道路數據。未來隨著車輛越來越多，這類數據會越來越容易采集，也會有更多方法可以利用。包括世界模型，以及您提到的其他方法，未來都會應用進去。

但是在兩端，它仍然需要比較多的專用數據。因為涉及專用場景，比如怎么裝卸效率最高、多車之間怎么協同，這些全部都是自己的車輛，需要很強的集群協同能力。所以我們認為，現階段重卡自動駕駛的發展節奏，就是兩端能力先建立起來，再逐步向公開道路延伸。同時，它對于可靠性、穩定性的要求一定更高。畢竟車更大，大家天然會覺得風險更高。但另一方面，它不像城市場景那么復雜，所以它也有自己的發展節奏。我認為整體還是比較可控的。目前最大的約束還是法規。如果法規沒有放開，車輛數量就不可能太多，自然數據規模、模型訓練質量都會受到影響。

媒體：今天講的是物理AI驅動重載作業，但其實現在很多AI公司，包括不少乘用車智能駕駛公司，也都開始進入專業駕駛場景。我們做物理AI、做重載具身智能，真正的護城河在哪里？

胡斯博：我認為具身智能行業很快會進入一個各家公司各自發揮優勢的階段。剛才也提到，每家公司都會找到自己最擅長、效率最高的方向。這兩天，我們也會和一些主機廠、機器人公司展開合作，大家更多是相互賦能。比如我們的布局并不在人形機器人，而是在重載機器人領域，包括很多具有防爆要求的特殊場景。這些設備本身載荷更大，對機電系統要求也完全不同。像機械狗、機械貓、人形機器人，它們面對的是另一類問題。而我們的雙臂無人挖掘機，自由度同樣很高，可以達到17到20個自由度，本身也是一種非常復雜的機器人系統。

所以，我們認為真正的核心壁壘還是場景。無論是露天礦、井下礦，還是各種重載運輸場景，我們長期積累了大量場景知識和數據。普通企業如果想進入這個行業，需要重新經歷一遍這個過程，才能真正理解這些場景需要什么、數據結構是什么、如何利用這些數據做決策。至于采用端到端、強化學習還是其他模型，本質上都只是不同的技術路線。尤其強化學習的決策模型，本身就非常難訓練。

歸根到底，還是研發效率的問題。企業投入多少研發資源，多少人去做仿真、機電、感知算法訓練，不同技術組合決定了最終效率。成功的企業，一定能夠找到最適合自己的高效率研發路徑。很多合作伙伴也都在各自擅長的領域擁有比我們更高的效率。但我們認為，在重載場景這個方向，并不是所有企業都能夠輕易獲得這樣的效率，甚至未必愿意投入到這個領域，這也是我們的判斷。

盛維天：我補充一點。現在大家講世界模型，更多還是放在車上。但實際上，車最核心的任務還是運輸。即使車上部署了世界模型，它關注的依然主要是運輸和駕駛。另一方面，車輛端側算力畢竟有限，所以車上的世界模型承載的數據，也主要圍繞運輸業務展開。

但如果把這些重載具身智能裝備全部接入，比如埋炸藥機器人，它最核心的任務不是運輸，而是埋炸藥。那么它搭載的模型，關注的就是自己的業務和作業場景，這些數據很多是運輸車輛本身無法獲得的。所以，當這些重載具身智能設備全部加入之后，相當于整個世界模型擁有了更多維度的數據來源，讓整個世界的數據更加完善、更加豐富，也能夠幫助我們更好地完成業務與環境之間的匹配。

03

產品與商業：客戶購買的，不只是無人駕駛

【芯流注】隨著無人駕駛逐步進入規模化應用階段，行業競爭也開始從單一產品競爭，轉向整體解決方案競爭。對于礦山客戶而言，無人駕駛只是整個生產流程中的一個環節。相比一輛能夠自主行駛的車輛，他們更關心的是整個作業流程是否更加安全、高效、透明，以及不同設備之間能否真正形成協同。在希迪智駕看來，技術最終必須服務于商業價值，而真正決定產品生命力的，也不是某一項功能，而是能否持續幫助客戶解決實際問題。

媒體：今天重點講的是重載具身智能。剛才也介紹了一些技術上的差異，但最終還是要落地到真實運營場景。我想知道，它在真實運營過程中，能夠帶來哪些數據上的改善？有沒有一些更具體的數據或者案例可以介紹？

胡斯博：比如無人挖掘機，上面安裝了大量傳感器，包括各種關節、電機以及其他部位的傳感器，它能夠持續感知環境。例如在礦山作業面，它能夠識別作業面的形態，判斷是否存在塌方風險。完成一次作業之后，下一個時刻整個作業面的形態會發生怎樣的變化，這些都會直接影響礦山整體作業效率。如果一個作業面的挖掘效率不高，就會影響整個礦山的生產效率。

