过去三年，“各行各业皆 AI”是一句所有人都听过的话。三年之后回看，真正在垂类里扎住脚的 AI 公司并不多。

多数情况下，事情是这样演变的：一个行业被 AI 重新讲了一遍故事，PPT 很漂亮，落地很稀薄。因为 AI 进入垂类时，最容易被解决的往往是“最容易演示的那个问题”，而不是“最贵的那个问题”。

城市物流就是这样一个样本。这个行业的痛点清单很长：人力短缺、运力碎片化、调度靠经验、成本刚性上涨。那么，AI 到底应该解决哪一个？

9 月 20 日，易森动力发布了行业内首个城市运力云端AI调度中枢“易森太初”，发布会上创始人兼CEO 王轩把这家公司的 AI 观讲得很直白：“AI 的价值不在于炒作概念，而在于解决痛点。从下单到履约，从远程到结算，都值得被 AI 重构一遍。”

它背后是一家 AI 公司对垂类的基本判断，那个真问题。

这个刚成立满一年的企业，孵化自北京航空航天大学全国重点实验室，做的是城市无人物流的全链路运营。而它将怎样将这个答案落地呢？

一、垂类之问：AI 应该先解决哪个问题

如果只看技术进步的速度，无人配送这个行业在过去三年是让人兴奋的。激光雷达价格降幅约 85%，线控底盘降幅约 75%，无人配送整车价格已经进入 5 万至 10 万元区间。2025 年被业界称为“无人配送车元年”，行业从试点转入放量；行业预测，到 2030 年中国无人配送车年产销量将达 150 万辆，而当前保有量不足 5 万辆。

成本曲线下去、出货量上来，但一个更硬的问题随之浮出水面：车买回来，怎么用好？

易森动力创始人兼 CEO 王轩分析：“上半场拼的是一辆车能不能跑起来，下半场拼的是整套系统，能不能把一座城市的运力，全局最优地调度起来。”

这是行业竞争焦点的一次转移。上半场的胜负手是单车，感知做得好不好、成本能不能压下来、可靠性够不够，本质上都是围绕一台车的能力竞争。下半场的胜负手换了对象：不再是某一台车跑得多好，而是一片区域里所有的车和所有的单，能不能放在一起，被统筹着算清楚。

这个差别看起来是技术问题，实质是商业模式问题。卖车的逻辑里，车企赚的是硬件钱，车卖出去之后运营得好不好，与它无关。而城市级全局调度，恰好是卖车模式在结构上无法回答的命题：整条链路有没有被整体负责好。

换句话说，垂类 AI 要解决的是“哪个环节没人真正负责”。在城市物流里，答案是调度与履约：车在持车方手里，需求在客户手里，落地能力在城市运营方手里，谁都单独做不成的事，需要有人把它串联起来做成。 这正是易森动力选定的位置。

更现实的一层，是组织能力的代差。五十多辆车需要的组织方式，未必撑得住数千辆车。一个团队熟悉几个客户时，靠现场经验、电话沟通、几位能干的运营骨干，也能把事情接起来；但当客户、车型、城市和合作方同时增加，需要协调的关系会成倍变多。同一个异常，在一个项目里可能只是打个电话；在几十个城市里反复发生，就必须有标准流程、权限分工、可复用工具和可追溯的记录。规模越往上走，组织能力越不能继续藏在少数人的脑子里，这也是“太初”要在规模放大之前先立起来的原因。

二、“易森太初”的三层答案

“易森太初”这个名字中“太初”取自中国古代哲学先天五太的第二阶段：无形无质、只有先天一炁，是从无极走向有形宇宙的起点。王轩解释这个命名的用意：希望把城市里的车和单，从无序变成有序。

名字之外，更值得看的是这家公司给垂类痛点开出的三层答案：全局最优、全链路闭环、全域透明。

第一层：全局最优，从“一辆车找一单”到“一盘棋”

