前一期，我們已經為大家介紹了KDK這家新創的背景，本期，我們接續前期的未完待續，繼續為大家進一步更深入的拆解分析！
想要第一時間獲得市場上的最新資訊及分析嗎？
歡迎點擊下方連結訂閱【馬克觀點MKP】電子報，在即時更新資訊的同時，獲得最深入的分析～
【Question I.】一山難容二虎，特斯拉手握FSD，世界還需要KDK嗎?
如果您還對上一期內容有印象，你可能已經有發現，KDK實質上避開在家用、robotaxi等to C領域與TSLA可能的正面衝突，而專注開發to B「初級工業（註一）」領域及軍事領域上，能應對非結構化惡劣環境的自動駕駛系統。這也影響了其硬體方案的選擇；雖KDK不自己製造硬體，但與其軟體配合的硬體方案，使用的是即時感測器融合（除了視覺攝影機，還包含光達、雷達）來感知和導航周圍環境（技術可行性分析詳見註二），原因就在於，崎嶇地形、缺乏標準道路標記的路線以及惡劣天氣條件（如西德州的沙塵暴）中，多感測器融合特別適合此類環境，否則一旦攝影鏡頭被噴上泥濘，純視覺系統就會「眼瞎」。故雖然KDK客戶會必須買單昂貴的感測器模組成本，但某種程度上這是必要的，特別是軍事國防客戶，以戰場環境來說，假設敵我之間施放了煙霧彈或使用了光學迷彩，純視覺系統可能會陷入辨識困難。
另外，KDK的優勢，在於能吃下特斯拉吃不到的市場，即傳統柴油卡車改裝升級自動駕駛的需求。（這部分詳細拆解的話，特斯拉未來其中一個可能的商業模式為：授權其他車廠FSD→由其他車廠販售搭載FSD的車輛；若某既有柴油卡車業主想把車輛升級自駕，他只能找KDK這類的廠商）
其他優勢，在於前一期有提過的戰場RCV（Tesla目前無意進入軍事領域，其FSD聚焦於民用），因野戰環境中，尤其是在夜間作戰，仍會需要可見光攝影機以外的環境感知方式（但其實也能靠切換為紅外線、夜視視覺來解決）；並且題外話，Mark預測，未來美國陸軍一定會將RCV與PLTR的系統做結合，使RCV成為Gotham架構中能執行軍事event的object（可複習MKP第5期）。
以下，我們再用幾個面向來釐清TSLA與KDK之間的差異
〖KDK的AI自駕軟體是給卡車用，TSLA的FSD也將在不久的將來搭載於semi truck，那KDK是否會受到來自特斯拉的威脅？〗
要釐清這個問題，首先我們必須先分析兩家公司的產品及應用場景分野；KDK的AI model主要是給初級產業運輸物流用，場景高度非結構化，但特斯拉的semi truck with FSD方案更適合結構化的公路運輸場景。
並且，以訓練AI model最重要的數據來看，因為兩種場景行駛環境差異極大，故所需的訓練數據型態也不一樣，KDK擁有的百萬英里非結構化行駛數據（如礦區），及與美國陸軍合作所取得的野外戰場數據（亦為非結構化），是特斯拉所沒有的，特斯拉雖擁有數十億英里的行駛數據，但主要屬於高度結構化的市區道路/公路/高速公路等；搭配其移除雷達和超音波感測器後的「純視覺」(vision-only)方法，再依賴攝影機生成3D向量空間(3D vector space)來理解環境（如圖）。
特斯拉「純視覺」形成的向量空間
這在公開道路表現良好，但在非結構化環境（如礦區）可能因缺乏多感測器融合而受限，並且特斯拉車輛非專門的工業或礦業應用，這限制了其在特殊私人道路場景（如礦區、油田或非標準柏油路）的數據累積，亦無證據顯示特斯拉針對該類場景進行過專門數據收集，又礦區環境通常涉及崎嶇地形、缺乏道路標記、動態障礙物（如重型機械）以及惡劣條件（如灰塵、泥濘），這些與特斯拉的公開道路數據都顯著不同。相反的，Kodiak AI在前述私人道路場景和非結構化環境的數據收集上具有明確優勢，特別是在礦業和軍事應用領域，其中，與美國陸軍合作所獲得的軍事數據，其複雜性（如動態威脅、不可預測地形）增強了Kodiak系統的通用性，使其在工業場景（如礦區）具有強大適應性。
以上這些點，KDK也清楚，故打從一開始KDK的商業模式與研發策略就避開與特斯拉硬碰硬，而選擇自己有優勢的地方著手。但在私人礦場以外的公用道路物流，確實特斯拉未來搭載FSD的semi truck可能受益於海量訓練資料而更有優勢；雖目前仍在進行測試，尚未正式商業化部署，但若其未來成功規模商轉，更有可能會是在結構化公路區域運行，而跟KDK的非結構化初級產業運輸形成分工。