這些數據都可以通過礦山挖掘機持續采集，而這些數據在其他應用場景里是獲取不到的。比如鑿巖設備，在井下鉆孔的時候，它同樣會對環境、作業面建立非常完整的數據采集和建模能力，這些也是其他實驗場景無法獲得的。

所以核心在于，你真正進入這些場景之后，才知道真正的問題在哪里。這些數據來源也非常多元，有一部分來自雷達傳感器，有一部分來自視覺，還有一部分來自電機輸入輸出等各種信息。所以數據模型本身是非常豐富、多維的，關鍵在于我們如何利用這些數據，進一步提升整個系統能力。

媒體：我補充一個問題。我們當時做自動駕駛，是因為自動駕駛相對來說是一個更簡單的問題，而且它的可復制性和邊際效益都比較高。現在如果做智能挖掘機、鏟車這些產品，它的技術難度是不是更大？但由于設備數量相比運輸車輛要少，它的邊際成本優勢是不是反而沒有那么明顯？

胡斯博：所有AI技術其實都會產生兩種效應。第一種，是替代過去的作業方式。從資本市場角度來看，大家會覺得市場規模可能就是原來的市場規模。第二種，是大幅提升過去的效率和作業方式，從而創造出更多新的落地應用機會。這兩種效應最大的區別，就在于這些場景真正的瓶頸在哪里。如果瓶頸正好存在于這些場景，我們認為，它就會帶來更大的規模化落地機會。

另外，我們始終還是以服務客戶為核心，希望幫助客戶通過技術解決重載場景里的整體作業問題。剛才也提到了，我們提供的是過去從來沒有過的透明度和掌控能力。設備部署之后，它一直在采集數據，我對整個環境能夠實現全面感知，而不像以前，需要依賴大量人工采集數據，只能得到一些片面的信息或者文字描述，這些信息本身是不完整的，也會影響客戶的效率和最終商業成功。所以我們認為，這里面還有很多機會。

作為一家技術公司，我們希望開發新的產品。其實很多時候，我們的客戶比我們更焦慮，他們面對利潤空間、成本壓力以及行業競爭，都迫切希望找到新的解決方案。目前我們服務的客戶主要有兩個核心需求。第一個是本質安全。通過我們一整套重載智能化方案，這個問題能夠得到很好解決。第二個是效率。所有客戶都面臨降本增效的壓力，我們通過整套無人化、智能化解決方案，不斷優化客戶全流程、全工序，大幅提升整體運營效率。所以從這兩個角度來看，我們和客戶的需求高度匹配。至于您擔心其他玩家進入這個行業，我認為這個行業門檻還是比較高的。

盛維天：胡博剛才也提到，我們始終堅持從場景出發，真正理解客戶需求，再去設計解決方案。當你的技術方案足夠完整之后，就會不斷衍生出新的商業模式，針對重載的具身智能體也會來。因為它能夠提供更多數據、更多能力，真正去改變物理世界。那么未來模型的使用方式、商業模式，包括資產歸屬、最有價值的資產在哪里，都會發生變化。

所以，設備數量是不是足夠多，并不是衡量市場空間最好的方式。真正重要的是，能夠幫助客戶解決當前最迫切的剛需問題，并率先實現落地。這也是我們在產品設計時一直堅持的原則。

04

全球化與物理AI：真正改變物理世界，才是下一代AI

【芯流注】過去幾年，大模型推動人工智能進入新的發展階段，也讓越來越多企業開始思考，AI究竟還能改變什么。從無人駕駛，到重載機器人，再到更多智能裝備協同作業，物理AI的發展不僅取決于模型能力，更取決于產業需求、法規環境以及工程體系的成熟程度。這也是為什么，重載產業正在成為全球物理AI最早實現規模化應用的方向之一。對于中國企業而言，當場景、數據和工程能力不斷積累之后，真正的競爭也將從國內走向全球。而如何把這些能力復制到海外市場，也成為下一階段的重要命題。

媒體：今天感覺物理AI是一個非常重要的話題，所以我想請胡博總結一下。為什么要做物理AI？現在業內有一種說法，認為物理AI真正迎來ChatGPT時刻還需要3到5年。您認為，物理AI最快實現大規模商業化落地的場景會是什么？