传统的派车逻辑是逐单匹配：来一个订单，找一台最近的车。这套逻辑在订单稀疏时效率尚可，一旦密度上来，就会出现局部最优、全局不优，路线互相打架、空驶里程堆积。

易森的思路是把问题反过来解：不是一辆车去找一单，而是一片区域里所有的车和所有的单，放在一起统筹着算。易森动力智能网联与运力服务平台负责人王庆川点破了这道题的难度：12 辆车跑 24 单，理论上的排法有 2.6×10³²种，“靠人脑根本排不过来”。这道题也不是配对题而是编排题：一辆车一趟要连着跑好几单，真正要决定的是哪几单拼成一条线、按什么顺序跑、交给哪辆车。

换句话说，易森太初试图扩大的是决策的范围：从“这张单派给谁”，走向“这些单怎样组合、整支车队怎样安排，才更值得”。一套只比“谁离得近”的系统，注定算不出全局更好的答案。因为距离最近的车，很可能正是下一张急单唯一合适的车。

他先给了一组直观对比：同一批 24 单，人工排线要用 12 辆车，路线乱、来回绕；易森太初的全局规划用 8 辆车跑完，路线短、不绕路。落到经营指标上：车辆和订单的比例从 1 比 2 提到 1 比 4，出车从 12 辆降到 8 辆，收车时间从晚上八点半提前到下午五点半，排线决策从人工的几十分钟缩短到 3 秒。

少出的 4 辆车意味着什么，值得往下算一层。完成相同订单，出车数量少了三分之一；但这 4 辆车如果只是停在停车场，已经发生的资产成本不会因为今天没出门就消失。真正有价值的问法是：释放出来的运力，能不能被安排到其他业务上去。同样，收车提前的三个小时能否变成新增收入，还要看有没有匹配的订单、节点能否接续。时间被释放，价值才获得实现的可能，这中间隔着的正是运营。也正因如此，“出车减少三分之一”不能直接换算成“总成本下降三分之一”。因为成本里既有与出车相关的部分，也有车辆资金占用、系统、场地和人员保障等相对固定的部分。

再看 3 秒排线。它最重要的意义不只是调度员省下的时间。原计划被打乱是物流里最普通的事：客户晚出货、站点临时排队、车辆需要退出任务，都可能让上午排得很漂亮的表格在下午变成历史资料。如果重排的成本足够低，运营人员就有机会更频繁地更新方案。但频繁重排也不能把已经执行中的承诺随意推翻，哪些车已经装货、哪些客户已经收到到达通知，这些动作不能轻易改变。更成熟的调度价值，是在变化发生时尽量少扰动已经确定的部分，同时调整真正受影响的任务。

发布会现场，这套算法做了一次更大规模的实跑演示，也就是发布会上被反复提及的“千单 8 秒”：1,000 张订单批量上传，8 秒锁定最佳调度方案，全部订单排进 12 个班次；展示现场的时间最近一个班次中，系统同时给出两个方案：“体验优先”和“成本优先”。“体验优先”用 16 辆车，取货时效达标率更高；“成本优先”用 10 辆车，空驶更少、总里程更短。

两个方案摆在屏幕上让使用者自己选。这个 8 秒的可信度有出处：表格理解交给大模型，一千行订单的逐条核对交给确定性程序，每一步都留下可以核对的执行记录。

王庆川的表述很克制：“不是一辆车找一单，是一座城市的车和单，一起被算清楚。”（发布会现场演示实测）

第二层：全链路闭环，数据不落地，问题不留白

全链路指的是从客户下单到派车履约、从远程接管到结算分润，所有环节都在同一个平台上闭环。这件事的价值在于：数据是否真的流动起来。

在多数城配场景里，订单在客户的系统里，车在持车方的后台里，调度在运营方的表格里，结算在财务的对账单里，每个环节都有自己的数据，但数据之间靠人抄录传递。每一次抄录都是一次信息衰减，也是一次责任模糊。

王庆川把一张订单在易森太初里的旅程拆成了八个环节：客户接入、智能下单、运力匹配、智能调度、车辆控制、履约交付、远程运营、计费结算。八个环节放进同一个平台，意味着数据在环节之间自动流转，异常可以被追溯到具体节点。

为什么月底那张账，也属于 AI 故事？因为它决定这门生意能不能长期稳定。一趟任务究竟是谁的车跑的、谁负责现场运营、客户按什么规则付费、异常等待是否计费、各方凭什么认可自己的收入。如果这些问题说不清楚，前面的业务就很难持续。很多协作项目在初期靠信任和人情的惯性推进，大家先把货送出去，账以后慢慢对；业务少的时候还来得及，业务多了，运营忙着发车、财务忙着翻记录，对账本身就变成一项沉重的工作。