另一方面，根據目前狀況，特斯拉也無意跨足軍用市場，其純視覺方案策略也大抵成形，不會再有大幅變動，至少再把已經拿掉的光達、雷達等裝回去的可能性是低的（原因以前期別有詳述過，此不再贅述），唯一有可能對KDK造成潛在威脅的場景，便是假若某天新版本FSD突破奇異點成為self-driving AGI之時，到時就看特斯拉有沒有想切入工程/工業領域，並能不能解決如果鏡頭因惡劣環境污損造成的"blind"；但那至少都不會是目前的事。
〖KDK的硬體方案除了視覺攝影機，還包含雷達、光達等，是否會造成客戶在車輛硬體成本上高於TSLA？〗
感測器佔轎車造價的比重是高的（如果以waymo為例，光感測器成本就可以買下一台普通燃油車），這還不算上後續的保養維護成本、及故障/損壞後的高昂維修成本，並且個人用戶對於價格較為敏感，結構化道路行駛環境又相對友善，惡劣的泥濘、塵暴、土石狀況較少，故此點上特斯拉拿掉視覺攝影機以外的感測器是合理的，能大幅降低車輛成本，但工程車輛原本造價就高昂（相較於轎車可能為五至十倍），感測器佔整車造價的比重相對轎車低非常多，此外，工程用戶考量的更多是作業中的穩定性，惡劣的作業環境中，多模態感測器恰好能彌補純視覺攝影機的不足，當一邊增加的成本實際上能更大程度的減少另一邊的成本（人事）、或者大幅增加產值時，他們就會採用！
【Question II.】價值投資者著重分析企業的財報，但KDK上市未滿五年，我們該如何來為其估值?
的確，一家行之有年的企業，我們在初次入股前確實可以透過分析其過去五年（甚至十年）的財報軌跡來做個人最初步的量化判斷依據。
但像Kodiak這類仍處於早期階段的公司，傳統的現金流折現法(DCF)並不適用。我們能改採所謂的「DCF橋接模型(DCF Bridge)」，用來模擬企業從燒錢階段，跨越至具備軟體級高獲利能力之間的轉變；目前以此框架計算出的現有估值約為14美元。
在目前的狀態下，Kodiak尚未有淨利，這座「橋(Bridge)」其實就是Kodiak未來經營的關鍵——能否順利從目前負自由現金流的狀態，跨向正自由現金流（即yes or not的二元思維分析模式）。
若沒有成功過橋，對投資人而言，講白話就是投資失利，必須做好血本無歸的心理準備，畢竟這類超高風險/超高回報的標的，頂多適合以「樂透股」配置做買進，而樂透畢竟不可能期待每次都中獎。
但若中了jackpot，KDK在未來成功跨越生死bridge，達到大規模化穩定商轉，遠期目標毛利率理論上可達60%至80%，與SaaS軟體公司接近。要達到這樣的利潤結構，前提是能真正進入「driver-out」階段，也就是完全移除安全駕駛員（人類監督員）。而在(DaaS, Driving-as-a-Service)產業裡，實現這點的關鍵因素，除了技術能力，更多的在於法規監管，若無法達成這一點，軟體級的毛利結構將無法實現。
但有一點值得慶幸的是，相較於特斯拉之FSD要在公眾道路上營運而所需面對的監管高牆；KDK相對在法規阻力上會小很多，因在聯邦層級，無論是NHTSA（國家公路交通安全管理局）或FMCSA（聯邦機動車輛安全管理局），其管轄都不涉及私人場域（如礦場內部路徑等），業主僅須遵守由OSHA（職業安全與健康管理局）訂定的規範，即不能出任何工安事故。在州政府級別，規定亦類同，私人礦場不受影響，無需州級許可，因為這些道路不開放給公眾，業主僅需確保符合職業安全法規和環保法規。
更值得開心的是，根據2025年10月的最新公開資訊，Kodiak在私人礦場道路上的運作已實現完全無監督(unsupervised)自動駕駛，即車上無人類監督員或安全駕駛員，此乃其商業化進展的關鍵里程碑。
資產利用率方面，目前雖在礦場私人道路內部可完全無人運作，但出了礦場，在外部公有道路運輸途中，因法規限制，尚需人類駕駛，故仍受制於人類駕駛（監督員）的工時規範，導致車隊運作時間有限。而在理想狀態下，無人駕駛車可接近24小時連續運作，大幅提升週轉效率。不過，這需要建立在完善的「hub-to-hub」物流節點網絡，以及向FMCSA成功申請豁免上，過程中仍存在協作與監管挑戰。
最後是時間壓力。如前一期所述，Kodiak目前手上約有33個月的資金跑道可供營運，必須在這段期間內達成具規模的訂閱型收入。任何執行延誤、策略失誤或監管核准延遲，都可能加速現金消耗，迫使公司提前融資，造成股權稀釋。
【Last question.】還有沒有其它不容易注意到的風險？
除了我們多數能想到的風險，包括執行上的延遲、監管上的障礙（如外部公用道路法規的批准），在評估Kodiak的長期價值時，還有一項不能忽略的變數，就是SPAC（借殼上市）交易中所設計的「Earn-Out 股票獎勵」，也就是一般散戶不容易注意到的股權潛在稀釋風險；根據已知資料，潛在稀釋規模最多可能新增7500萬股。