胡斯博：第一個，為什么要做物理AI？我覺得，過去幾年，或者至少五年前，大家還是低估了AI的能力。直到ChatGPT出現以后，大家突然意識到，原來AI有這么大的可能性。無論是模型應用、Token 商業模式，還是推理能力，它的發展空間都遠遠超過我們的想象。所以我們回到今天第一頁講的主題，我們認為，目前真正能夠改變物理世界的AI應用，其實還非常少，而真正改變物理世界，本身就是一件難度非常高的事情。我們聚焦資源開采與運輸、物流、大基建和交通工程四大細分市場，這幾個領域在很大程度上影響著整個社會的發展。無論交通還是基礎設施，都關系到全球城市化、人口流動，以及每個人每天的生產、生活和消費。AI只有真正滲透到這些行業，我們才能真正享受到AI帶來的紅利，因為它影響的是整個社會。

關于物理AI什么時候迎來ChatGPT時刻。我認為，它還是會按照自己的節奏發展。其實無人駕駛汽車按道理應該是擴展速度最快的方向，但因為法規限制，目前還沒有完全釋放。我們當初率先落地礦山，也是因為礦山受到法規限制相對較少，更容易實現規模化。所以我認為，資源開采和運輸領域，物理AI普及的時間會比大家想象得更快，不一定需要3到5年。

只要一個行業，人已經成為瓶頸，沒有太強的法規限制，或者法規本身就是推動力量，那么AI落地速度都會非常快。技術的發展本身不是孤立的，它始終和法規、社會接受程度共同形成一個閉環。所以未來真正決定行業發展的，還是法規。作為整個行業，我們需要不斷推動更多優秀場景落地，讓更多企業共同合作，把新技術真正部署到現實世界，我認為這樣整個行業的發展速度會非常快。

媒體：您剛才提到未來行業滲透率會持續提升，同時其他玩家進入也比較困難。那么未來幾年，這個行業會不會出現越來越明顯的馬太效應？行業集中度會進一步提高，還是仍然保持比較分散的競爭格局？

胡斯博：目前來看，礦山無人駕駛行業的競爭并沒有大家想象得那么激烈。現在已經有幾家企業做得不錯，彼此之間也存在很多合作機會。當然，我們對自己聚焦的技術方向和技術能力非常有信心。我們認為，有些企業即使進入這個行業，也未必能夠做到比我們更高的效率。不是說他們做不出來，而是企業最終比拼的是效率。比如研發投入，同樣一件事情，是自己研發、購買成熟方案，還是跟合作伙伴共同完成，每一種選擇都需要非常謹慎。如果決策失誤，很容易造成資源浪費。有時候企業堅持全部自研，反而不如聚焦自身優勢，與合作伙伴形成互補。隨著行業逐漸成熟，高效率合作一定會越來越多，也一定會形成完整產業鏈。

目前，我們并沒有自己做重資產制造。一方面，中國已經擁有很多優秀的主機廠，我們更愿意與他們合作，共同開發產品、共同出海。很多主機廠本身就是我們的供應商，為我們提供制造能力，實現前裝定制和規模化量產，一起為客戶提供整體解決方案。當然，很多主機廠也希望掌握自動駕駛、智能化等核心能力。我認為最終大家都會發現，不同場景、不同技術模塊，更適合由不同企業來完成。

我們認為，我們最大的基因還是AI，包括智能大腦、機電融合、模型能力、場景集成以及多智能體協同技術。這些能力如果全部由一家企業獨立完成，挑戰還是非常大的。但這并不妨礙我們與更多企業合作，包括產業伙伴、金融機構等，共同開發不同場景，共享整個生態中的服務能力。

媒體：剛才也提到了全球化戰略。之前我們也看到，公司已經和全球設備巨頭開展合作。我想了解一下，這種中國技術+海外渠道的模式，會不會成為未來出海的主要商業模式？相比其他企業，我們出海最大的優勢是什么？同時，又有哪些挑戰可能影響整個全球化戰略？

胡斯博：我認為，早期還是會更多跟本土企業一起出海，之后會逐漸發展到直接與更多海外企業合作，由他們帶著我們一起進入海外市場。其實很多海外企業，比如我們合作的海外巨頭，都非常認可我們目前的技術布局、產業鏈優勢以及創新速度。而這些，恰恰是很多海外企業目前不具備的。他們擁有成熟的商業關系，但在資源開采這樣的行業，長期競爭最終還是要看技術效率、客戶價值以及成本優勢。無論商業關系多強，這都是無法回避的競爭核心，海外客戶也一定會考慮這些問題。

現在，我們已經擁有不錯的海外合作伙伴。他們了解我們的創新能力，也希望盡快和我們一起拓展海外客戶，讓更多海外客戶知道，我們在中國開發出來的這些產品，其實已經處于全球領先水平。這個過程，其實很像過去兩三年中國新能源乘用車出海的過程，是一個厚積薄發的過程。在中國先建立完整體系和品牌，再憑借優秀產品打開海外市場。我們面對的不是消費者，而是大型企業和國際品牌，他們對于新技術、新模式有自己的接受節奏和決策周期。但我們認為機會非常大。