易森太初展示的“从下单到结算”因此有很明确的商业含义：同一张订单的数据要能沿着业务走到底。客户需求决定服务内容，服务内容决定资源配置；实际执行形成履约记录，履约记录再与约定规则共同支持计费和分润。中途出现的异常，也应当有对应的处理与确认，而不是让账单最后凭空多出一行费用。这不意味着所有判断都可以无人介入。恰恰相反，部分异常需要人确认，而确认结果应当进入同一条记录。这里更准确的理解，是尽量减少靠人搬运、重复录入和重新拼接数据的环节，而不是让整项业务从此不需要人。对平台来说，把结算放进闭环还有另一层价值：它让优化可以接受经营结果的检验。一条线路看起来非常高效，但如果异常处理频繁、现场支出增加、客户账款迟迟无法确认，实际贡献未必理想。只有订单、执行和费用能够相互对应，企业才更容易发现这种差别。运营平台需要知道的不只是“今天跑了多少单”，还包括“哪些单真正创造了可以分配的价值”。

第三层：全域透明，同一套数据，四个视角。

在这个平台上，持车方、运营方、客户和平台看到的是同一套数据的四个切面：持车方看车的在线状态、流水与分润；运营方看未派单量、在途车辆与异常；客户看配送进度、送达时间与账单；平台看整体订单量、利用率与各城市经营情况。

同一套数据、四个视角，解决的是协作里的信任成本问题。城配物流的各方长期处于信息不对称中，车方担心运营方藏单，客户担心运力方虚报，而透明的账本让每一次分润都可核对。

透明度不只是界面体验，它还影响平台能否吸引和留住供需双方。如果每一方都有自己的表格、自己的进度和自己的解释，同一件事就可能长出四个版本；问题发生时，大家最先做的工作不是处理异常，而是争论到底发生了什么。这里的透明也不是让所有人看到所有人的商业秘密，成熟的平台按角色提供必要信息，客户看自己的订单，持车方看相应资产与收益，运营人员在授权范围内处理业务，共享事实与保护边界可以同时成立。持车方只有能理解收益从何而来，才更容易持续提供运力；地方运营方只有明确自身责任和分配规则，才更容易投入现场资源。公开规则、可追溯记录和可核对账目，也有助于减少对某一个“关系协调人”的依赖。企业不必每扩张一个城市，都重新找一位能把所有人劝明白的负责人。

值得注意的还有这家公司在能力边界上的表述。它强调“AI 负责发现和建议，人负责拍板”，高风险动作需要人工确认。对 AI 能力边界的清醒，本身就是 AI 公司成熟度的标志。

三层答案之外，这次发布会还有一条容易被低估的信息：易森正式发布了 AI Agent 战略“4+N”。架构的形态是“一个大脑，四个专职 Agent”。

客户以文本、语音、图片或表格发起需求，智能调度大脑完成意图识别、规划推理、任务分解与编排调度，调用订单、地图、车联网、结算等平台工具，把任务下发给四个专职 Agent（多模态智能下单、路线规划、智能运营、远程脱困），执行结果回流大脑。

“4”，是已经在跑的这四个专职 Agent；“N”，是接下来会长出来的方向：充电与补能调度、报价与结算、客户服务、安全与合规。王庆川的说法是：“N 没有上限，底座建好了，Agent 会自己长出来。”

这句话的含义值得展开：垂类 AI 公司的常规做法是逐个场景开发产品，场景越多、定制越重、边际成本越高；而“4+N”的路线是先建一套可生长的底座：同一套记忆、工具与编排机制，长出一个新 Agent 不用重造轮子。对一门要逐城复制的生意来说，这直接决定了第六座、第十座城市的进入成本。

这四个 Agent 的意义，在于把一项业务中的不同工作交给相应的能力处理，同时保留任务之间的联系。客户问“货到哪了”，不该重新触发一次下单；车辆遇到问题，系统不该只回复一句“请耐心等待”；运营确认了新的处理方案，相关订单与状态也应随之更新。真正的产品价值来自共同的任务上下文、工具调用和执行记录：一个环节做了什么，另一个环节能够理解；某一步没有完成，后面的流程知道该等待、返回还是请人处理。易森太初值得被研究的，是它把 AI 放进了工作的接续关系里。