這7500萬股將在股價里程碑達到18美元、23美元和28美元時發放給原始股東、創始人或SPAC贊助人，以作為經營公司的獎勵。
屆時，將大幅降低其他股東的持股比例，也會壓低每股盈餘(EPS)和其他財務指標，因為利潤將分攤到更多股份上；理論上，當股價接近這些里程碑時，新股份的發行也可能造成短期賣壓。
故未來，假設KDK真的成功走過前述的「生死橋」，我們在做DCF分析時，也應考慮未來總股本增加的影響，將潛在稀釋納入考量，方能較為客觀評估其長期內在價值。
最後補充一點，特斯拉目前FSD都是跟著自家車輛選擇買斷或訂閱，尚未出現非特斯拉車輛能搭載FSD的模式；假設特斯拉未來也另外確定其單純授權FSD系統的商模，在此維度上就與KDK同屬DaaS模式，可能會在公開道路運輸部分削弱KDK的護城河。
〖第5期電子報傳送門〗
〖註一〗經濟學產業分類方式
第一級產業（初級產業）：直接從自然資源獲取產品的行業，如農業、林業、漁業、牧業等。
第二級產業（次級產業）：對初級產業提供的原料進行加工製造的行業，如製造業、礦業、建築業、水電燃氣供應等。
第三級產業：提供服務的行業，不直接生產實物，如商業、金融、交通運輸、通訊、教育、醫療、娛樂等，目前的AI軟體行業亦屬之。
〖註二〗Kodiak的技術路線
前一期提到的「SensorPods」硬體模組，主要技術方法涉及即時感測器融合，整合來自多種模態的資料；每輛卡車配備12-16個攝影機、4-6個LiDAR和6個雷達，整體設計為可更換式模組，方便客戶依需求更換和快速維護。
這與Tesla的純視覺方案形成對比，後者因為觀察到硬體衝突（如不同類型感測器資料無法互相匹配導致的「幻影煞車」），在2021年移除雷達和超音波感測器後僅依賴攝影機；當時Tesla的研究結論是，多感測器（多模態）設定可能導致數據不一致，其中一個感測器的輸出可能覆蓋另一個，在邊緣情況，如惡劣天氣或感測器偵測異常時可能造成不穩定行為。
而Kodiak的硬體模組透過名為「Kodiak Vision」的精密感知架構來解決多模態可能造成的原生潛在衝突。
關鍵元件包括：
追蹤器：即時融合每個感測器的detection，並在時間上結合以準確追蹤物件並減少假陽性（偵測到有但實際上並沒有的狀況）。
後備系統：如果發生關鍵衝突或故障，則引導卡車安全停靠路邊，在2022年已有公開示範。
感知優先順序：在出現差異時（如感測器之間或與任何既有地圖資料衝突時），系統設計為透過即時驗證「信任所見」，優先融合驗證過的輸入。
強健訓練(Robust Training)：使用來自軍事/越野環境的資料（如混亂地形）建構整體架構的韌性，使用視覺語言模型(VLMs)進行類似人類思考模式的障礙推理。
Kodiak表示其模組架構能避免當初特斯拉所發現的多模態衝突；多感測器法在低能見度（如濃霧、沙塵暴）等惡劣場景中，理論上能提升可靠度（LiDAR/雷達優於視覺），但整合的複雜性可能存在潛在技術問題，如校正結果的漂移或計算負荷，這可能導致如高速情境中的延遲回應。Kodiak雖有300萬英哩以上無重大事故記錄，但與數十億英哩相比仍顯非常低，是否涵蓋所有邊緣情況有待確認，且尚沒有第三方獨立研究確認其確為零風險，故仍需要更長期的實際驗證。
在模型訓練的算力基礎設施上，Kodiak並未像Tesla的Dojo那樣自建大規模運算中心；相反，它依賴事業夥伴關係和可租用的雲端資源進行訓練。車載運算使用NVIDIA DRIVE Orin進行即時處理（如圖，摘自NVDA官網）。
其他硬體包括NXP處理器，以及Ambarella的CV3-AD685 AI SoC（如下圖，摘自官網）作為嵌入式領域控制器。
對於車外訓練，Kodiak使用MLOps（見補充）方式進行模型迭代和資料管理；雖KDK無公開關於其訓練叢集(cluster)的細節，但推測其可能與雲端供應商（如AWS、Google Cloud）或事業夥伴如NVIDIA有所合作；這種方法也與其輕資本商業模式相呼應（透過租用或合作方式避免大規模基礎設施投資）。
〖補充〗MLOps
即機器學習作業(Machine Learning Operations)，是一種將機器學習(ML)、軟體開發(Dev)和IT維運(Ops)整合的方法。
其核心目標是自動化和標準化整個機器學習生命週期的流程，包括模型開發、測試、部署和監控。