这句话的含义还值得往经营上再推一层：垂类 AI 公司的常规做法是逐个场景开发产品，场景越多、定制越重、边际成本越高；而“4+N”的路线是先建一套可生长的底座：同一套记忆、工具与编排机制，长出一个新 Agent 不用重造轮子。如果每增加一个能力都要另起一套数据、另接一遍系统，它最终只会变成一排越来越拥挤的应用图标。而用户没有减少工作，只是获得了更多登录入口。对一门要逐城复制的生意来说，这直接决定了第六座、第十座城市的进入成本。

三、一家 AI 公司做垂类的三个动作

“易森太初”展示的是结果。回头看过程，这家公司做对了三件事，它们的价值也不限于物流这一个垂类。

第一，先有行业，再有 AI。

易森动力的技术底座来自北航全国重点实验室的科研成果转化。但更重要的是它没有停在实验室里。过去一年，这家公司把无人车开进了 9 座城市的真实运营场景，运营车辆超过 50 辆，意向订单超 8,000 台，客户涵盖河北快运集团等计划型物流企业。

先扎进行业，才知道哪些问题是真的贵。AI 落地的最大误区，是用算法去解一个行业其实不那么在意的问题。算法的精度再高，解错了题就是零分。 一年的真实运营，本质上是一次大规模的痛点筛选。

第二，把智驾能力“借”过来，把自己留给调度。

2026 年 4 月，易森动力与卓驭科技达成战略合作，以卓驭的原生多模态基础模型作为单车智驾技术底座。这套模型具备零数据知识迁移能力，让无人车不再依赖高精地图“背题”，而是理解物理世界的通用规律。

对一门需要逐城复制的生意来说，这直接决定了进入新城市的成本与周期。

这家公司自己不做整车、不做电池、不做智驾，它把这些交给产业链上更擅长的伙伴，自己专注于调度与运营这两件别人替不了的事。9 月 20 日，易森动力与上汽大通、卓驭科技、时代电服，正式达成四方战略合作。这是国内首次，由“AI 驱动的全链路运营平台（易森动力）、整车生产企业（上汽大通）、移动物理 AI 公司（卓驭科技）、标准化换电生态服务商（时代电服）”，四方做深度战略协同。

四方分工正是这一逻辑的延伸：整车生产企业提供规模化制造，移动物理 AI 公司提供智驾技术底座，标准化换电生态服务商提供电池资产与换电网络，而 AI 驱动的全链路运营平台负责把这些要素组织成一张可调度的运力网络。

第三，让数据长成资产，而不是存成日志。

这家公司有一个判断：每一单配送都在产生高质量的物理交互数据：订单、路况、装卸、补能、故障。这类数据买不到，只能靠运营积累。数据越多，调度越优；调度越优，利用率越高；利用率越高，成本越低。这是一个自我强化的飞轮。

更值得关注的是数据的第二种用法：运营端第一次有能力“看见”真实工况，并直接参与下一代车型的定义。 在四方合作的框架里，这条链路被明确为：换电网络的数据与运营工况，将直接参与下一代车型的研发定义。当研发不再靠猜市场需求，而是按运营中暴露的真实约束去迭代，产业的响应方式就变了。

但数据的价值不会因为订单增加而自动发生。记录“晚了十分钟”只是一个结果；能把它关联到排队、装卸、备货、车辆状态或原计划安排，才可能找到改进方向。这需要有人整理原因、校准数据、检查处理效果，再决定哪些经验值得进入产品。没有这项工作，数据越来越多，也可能只是系统更加详细地记住了自己的忙乱。

四、判断与余味

回到开头那个问题：AI 进入一个垂类，应该先解决什么？

易森动力给出的路径是：先找到那个没人真正负责、且最贵的环节，再用 AI 重构它。在城市物流里，这个环节是调度与履约；易森太初是这个答案的产品化；而飞轮能不能持续转起来，则取决于数据是否在真实场景里不断积累。

对资本市场而言，这类公司的估值框架与硬件公司并不相同。硬件公司看单车毛利与出货量，天花板是制造业的逻辑；而做城市运力网络的公司，看的指标是网络密度、调度效率与单城盈亏模型，价值随网络规模复利增长。“易森动力的定位一直是一家 AI 科技公司”，这句话在资本语境里的真实含义，是估值锚的更换：从“卖了多少台车”，换成“一张网络能调度多少运力”。

如果把这套逻辑放到更长的时间尺度上，公司管理层给出过一个相当进取的设想：明年在 40 个以上城市落地，并向超过 5 万台的规模推进。需要说清楚的是，这是团队在发布会当天下午采访中提出的扩张设想，与发布会上给出的意向订单口径不是一回事，也不能替代已经完成的履约记录。把它当作一个目标来看反而更有价值，因为它把问题从“能接到多少订单”，换成了“接得住这些订单的组织方式在哪里”。

王轩在采访中还提出另一种远期设想：通过城市级调度和更充分的运力利用，能否以 3 万至 4 万辆车，承担今天约 30 万辆车所对应的城市运输任务，并减轻交通压力。这是管理层对高利用率运力网络的远期判断，不能视为已经证明的替代比例：不同车辆的容量、任务类型、工作时长和服务范围都可能不同，不能只数车头就得出结论。但这个设想背后的经营取向值得琢磨：如果收入主要来自卖车，更多车辆成交通常直接对应更多产品交易；而如果主要围绕运力组织和持续履约收费，企业就有理由研究，能否用更合适的资源配置完成更多有效任务。这也把衡量视角从一家客户的降本，推到了城市公共空间的使用效率，无论道路、停靠位置、装卸工位都有容量限制，无人车便宜一些当然有利于普及，但如果每家客户都配置一批大部分时间闲置的车辆，车辆自动化并不会自动带来资源组织的高效率。

这里也藏着这家公司商业模式的底层逻辑。它选择的是开放的平台定位：整车、智驾、能源和现场服务分别交给专业伙伴，自己把主要精力放在客户需求、任务组织和跨环节履约上。但轻资产从来不意味着现场工作轻松：别人持有车辆，平台仍然要面对车辆是否可用；别人提供站点，平台仍然要面对到站能否顺利交接。资产可以分工，客户体验不会自动分工；对客户来说，买的是完整服务，出了问题不能只收到一份供应商通讯录。

平台服务费对应的，正是这些工作。从已有的业务关系看，客户获得降本增效，车辆运力方贡献车辆并获得分润，平台参与撮合结算并获得服务费。具体费率与收入确认方式尚无从这些材料中确定，但价值来源可以分析出三层：一是更合理地配置已有资源，让适配的订单拼线或接续，减少闲置与空驶；二是降低跨主体协作的工作量，让接单、派车、查进度、异常处理和对账围绕同一套业务记录完成；三是让相同方法持续复用，新客户接入后可以沿用经过验证的流程、工具与配置，而不必每次从头组建一支临时项目队伍。这三层价值若能兑现，平台才有理由从中获得收入。反过来看，规模大并不会自动改善利润。如果新增任务带来的服务费还不足以覆盖增量运营、远程支持、现场协调和异常损失，忙碌只会变得更有规模。

网络价值来自有用的需求密度，而不只是客户总数。新增客户如果能补上已有运力的空闲时段，就可能改善整体利用；如果它需要一套专属车型、孤立节点和不同流程，也可能带来额外复杂度。增长的质量，要看前者能否逐渐多于后者。这也解释了为什么扩张要同时解决两件事：跨城市复用平台方法，以及在每个城市建立足够的本地业务密度。软件可以共享，但今天下午闲在一座城市的一辆车，不能瞬间替另一座城市完成一张急单。

这家公司成立刚满一年，商业化规模在行业中仍属早期，纯第三方全场景运营平台独立成规模尚无先例；智驾、能源、整车三端能力均为合作而非自有，议价权与不可替代性需要在更大的规模化运营中继续证明。谁先完成产业分工的重组，谁拿到下一个十年的入场券。

王庆川在演讲的结尾留下了一句话，可以作为这篇稿子的收束：

“城市运力的每一环，都值得被 AI 重构一次。”